Python 實現(xiàn)帕累托，漏斗，雷達(dá)圖
Python實戰(zhàn)社群
Java實戰(zhàn)社群
長按識別下方二維碼，按需求添加
掃碼關(guān)注添加客服
進(jìn)Python社群▲
掃碼關(guān)注添加客服
進(jìn)Java社群▲
前言
用 Python 中的 pyecharts 庫實現(xiàn)帕累托圖，轉(zhuǎn)化漏斗圖，RFM 客戶分類以后的雷達(dá)圖。
可收藏當(dāng)做模板使用，先來看看實現(xiàn)效果：
帕累托
帕累托分析法或巴雷托分析法、柏拉圖分析、主次因分析法 、平常也稱之為「80 對 20」規(guī)則，即二八法則。
現(xiàn)在我們有一份商品銷售數(shù)據(jù)，包含店名，風(fēng)格，品類，銷售日期，銷售額等字段。
我們以品類，銷售額，使用帕累托分析法分析出銷售額主要來源于哪部分 80% 的商品。
先讀取數(shù)據(jù)：
首先需要以商品進(jìn)行分組計算，計算出每種商品的累計銷售額，再以銷售額降序排序。
因為需要計算累計占比，所以需要計算所有商品的銷售額總和。
增加一列計算累計銷售額占比，增加一列標(biāo)記到此類商品時，銷售額占比是否達(dá)到 80%，處理代碼如下：
在得到繪制帕累托圖的數(shù)據(jù)后，可以開始繪制了，以商品為橫坐標(biāo)，銷售額與累計占比為縱坐標(biāo)，即雙坐標(biāo)軸，銷售額以柱狀圖顯示，并且累計銷售額占比達(dá)到 80% 的以另一種一色區(qū)分，累計占比以折線圖顯示
繪制代碼有點長，還用到了 js 代碼，就不貼了，完成后以后只需要修改數(shù)據(jù)就可以快速得到了：
漏斗轉(zhuǎn)化
轉(zhuǎn)化漏斗模型，是分析用戶使用某項業(yè)務(wù)時，經(jīng)過一系列步驟轉(zhuǎn)化效果的方法。
轉(zhuǎn)化分析的本質(zhì)是為了促進(jìn)企業(yè)的核心業(yè)務(wù)的流通，最大化每個營銷漏斗的轉(zhuǎn)化率。
在理想情況下，用戶會沿著產(chǎn)品設(shè)計的路徑到達(dá)最終目標(biāo)事件，但實際情況是用戶的行為路徑是多種多樣。
通過埋點事件配置關(guān)鍵業(yè)務(wù)路徑，可以分析多種業(yè)務(wù)場景下轉(zhuǎn)化和流失的情況，不僅找出產(chǎn)品潛在問題的位置，還可以定位每個環(huán)節(jié)流失用戶，進(jìn)而定向營銷促轉(zhuǎn)化。
現(xiàn)在有一份電商數(shù)據(jù)，用戶行為數(shù)據(jù)，從瀏覽到交易成功數(shù)據(jù)，以此數(shù)據(jù)繪制每個行為階段轉(zhuǎn)化情況。
瀏覽商品-搜索-添加購物車-下單-付款-交易成功，每個環(huán)節(jié)的的轉(zhuǎn)化率=此階段人數(shù)/上一階段人數(shù)。
導(dǎo)入數(shù)據(jù)：
計算每個階段的總?cè)藬?shù)，增加一列，每個階段對應(yīng)上一階段的人數(shù)，最后計算每個階段的轉(zhuǎn)化率：
最后繪制轉(zhuǎn)化漏斗圖，每個階段的標(biāo)簽可以看到對應(yīng)百分比及對應(yīng)人數(shù)：
RFM
RFM 分析是美國數(shù)據(jù)庫營銷研究所提出的一種簡單實用客戶分析方法，發(fā)現(xiàn)客戶數(shù)據(jù)中有三個神奇的要素：
最近一次消費時間（R）：客戶距離最近的一次采購時間的間隔。
最近一段時間內(nèi)消費頻次（F）：指客戶在限定的期間內(nèi)所購買的次數(shù)。
最近一段時間內(nèi)消費金額（M）:客戶的消費能力，通常以客戶單次的平均消費金額作為衡量指標(biāo)。
RFM 分析就是通過三個關(guān)鍵指標(biāo)對客戶進(jìn)行觀察和分類，判斷每類細(xì)分用戶的價值。針對不同的特征的客戶進(jìn)行相應(yīng)的營銷策略。
現(xiàn)在有一份數(shù)據(jù)，包含客戶消費時間，金額，名稱，導(dǎo)入數(shù)據(jù)：
導(dǎo)入數(shù)據(jù)后根據(jù)以上三個指標(biāo)進(jìn)行計算，先計算每條消費記錄離現(xiàn)在的天數(shù)，再以每個用戶計算最小天數(shù)，累計消費，消費次數(shù)，即每個用戶的 RFM。
再計算平均 R，F(xiàn)，M 的值，大于平均的標(biāo)記 1，最后可以得到 8 種分類，以此結(jié)果分組計算計算每種類別客戶的三個指標(biāo)的平均值：
最后繪制雷達(dá)圖：
近期精彩內(nèi)容推薦：??
好文分享給更多人↓↓