文章目录：
一、Tableau可视化分析实战:超市分析报告之客户分析案例
在上一篇文章中我们一起通过超市的数据源简单制作了一个销售情况的图表。这仅仅是Tableau的一些基础入门。如果你忘了怎么操作，可以回到上一篇再回顾一遍。为了方便大家能够清楚小黎子接下来需要做的事情，我们开始使用思维导图绘制本案例最终需要制作的图表内容。
Tableau数据分析可视化操作流程图：
一、连接超市示例数据源
打开Tableau软件，选择左下角已保存数据源。选择示例-超市打开Tableau自带案例，我们通过这个数据源来进行绘制超市分析报告。数据源内容如下：
大家再制作超市分析报告之前，先仔细查看多遍超市数据源示例，确定有哪些字段是我们可以直接使用的。确定数据源中的字段信息后，接下来我们开始创建工作图表。
二、创建客户分析可视化图表
客户进行细分分析可以满足客户的深度分析需要，更好应对客户需求变化。我们可以通过客户分析案例来分析客户的消费特征，以帮助超市选择更合适的运营策略。
客户分析案例将通过四个图表来分析客户：客户交易次数，客户贡献利润额，客户四象限分析，客户交易量排行。最后组合四个图表完成客户分析仪表板。
客户交易次数（地图）：客户交易次数也就是我们通常说的再超市购物了多少次，也是购买频率。通过这个指标，我们可以分析客户在一段时间内客户的购买行为的规律。
客户贡献利润额（条形图）：我们都知道一件事情没有利润就没有客户质量，利润对于一个企业来说十分重要。在这次展示的图表中我们会通过不同的类别以及地区来反映超市的利润差异。
客户四象限分析（散点图）：客户分析对于超市来说非常重要，充分利用客户信息以及客户行为数据。可以准确分析出不同客户对于超市的效益影响，方便后续做出相应的决策依据。
客户交易量排行（条形图）：客户交易量排行是指客户在一定时间内购买的数量，通过这个数据我们可以分析客户的价值，一般情况下交易量越大客户的价值越大。
到这里我们就吧客户分析的四个维度图做好了，我们需要将四个图表组合做成客户分析仪表板。
三、创建客户分析工作仪表板
开始从做出的四个工作表中拖放表到图表布局区域
拖动好图表后我们可以看到右侧Tableau自动给我们生成了切片器。我们点击其他的一个元素，其他图形也会随之变化
未完待续
二、电商用户消费行为数据分析
对于初级阶段的新电商来说，积累数据，找准运营方向，关注流量，开源是重点；
对于中级阶段的电商，稳定客流，提高店铺销量是首要任务；
对于很有规模的电商，更侧重留存与活跃，提升整体运营水平。
不同的阶段，对于数据分析指标的侧重点也不同。
本篇以某电商用户订单记录为例，侧重用户消费整体趋势和用户消费行为，对用户规模和用户黏性中的几个核心数据点进行分析展示：
分析过程思维导图：
数据来源于一家电商网站用户订单记录
观察数据：
1、日期需要转换格式
2、大部分的订单购买商品数量较少，平均值在2个左右，极值99很大，存在干扰
3、用户消费金额稳定，同样也存在极值干扰
时间格式转换：需要按月分析数据，这里直接转为月份，忽略具体日期
1、每月销量和销售额分布情况
销量与销售额走势一致
2、用户数量、订单数量分布情况
订单量和用户数量线性分布图
3、用户数量分布情况
使用数据透视表，查看每月用户数量、销量和销售额
用户平均消费金额不稳定，此消彼长
用户平均消费次数在1-2次之间，1997-1998呈上涨趋势
1、用户消费次数与消费金额
用户消费金额、消费次数分布散点图
根据散点图分布，极值影响严重，根据切比雪夫定理，筛选数据
95%的数据集中在距离平均值5个标准差之内
去掉极值，重新调整后的分布图
图形大致呈现线性回归，说明客单价稳定
用户消费次数直方图:
大部分集中在10次以内，小部分数据造成了干扰
用户金额次数直方图
大部分集中在250元以下，绝大部分呈现集中趋势,小部分数据造成了干扰
2、用户累计消费额占比
按消费金额排序，使用累计加和函数，计算用户消费额占比
用户人数是23750 50%的人只占了15%的消费额 消费总金额前4000名贡献了60%的消费额度
也就是维护好这前4000名客户，可以完成KPI的60%
3、新老客消费比
每月新客趋势图
每月老客趋势图
4、单次用户消费数量
只消费了一次的客户占比51.14%，有一半客户只购买了一次
按月对比：
5、用户分层——rfm模型
使用数据透视表，提取出用户消费额、最后一次消费日期、消费数量数据
将最后一次消费日期转为最后一次消费日距今的天数
(由于数据是很早之前的，为了更好的展示数据，将对比标准改为所有用户最后一次消费的日期）
数据以平均值作为x、y、z轴标准值，编写python函数，将用户M、R、F数据，划分象限，使用0、1作为标准值上下象限之分，给用户分别贴上标签。
8类标签分别是：重要保持客户、重要价值客户、重要发展客户、重要挽留客户、一般保持客户、一般价值客户、一般发展客户、一般挽留客户
统计各标签用户的总销售额、总的消费频率，和人数
一般挽留客户最多，重要保持客户第二，重要保持客户销售金额占比最高
rfm客户分层散点图：
从RFM分层可知，大部分用户为重要保持客户，但这是由于极值影响，拉高了平均值，用户划分不够准确
6、用户分层——新老用户、活跃、回流、流失用户
使用数据透视表，统计每月各用户消费情况，1表示当月购买过，0表示当月没有购买
使用python函数，根据用户每月消费情况，贴上标签
统计每月各类用户的数量
更直观的面积图：
计算回流率加入表中
7、用户生命周期
计算用户第一次购买和最后一次购买的时间差
平均生命周期为135天，最长544天
用户的生命周期受只购买过一次的用户影响比较厉害，可以剔除
剔除只购买一次的用户，可以看出，用户生命周期首位两端人数比较多，中间值相对少
8、用户购买周期
9、复购率
复购率指自然月内，购买多次的用户占比
使用applymap函数对用户购买各月购买次数进行标记
复购率线形图
复购率稳定在20%左右，前一个月因为有大量新用户，只购买了一次，拉低了复购率
10、回购率
回购率指曾经购买过且在某一时期内再次购买的用户占比
使用前面分好的购买标记
0为本月未购买，1为本月购买
编写python函数，对用户回购情况贴上标签
回购率线形图
到此，以上就是小编对于用户运营用户分析表模板的问题就介绍到这了，希望介绍关于用户运营用户分析表模板的2点解答对大家有用。
