实战小项目：奶茶店会员流失分析

前四课各练了一个动作，这一课把它们串成一套连招。数据、清洗、建模、分群、关联规则、业务结论——一个不落，全部在这一课里跑通。
项目做完，你的产出不是一堆截图，而是三条能直接发给店长的建议。

一、项目背景

楼下的奶茶店给了你一份会员登记表（20 位会员，见下），店长的原话是："最近感觉老客人不来了，你帮我看看谁快流失了，我该做点什么？"

业务问题：哪些会员快要流失？流失的人有什么共同特征？
可用数据：会员的年龄、月均消费、月均到店次数、距上次到店天数、是否领过优惠券、以及历史上有过多少人流失
预期产出：一份流失预测模型 + 会员分群画像 + 三条建议

二、第 0 步：准备数据

新建 project.py，把数据直接写进脚本（真实项目里这一步是 pd.read_csv("会员表.csv")，这里为了让你复制即跑）：

python

import io
import pandas as pd

csv_text = """会员ID,年龄,月均消费,月均到店次数,距上次到店天数,领过优惠券,是否流失
M01,19,180,8,7,1,0
M02,25,240,10,10,0,0
M03,31,320,12,5,1,0
M04,22,,6,15,0,0
M05,28,150,5,30,1,0
M06,35,90,3,40,0,0
M07,27,260,9,12,1,0
M08,41,410,13,8,1,0
M09,23,120,4,38,0,0
M10,30,290,11,9,0,0
M11,26,80,2,75,1,1
M12,33,60,2,60,0,1
M13,29,,3,82,1,1
M14,38,110,4,55,0,1
M15,21,70,2,90,1,1
M16,45,95,3,68,0,1
M17,32,130,5,50,1,1
M18,24,65,2,85,0,1
M19,36,140,5,47,1,1
M20,28,85,3,72,0,1
M20,28,85,3,72,0,1
"""

df = pd.read_csv(io.StringIO(csv_text))

列说明：是否流失 是答案列（1 = 已经流失，0 = 还在来）；其余 5 列是特征。真实项目里"是否流失"由业务系统按"超过 60 天没来"之类的规则打出来，模型学的是在它发生之前就认出这种人。

三、第 1 步：体检与清洗

第二课的三板斧直接上场：

python

print(df.info())        # 21 行？还有缺失——表里有猫腻
df["月均消费"] = df["月均消费"].fillna(df["月均消费"].median())  # 填中位数
df = df.drop_duplicates().reset_index(drop=True)                # 删重复行
print(df.info())        # 现在：20 行、无缺失，体检通过

两处 月均消费 缺失用中位数补上，一条 M20 整行重复删掉。到这里为止，数据准备（CRISP-DM 第 ③ 步）完成。

四、第 2 步：探索——先猜，再算

建模之前先让数据自己说话。按是否流失分组算均值：

python

print(df.groupby("是否流失")[["月均消费", "月均到店次数", "距上次到店天数"]].mean())

你会看到非常扎眼的对比：留存组平均约 17 天没来，流失组平均约 68 天没来；月均到店次数一个 8 次、一个 3 次。先用自己的话把规律讲出来（"流失的人就是很久没来、来得也少的人"），再让模型去验证——模型是用来检验直觉的，不是用来代替直觉的。

五、第 3 步：建模——预测谁会流失

决策树上场（第三课的原配方，只是换了数据）：

python

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier, export_text
from sklearn.metrics import accuracy_score

X = df[["年龄", "月均消费", "月均到店次数", "距上次到店天数", "领过优惠券"]]
y = df["是否流失"]

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.25, random_state=42, stratify=y
)

model = DecisionTreeClassifier(max_depth=3, random_state=42)
model.fit(X_train, y_train)
print("测试集准确率:", accuracy_score(y_test, model.predict(X_test)))

print(export_text(model, feature_names=list(X.columns)))

打印出的树大概率非常简洁——几乎只靠"距上次到店天数"一两个问题就把人分开了，和第 2 步你的直觉互相印证。

两句必须说透的实话：

这份数据样本少、规律干净，准确率接近 1.0 并不稀奇；真实数据远没有这么乖，那时你会需要交叉验证和更多特征
决策树给出的其实是一条业务规则："超过 N 天没来 → 流失"。它值钱的地方不是准确率，而是店长听得懂、收银台上贴得住

🧠 记忆锚点：模型输出的是规则，能贴在收银台上的才是好模型。

六、第 4 步：分群——给会员画像

预测是对"单个会员"说话，分群是对"整群会员"说话。用 K-Means 把会员分成三群（第三课讲过 k 的选法，这里店长就想要三群）：

python

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

feat = df[["月均消费", "月均到店次数"]]
X_scaled = StandardScaler().fit_transform(feat)   # 消费是几百、次数是个位数,必须先标准化

df["分群"] = KMeans(n_clusters=3, n_init=10, random_state=42).fit_predict(X_scaled)
print(df.groupby("分群")[["月均消费", "月均到店次数", "距上次到店天数", "是否流失"]].mean())

解读三群的典型画像（你的分组编号可能不同，看特征不看编号）：

群	画像	店长视角
高消费、来得勤	核心客	宝贝，新品先给他们试，别让他们被隔壁挖走
中等消费、稳定到店	主力客	稳住即可，办卡/储值的最好目标
低消费、很久没来	沉睡客	流失率最高的群体，挽回的主战场

注意那个 StandardScaler：月均消费是几百的量级、到店次数是个位数，不缩放的话 K-Means 会完全被消费额牵着走——第二课说"数据洗多干净模型多聪明"，这里再补一句：尺度不齐，聚类失真。

七、第 5 步：把结果讲成人话

CRISP-DM 第 ⑤⑥ 步：评估和部署，本质都是"说人话 + 用起来"。给店长的建议这样写（每条都挂着数据证据）：

距上次到店超过 43 天的会员，流失风险最高（模型的第一判据就是"距上次到店天数"，分界线在 43.5）——建议在第 40 天左右就自动发一张定向券，别等他过了线
高消费高频的会员是核心资产（分群结果，约占四分之一）——新品试饮、生日礼遇优先给他们，成本花在刀刃上
沉睡群流失率最高、领没领过券差别不大（数据里优惠券与流失相关性弱）——问题不在券的力度，在于"太久没来"，所以先把他拉回店，再谈优惠

这三条就是本项目的最终交付物。挖掘给弹药，业务扣扳机——把数字翻译成动作，是整个项目里人最不可替代的部分。

八、加餐：顺手做个购物篮

店长还有 8 张订单小票，用第四课的迷你 Apriori 直接跑（把 apriori.py 里的 baskets 换成下面这份，min_support 改成 0.3）：

python

orders = [
    {"珍珠奶茶", "蛋糕"},
    {"珍珠奶茶", "鸡排"},
    {"珍珠奶茶", "蛋糕", "鸡排"},
    {"柠檬茶", "鸡排"},
    {"珍珠奶茶", "蛋糕"},
    {"柠檬茶"},
    {"珍珠奶茶", "鸡排"},
    {"珍珠奶茶", "蛋糕"},
]

跑完你会看到"蛋糕 → 珍珠奶茶"的提升度约 1.33，而"鸡排 → 珍珠奶茶"的提升度约 1.0——蛋糕和珍珠奶茶是官配，鸡排只是路人。于是第 4 条建议：凑单券绑"珍珠奶茶 + 蛋糕"这个组合，别白送鸡排折扣。

九、验收自查

做完对照这份清单：

[ ] 能说出项目的业务问题，以及最终三条建议分别靠哪一步的什么结论支撑
[ ] 能解释为什么补缺失用中位数、为什么 K-Means 前要 StandardScaler
[ ] 能指着决策树的输出，把学到的规则翻译成店长听得懂的一句话
[ ] 把 random_state 删掉重跑一次，观察结果会不会变，并解释为什么

💡 动手实验 1（换血）：往数据里加 5 行你自己编的会员（比如"消费巨高但两个月没来"的土豪），重新跑第 3~4 步，看模型和分群的结论变没变。给模型喂新案例，是理解模型脾气最快的办法。

💡 动手实验 2（换数据）：把 csv_text 整个换成 sklearn.datasets 自带的葡萄酒数据集（load_wine(as_frame=True)，178 条、13 个特征、3 个品类），重跑第 3~5 步。流程一模一样——CRISP-DM 的意义就在这：换数据不换流程。

💡 动手实验 3（部署）：把脚本存成 weekly_report.py，想象它每周一自动跑一遍、把三条建议发到店长微信。这就是 CRISP-DM 第 ⑥ 步"部署"——模型不住在 Notebook 里，模型住在业务流程里。

小结

text

业务理解（店长想留客）→ 数据理解（21 行里有猫腻）→ 数据准备（补缺、去重）
→ 建模（决策树：超过 N 天没来 ≈ 流失）→ 分群（三群画像）
→ 评估与部署（三条挂着证据的建议 + 购物篮加餐）

六步流程一步没跳，但你发现没有：写代码只占三成，想清楚问题、洗干净数据、讲成人话占了七成——和第一课说的"八成时间洗数据"遥相呼应
预测回答"谁会流失"，分群回答"客人分几类"，关联规则回答"怎么搭着卖"——三类问题、三次出手，这就是数据挖掘的日常

到这里，数据挖掘学习站的五门课就毕业了。把这套流程用在你自己的网站访问日志上（谁在扫描我？哪个页面最热？），你就从"学过挖掘"走到了"用挖掘干活"。

实战小项目：奶茶店会员流失分析 ​

一、项目背景 ​

二、第 0 步：准备数据 ​

三、第 1 步：体检与清洗 ​

四、第 2 步：探索——先猜，再算 ​

五、第 3 步：建模——预测谁会流失 ​

六、第 4 步：分群——给会员画像 ​

七、第 5 步：把结果讲成人话 ​

八、加餐：顺手做个购物篮 ​

九、验收自查 ​

小结 ​

实战小项目：奶茶店会员流失分析

一、项目背景

二、第 0 步：准备数据

三、第 1 步：体检与清洗

四、第 2 步：探索——先猜，再算

五、第 3 步：建模——预测谁会流失

六、第 4 步：分群——给会员画像

七、第 5 步：把结果讲成人话

八、加餐：顺手做个购物篮

九、验收自查

小结