电商用户销售数据分析

时间：2023-03-15 23:04:02 | 来源：电子商务

时间：2023-03-15 23:04:02 来源：电子商务

项目背景

随着互联网的发展，人们越来越多地依靠网上购物，电商平台的发展已然成为趋势，特别是在本次的疫情期间电商更是得到飞速的发展。国内电商的快速发展对传统贸易带来冲击，加上网购时代的到来以及互联网发展，跨境电商也随之兴起。

一、项目介绍

数据集来自UCI加州大学欧文分校机器学习库，该数据集包含2010年12月12日至2011年12月9日之间在英国注册的非商店在线零售的所有交易。该公司主要销售独特的全时礼品。公司的许多客户都是批发商。对该数据进行数据分析，了解用户消费行为。

工具：jupyter notebook

数据源：

二、提出问题

根据项目需要研究数据产生的业务背景，在对数据进行深入的分析，这样得到数据分析的参考性就越有价值。电商数据分析指标有一系列的指标体系和分析方法。可以参考

根据该数据集提出问题：

根据数据集提出问题如下：

1. 订单维度：笔单价，连带率，订单金额和商品数量的关系？
2. 客户维度：客单价，客户消费金额和消费件数的关系？
3. 商品维度：价格定位，价格定位与商品销售量、销售额的关系？
4. 时间维度：每月/日销售趋势，影响因素有哪些？
5. 区域维度：客户分布，客户消费能力分布，主要消费市场？
6. 客户行为：客户的生命周期、留存情况、购买周期如何？

三、理解数据

四、数据清洗

4.1导入数据

#导入包import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport seaborn as snsplt.style.use("bmh")plt.rc('font',family='SimHei', size=13)%matplotlib inline#导入数据data_df = pd.read_excel('OnlineRetail.xlsx', sheet_name='Online Retail',dtype=str )4.2查看数据

#查看数据信息data_df.info()data_df.shape#查看前五行data_df.head(3)可以发现：

(1)由于导入数据选择数据类型dtype=str，所以各列数据类型都是Object

(2)InvoiceDate时间包含日期和时分秒信息，订单、商品和客户都存在多次行为。

4.3列名重命名

#列名重命名data_df.rename(columns={'InvoiceDate':'InvoiceTime'},inplace=True)4.4删除重复值

删除所有字段重复的记录

#删除重复值rows_before = data_df.shape[0]data_df.drop_duplicates(inplace = True)rows_after = data_df.shape[0]print('原行数：{0}，现行数：{1}，删除行数：{2}'.format(rows_before,rows_after,rows_before-rows_after))#删除后，重设索引data_df.reset_index(drop = True, inplace = True)可以发现：原始数据541909条记录数，删除5268记录数，即有5268条重复记录

4.5缺失值处理

统计缺失值：

#查看缺失值data_df.isnull().sum().sort_values(ascending=False)#统计数据各列缺失数量和比例def missing_value_table(data): #统计缺失数量 mis_val = data.isnull().sum() #缺失占比百分数 mis_val_percent = mis_val/len(data) #结果制作一个表格 mis_val_table = pd.concat([mis_val,mis_val_percent], axis = 1) #给类名重命名 mis_val_table_rename = mis_val_table.rename(columns={0:'Missing Values',1:'% of Total Values'}) #对结果进行排序 mis_val_table_rename = mis_val_table_rename[mis_val_table_rename.iloc[:,1] != 0].sort_values('% of Total Values',ascending=False).round(1) return mis_val_table_rename#统计缺失值missing_value_table(data_df)可以发现：

(1)CustomerID特征缺失135037条记录，缺失率达到30%，Description特征仅缺失1454条

(2)Description特征是商品的描述信息，不是分析重点，可以不进行填充

(3)CustomerID特征是客户的唯一编号，是客户维度分析的重要特征。缺失量大多不适合删除。客户编号不适合用插值法、均值法，数据量大不适合用众数。这里采用‘0’进行填充。

#查询数据中是否存在0号客户data_df[data_df['CustomerID']=='0'].shape[0]#用0填充CustomerIDdata_df['CustomerID'].fillna('0',inplace=True)#再次统计缺失值data_df.isnull().sum().sort_values(ascending = False)可以发现，客户单号已经不存在缺失值了

4.6一致化处理

4.6.1时间信息一致化处理

将InvoiceTime特征转化为datetime格式，并新增月Month、日Day、时Hour特征列

#一致化处理data_df['InvoiceTime'] = pd.to_datetime(data_df['InvoiceTime'],errors = 'coerce')#新增Date特征data_df['Date'] = pd.to_datetime(data_df['InvoiceTime'].dt.date,errors = 'coerce')#新增特征Month特征data_df['Month'] = data_df['InvoiceTime'].astype('datetime64[M]')#查看特征信息data_df.info()4.6.2数据类型一致化处理

把UnitPrice特征转为浮点型，Quantity和CustomerID转为整型

#类型转换data_df['Quantity'] = data_df['Quantity'].astype('int32')data_df['UnitPrice'] = data_df['UnitPrice'].astype('float')data_df['CustomerID'] = data_df['CustomerID'].astype('int32')#添加总价SumPrice特征sales_df['SumPrice'] = sales_df['Quantity'] * sales_df['UnitPrice']4.7异常值处理

进行描述性统计：

data_df.describe()可以发现，特征Quantity、UnitPrice、SumPrice存在负值，且绝对值的数量较大,SumPrice特征是根据Quantity和UnitPrice相乘得到，二者之一为负值。

#查看Quantity、UnitPrice、SumPrice的记录数data_df[(data_df['Quantity'] <= 0)|(data_df['UnitPrice'] <= 0)].shape[0]#查看前5条记录data_df[(data_df['Quantity'] <= 0)|(data_df['UnitPrice'] <= 0)].head()可以发现：数据有两类(1)C字头被取消的订单(2)单价为0的订单

4.7.1C字头被取消的订单

这里把成功订单和取消订单分开保存

query_c = data_df['InvoiceNo'].str.contains('C')#只含取消订单data_cancel = data_df.loc[query_c,:].copy()#只含成功订单data_success = data_df.loc[-query_c,:].copy()#为sales_cancel增加字段SrcInvoiceNo，用于存放去掉“C”的发票编号data_cancel['SrcInvoiceNo'] = data_cancel['InvoiceNo'].str.split('C',expand=True)[1]print('原始订单记录：{0}，取消订单记录数：{1}，成功订单记录数：{2}'.format(data_df.shape[0],data_cancel.shape[0],data_success.shape[0]))可以发现，取消订单数和成功订单数没有重合

4.7.2免费订单（单价为0）

免费订单会对订单量、件单价、连带率指标的计算造成影响，页单独用表存放，方便后面对免费订单进行分析

query_free = data_success['UnitPrice'] == 0# 只含免费订单data_free = data_success.loc[query_free,:].copy()# 只含普通订单data_success = data_success.loc[-query_free,:]#查看处理后的描述统计data_success.describe()可以发现，还有异常值时，单价为负值的订单

4.7.3单价为负的订单

#查看单价为负值的订单query_minus = data_success['UnitPrice'] < 0#正常订单数据data_success = data_success.loc[-query_minus,:]data_success.shape可以发现，经过数据清洗之后，数据还剩data_success还剩524878条记录。

五、数据可视化

5.1订单维度(InvoiceNo特征)

#data_success根据订单号进行分组，对Quantity的商品数量和SumPrice的总价进行分组求和：innovice_grouped = data_success.groupby('InvoiceNo')[['Quantity','SumPrice']].sum()innovice_grouped.describe()可以发现：
(1)该数据共有订单数19960，订单均价为533英镑，连带率为279，说明订单是以批发为主。

(2)数量和总价的均值已经超过中位数，总价甚至已经超过了Q3分位数，说明客户购买力差距比较大，存在一些购买力比较强的客户，拉过高总价的均值。

#订单总交易分布图f,[ax1, ax2] = plt.subplots(2,1,figsize=(12,10))sns.distplot(innovice_grouped['SumPrice'],bins=100,kde=False,ax=ax1, hist_kws={'alpha':1,'color':'g'})ax1.set_title('SumPrice Distribution of Orders')ax1.set_ylabel('Frequency')ax1.set_xlabel('SumPrice')sns.distplot(innovice_grouped[innovice_grouped.SumPrice<1000]['SumPrice'],bins=100,kde=True,color='r',ax=ax2, hist_kws={'alpha':0.8,'color':'g'})ax2.set_title('SumPrice Distribution of Orders (Below 1000)')ax2.set_ylabel('Frequency')ax2.set_xlabel('SumPrice')plt.savefig('1-1.png')可以发现，400英镑以内的订单金额占比较大，有三个峰值，分别是20、100-220、300-330英镑，这些区域的订单数量比较多。

对订单的商品数量进行分析

#全部订单数量分布f,[ax1, ax2] = plt.subplots(2,1,figsize=(12,10))sns.distplot(innovice_grouped['Quantity'],bins=100,kde=False,ax=ax1, hist_kws={'alpha':1,'color':'g'})ax1.set_title('SumPrice Distribution of Orders')ax1.set_ylabel('Frequency')ax1.set_xlabel('SumPrice')#单笔订单数量小于2000分布sns.distplot(innovice_grouped[innovice_grouped['Quantity']<2000]['Quantity'],bins=100,kde=True,color='r',ax=ax2, hist_kws={'alpha':0.8,'color':'g'})ax2.set_title('SumPrice Distribution of Orders (Below 1000)')ax2.set_ylabel('Frequency')ax2.set_xlabel('SumPrice')可以发现，在总体订单分布中存在大量订单使得数据较大，订单量小于2000分布时，商品数量呈现长尾 分布，大部分订单的商品数量集中在300以内，同时，订单商品数量越多，订单越少。

绘制订单交易金额和单笔订单商品数的散点图：

plt.figure(figsize=(14,4))plt.subplot(121)plt.scatter(innovice_grouped['Quantity'], innovice_grouped['SumPrice'], color='g')plt.title('SumPrice & Quantity')plt.ylabel('SumPrice')plt.xlabel('Quantity')# 筛去商品件数在20000及以上的订单plt.subplot(122)plt.scatter(innovice_grouped[innovice_grouped.Quantity < 20000]['Quantity'], innovice_grouped[innovice_grouped.Quantity < 20000]['SumPrice'], color = 'g')plt.title('SumPrice & Quantity (Quantity < 20000)')plt.ylabel('SumPrice')plt.xlabel('Quantity')可以发现，订单的交易金额和订单商品的数量在总体趋势上呈正比，即订单商品数量越多，定金额越多。同时在数量接近0的位置，存在高价订单。

5.2客户维度(CustomerID特征)

这里仅对CustomerID特征值不为空的记录进行分析：

#仅对含有CustomerID的客户进行分析：data_customer = data_success[data_success['CustomerID'] != 0].copy()#按照客户ID和订单编号分组customer_grouped = data_customer.groupby(['CustomerID','InvoiceNo'])[['Quantity','SumPrice']].sum()#重设索引customer_grouped = customer_grouped.reset_index()#统计每个客户的订单数、商品数量和订单金额customer_grouped = customer_grouped.groupby('CustomerID').agg({'InvoiceNo': np.size, 'Quantity': np.sum, 'SumPrice': np.sum})描述性统计customer_grouped.describe()可以发现：

(1)人均下单数4次，中位数2次，有至少25的人仅下过一次单，没有留存。

(2)共有4338为客户，每位客户平均购买商品件数1187件，甚至超过了Q3分位数，最大值为196915件。

(3)每位客户的平均消费额为2048英镑，超过Q3分位数，最大消费金额280206英镑，说明存在强力消费客户，拉高了平均消费金额。

进一步分析观察客户消费金额分布：

#客户消费金额分布f,[ax1, ax2] = plt.subplots(2,1,figsize=(12,10))sns.distplot(customer_grouped['SumPrice'],bins=50,kde=False,ax=ax1, hist_kws={'alpha':1,'color':'r'})ax1.set_title('SumPrice Distribution of Customers')ax1.set_ylabel('Frequency')ax1.set_xlabel('SumPrice')#消费金额低于5000的客户分布sns.distplot(customer_grouped[customer_grouped['SumPrice']<5000]['SumPrice'],bins=60,kde=True,color='g',ax=ax2, hist_kws={'alpha':0.8,'color':'r'})ax2.set_title('SumPrice Distribution of Customers (Below 5000)')ax2.set_ylabel('Frequency')ax2.set_xlabel('SumPrice')可以看出，大部分客户的消费能力不高，金额更为集中在1000英镑以内。与订单金额的多峰分布相比，客户消费金的分布呈现单峰长尾状。

#绘制客户消费金额与消费件数的散点图plt.figure(figsize=(14,4))plt.subplot(121)plt.scatter(customer_grouped['Quantity'], customer_grouped['SumPrice'], color = 'r')plt.title('SumPrice & Quantity')plt.ylabel('SumPrice')plt.xlabel('Quantity')plt.subplot(122)plt.scatter(customer_grouped[customer_grouped['Quantity'] < 25000]['Quantity'], customer_grouped[customer_grouped.Quantity < 25000]['SumPrice'], color = 'r')plt.title('SumPrice & Quantity (Quantity<25000)')plt.ylabel('SumPrice')plt.xlabel('Quantity')可以发现，客户群体的消费规律性更强，客户消费主要集中低商品数量上，同时存在一定消费能力比较强的客户。总体上讲，消费金额和客户购买数量呈正相关，与实际相符。

5.3商品维度(StockCode特征)

根据观察，商品的单价在不同的订单中价格会有波动，以商品21484为例：

data_success.loc[data_success['StockCode']=='21484',:]['UnitPrice'].value_counts()#按照商品编号对商品数量Quantity和商品总价SumPrice进行分组goods_grouped = data_success.groupby('StockCode')[['Quantity','SumPrice']].sum()#计算商品的均价goods_grouped['AvgPrice'] = goods_grouped['SumPrice']/goods_grouped['Quantity']查看商品的均价分布：

#所有商品均价分布f,[ax1, ax2] = plt.subplots(2,1,figsize=(12,10))sns.distplot(goods_grouped['AvgPrice'],bins=100,kde=False,ax=ax1, hist_kws={'alpha':1,'color':'b'})ax1.set_title('AvgPrice Distribution')ax1.set_ylabel('Frequency')ax1.set_xlabel('SumPrice')#均价小于100英镑的商品分布sns.distplot(goods_grouped[goods_grouped['AvgPrice']<100]['AvgPrice'],bins=100,kde=True,color='r',ax=ax2, hist_kws={'alpha':0.8,'color':'b'})ax2.set_title('AvgPrice Distribution (Below 100)')ax2.set_ylabel('Frequency')ax2.set_xlabel('SumPrice')plt.show()可以发现，总体上来上商品的均价都是出于低价位，高价商品很少。商品价位低于100时，商品销售数量高峰的价位是1-5英镑，高于10英镑的商品销量已经很低，可知，该电商的低昂为低价的小商品市场。

分析商品单价和商品数量散点图

#总体商品单价和商品数量散点图plt.figure(figsize=(14,4))plt.subplot(121)plt.scatter(goods_grouped['AvgPrice'],goods_grouped['Quantity'],color='b')plt.title('AvgPrice & Quantity')plt.ylabel('Quantity')plt.xlabel('AvgPrice')#商品价位低于50的单价和商品数量分布图plt.subplot(122)plt.scatter(goods_grouped[goods_grouped.AvgPrice<50]['AvgPrice'], goods_grouped[goods_grouped.AvgPrice<50]['Quantity'],color='b')plt.title('AvgPrice & Quantity (AvgPrice < 50)')plt.ylabel('Quantity')plt.xlabel('AvgPrice')可以发现，前面分析低价位商品更受欢迎是正正确的。

分析商品单价和销售金额散点图

#总体商品单价和销售额的散点图plt.figure(figsize=(14,4))plt.subplot(121)plt.scatter(goods_grouped['AvgPrice'], goods_grouped['SumPrice'], color = 'y')plt.title('AvgPrice & SumPrice')plt.ylabel('SumPrice')plt.xlabel('AvgPrice')#商品价格低于50的单价和销售额分布图plt.subplot(122)plt.scatter(goods_grouped[goods_grouped.AvgPrice < 50]['AvgPrice'], goods_grouped[goods_grouped.AvgPrice < 50]['SumPrice'], color = 'y')plt.title('AvgPrice & SumPrice (AvgPrice < 50)')plt.ylabel('SumPrice')plt.xlabel('AvgPrice')可以发现，低价区的商品缺失是销售额的主要构成部分，高价商品销量低，并没有带来多少的销售额，建议采购部门可以多采购低价位商品进行销售。

5.4时间维度(InvoiceNo特征)

按照订单号分组，随后提取时间信息

time_grouped = data_success.groupby('InvoiceNo').agg({'Date': np.min, 'Month': np.min, 'Quantity': np.sum, 'SumPrice': np.sum}).reset_index()5.4.1月份信息分析

根据月份进行分组分析

#根据月份进行分组统计month_grouped = time_grouped.groupby('Month').agg({'Quantity': np.sum, 'SumPrice': np.sum, 'InvoiceNo': np.size})#画双轴折线图month = month_grouped.plot(secondary_y = 'InvoiceNo', x_compat=True,figsize=(12,4))month.set_ylabel('Quantity & SumPrice')month.right_ax.set_ylabel('Order quantities')可以发现，三条折线的趋势较为相似，除了2011.2和2011.4外，2010.12-2011.8销售趋势较为平稳，9-11月销售趋势增加，这有可能和节假日活动有关，经调研，发现该区间有节日：

说明，假日对该电商平台影响较为明显。

5.4.2日期信息分析

#将日期设为索引，按日画折线图time_grouped = time_grouped.set_index('Date')day = time_grouped.groupby('Date').agg({'Quantity': np.sum, 'SumPrice': np.sum, 'InvoiceNo': np.size}).plot(secondary_y = 'InvoiceNo', figsize = (14, 5))day.set_ylabel('Quantity & SumPrice')day.right_ax.set_ylabel('Order quantities')可以发现：销售额和销量趋势较为一致，但是最后一天2.11.12.9销量和销售额明显提高。

# 取2011年10月1日至2011年12月9日day_part = time_grouped['2011-10-01':'2011-12-09'].groupby('Date').agg({'Quantity': np.sum, 'SumPrice': np.sum, 'InvoiceNo': np.size}).plot(secondary_y = 'InvoiceNo', figsize = (14, 5))day_part.set_ylabel('Quantity & SumPrice')day_part.right_ax.set_ylabel('Order quantities')可以发现，12月份前8天的三条这些趋势较为一致，最后一天的销量和销售额明显提高，把这天信息显示出来查验。

data_success[data_success.Date == '2011-12-09'].sort_values(by = 'SumPrice', ascending = False).head()可以发现，以为英国客户，一次性购买8万余件的纸品工艺，拉高了销售量。

5.5区域维度(Country特征)

#提取一张客户ID及其对应国家的关系表data_country = data_success.drop_duplicates(subset=['CustomerID', 'Country'])#按客户分组，计算消费总额country_grouped = data_customer.groupby('CustomerID')[['SumPrice']].sum()#将上述两张表合并data_country = data_country.drop({'SumPrice'},axis=1)country_grouped = country_grouped.merge(data_country, on=['CustomerID'])#按国家再次分组，计算出各国客户消费总额和客户总数country_grouped2 = country_grouped.groupby('Country').agg({'SumPrice':np.sum,'CustomerID': np.size})新增AvgAmount字段，存放该国家客户的人均消费金额country_grouped2['AvgAmount'] = country_grouped2['SumPrice']/country_grouped2['CustomerID']对消费总额降序排列country_grouped2.sort_values(by='SumPrice',ascending=False).head()可以发现，绝大部分客户来自英国本土，主要境外收入来源是英国周边的国家，基本上符合以英国为中心向外辐射的情况。

5.6客户行为分析

这里只分析数据集完成的数据，排除用户ID缺失的数据。

5.6.1客户生命周期分析

#提取数据select_customer = data_success[data_success['CustomerID'] != 0].copy()#查看用户初次与末次消费时间#客户的初次消费时间mindate = data_customer.groupby('CustomerID')[['Date']].min()#客户的末次消费时间maxdate = data_customer.groupby('CustomerID')[['Date']].max()#计算用户消费的生命周期life_time = maxdate - mindate#生命周期描述性统计分析life_time.describe()可以发现：

(1)共有4338位客户，平均客户的生命周期是130天，中位数是93天，说明有部分的生命周期很长的忠实客户拉高了均值

(2)最小值和Q1分位数都是0天，说明存在25%以上的客户仅消费1次，生命周期的分布呈两极分化的状态

#新增life_times特征life_time['life_times'] = life_time['Date'].dt.days#绘制总体客户生命周期柱状图f,[ax1, ax2] = plt.subplots(2,1,figsize=(12,10))sns.distplot(life_time['life_times'],bins=20,kde=False,ax=ax1, hist_kws={'alpha':1,'color':'g'})ax1.set_title('Life Time Distribution')ax1.set_ylabel('Customer number')ax1.set_xlabel('Life time (days)')#绘制不止一次消费的客户生命周期柱状图sns.distplot(life_time[life_time['life_times']>0]['life_times'],bins=100,kde=True,color='r',ax=ax2, hist_kws={'alpha':0.8,'color':'g'})ax2.set_title('Life Time Distribution without One-time Deal Hunters')ax2.set_ylabel('Customer number')ax2.set_xlabel('Life time (days)')plt.savefig('16-1.png')plt.show()可以发现：

(1)总体来看，大量客户在该数据期间仅消费一次，没有留存下来，留存客户在350天有个峰值，一年时间间隔，有大量客户采购，说明这个时间段是客户聚集消费时间。

(2)生命周期在0-75天的客户数略高于75-170天，可以考虑加强前70天内对客户的引导。约1/4的客户集中在170天-330天，属于较高质量客户的生命周期；而在330天以后，则是数量可观的死忠客户，拥有极高的用户粘性。

5.6.2客户留存分析

#sales_customer新增字段用户首次消费日期mindatecustomer_retention=select_customer.merge(mindate,on='CustomerID',how='inner',suffixes=('','Min'))#新增字段DateDiff，用于存放本次消费日期与首次消费日期的时间差，并转为数值：customer_retention['DateDiff'] = (customer_retention.Date-customer_retention.DateMin).dt.days#新增字段DateDiffBin存放时间分段date_bins = [0, 3, 7, 30, 60, 90, 180]customer_retention['DateDiffBin'] = pd.cut(customer_retention.DateDiff, bins = date_bins)customer_retention['DateDiffBin'].value_counts()#画柱状图customer_counts = customer_retention['DateDiffBin'].value_counts()customer_counts.plot.bar()#画饼图labels = customer_counts.keys().categories.sort_values(ascending=False)values = customer_counts.valuesexplode = (0.1,0,0,0,0,0)plt.pie(values,explode=explode,labels=labels,autopct='%1.1f%%',shadow=False,startangle=150)plt.title("客户留存分布")plt.show()可以发现：

(1)在这些老客户中，只有0.9%在第一次消费的次日至3天内有过消费，2.4%的客户在4-7天有过消费。

(2)分别有17.2%和18.7%的客户在首次消费后的第二个月内和第三个月内有过购买行为。

(3)将时间范围继续放宽，有高达50.5%的客户在90天至半年内消费过。说明该电商网站的客户群体，其采购并非高频行为，但留存下来的老客户忠诚度却极高。

5.6.3客户购买周期

#排除客户在同一天购买商品记录customer_cycle = customer_retention.drop_duplicates(subset=['CustomerID', 'Date'], keep='first')#按照日期进行排序customer_cycle.sort_values(by = 'Date',ascending = True) #定义函数diff，用于计算相邻两次消费的时间差def diff(group): d = group.DateDiff - group.DateDiff.shift() return d#先按客户编码分组，在应用diff函数：last_diff = sales_cycle.groupby('CustomerID').apply(diff)last_diff.head(10)按照订单统计的购买日期分析

last_diff.hist(bins = 70, figsize = (12, 6), color = 'r')可以发现，大部分购买行为的消费间隔比较短。但这是所有订单的购买周期分布，并不是对客户个体为统计单位的购买周期分布。

故对客户编号进行分组：

last_diff_customer = last_diff.groupby('CustomerID').mean()last_diff_customer.hist(bins = 70, figsize = (12, 6), color = 'r')可以发现，购物周期的峰值在15-70天范围内，该电商平台可以以30天为周期推出优惠活动，吸引客户，提高客户购买周期。

六、总结

(1)该电商平台订单以批发性质为主，订单间差异较大，存在部分购买力极强的客户。总体来说订单交易金额与订单内商品件数正相关。客户群体比较健康，其消费金额与购买商品数量正相关，而且规律性比订单更强。

(2)商品的单价会发生波动，集中于1-2英镑，定位主要是低价的小商品市场。低于5英镑的商品最受客户喜爱，同时也构成了销售额的主要部分。高价的商品虽然单价不菲，但销量很低，并没有带来太多的销售额。建议平台采购部门可以多遴选售价低于10英镑的产品，来进一步扩充低价区的品类。受节日影响可能较大，建议在假日提高商品种类。

(3)绝大部分客户来自英国本土，主要境外收入也多来自周边国家，影响力随距离而衰减。可以考虑增加境外的宣传投放，提高知名度。

(4)生命周期平均生命周期为130天，生命周期的分布呈两极分化的状态。消费两次及以上的客户平均生命周期是203天，远高于总体均值103天。建议更加重视客户初次消费的体验感，可以考虑通过网站内服务评价、客服电询等方式获知新客对于购买流程中不满意之处，针对性地加以改进；并且花更多的精力引导其进行再次消费，如发放有时限的优惠券等。

(5)留存情况：客户群体的采购并非高频行为，但留存下来的老客户忠诚度极高。部分留存客户的购买周期集中在15-70天，建议可以每隔30天左右对客户进行些优惠活动的信息推送。

-------------------------------------结束----------------------------------------------