Python电商数据分析实战：RFM模型与漏斗分析全流程解析

如果你是一名电商数据分析师、Python初学者，或者正在寻找一个能写进简历的实战项目，那么这篇文章就是为你准备的。我们经常听到“数据驱动决策”，但在真实的电商业务里，从一堆原始的用户点击、购买记录中，到底能分析出什么？如何用Python把分析过程自动化，并做出老板和运营都能看懂的直观图表？

很多人学Python数据分析，卡在了从“知道pandas怎么用”到“做出一个有业务价值的完整项目”这一步。网上的教程要么太零散，只讲某个库的用法；要么太理论，缺乏从数据获取到结论输出的全流程。本文将带你完整走一遍一个电商用户行为数据分析项目，核心是利用 RFM模型 进行用户分层，并通过 漏斗分析 洞察转化瓶颈。你得到的不仅是一套可运行的源码，更是一个清晰、可复用的分析框架。

本文的核心价值在于 ：它不是一个简单的库函数演示，而是一个贴近真实业务场景的“最小可行性分析项目”。你将学会如何将杂乱的原始数据，通过数据清洗、指标计算、模型构建，最终转化为指导运营行动的可视化报告。这个过程，正是企业招聘时最看重的“用数据解决业务问题”的能力。

1. 项目全景：我们要解决一个什么业务问题？

假设你在一家电商公司，运营团队给你提了一个需求：“我们想知道用户的价值分布，并且找到购物流程中用户流失最严重的环节，以便优化策略。” 这个需求背后对应着两个经典的数据分析模型：

1. 用户价值分层（RFM模型） ：通过用户的最近一次消费时间（Recency）、消费频率（Frequency）、消费金额（Monetary）三个维度，将用户划分为不同价值的群体（如重要价值用户、重要发展用户等）。这解决了“对谁重点营销”的问题。
2. 用户行为漏斗分析 ：追踪用户从进入网站到最终下单的关键行为路径（如浏览->加购->下单->支付），计算每一步的转化率，定位流失环节。这解决了“流程哪里需要优化”的问题。

作为数据分析师，你的任务就是将这个业务问题，拆解成一系列可执行的数据处理和分析步骤。最终交付物可能是一份自动化报告或一个可视化看板。本文将用Python实现这个全过程，并重点解释每一步的 业务含义 和 技术实现 。

2. 核心概念与工具栈：RFM、漏斗分析与Python生态

在开始写代码之前，我们需要统一“语言”。理解核心概念和工具，能让你知道每一步在做什么，以及为什么这么做。

2.1 RFM模型：用户价值的“三维坐标”

RFM模型是衡量客户价值的一种经典方法。它通过三个关键行为指标对用户进行打分和分类：

• R（Recency，近度） ：用户最近一次交易距离现在的时间。时间越短，价值越高，因为近期互动过的用户更可能再次响应。
• F（Frequency，频度） ：用户在一定时间内的交易次数。次数越多，价值越高，代表用户的忠诚度和活跃度。
• M（Monetary，值度） ：用户在一定时间内的交易总金额。金额越大，价值越高，代表用户的消费能力。

通过给每个用户的R、F、M打分（例如按分位数分为1-5分），我们可以得到一个三维标签。将用户划分到如“重要价值客户”（R、F、M均高）、“重要挽留客户”（R低、F高、M高）等8个经典象限中，从而实现精细化运营。

2.2 漏斗分析：追踪用户的“流失地图”

漏斗分析用于分析一个多步骤流程中，每一步的转化和流失情况。在电商场景中，一个典型的购买漏斗是： 首页访问 -> 商品浏览 -> 加入购物车 -> 生成订单 -> 支付成功 。

通过计算每一步相对于上一步的转化率，我们可以直观地看到哪个环节流失最严重。例如，如果“加入购物车”到“生成订单”的转化率异常低，可能意味着购物车页面设计有问题，或者运费、优惠券策略导致了用户放弃。

2.3 本项目的Python工具栈

我们将使用最主流、易上手的Python数据分析库，它们构成了数据科学的“黄金组合”：

• Pandas ：数据分析的核心，用于数据加载、清洗、转换和聚合。可以把它想象成Python里的“超级Excel”。
• NumPy ：提供高效的数组运算，是Pandas的底层基础。
• Matplotlib & Seaborn ：数据可视化库。Matplotlib是基础绘图库，功能强大但略显繁琐；Seaborn基于Matplotlib，提供了更美观、更高级的统计图表接口，默认样式就很好看。
• Jupyter Notebook / Jupyter Lab ：交互式编程环境，非常适合做数据分析和探索，可以边写代码边看结果和图表。本文的代码示例均可在其中运行。

3. 环境准备与数据说明

3.1 创建Python虚拟环境（强烈推荐）

为了避免包版本冲突，建议为每个项目创建独立的虚拟环境。

# 使用 conda (如果你安装了Anaconda或Miniconda)
conda create -n ecommerce-analysis python=3.9
conda activate ecommerce-analysis

# 或者使用 venv (Python标准库)
python -m venv venv
# Windows 激活
venv\Scripts\activate
# Linux/Mac 激活
source venv/bin/activate

3.2 安装依赖库

在激活的虚拟环境中，运行以下命令安装所需库：

pip install pandas numpy matplotlib seaborn jupyter

3.3 数据说明与获取

本项目使用一份模拟的电商用户行为数据集。它包含了电商分析中最常见的几种用户行为类型。你可以在文章末尾的源码链接中找到该数据文件（如 user_behavior.csv ）。

数据字段说明：

• user_id : 用户唯一标识
• item_id : 商品唯一标识
• category_id : 商品类目ID
• behavior_type : 行为类型 ( pv -浏览， fav -收藏， cart -加购， buy -购买)
• timestamp : 行为发生的时间戳（精确到秒）

注意 ：真实业务数据往往更复杂、更脏。这份模拟数据已经过一定简化，但保留了核心字段和典型问题（如缺失值、时间格式），足以支撑一个完整的分析教学项目。

4. 实战第一步：数据加载与探索性分析（EDA）

任何数据分析项目的第一步都是了解你的数据。我们称之为探索性数据分析（EDA）。

4.1 加载数据并查看概览

# 导入必要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
# 设置中文显示和Seaborn样式
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False   # 用来正常显示负号
sns.set_style("whitegrid")

# 1. 加载数据
df = pd.read_csv('user_behavior.csv') # 请确保文件路径正确

# 2. 查看数据前5行，了解数据结构
print("数据前5行：")
print(df.head())

# 3. 查看数据基本信息：行数、列数、每列数据类型和非空值数量
print("\n数据基本信息：")
print(df.info())

# 4. 查看数值型列的统计描述（计数、均值、标准差、最小值、分位数等）
print("\n数值型列统计描述：")
print(df.describe())

运行这段代码，你会立刻知道数据有多少行、多少列，每列是什么类型，是否有缺失值。 df.describe() 会告诉你数值列（如 user_id , item_id ）的分布情况，有助于发现异常值（比如 user_id 为0或极大值）。

4.2 数据清洗与预处理

原始数据很少是完美的。常见的清洗操作包括处理缺失值、重复值，以及转换数据类型。

# 1. 检查缺失值
print("各列缺失值数量：")
print(df.isnull().sum())

# 假设 timestamp 列有少量缺失，我们选择删除这些行（根据业务决定，也可填充）
df_clean = df.dropna(subset=['timestamp']).copy()

# 2. 检查重复行（完全相同的记录）
duplicate_rows = df_clean.duplicated().sum()
print(f"\n完全重复的行数：{duplicate_rows}")
# 通常删除完全重复的行
df_clean = df_clean.drop_duplicates()

# 3. 转换时间戳列为 datetime 类型
df_clean['timestamp'] = pd.to_datetime(df_clean['timestamp'], unit='s')
# 提取日期、小时等特征，便于后续按时间分析
df_clean['date'] = df_clean['timestamp'].dt.date
df_clean['hour'] = df_clean['timestamp'].dt.hour

# 4. 查看清洗后的数据信息
print("\n清洗后数据基本信息：")
print(df_clean.info())
print(f"\n清洗后数据形状：(行，列) = {df_clean.shape}")

关键点 ： pd.to_datetime() 是处理时间数据的关键函数。将时间戳转换为datetime对象后，我们可以方便地提取年、月、日、小时等维度，这是时间序列分析的基础。

5. 核心分析一：用户行为漏斗分析

我们的目标是计算从“浏览”到“购买”这个关键路径的转化率。

5.1 计算各行为事件的总量

首先，我们需要统计每种行为类型发生的总次数。

# 统计每种行为类型的数量
behavior_counts = df_clean['behavior_type'].value_counts()
print("各行为类型数量统计：")
print(behavior_counts)

# 可视化
plt.figure(figsize=(8, 5))
sns.barplot(x=behavior_counts.index, y=behavior_counts.values, palette="viridis")
plt.title('用户行为类型分布')
plt.xlabel('行为类型')
plt.ylabel('发生次数')
plt.show()

这个简单的条形图能让你一眼看出“浏览”行为远多于“购买”，这是正常的。但我们需要更精细的转化路径。

5.2 构建用户级行为漏斗

一个更科学的漏斗是追踪 同一个用户 的行为序列。我们计算在特定时间段内（例如一天），完成每一步行为的 独立用户数 。

# 假设我们分析某一天（例如数据中的最大日期）的漏斗
analysis_date = df_clean['date'].max()
print(f"分析日期：{analysis_date}")

df_day = df_clean[df_clean['date'] == analysis_date].copy()

# 计算完成每一步的独立用户数
# 浏览用户数
pv_users = df_day[df_day['behavior_type'] == 'pv']['user_id'].nunique()
# 收藏用户数
fav_users = df_day[df_day['behavior_type'] == 'fav']['user_id'].nunique()
# 加购用户数
cart_users = df_day[df_day['behavior_type'] == 'cart']['user_id'].nunique()
# 购买用户数
buy_users = df_day[df_day['behavior_type'] == 'buy']['user_id'].nunique()

funnel_data = {
    '行为步骤': ['浏览', '收藏', '加购', '购买'],
    '独立用户数': [pv_users, fav_users, cart_users, buy_users]
}
funnel_df = pd.DataFrame(funnel_data)

# 计算转化率（相对于上一步）
funnel_df['步骤转化率'] = funnel_df['独立用户数'].pct_change().fillna(0) * 100
# 计算整体转化率（相对于第一步浏览）
funnel_df['整体转化率'] = (funnel_df['独立用户数'] / pv_users * 100).round(2)

print("\n用户行为漏斗分析（基于独立用户数）：")
print(funnel_df)

5.3 漏斗可视化

数据表格不够直观，我们用图形来展示这个漏斗。

from matplotlib import cm

plt.figure(figsize=(10, 6))
# 创建漏斗图（用条形图模拟）
colors = cm.Blues(np.linspace(0.5, 0.9, len(funnel_df)))
bars = plt.barh(funnel_df['行为步骤'][::-1], funnel_df['独立用户数'][::-1], color=colors[::-1])

plt.xlabel('独立用户数')
plt.title(f'{analysis_date} 用户购买行为漏斗')
# 在条形上添加数量标签
for i, bar in enumerate(bars):
    width = bar.get_width()
    plt.text(width + max(funnel_df['独立用户数'])*0.01, bar.get_y() + bar.get_height()/2,
             f'{int(width)}', va='center')

# 添加转化率标签（可考虑用次坐标轴或注释形式）
# 这里简单地在右侧标注整体转化率
for i, step in enumerate(funnel_df['行为步骤'][::-1]):
    rate = funnel_df['整体转化率'].iloc[len(funnel_df)-1-i]
    plt.text(max(funnel_df['独立用户数'])*1.05, i, f'{rate}%', va='center')

plt.tight_layout()
plt.show()

业务解读 ：通过这个漏斗图，你可以清晰地看到从浏览到购买，用户是如何一步步流失的。如果“加购->购买”的转化率特别低，可能需要检查购物车页面体验、支付流程或优惠券门槛。这就是数据驱动优化决策的起点。

6. 核心分析二：RFM用户分层模型

接下来，我们进行更深入的“人”的分析。RFM分析通常需要一个时间窗口，我们选取数据最后一天作为分析截止点（ snapshot_date ），并向前看一段时间（例如30天）来计算R、F、M值。

6.1 计算每个用户的R、F、M值

# 设定分析快照日期（通常是数据的最新日期）
snapshot_date = df_clean['timestamp'].max()
# 设定观察窗口，例如观察最近30天内的行为
observation_period = pd.Timedelta(days=30)
cutoff_date = snapshot_date - observation_period

print(f"分析快照日期：{snapshot_date}")
print(f"观察窗口起始日期：{cutoff_date}")

# 筛选观察窗口内的数据
df_rfm = df_clean[(df_clean['timestamp'] >= cutoff_date) & (df_clean['timestamp'] <= snapshot_date)].copy()

# 只保留购买行为来计算F和M
df_purchase = df_rfm[df_rfm['behavior_type'] == 'buy'].copy()

# 计算RFM指标
rfm = df_purchase.groupby('user_id').agg({
    'timestamp': lambda x: (snapshot_date - x.max()).days,  # Recency: 最近一次购买距今天数
    'item_id': 'count',  # Frequency: 购买次数（交易次数）
    # 注意：模拟数据没有金额字段，我们用购买次数模拟 Monetary。真实数据应有‘price’或‘amount’
    # 假设每次购买金额固定为1，则总金额等于购买次数。真实场景请替换为 sum('amount')
}).reset_index()

rfm.columns = ['user_id', 'recency', 'frequency', 'monetary']
print("\nRFM原始数据前10行：")
print(rfm.head(10))

关键点 ：这里用购买次数模拟了消费金额（M），因为原始数据缺少金额字段。在实际项目中，你应从订单表中获取实际的消费金额。 recency 的计算是 (快照日期 - 用户最后一次购买日期).days ，所以值越小代表最近刚买过，R得分应该越高。

6.2 对R、F、M进行打分

常用的打分方法是用分位数（如四分位）将用户分为4组或5组。我们这里使用 qcut 方法分为4组（4分最高，1分最低）。注意，R值越小越好，所以需要对R进行反向打分。

# 使用分位数进行分组打分 (1-4分)
# Recency: 值越小越好，所以需要反向打分（最近购买的给高分）
rfm['R_Score'] = pd.qcut(rfm['recency'], q=4, labels=[4, 3, 2, 1]) # 注意labels顺序是反的
# Frequency 和 Monetary: 值越大越好
rfm['F_Score'] = pd.qcut(rfm['frequency'], q=4, labels=[1, 2, 3, 4])
rfm['M_Score'] = pd.qcut(rfm['monetary'], q=4, labels=[1, 2, 3, 4])

# 将分数转换为数值类型
rfm['R_Score'] = rfm['R_Score'].astype(int)
rfm['F_Score'] = rfm['F_Score'].astype(int)
rfm['M_Score'] = rfm['M_Score'].astype(int)

print("\n打分后的RFM数据前10行：")
print(rfm[['user_id', 'recency', 'frequency', 'monetary', 'R_Score', 'F_Score', 'M_Score']].head(10))

6.3 计算RFM总分与用户分层

我们可以将R、F、M分数组合起来，形成用户标签。一种简单有效的方法是计算RFM总分（或平均值），另一种更精细的方法是使用三维组合进行分层。

# 方法1：计算RFM总分（或平均分）
rfm['RFM_Total_Score'] = rfm[['R_Score', 'F_Score', 'M_Score']].sum(axis=1)
# 根据总分进行粗略分层
rfm['RFM_Level_By_Score'] = pd.qcut(rfm['RFM_Total_Score'], q=5, labels=['低价值', '中低价值', '中等价值', '中高价值', '高价值'])

# 方法2：经典的8象限分层（更精细）
# 定义分层规则函数
def rfm_segment(row):
    if row['R_Score'] >= 3 and row['F_Score'] >= 3 and row['M_Score'] >= 3:
        return '重要价值客户'
    elif row['R_Score'] >= 3 and row['F_Score'] < 3 and row['M_Score'] >= 3:
        return '重要发展客户'
    elif row['R_Score'] < 3 and row['F_Score'] >= 3 and row['M_Score'] >= 3:
        return '重要保持客户'
    elif row['R_Score'] < 3 and row['F_Score'] < 3 and row['M_Score'] >= 3:
        return '重要挽留客户'
    elif row['R_Score'] >= 3 and row['F_Score'] >= 3 and row['M_Score'] < 3:
        return '一般价值客户'
    elif row['R_Score'] >= 3 and row['F_Score'] < 3 and row['M_Score'] < 3:
        return '一般发展客户'
    elif row['R_Score'] < 3 and row['F_Score'] >= 3 and row['M_Score'] < 3:
        return '一般保持客户'
    else:
        return '一般挽留客户'

rfm['RFM_Segment'] = rfm.apply(rfm_segment, axis=1)

print("\n用户分层统计：")
print(rfm['RFM_Segment'].value_counts().sort_values(ascending=False))

6.4 RFM分层结果可视化

将分层结果用图表展示，让业务方一目了然。

# 绘制RFM分层分布图
segment_counts = rfm['RFM_Segment'].value_counts()

plt.figure(figsize=(12, 6))
bars = plt.bar(segment_counts.index, segment_counts.values, color=sns.color_palette("husl", len(segment_counts)))
plt.title('RFM用户分层分布')
plt.xlabel('用户分层')
plt.ylabel('用户数量')
plt.xticks(rotation=45, ha='right') # 旋转x轴标签避免重叠

# 在柱子上添加数量标签
for bar in bars:
    height = bar.get_height()
    plt.text(bar.get_x() + bar.get_width()/2., height + 0.5,
             f'{int(height)}', ha='center', va='bottom')

plt.tight_layout()
plt.show()

# 可以进一步分析各分层用户的R、F、M均值
segment_summary = rfm.groupby('RFM_Segment')[['recency', 'frequency', 'monetary']].mean().round(2)
print("\n各分层用户RFM均值：")
print(segment_summary)

业务解读 ：通过RFM分层，运营团队可以制定精准策略：

• 重要价值客户 ：最近买过、经常买、花钱多的“超级用户”。应提供VIP服务、专属优惠，全力保持。
• 重要保持客户 ：过去买得多、花钱多，但最近没来了。需要主动触达，通过推送、召回活动防止流失。
• 重要发展客户 ：最近刚来、花钱多，但买得次数还不多。应鼓励复购，例如发放“二次购买优惠券”。
• 重要挽留客户 ：曾经价值高，但很久没来且近期互动少。是流失高风险群体，需要大力度的挽回策略。

7. 进阶分析与可视化整合

将漏斗分析和RFM分析的结果整合起来，可以产生更多洞察。例如，我们可以看看不同价值层级的用户，在购买漏斗的转化路径上是否有差异。

7.1 关联用户行为与价值分层

首先，需要将用户的行为数据（用于漏斗分析）和其RFM分层标签关联起来。

# 为原始行为数据打上RFM标签
# 注意：rfm DataFrame包含所有有过购买行为的用户。对于从未购买的用户，我们可以标记为‘未购买’或‘新用户’
df_analysis = df_clean.merge(rfm[['user_id', 'RFM_Segment']], on='user_id', how='left')
# 填充没有RFM分层的用户（即观察窗口内无购买行为的用户）
df_analysis['RFM_Segment'] = df_analysis['RFM_Segment'].fillna('未购买/新用户')

print("关联RFM标签后的行为数据概览：")
print(df_analysis['RFM_Segment'].value_counts())

7.2 分层的漏斗对比分析

我们可以针对“重要价值客户”和“一般挽留客户”这两个典型群体，分别绘制他们的行为漏斗，对比其转化路径的差异。

# 选取两个典型分层进行对比
segment1 = '重要价值客户'
segment2 = '一般挽留客户'

df_seg1 = df_analysis[df_analysis['RFM_Segment'] == segment1]
df_seg2 = df_analysis[df_analysis['RFM_Segment'] == segment2]

def calculate_funnel_for_segment(df_seg, date):
    df_day_seg = df_seg[df_seg['date'] == date]
    pv = df_day_seg[df_day_seg['behavior_type'] == 'pv']['user_id'].nunique()
    fav = df_day_seg[df_day_seg['behavior_type'] == 'fav']['user_id'].nunique()
    cart = df_day_seg[df_day_seg['behavior_type'] == 'cart']['user_id'].nunique()
    buy = df_day_seg[df_day_seg['behavior_type'] == 'buy']['user_id'].nunique()
    return [pv, fav, cart, buy]

funnel_seg1 = calculate_funnel_for_segment(df_seg1, analysis_date)
funnel_seg2 = calculate_funnel_for_segment(df_seg2, analysis_date)
steps = ['浏览', '收藏', '加购', '购买']

# 绘制对比漏斗图
x = np.arange(len(steps))
width = 0.35

fig, ax = plt.subplots(figsize=(10, 6))
rects1 = ax.bar(x - width/2, funnel_seg1, width, label=segment1, color='skyblue')
rects2 = ax.bar(x + width/2, funnel_seg2, width, label=segment2, color='lightcoral')

ax.set_xlabel('行为步骤')
ax.set_ylabel('独立用户数')
ax.set_title(f'{analysis_date} 不同价值层级用户行为漏斗对比')
ax.set_xticks(x)
ax.set_xticklabels(steps)
ax.legend()

# 添加数据标签
def autolabel(rects):
    for rect in rects:
        height = rect.get_height()
        ax.annotate(f'{int(height)}',
                    xy=(rect.get_x() + rect.get_width() / 2, height),
                    xytext=(0, 3),  # 3 points vertical offset
                    textcoords="offset points",
                    ha='center', va='bottom')

autolabel(rects1)
autolabel(rects2)
fig.tight_layout()
plt.show()

业务解读 ：这个对比图可能揭示出，高价值用户的“加购->购买”转化率远高于低价值用户。这或许意味着低价值用户对价格更敏感，或者在支付环节遇到了更多障碍（如优惠券不可用、运费问题）。这为制定差异化的运营策略（如针对低价值用户提供小额免运费券）提供了数据依据。

8. 项目总结与核心收获

至此，我们已经完成了一个完整的、闭环的电商用户行为数据分析项目。让我们回顾一下你通过这个项目真正掌握的核心技能：

1. 端到端的分析流程 ：你体验了从 原始数据加载 -> 数据清洗探索 -> 业务指标计算 -> 分析模型构建 -> 可视化呈现 -> 业务解读 的全过程。这是任何数据分析岗位都要求的核心能力。
2. 两大核心分析模型 ：
   • 漏斗分析 ：你学会了如何定义关键路径、计算每一步的转化率，并用图表直观定位流失环节。这是优化产品流程和运营策略的利器。
   • RFM模型 ：你掌握了如何从交易数据中计算R、F、M指标，并通过打分和分层，将用户群体精细化分类。这是用户运营和精准营销的基础。
3. Python数据分析核心库的实战应用 ：你不再是孤立地学习 pandas 的 groupby 或 seaborn 的绘图函数，而是在解决具体业务问题的场景中综合运用了它们。
4. 业务意识 ：本文始终强调每一步分析的“业务含义”。你知道计算出的每个数字、画出的每张图，最终都是为了回答业务问题、支持决策。

9. 常见问题与排查思路

在实际运行本项目代码时，你可能会遇到以下问题：

10. 最佳实践与项目延伸建议

将这个项目作为你的起点，以下是将其变得更具竞争力和深度的建议：

1. 使用真实/更复杂的数据 ：尝试从Kaggle等平台下载更真实的电商数据集（通常包含商品价格、用户属性等）。这将迫使你处理更复杂的数据清洗和关联分析。
2. 构建自动化报告 ：将整个分析流程封装成Python脚本或函数，并尝试使用 crontab （Linux）或任务计划程序（Windows）实现每日/每周自动运行，并通过邮件发送分析报告。可以学习 smtplib 和 email 库。
3. 集成到Web应用或看板 ：使用 Flask 或 Streamlit 框架，将你的分析结果制作成一个交互式Web看板。Streamlit尤其适合快速将数据脚本转化为应用。
4. 深化分析维度 ：
   • 结合商品类别 ：分析不同商品类目的漏斗转化和用户价值。
   • 加入时间趋势 ：分析RFM分层的变化趋势，观察用户价值的迁移。
   • 预测模型 ：基于用户行为序列，尝试使用机器学习模型（如逻辑回归、XGBoost）预测用户是否会购买或流失。
5. 工程化考虑 ：如果数据量很大（百万级以上），Pandas可能内存不足。可以了解 Dask 或 PySpark 进行分布式处理，或者学习SQL直接在大数据平台（如Hive）中完成核心聚合。

最后，关于源码 ：本文所有代码块均已提供，它们构成了一个完整、可运行的分析脚本。建议你按照章节顺序，在Jupyter Notebook中逐个单元格运行并理解。不要仅仅复制粘贴，尝试修改参数（如观察窗口天数、分箱数量）、更换图表样式，或者用你自己的业务逻辑重新定义RFM的评分规则。这才是从“会敲代码”到“会分析问题”的关键一步。

这个项目所涵盖的数据清洗、漏斗分析、RFM模型和可视化技能，是互联网数据分析师、商业分析师、产品运营等岗位面试中非常受欢迎的实战案例。理解它、重现它、并能够基于它进行扩展和优化，无疑会为你的简历增添一个扎实的亮点。