Na czym to polega w sklepie
Metoda df.quantile oblicza wartości percentylowe (0–1) dla kolumn numerycznych. W segmentacji klientów i analizie koszyka percentyle są stabilniejsze niż średnia - odporniejsze na pojedyncze zamówienia za 50 000 PLN.
Przykład ze sklepu internetowego
Chcesz zdefiniować segment „high spender” jako klientów powyżej P90 łącznego przychodu w Q1:
import pandas as pd
orders = pd.read_csv("q1_orders.csv")
customer_revenue = orders.groupby("customer_id")["revenue"].sum()
p90_threshold = customer_revenue.quantile(0.90)
vip_customers = customer_revenue[customer_revenue >= p90_threshold]
# ~10% klientów generuje górny segment przychoduCo zrobić po stronie biznesu
- P95 czasu od sesji do purchase w analizie lejka konwersji.
- Próg anomalii spend w kampaniach - wydatki powyżej P99 do ręcznej weryfikacji.
- Benchmark mediany vs P75 AOV per kanał akwizycji.
W skrócie
Średnia kłamie w e-commerce z długim ogonem. quantile(0.9) to obiektywny próg segmentacji VIP bez arbitralnego „powyżej 500 PLN”.