一、前言

用户生命周期（Customer Lifecycle）分析是电商精细化运营的重要工具。
通过分析用户在不同阶段的行为和价值，企业可以：

• 精准识别用户状态

• 制定针对性运营策略

• 提升用户长期价值（LTV）

本文将展示从数据准备到生命周期分阶段分析及价值提升策略的完整流程。

---

二、数据准备

1. 数据来源

• 用户订单数据（用户ID、订单ID、订单日期、金额）

• 用户属性表（注册时间、性别、年龄、渠道）

• 用户活跃日志（浏览、点击、下单、支付）

1. 导入数据

import pandas as pd orders = pd.read_csv('orders.csv') users = pd.read_csv('users.csv') logs = pd.read_csv('user_logs.csv')

1. 数据清洗

orders.drop_duplicates(inplace=True) orders['order_date'] = pd.to_datetime(orders['order_date']) logs['timestamp'] = pd.to_datetime(logs['timestamp'])

• 去重确保数据准确

• 时间字段标准化，便于后续分析

---

三、用户生命周期阶段划分

1. 生命周期指标

• 注册时间：判断新老用户

• 活跃度：最近一次购买或登录距今天数

• 复购频次：总订单数

• 消费金额：总消费金额

1. 分阶段划分

import datetime as dt snapshot_date = orders['order_date'].max() + pd.Timedelta(days=1) user_lifecycle = orders.groupby('user_id').agg({ 'order_date': lambda x: (snapshot_date - x.max()).days, 'order_id':'count', 'amount':'sum' }).reset_index() user_lifecycle.rename(columns={'order_date':'Recency','order_id':'Frequency','amount':'Monetary'}, inplace=True) def lifecycle_stage(row): if row['Recency'] <= 30: return '活跃用户' elif row['Recency'] <= 90: return '睡眠用户' else: return '流失用户' user_lifecycle['lifecycle_stage'] = user_lifecycle.apply(lifecycle_stage, axis=1)

• 活跃用户、睡眠用户、流失用户

• 支持分阶段策略制定

---

四、生命周期行为分析

1. 各阶段用户数量

user_lifecycle['lifecycle_stage'].value_counts().plot(kind='bar', color='skyblue', title='User Lifecycle Stage Distribution')

• 了解各阶段用户占比

• 判断运营重点

1. 消费贡献分析

user_lifecycle.groupby('lifecycle_stage')['Monetary'].sum()

• 分析各阶段用户对总销售额的贡献

• 高价值用户重点维护

---

五、生命周期价值提升策略

1. 活跃用户

• 推送新品、促销活动

• 提升复购率和平均订单金额

1. 睡眠用户

• 个性化唤醒策略：优惠券、限时活动

• 精准营销，提高活跃率

1. 流失用户

• 定向挽回策略：提醒、专属优惠

• 分析流失原因优化服务

1. 核心用户

• VIP用户：会员权益、专属福利

• 激励分享与推荐，提高用户价值

---

六、可视化与监控

import matplotlib.pyplot as plt stage_summary = user_lifecycle.groupby('lifecycle_stage')['Frequency'].mean() stage_summary.plot(kind='bar', color='orange', title='Average Purchase Frequency by Lifecycle Stage') plt.ylabel('Average Orders') plt.show()

• 可视化各阶段行为特征

• 帮助运营团队制定策略