對於處於中級階段的電商而言，穩定客流、提升店鋪銷量是首要任務；
對於極具規模的電商而言，更多關註的是留存和活躍度，提升整體運營水平。
在不同階段，數據分析指標的側重點也不同。
本文以某電商用戶訂單記錄為例，重點分析用戶消費的整體趨勢和用戶消費行為，分析用戶規模和用戶粘性中的幾個核心數據點：
分析過程思維導圖：
數據來源於某電商網站用戶訂單記錄
觀察點：
1、日期需要轉換格式
2、大部分訂單購買的商品數量不多，平均值在 2 左右，極值 99 很大，存在幹擾
3、用戶消費金額比較穩定，同樣也存在極值幹擾
時間格式轉換：穩定，此消彼長
用戶平均消費次數在 1-2 次之間，1997-1998 年呈上升趨勢
1、用戶消費次數和消費金額
用戶消費金額、用戶消費次數分布散點圖
根據散點圖的分布，極值影響嚴重、根據切比雪夫定理，對數據進行篩選
95%的數據集中在離均值 5 個標準差以內
去掉極端值，重新調整分布
圖中大致呈現線性回歸，說明客單價比較穩定
用戶消費次數直方圖：
大部分數據集中在 10 次以下，小部分數據造成幹擾
用戶消費次數直方圖：
大部分集中在 250 元以下，大部分數據集中，小部分數據造成幹擾
2.用戶累計消費額
按消費金額排序，用累計求和函數計算用戶消費比例
用戶數為 23750 人，50% 的人只占消費總額的 15%，前 4000 人貢獻了前 4000 人消費總額的 60%。4000人貢獻了總消費額的60%
也就是說，保持前4000名客戶就可以完成60%的KPI
3、新老客戶消費比例
每月新客戶趨勢圖
每月老客戶趨勢圖
4、單用戶消費次數
只消費過壹次的客戶占51.14%，壹半的客戶只消費過壹次
按月對比：
5、用戶分層--rfm模型
使用數據透視表，提取用戶消費金額、最後消費日期、消費數量數據
將最後消費日期改為最後消費日期到今天的天數
（由於數據很早，為了更好地展示數據、比較標準改為所有用戶的最後消費日期）
數據以平均值作為 x、y、z 軸的標準值，寫壹個 python 函數，將用戶的 M、R、F 數據，劃分象限，用 0、1 作為上下象限的標準值進行劃分，給用戶分別標註上、下象限的標準值。除法，給用戶分別標註。
8 類標簽分別是：重要維護客戶、重要價值客戶、重要開發客戶、重要留存客戶、壹般維護客戶、壹般價值客戶、壹般開發客戶、壹般留存客戶
統計每個標簽用戶的總銷售額、總消費頻次和人數
壹般留存客戶人數最多，重要維護客戶次之，重要維護客戶銷售額占比最高
重要維護客戶 銷售額占比最高的客戶
rfm 客戶分層散點圖：
從RFM分層可以看出，大部分用戶都是重要維系客戶，但這是由於極值的影響，拉高了平均值，用戶劃分不夠準確
6、用戶分層--新老用戶、活躍用戶、回流用戶、流失用戶
使用數據透視表、統計每個用戶每月的消費情況，1表示當月已購買，0表示當月未購買
使用python函數，根據用戶每月的消費情況，進行標註
統計每月各類用戶的使用人數
壹個比較直觀的區域圖：
計算退貨率 加入表格
7、用戶生命周期
計算用戶第壹次購買和最後壹次購買的時間差
平均生命周期 135 天，最長 544 天
只購買過壹次的用戶對用戶生命周期影響較大、可以剔除
剔除只購買過壹次的用戶，可以看到用戶生命周期前兩端的用戶數量相對較多，中間值相對較少
8、用戶購買周期
9、復購率
復購率是指在壹個自然月內多次購買的用戶所占的比例
使用 applymap 函數標記用戶在每個購買月內的購買次數
復購率折線圖
復購率穩定在 20%左右，上個月因為有大量新用戶，只購買了壹次、拉低了復購率
10、復購率
復購率是指在壹定時間內購買過和再次購買過的用戶比例
使用上壹節劃分的購買標記
0為當月未購買，1為當月購買
寫壹個python函數來標記用戶復購情況
復購率折線圖