在本章中，您将了解什么是同群以及如何分析同群。您会创建自己的客户同群，计算关键指标，并对结果进行可视化。

同群分析入门

获得了多少位客户？

同批群组分析

按日分配获客分群

按天计算时间偏移量 - 第 1 部分

按天计算时间偏移量 - 第 2 部分

分群指标

客户留存

从零开始计算留存率

计算平均价格

可视化 cohort 分析

可视化平均购买数量指标

同群分析

在第二章，您将学习客户细分的概念。具体而言，您将接触最近度、频率与金额价值（RFM），基于这些概念创建客户细分，并对结果进行分析。

RFM（Recency、Frequency、Monetary）分群

计算花费四分位（q=4）

计算最近度十分位（q=4）

计算 RFM 指标

最高的 Frequency 值

计算 RFM 数值

构建 RFM 分群

计算最近度与频次的 3 个分组

计算 RFM 分数

分析 RFM 表

查找 RFM 评分分段的平均值

创建自定义分组

分析自定义分群

最近度、频率与金额价值分析

创建了一些细分之后，您会希望进行预测。不过，在此之前，您需要掌握实用的数据准备方法，确保 k-means 聚类算法能够发现分离良好且合理的细分。

数据预处理

k-means 的前提假设

计算变量的统计量

处理偏斜变量

检测偏态变量

处理偏度

数据居中与缩放

手动进行中心化与缩放

使用 StandardScaler() 居中并缩放

预处理流水线

可视化 RFM 分布

预处理 RFM 数据

可视化标准化后的变量

用于聚类的数据预处理

在最后一章中，您将使用第 3 章中预处理的数据，基于客户的最近度、频率和金额价值来识别客户簇。

k-means 聚类的实践实现

运行 k-means

为原始数据分配标签

选择聚类数量

计算误差平方和

绘制平方误差之和

刻画并解读细分群体

为蛇形图准备数据

可视化蛇形图

计算各属性的相对重要性

绘制相对重要性热力图

端到端分群解决方案

预处理数据

计算并绘制误差平方和

构建 4 类聚类方案

分析各细分群体

最后的思考

使用 K-means 的客户细分

Chapter 4 datasets

Chapter 3 datasets

Chapter 1 datasets

Chapter 2 datasets

当今最成功的公司，往往对客户了解深入，能提前洞察其需求。数据分析师在挖掘这些深层洞见、并对客户进行细分以更好服务方面，起着关键作用。本课程将基于来自某在线零售商的匿名客户交易真实数据集，教授客户细分与行为分析的实用方法。您将先进行同群分析以理解客户趋势；随后学习如何构建易于解释的客户细分。在此基础上，您还将对已创建的细分进行准备，使其可用于机器学习。最后，您将仅用几行代码，借助 k-means 聚类让您的细分更具洞察力。学完本课程，您将能够应用切实可行的客户行为分析与细分技术。

Supervised Learning with scikit-learn

学习在Python中分割客户数据的技术，包括行为、交易和群体数据，了解RFM分析等。

k-means 聚类的实践实现

Create Your Free Account