Pandas. Metoda df.cut(). Segmentacja zamówień według przedziałów wartości koszyka.

Na czym to polega w sklepie

Metoda df.cut dzieli ciągłe wartości na przedziały (biny) o zadanych granicach lub równej szerokości. Tworzy kolumnę kategoryczną - np. przedziały AOV - gotową do groupby i wykresów słupkowych w raportach sprzedaży.

Przykład ze sklepu internetowego

Masz kolumnę order_value i chcesz cztery segmenty koszyka dla raportu merchandisingu:

import pandas as pd

orders = pd.read_csv("orders.csv")
bins = [0, 99, 299, 599, float("inf")]
labels = ["0-99", "100-299", "300-599", "600+"]

orders["basket_segment"] = pd.cut(
    orders["order_value"],
    bins=bins,
    labels=labels,
    right=True,
)
segment_cr = orders.groupby("basket_segment", observed=True)["converted"].mean()

Co zrobić po stronie biznesu

• Przedziały wiek produktu (dni od wprowadzenia SKU) vs rotacja.
• Segmentacja liczby pozycji w koszyku (1, 2–3, 4+).
• Grupy opóźnienia dostawy (0–2 dni, 3–5, 6+) i wpływ na NPS.

W skrócie

cut daje kontrolę nad granicami binów - ważne gdy progi wynikają z polityki cenowej sklepu. Użyj observed=True w groupby po kategoriach.