当我们在分析“顾客细分”的时候我们在分析什么？

在商业分析的过程中，用户分组一直是非常重要的一环。通过用户分组，根据他们的个人信息和消费信息，可以筛选出不同类型、不同消费观念和不同忠诚度的用户，找到他们各自的消费痛点，对症下药，做出更有效的商业决策，从而提高利润。

那么我们就带大家来看一个具体的案例，通过分析一个商场消费者的消费记录，根据用户的消费喜好和消费特点对用户进行分类和画像，从而针对每个分组制定不同的营销策略，促进他们的消费。

数据导入

首先把数据导入到jupyter notebook，并对数据进行简单的了解。

拎出一沓数据看过之后，还得通过describe函数对数据端详一番。

通过上图的结果，我们可以看出，年龄大概是均匀分布的，年收入分布也比较均匀，没有特别富裕或者特别拮据的人，spending score的分布也都在0-100范围内，没有异常值。（这种乖巧的数据集我们喜欢）

探索数据

根据我们过来人的经验，首先看看categorical数据是如何分布的，往往会有一些顺手拈来的收获。

说到购买，性别和年龄往往是大家最关心的。通过绘制直方图我们发现，女性比男性稍多一些，这也是合情合理的，毕竟商场这种地方，还是女孩子的天下。所以，可想而知，要想提高利润，商品销售的目标群体应该主要是女生。毕竟，eat+buy=beauty‍️。

关心完性别，我们来关心关心年龄。

通过上图可以看出，这家公司的消费群体以30-40岁的人为主，平均年龄38岁。购物的老年人相对较少，所以这个数据集有一些向左倾斜。这可能是因为这家商场的商品都比较年轻化，没有戳到老年人的痛点，比如各种免费活动等等。

不仅可以单独分析性别和年龄，我们还可以将它们画到一张图中来比较分析。

这个数据集中的男性平均年龄要比女性小一些。你可以看到，30-35岁的女性是最多的；当然，也是有一些四五十岁的中年妇女活跃在这个商场一线的。而且，还有一撮65-70岁的爷爷辈选手呢！

分析完性别和年龄，我们来看看顾客的年收入。 

大部分顾客的年收入坐落在六万到八万五之间。年收入是否受性别影响呢？

在这个数据集中，女性比男性收入稍少一些。那他们的购买力怎么样呢？

通过计算得出，男性平均购买力48.5，女性平均购买力51.5。所以，促进商场消费这件事情，主要还是要打女生的主意。

除了对categorical数据的分析之外，我们还可以通过散点图，热力图来分析numerical数据的相关性，从而发现一些insight。

通过散点图可以发现，年龄与收入没有明确的相关性。散点图一次只能显示出两个变量的相关性，我们可以使用热力图，省时省力的展现出所有变量两两之间的相关性。

sns.heatmap(customers.corr(), annot=True).

我们可以看出，只有年龄和spending score有负相关的关系，年龄越大，购买力越低。而且，相关系数只有0.33，并不是一种比较强的相关关系。

那么我们就会想知道，性别会不会影响这种相关性呢？还是要通过绘制热力图来看。

可以发现，女性年龄与购买力的负相关性比男性更强。女性年龄越大，购买力相对越低。

我们也可以通过散点图来表现这个数据特点。

由上图可知，这个数据集是可以做如下的用户分组的：

1. 低收入，低购买力

2. 低收入，高购买力

3. 中等收入，中等购买力

4. 高收入，低购买力

5. 高收入，高购买力

那么，回到我们最初提高销售额的目的，就可以做出如下假设：

1. 对部分商品进行降价是否可以增加女性的购买频率或者购买量？

2. 由于年轻女性的购买力更强，是否应该售卖更多受年轻女性喜爱的商品呢？

3. 目前该商场40岁以上女性的购买力还不够强，如何做广告、给折扣或者进行品牌营销，才能提高她们的购买力呢？

原文作者：Riley Predum

翻译作者：Zihuan

美工编辑：Yan Li

校对审稿：卡里