数据探索+ 数据预处理
数据探索：
1.统计量分析 ：
1.集中趋势的度量：
1.均值、中位数、众数
2.离散趋势的度量：
极值()
极差
标准差、方差
四分位数间距
2.相关性分析：
通过散点图 获取 相关系数
数据预处理：
补充：
数据透视表 也可以对数据 进行分析 【聚合统计 】
group by +agg
案例：
客户价值分析（用户画像 =》 类似 ）
1.基本理论：
1.RFM模型
2.聚类分析 （机器学习里面的算法 =》 结果 标签）
3.RFM聚类分析
1.RFM模型 =》 获取 RFM
根据用户属性 进行打标签【进行分类 】 =》
超级用户
普通用户
黑户
2.RFM： 【用户的属性】
R: 最近一次消费 距现在的时长 【时差】 recency
F：消费频率 frequency
M：消费金额 mon
eg:
客户a ：
R：180 F：1次/月 M：100块/月
客户b ：
R：3 F：10次/月 M：1000块/月
.RFM模型=>
b 超级用户
a 流式用户
标准：
1.RFM 高 =》 【超级用户 、 重要价值用户】
【R 表示最近消费时间很近 R值很小】
2.R低 FM高= 》【保持客户】
3.RM高 F低 =》 【发展客户】
4.RF低 M高 =》 【挽留客户】
1
2.RFM： 【用户的属性】
R: 最近一次消费 距现在的时长 【时差】 recency
F：消费频率 frequency
M：消费金额 mon
eg:
客户a ：
R：180 F：1次/月 M：100块/月
客户b ：
R：3 F：10次/月 M：1000块/月
.RFM模型=>
b 超级用户
a 流式用户
标准：
1.RFM 高 =》 【超级用户 、 重要价值用户】
【R 表示最近消费时间很近 R值很小】
2.R低 FM高= 》【保持客户】
3.RM高 F低 =》 【发展客户】
4.RF低 M高 =》 【挽留客户】
2.聚类分析【RFM 结果数据】
一个可以分类的工具
2.聚类分析方法：
1.层次聚类法
2.K-均值法（Kmeans）
3.RFM聚类分析
1.RFM 核心指标 进行 聚类分析
2.Kmeans =》 用户 进行分类 =》 4个类别
3.4个类别 基于 RFM 对用户进行标注【对用户进行打标签】
RFM聚类分析 好处？
1.提供决策支持
