数据分析实战：基于 Python 的电商客户流失预测与洞察

原创

IT大佬 jzit-top

发布于 2026-08-17 14:34:12

170

客户流失是电商运营的核心痛点。本文以一份模拟的电商用户数据集为例，完整走一遍数据分析实战流程：从数据清洗、探索性分析，到特征工程、逻辑回归建模，再到模型评估与业务洞察。全程使用 Python 生态工具，代码可复现。

1. 数据加载与初步探查

数据集包含 5000 条用户记录，字段包括：user_id, age, gender, signup_days（注册天数）, avg_order_value, purchase_frequency（月均购买次数）, complaint_count（投诉次数）, last_purchase_days（距上次购买天数）, is_churned（目标变量：1 表示已流失）。

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, LabelEncoder
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import classification_report, roc_auc_score, confusion_matrix

df = pd.read_csv('ecommerce_churn.csv')
print(df.info())
print(df.head())

运行结果显示无缺失值，数据类型合理。但 gender 为分类文本，需要后续编码。

2. 数据清洗与异常值处理

检查异常值：对数值列使用箱线图法，定义超出 Q1-1.5IQR 或 Q3+1.5IQR 的为异常。我们发现 avg_order_value 和 purchase_frequency 存在少量极端值（可能为测试数据或录入错误）。

def cap_outliers(df, col):
    Q1 = df[col].quantile(0.25)
    Q3 = df[col].quantile(0.75)
    IQR = Q3 - Q1
    lower = Q1 - 1.5 * IQR
    upper = Q3 + 1.5 * IQR
    df[col] = df[col].clip(lower, upper)

for col in ['avg_order_value', 'purchase_frequency']:
    cap_outliers(df, col)

采用截尾法（Cap）而非删除，保留样本量。

3. 探索性数据分析（EDA）

对比流失与非流失客户在各指标上的分布差异：

fig, axes = plt.subplots(2, 3, figsize=(15, 10))
features = ['age', 'signup_days', 'avg_order_value', 'purchase_frequency', 'complaint_count', 'last_purchase_days']
for ax, col in zip(axes.flatten(), features):
    sns.boxplot(data=df, x='is_churned', y=col, ax=ax)
plt.tight_layout()
plt.show()

观察发现：

流失用户的 last_purchase_days 明显更长（均值 > 60 天 vs 未流失 < 20 天），这是强预测信号。
流失用户的 purchase_frequency 和 avg_order_value 显著较低。
complaint_count 在流失群体中略高，但差异不大。

进一步计算相关性矩阵：

plt.figure(figsize=(10, 8))
sns.heatmap(df.corr(), annot=True, cmap='coolwarm', fmt='.2f')
plt.title('Correlation Matrix')
plt.show()

last_purchase_days 与目标变量相关性高达 0.72，purchase_frequency 为 -0.58，说明低频、最近未购买是流失的主因。

4. 特征工程

对 gender 进行标签编码（Male→0, Female→1）。
将数值特征标准化（逻辑回归对尺度敏感）。

le = LabelEncoder()
df['gender_enc'] = le.fit_transform(df['gender'])

X = df[['age', 'signup_days', 'avg_order_value', 'purchase_frequency', 
        'complaint_count', 'last_purchase_days', 'gender_enc']]
y = df['is_churned']

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

5. 逻辑回归建模与评估

划分训练集（80%）和测试集（20%），训练逻辑回归模型：

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)
model = LogisticRegression(class_weight='balanced', random_state=42)
model.fit(X_train, y_train)
y_pred = model.predict(X_test)
y_proba = model.predict_proba(X_test)[:, 1]

print(classification_report(y_test, y_pred))
print('AUC-ROC:', roc_auc_score(y_test, y_proba))

输出结果：

              precision    recall  f1-score   support
           0       0.91      0.88      0.89       612
           1       0.76      0.82      0.79       388
    accuracy                           0.86      1000
   macro avg       0.83      0.85      0.84      1000
AUC-ROC: 0.92

召回率（0.82）表明模型能识别出大部分流失客户，对运营干预有价值。

6. 特征重要性分析

逻辑回归系数绝对值反映特征影响方向与强度：

coef_df = pd.DataFrame({
    'feature': ['age', 'signup_days', 'avg_order_value', 'purchase_frequency', 
                'complaint_count', 'last_purchase_days', 'gender_enc'],
    'coef': model.coef_[0]
})
coef_df['importance'] = coef_df['coef'].abs()
coef_df.sort_values('importance', ascending=False, inplace=True)
print(coef_df)

结果：

last_purchase_days 系数最大（正相关，距上次购买越久越易流失）
purchase_frequency 次之（负相关，购买频繁越不易流失）
avg_order_value 和 complaint_count 影响较小

据此可制定策略：对超过 30 天未购买且月均购买少于 2 次的用户，发送定向优惠券或唤醒邮件。

7. 模型优化与业务落地建议

可尝试 XGBoost 进一步提升 AUC，但逻辑回归的可解释性更受业务欢迎。
结合 SHAP 值可向运营团队解释每个用户的流失风险因素。
部署为实时评分服务：用户登录时计算风险分，动态触发挽留动作。

结语

本文完整演示了从原始数据到流失预测模型的全过程，涵盖了数据清洗、EDA、特征工程、建模评估和业务洞察。整个代码量约 80 行，却凝练了数据分析的核心思维——以业务问题为导向，用数据驱动决策。在实际工作中，你还可以加入 A/B 测试验证干预效果，形成“预测→行动→反馈”的闭环。希望这篇实战能够成为你数据分析路上的实用参考。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

移动数据分析