1. RFM 背景

RFM 是分析用户价值的一种营销分析方法，其目的是为了找到最佳用户的方式，利用帕累托效应衡量当前用户价值和和客户潜在价值。分析的方法正如其名：

• Recency 最近消费时间间隔，指距离最近一次消费的时间长度，在评分上可以采取 rank 为 10 的方式，其中 1 为最低[^1]
• Frequency 指定时间段内的消费次数，针对的是在给定是时间跨度范围内（例如 12 个月），用户消费的消费次数。在分析中同样可以采取 rank 为 10 的方式评分[^1]
• Monetary 消费总额或者平均消费额

ETL 和 ELT 都是数据处理的模式，但是两者在逻辑和应用场景下是具有较大差异的。两者的英文单字都是相同的意思：

• Extract，数据抽取，从数据源中提取数据
• Ttransform，数据转换，包括了数据清理以及规范化处理，以及其他相关的操作
• Load，数据加载，可以看作是将当前数据结果交付，应用于下游任务

总结这篇文章，主要在学习 Udacity 数据分析课程中 AB 测试部分遇到了两个方面的问题。其中之一是，课程讲解是将 AB 测试的流程交叉到分析过程、概念讲解等过程中，以致于对 AB 测试的流程没有形成一个完整的体系；另一个问题是，AB 测试中用到的统计学相关知识。在课程中统计学的讲解和公式，表面上是很违背“直觉的”，所以需要一个合适的切入角度去理解 AB 测试中用到的统计学知识。

因此本次根据课程内容，网上查阅的相关资料对 AB 测试的流程进行一个梳理。同时在最后将统计学方面中较难理解的部分，进行一个梳理，提供一个可行的切入角度。

本篇笔记记录使用 Python 进行数据处理的相关技巧:

• Pandas 缺失数据处理
• 数据类型转换