對於中級階段的電商，穩定客流，提高店鋪銷量是首要任務；
對於很有規模的電商，更側重留存與活躍，提升整體運營水平。
不同的階段，對於數據分析指標的側重點也不同。
本篇以某電商用戶訂單記錄為例，側重用戶消費整體趨勢和用戶消費行為，對用戶規模和用戶黏性中的幾個核心數據點進行分析展示：
分析過程思維導圖：
數據來源於壹家電商網站用戶訂單記錄
觀察數據：
1、日期需要轉換格式
2、大部分的訂單購買商品數量較少，平均值在2個左右，極值99很大，存在幹擾
3、用戶消費金額穩定，同樣也存在極值幹擾
時間格式轉換：需要按月分析數據，這裏直接轉為月份，忽略具體日期
1、每月銷量和銷售額分布情況
銷量與銷售額走勢壹致
2、用戶數量、訂單數量分布情況
訂單量和用戶數量線性分布圖
3、用戶數量分布情況
使用數據透視表，查看每月用戶數量、銷量和銷售額
用戶平均消費金額不穩定，此消彼長
用戶平均消費次數在1-2次之間，1997-1998呈上漲趨勢
1、用戶消費次數與消費金額
用戶消費金額、消費次數分布散點圖
根據散點圖分布，極值影響嚴重，根據切比雪夫定理，篩選數據
95%的數據集中在距離平均值5個標準差之內
去掉極值，重新調整後的分布圖
圖形大致呈現線性回歸，說明客單價穩定
用戶消費次數直方圖:
大部分集中在10次以內，小部分數據造成了幹擾
用戶金額次數直方圖
大部分集中在250元以下，絕大部分呈現集中趨勢,小部分數據造成了幹擾
2、用戶累計消費額占比
按消費金額排序，使用累計加和函數，計算用戶消費額占比
用戶人數是23750 50%的人只占了15%的消費額 消費總金額前4000名貢獻了60%的消費額度
也就是維護好這前4000名客戶，可以完成KPI的60%
3、新老客消費比
每月新客趨勢圖
每月老客趨勢圖
4、單次用戶消費數量
只消費了壹次的客戶占比51.14%，有壹半客戶只購買了壹次
按月對比：
5、用戶分層——rfm模型
使用數據透視表，提取出用戶消費額、最後壹次消費日期、消費數量數據
將最後壹次消費日期轉為最後壹次消費日距今的天數
(由於數據是很早之前的，為了更好的展示數據，將對比標準改為所有用戶最後壹次消費的日期）
數據以平均值作為x、y、z軸標準值，編寫python函數，將用戶M、R、F數據，劃分象限，使用0、1作為標準值上下象限之分，給用戶分別貼上標簽。
8類標簽分別是：重要保持客戶、重要價值客戶、重要發展客戶、重要挽留客戶、壹般保持客戶、壹般價值客戶、壹般發展客戶、壹般挽留客戶
統計各標簽用戶的總銷售額、總的消費頻率，和人數
壹般挽留客戶最多，重要保持客戶第二，重要保持客戶銷售金額占比最高
rfm客戶分層散點圖：
從RFM分層可知，大部分用戶為重要保持客戶，但這是由於極值影響，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、回流、流失用戶
使用數據透視表，統計每月各用戶消費情況，1表示當月購買過，0表示當月沒有購買
使用python函數，根據用戶每月消費情況，貼上標簽
統計每月各類用戶的數量
更直觀的面積圖：
計算回流率加入表中
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
平均生命周期為135天，最長544天
用戶的生命周期受只購買過壹次的用戶影響比較厲害，可以剔除
剔除只購買壹次的用戶，可以看出，用戶生命周期首位兩端人數比較多，中間值相對少
8、用戶購買周期
9、復購率
復購率指自然月內，購買多次的用戶占比
使用applymap函數對用戶購買各月購買次數進行標記
復購率線形圖
復購率穩定在20%左右，前壹個月因為有大量新用戶，只購買了壹次，拉低了復購率
10、回購率
回購率指曾經購買過且在某壹時期內再次購買的用戶占比
使用前面分好的購買標記
0為本月未購買，1為本月購買
編寫python函數，對用戶回購情況貼上標簽
回購率線形圖