基于K-means给客户分群

一、背景描述

1、我们的想要将客户进行分类，分类后是为了对不同的客户进行分类管理，给与不同的营销资源于不同的客户，实现企业利润最大化。

二、本次目标

1. 使用任意聚类算法实现将用户分类
2. 对比不同用户的客户价值、并制定不同的营销策略
3. 将分类数据整理为可展示的数据结构，做可视化展现，并可导出相关用户

三、分析思路

计划使用经典的RFM模型进行分层，如果使用几十个特征去做聚类会有不能解释的情况，但不同的是我们会针对电商的场景使用额外2个维度
最大消费金额、高优惠订单占比，用来体现这个客户的单次消费能力和优惠敏感程度。

执行步骤

1. 数据清洗和特征工程
2. 结论输出
3. 未来优化思路

根据结果进行分析

分群

• 消费金额：用户消费金额，越大代表消费越高
• 消费订单数：用户下单数，越高代表下单越多
• 最近一次距今支付日期：最近一次距今下单天数，越大代表越久没下单
• 最大支付订单金额：周期内最大的一次订单金额，越大说明最大下单金额越高
• 平均订单优惠金额：平均每单的优惠金额，越大代表用户越是对优惠越敏感

• 群体0（潜力用户）：消费能力一般，对优惠敏感度高，购买周期较长
• 群体1（VIP用户）：消费能够力最强，对优惠最不敏感，购买周期最短
• 群体2（薅羊毛用户）：低消费能力，最高的优惠敏感度，相当于有优惠才买没优惠就不买
• 群体3（一般用户）：消费能力较高，人数也最多，对优惠属于正常响应度（有没有都会买）

结论

1. 对VIP用户，这类客户消费能力最强，对优惠完全不敏感，公司应优先将资源投放到他们身上，维持这类用户的忠诚度
2. 对一般用户，消费金额和消费频率较为稳定，没有过高过低的情况，对这类用户可以尝试刺激提高下单频率。
3. 对薅羊毛用户，要进行风险防控，这类用户不多，但是一旦出现损失较大。
4. 对潜力用户，优惠敏感度较高，购买频率不高，可以在需要提升下单人数时，单独对这个群体进行优惠活动刺激。

后续可优化点

1. 发现消费金额和消费订单数较为相似，可以合并这两维度，作为用户消费能力维度。
2. 多个群体，像薅羊毛用户分布不均
3. 可以尝试用多个聚类算法去测试效果

步骤

PS：jupyter notebook转MD格式很有问题，HTML代码都带出来了，而且不能正确显示，只好截个图了。

_C__Users_Ryan_Downloads_%E8%81%9A%E7%B1%BB%E7%AE%97%E6%B3%95%E7%BB%99%E5%AE%A2%E6%88%B7%E5%88%86%E7%BE%A4.html (1).png