数据来源于Kaggle的电商数据集 The UCI Machine Learning Repository ，英国在线零售商在2010年12月1日到2011年12月9日的在线销售数据，该电商公司主要以销售各类礼品为主，多数客户都是批发商。
使用Oracle 对数据进行处理与清洗，通过RFM模型、复购率、消费生命周期等对用户维度进行分析，利用ABC分类、退货率等维度展开剖析，结合Excel图表进行可视化展示，为精准营销与个性化服务提供支持。
根据分析目的选择字段，数据集共8个字段，如果表格字段较多，视情根据分析目的的需要选择合适的字段。
创建备用表new_ecommerce，将旧表的数据去重添加进备用表。原有数据541909条， 去重后数据536641条，删除重复值5268条。
检查缺失值
CustomerID存在缺失值135037条，Description出现缺失值1454条。数据都很大，不可能全部删除。Description产品描述不是项目分析，不用处理。
在实际工作中，像CustomerID客户ID缺失，首先找业务部门或者数据来源部门确认信息并且补上。本项目只有单一数据，无法找到相关人员确认，暂且把NULL值替换为0。
5.1检查日期是否在范围内（2010年12月1日到2011年12月9日）
交易成功，销量不可能为负值或零值。如果销量为零或者负值情况，那么需要和业务/数据来源部门确认具体的原因。这里假设出现负值是客户退货情况。
检查发现交易销量小于0的发票编号大都是"C”开头的，有部分异常销量小于0但不是以"C"开头，这里做删除处理。
检查发现有单价为0的免费单，共计1174。暂且不分析免费单，直接删除免费单的数据。
检查发现两笔坏账，单价都是负值，故把它删除。
根据分析目的，我们处理InvoiceDate日期数据。这里只做日期分析，不分析小时分钟，故转换为日期格式。
根据分析目的，本次分析将采用RFM模型
在RFM模式中：
R：最近一次消费时间（最近一次消费到参考时间的间隔）
F：消费的频率(消费了多少次）
M：消费的金额 （总消费金额）
一般的分析型RFM强调以客户的行为来区分客户。
根据最近一次消费与客户数的分析结果显示最长的天数差是373天，最短0天；80%的客户在200天内都有交易记录，说明客户忠诚度不错。
分析显示，10次交易记录以内的客户占绝大部分，说明客户是很认可产品和服务。
在2010年12月1日到2011年12月9日期间，交易金额主要集中在 1000英镑以内和1000-3000英镑这两个范围内。
分析发现，该电商平台总交易客户数4372位。交易客户中，一般发展客户（可以说是新客户）最多，占总数的34%，其次是一般挽留客户(流失客户)29%，重要发展客户22%，重要价值客户10%，重要挽留客户5%和重要挽回客户0.16%。
每月新客数量及其占比
每月的新老客户的销售数量与销售金额
用户生命周期 = 最近一次购买时间 - 第一次购买时间
商品退货分析
结合ABC分类进行分析，选取退货率大于均值且为A级的商品（主要是综合上文提及的ABC分类和退货率计算，通过创建view的形式进行联结后筛选，创建退货率视图为view_return_rate，ABC分类视图为view_class），这里筛选出64个商品。