基于K-Means聚类与RFM模型分析顾客消费情况【500010102】

项目说明

本数据集是生成式模拟数据，本项目通过可视化分析对数据进行初步探索，再通过时间序列针对店铺的销售额进行分析，对时序图进行分解，发现数据存在季节性，并且通过auto_arima自动选择参数建立了SARIMA模型，对未来7天的销售额进行预测，并利用聚类分析将消费者分为不同的群体，再建立RFM模型，将消费者进一步划分为不同价值的客户，对于不价值的消费者，采取不同的方案，通过这些模型，可以针对不同的消费群体采取不同的营销方案，尽可能的保留重要价值客户，对于一些低价值的客户，可以降低投入成本。

数据说明

字段名称描述
订单交易时间交易时候的时间
订单编号交易订单的编号
订单来源订单的来源：直播下单，店铺下单
用户ID消费者的ID
会员判断该消费者是否为本店会员
首次下单用户判断该消费者是否为首次下单的用户
性别消费者的性别：男，女
品类商品类型，共四类：A，B，C，D
商品单价商品的价格
购买数量购买商品的数量
活动优惠是否使用了活动优惠
换货是否换货，0-否，1-是
退货是否退货，0-否，1-是
已评价是否已经评价，0-否，1-是

数据处理

Python库导入

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
from statsmodels.tsa.seasonal import seasonal_decompose
from statsmodels.tsa.statespace.sarimax import SARIMAX
from pmdarima import auto_arima # 自动选择参数
import statsmodels.api as sm
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score

数据导入

data = pd.read_csv("./data/orders_data.csv")

数据预览

# 查看数据维度
data.shape

image.png

# 查看数据信息
data.info()

image.png

# 查看各列缺失值
data.isna().sum()

image.png

# 查看重复值
data.duplicated().sum()

image.png

数据逻辑性检查

# 检查用户会员状态是否一致
membership_inconsistency_count = sum(data.groupby('用户ID')['会员'].nunique() > 1)
print(f"会员状态不一致的用户数量: {membership_inconsistency_count}")
# 检查用户性别是否一致
gender_inconsistency_count = sum(data.groupby('用户ID')['性别'].nunique() > 1)
print(f"性别不一致的用户数量: {gender_inconsistency_count}")

image.png

first_order_flag = data.groupby('用户ID')['订单交易时间'].transform('min') == data['订单交易时间'] # 为了获取第一次交易的时间# 计算那些在第一次订单之后仍标记为首次下单的情况数量
inconsistencies_count = sum((first_order_flag == False) & (data['首次下单用户'] == '是'))  # 计算第一次交易后，判断后续交易中，是否还被定义为首次下单用户print(f"首次下单状态不一致的用户数量: {inconsistencies_count}")

image.png
可以看到，虚拟出来的数据逻辑上存在一些错误，有的用户在某个订单中被定义成会员或者男性，但是在后面的订单中又被定义成非会员或者女性，以及有的用户以及下过单了，结果后续订单还被定义为首次下单用户，所以逻辑存在错误，需要在之后进行处理，使得数据变得合理。

数据处理

# 对性别不一致的数据进行处理
# 找出性别不一致的用户
gender_inconsistencies = data.groupby('用户ID')['性别'].nunique() > 1
inconsistent_gender_users = gender_inconsistencies[gender_inconsistencies].index# 对每个性别不一致的用户进行处理
for user_id in inconsistent_gender_users:user_data = data[data['用户ID'] == user_id]# 计算性别的众数mode_gender = user_data['性别'].mode()if len(mode_gender) > 1:  # 如果存在多个众数，使用第一个订单的性别first_order_gender = user_data.sort_values('订单交易时间')['性别'].iloc[0]data.loc[data['用户ID'] == user_id, '性别'] = first_order_genderelse:  # 如果只有一个众数，使用这个众数替换所有不一致的性别data.loc[data['用户ID'] == user_id, '性别'] = mode_gender.iloc[0]# 检查处理后的数据中是否还存在性别不一致的情况
post_processing_inconsistencies = sum(data.groupby('用户ID')['性别'].nunique() > 1)
print(f"处理后性别不一致的用户数量: {post_processing_inconsistencies}")

image.png

# 对会员状态不一致的数据进行处理
# 首先找出会员状态不一致的用户
membership_inconsistencies = data.groupby('用户ID')['会员'].nunique() > 1
inconsistent_membership_users = membership_inconsistencies[membership_inconsistencies].index# 对每个会员状态不一致的用户进行处理
for user_id in inconsistent_membership_users:user_data = data[data['用户ID'] == user_id]# 计算会员状态的众数mode_membership = user_data['会员'].mode()if len(mode_membership) > 1:  # 如果存在多个众数，使用第一个订单的会员状态first_order_membership = user_data.sort_values('订单交易时间')['会员'].iloc[0]data.loc[data['用户ID'] == user_id, '会员'] = first_order_membershipelse:  # 如果只有一个众数，使用这个众数替换所有不一致的会员状态data.loc[data['用户ID'] == user_id, '会员'] = mode_membership.iloc[0]# 检查处理后的数据中是否还存在会员状态不一致的情况
post_processing_membership_inconsistencies = sum(data.groupby('用户ID')['会员'].nunique() > 1)
print(f"处理后会员状态不一致的用户数量: {post_processing_membership_inconsistencies}")

image.png

# 新增一个总价列，有助于后面的分析
data['总价'] = data['商品单价'] * data['购买数量']
# 删除订单编号列和首次下单用户，因为是否是首次下单用户意义不大，可以直接删除，还能减少处理的过程
data.drop(columns=['订单编号','首次下单用户'], inplace=True)
# 确保下单时间是日期时间格式
data['订单交易时间'] = pd.to_datetime(data['订单交易时间'])data.head()

image.png

数据分析

订单数据趋势分析

image.png
image.png
因为时序图不便于观察，这里主要分析每个月的销售情况，可以看到每个月的销售情况，2月的销售额和销售数量都是最少的。

订单特征分析

image.png

  1. 订单主要来源于店铺下单。
  2. 女性消费者远远高于男性消费者，这家店铺面向的主要对象就是女性。
  3. 购买A类的消费者最多，B类、C类、D类数量相差不大。
  4. 大多数订单是没有使用活动优惠的。

消费者反馈分析

image.png
在所有的订单中，换货、退货情况比较少，有超过半数的订单是已经评价过的了。

时间序列分析

销售额时序图

image.png

时间序列分解结果

image.png
image.png
从趋势图中可以看出，销售数据的趋势组成部分在整个时间段内波动显著，没有显示出明显的长期上升或下降趋势，这表明尽管有短期的波动，但在一年内内，销售总体上没有强烈的长期增长或衰退。
季节性分量的图表显示出非常规律的模式，这表明销售数据受到周期性因素的强烈影响，这种规律性模式对于预测或规划销售活动非常重要，并且识别出了周期为7天，第一次达到峰值。
残差分量的图表显示了在趋势和季节性分量被剔除后，数据中剩余的不规则或随机波动，这些波动可能由不可预测的事件或其他非系统性因素引起。

建立SARIMA模型
model = auto_arima(daily_sales_complete, seasonal=True, m=7, trace=True,error_action='ignore', suppress_warnings=True)

image.png

model.summary()

image.png
这里自动选择了SARIMAX(0, 0, 1)x(0, 0, 1, 7)模型，没有自回归项和差分，但有一个移动平均项和一个季节性移动平均项（周期为7）。该模型的AIC值为5476.950，BIC值为5492.517，截距项在统计上显著（P值几乎为0），而移动平均项和季节性移动平均项的P值则较高，说明它们在统计上不那么显著，但是残差方面，没有检测到显著的异方差性，可以勉强接受这个模型。

预测未来七天的销售额

image.png
这里预测了未来七天的一个销售额情况，可以看到，销售额主要集中在1157-1302之间，波动并不是很大，与时序图感觉还是存在许多差异，可能是自动选择的参数模型效果不理想，亦或者是受数据的影响，这里还是建议从检查白噪声等等步骤开始，我时间序列学的比较差，这里不做展开，读者可以自行去学习完成。

基于聚类分析构建用户画像

数据处理
new_data = data.copy()# 计算总订单数
purchase_frequency = new_data.groupby('用户ID').size().reset_index(name='总订单数量')
new_data = pd.merge(data, purchase_frequency, on='用户ID')user_features = new_data.groupby('用户ID').agg({'性别': 'first','会员': 'first','品类': lambda x: x.mode()[0],'订单交易时间': 'max','订单来源': lambda x: x.mode()[0],'总价': 'sum','总订单数量': 'first','活动优惠': lambda x: x.mode()[0],'退货': 'sum','换货': 'sum','已评价': 'sum'
}).reset_index()# 重新命名dataframe，能够更好的理解数据
user_features = user_features.rename(columns={'性别': '性别','会员': '会员状态','品类': '最常购买品类','订单交易时间': '最近购买日期','订单来源': '主要下单方式','总价': '总消费额','总订单数量': '总订单数','活动优惠': '是否经常使用优惠','退货': '总退货数','换货': '总换货数','已评价': '总评论数'
})
user_features['平均消费金额'] = user_features['总消费额'] / user_features['总订单数']
user_features.head()

image.png

确定聚类数
# 使用肘部法则来确定最佳聚类数
inertia = []
silhouette_scores = []
k_range = range(2, 11)
for k in k_range:kmeans = KMeans(n_clusters=k, random_state=10).fit(new_user_features)inertia.append(kmeans.inertia_)silhouette_scores.append(silhouette_score(new_user_features, kmeans.labels_))

image.png
通过肘部法则图和轮廓系数图，可以看到，在4、5的时候，肘部法则图下降的趋势减缓，结合轮廓系数图，k取5的时候，轮廓系数比k取4的时候大，所以我们选择聚类数为5。

# 执行K-均值聚类，选择5个聚类
kmeans_final = KMeans(n_clusters=5, random_state=15)
kmeans_final.fit(new_user_features)
# 获取聚类标签
cluster_labels = kmeans_final.labels_
# 将聚类标签添加到原始数据中以进行分析
user_features['聚类标签'] = cluster_labels
user_features.head()

image.png

五类消费者对比

image.png
image.png

  1. 类型0:大多数消费者不是会员，没有购买过B类商品，大多数这一年里只购买过1单，评论数比较少，消费低，针对这一类消费者，可以针对他们推销A、D类的商品，并且考虑他们消费金额低，可以提供特殊折扣来重新吸引他们的兴趣。
  2. 类型1：大多数消费者是会员，主要购买的是A类商品，购买频率高，总消费金额位居第二，但是每次消费的金额都比较低，评论数量较多，针对这类消费者，可以提供一些会员专享优惠，优先投放A类商品的广告，吸引他们下单。
  3. 类型2：所有消费者都不是会员，但是都只购买过一次商品，不喜欢评论，最常购买的类型为B类商品，单次消费最高，这一类消费者是潜力群体，有一定的消费能力，但是他们的购买频率不高，针对这一类消费者，需要提出一些策略，使得他们转化为会员，并且设置一些激励活动，增加他们的购买频率。
  4. 类型3：不是会员的消费者的数量略高于是会员的消费者数量，他们主要购买A类商品和B类商品，购买频率高于类型0和类型2，但是购买金额低，评论数量适中，平均消费能力一般，针对这类消费者，主要推荐他们购买A类商品和B类商品，提供一些优惠活动。
  5. 类型4：全部都是会员，全是女性消费者，而且消费金额高，购买频率高，平均消费能力强，针对这一类消费者，需要与他们保持联系，并且赠送一些优惠券，开展一些激励活动，保持她们的忠诚度。

RFM模型

RFM模型是衡量客户价值和客户创造利益能力的重要工具。该模型通过客户在一定时间范围内的近期购买行为、购买总频率和购买总金额3项指标来描述该客户的价值状况。
R（Recency）：最近一次消费的时间间隔，即客户最近一次与企业产生交易的时间间隔，一般已天为单位。
F（Frequency）：消费总频次，即客户在一定时期范围内产生交易的累计频次。
M（Monetary）：消费总金额，即客户在一定时期范围内产生交易的总累计金额。
R值越大，即客户与企业产生交易行为的周期越长，客户活跃度低，客户越容易流失。反之，客户与企业交易行为周期短，客户处于活跃状态。
F值越大，即客户与企业交易越频繁，客户与企业合作粘性强，忠诚度高。反之，客户与企业合作粘性差，忠诚度低。
M值越大，即客户与企业的交易金额大，侧面反映客户自身的经营规模大，市场份额多且资金能力强。反之，则客户的经营规模小，市场份额少且资金能力弱。
RFM模型通常将客户分成8类：重要价值客户、重要保持客户、重要发展客户、重要挽留客户、一般价值客户、一般保持客户、一般发展客户和一般挽留客户。

# 以2024年1月1日作为截止日期
current_date = pd.to_datetime('2024-01-01')
# 将日期字符串转换为日期对象
user_features['最近购买日期'] = pd.to_datetime(user_features['最近购买日期'])
# 计算RFM指标
rfm_data = user_features.groupby('用户ID').agg({'最近购买日期': lambda x: (current_date - x.max()).days,'总订单数': 'sum','总消费额': 'sum'
}).rename(columns={'最近购买日期': 'Recency', '总订单数': 'Frequency', '总消费额': 'Monetary'})# 计算RFM分数
rfm_data['Recency_Score'] = pd.qcut(rfm_data['Recency'], 5, labels=False, duplicates='drop') + 1
rfm_data['Frequency_Score'] = pd.qcut(rfm_data['Frequency'].rank(method='first'), 5, labels=False, duplicates='drop') + 1
rfm_data['Monetary_Score'] = pd.qcut(rfm_data['Monetary'], 5, labels=False, duplicates='drop') + 1rfm_data.head()

image.png

def assign_rfm_group(row):if row['Frequency_Score'] >= 4 and row['Monetary_Score'] >= 4 and row['Recency_Score'] >= 4:return '重要价值客户'elif row['Frequency_Score'] >= 4 and row['Monetary_Score'] < 4 and row['Recency_Score'] >= 4:return '重要保持客户'elif row['Frequency_Score'] < 4 and row['Monetary_Score'] >= 4 and row['Recency_Score'] >= 4:return '重要发展客户'elif row['Frequency_Score'] < 4 and row['Monetary_Score'] >= 4 and row['Recency_Score'] < 4:return '重要挽留客户'elif row['Frequency_Score'] >= 4 and row['Monetary_Score'] < 4 and row['Recency_Score'] < 4:return '一般价值客户'elif row['Frequency_Score'] >= 4 and row['Monetary_Score'] < 4 and row['Recency_Score'] < 4:return '一般保持客户'elif row['Frequency_Score'] < 4 and row['Monetary_Score'] < 4 and row['Recency_Score'] >= 4:return '一般发展客户'else:return '一般挽留客户'
rfm_data['客户类型'] = rfm_data.apply(assign_rfm_group, axis=1)
# 将RFM分析结果添加到用户数据中
user_features = user_features.join(rfm_data['客户类型'], on='用户ID')
user_features.head()

image.png

总结

本项目通过可视化分析对数据进行初步探索，再通过时间序列针对店铺的销售额进行分析，对时序图进行分解，发现数据存在季节性，并且通过auto_arima自动选择参数建立了SARIMA模型，对未来7天的销售额进行预测，然后利用特征构建一个新的数据，该数据主要包括各个消费者的情况，再利用聚类分析将消费者分为5类不同的群体，再建立RFM模型，将消费者进一步划分为不同价值的客户，对于不价值的消费者，采取不同的方案，通过这些模型，可以针对不同的消费群体采取不同的营销方案，尽可能的保留重要价值客户，对于一些低价值的客户，可以降低投入成本。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/627361.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

coco标签处理

coco标签处理

抽取coco格式训练集中的一部分作为子训练集&#xff0c;用快速测试算法 from pycocotools.coco import COCO import random import copy import json# 原始的 COCO 标注文件路径 original_annotations_path /workspace/datasets/soccer6/yolo/annotations/train.json# 新的 C…
阅读更多...
IOS-高德地图路径绘制-Swift

IOS-高德地图路径绘制-Swift

本文展示的是在IOS开发中调用高德地图进行驾车路径绘制&#xff0c;开发语言是Swift。 IOS高德地图集成请看&#xff1a;IOS集成高德地图Api 使用路径规划功能需要集成高德地图的搜索功能。 pod AMapSearch定义AMapSearchAPI 定义主搜索对象 AMapSearchAPI &#xff0c;并继承…
阅读更多...
AI对决：ChatGPT与文心一言的深度比较

AI对决：ChatGPT与文心一言的深度比较

. 个人主页&#xff1a;晓风飞 专栏&#xff1a;数据结构|Linux|C语言 路漫漫其修远兮&#xff0c;吾将上下而求索 文章目录 引言ChatGPT与文心一言的比较Chatgpt的看法文心一言的看法Copilot的观点chatgpt4.0的回答 模型的自我评价自我评价 ChatGPT的优势在这里插入图片描述 文…
阅读更多...
Linux下的HTTP代理服务器Squid的配置和使用

Linux下的HTTP代理服务器Squid的配置和使用

Squid是一个流行的Linux下的HTTP代理服务器软件。通过Squid&#xff0c;你可以在Linux服务器上设置一个代理服务器&#xff0c;以便为客户端提供安全的网络连接和数据传输。以下是Squid的配置和使用指南。 1. 安装Squid 首先&#xff0c;你需要确保你的Linux系统上已经安装了…
阅读更多...
国标GB28181安防视频监控平台EasyCVR视频分享页增加精简模式

国标GB28181安防视频监控平台EasyCVR视频分享页增加精简模式

智慧安防平台EasyCVR能在复杂的网络环境中&#xff08;专网、局域网、广域网、VPN、公网等&#xff09;将前端海量的设备进行统一集中接入与视频汇聚管理&#xff0c;平台支持设备通过4G、5G、WIFI、有线等方式进行视频流的快捷传输&#xff0c;可以兼容各品牌的IPC、NVR、移动…
阅读更多...
寒假学习打字：提前实现弯道超车

寒假学习打字：提前实现弯道超车

寒假对于学生来说&#xff0c;通常是一个宝贵的时间段&#xff0c;可以用来放松、充实自己&#xff0c;或者提高一项重要的技能——打字。在这个数字时代&#xff0c;打字技能变得比以往任何时候都更加重要。无论是在学校的论文写作&#xff0c;还是在工作中处理电子邮件&#…
阅读更多...
低代码高逻辑谱写IT组织和个人的第二成长曲线 | 专访西门子Mendix中国区总经理王炯

低代码高逻辑谱写IT组织和个人的第二成长曲线 | 专访西门子Mendix中国区总经理王炯

在今天快速演进的数字化转型浪潮中&#xff0c;低代码平台已经成为推动企业敏捷适应市场变化的关键引擎。在此背景下&#xff0c;西门子Mendix作为市场上的领导者&#xff0c;以其创新的低代码解决方案不断地刷新着行业标准。 近日&#xff0c;LowCode低码时代访谈了西门子Men…
阅读更多...
C#上位机与欧姆龙PLC的通信12----【再爆肝】上位机应用开发(WPF版)

C#上位机与欧姆龙PLC的通信12----【再爆肝】上位机应用开发(WPF版)

1、先上图 继上节完成winform版的应用后&#xff0c;今天再爆肝wpf版的&#xff0c;看看看。 可以看到&#xff0c;wpf的确实还是漂亮很多&#xff0c;现在人都喜欢漂亮的&#xff0c;颜值高的&#xff0c;现在是看脸时代&#xff0c;作为软件来说&#xff0c;是交给用户使用的…
阅读更多...
探索JavaScript中强大的三元运算符：简洁、灵活、提升代码效率

探索JavaScript中强大的三元运算符：简洁、灵活、提升代码效率

探索JavaScript中强大的三元运算符&#xff1a;简洁、灵活、提升代码效率 三元运算是一种在编程中常见的条件表达式。它使用三个操作数进行条件判断&#xff0c;并返回两个值中的一个&#xff0c;具体取决于条件的真假。 三元运算符的优势&#xff1a;相比于使用传统的 if-els…
阅读更多...
【JavaEE】CAS

【JavaEE】CAS

作者主页&#xff1a;paper jie_博客 本文作者&#xff1a;大家好&#xff0c;我是paper jie&#xff0c;感谢你阅读本文&#xff0c;欢迎一建三连哦。 本文于《JavaEE》专栏&#xff0c;本专栏是针对于大学生&#xff0c;编程小白精心打造的。笔者用重金(时间和精力)打造&…
阅读更多...
时间轮算法

时间轮算法

package com.rural_vibration.common.utils;import java.util.Date; import java.util.concurrent.DelayQueue; import java.util.concurrent.Delayed; import java.util.concurrent.TimeUnit;public class TimeWheelTest {// 时间轮大小&#xff0c;每一格代表1秒private fina…
阅读更多...
安卓四大组件

安卓四大组件

安卓四大组件分别是&#xff1a;活动&#xff08;Activity&#xff09;、服务&#xff08;Service&#xff09;、广播接收器&#xff08;Broadcast Receiver&#xff09;和内容提供器&#xff08;Content Provider&#xff09;。下面我们将对这四大组件进行详细的介绍。 一、活…
阅读更多...
【个人笔记】由浅入深分析 ClickHouse

【个人笔记】由浅入深分析 ClickHouse

项目中不少地方使用到ClickHouse，就对它做了一个相对深入一点的了解和研究。并对各种知识点及整理过程中的一些理解心得进行了汇总并分享出来，希望对其他同学能有帮助。 本文主要讲解ClickHouse的特点、读写过程、存储形式、索引、引擎、物化视图等特性。 适合 入门和进阶 大…
阅读更多...
bvh格式转换

bvh格式转换

目录 bvh格式介绍 bvh格式转换&#xff1a; 生成bvh&#xff1a; 导入导出bvh bvh可视化&#xff1a; H3.6M数据集转bvh pkl转换bvh bvh格式介绍 [转载] BVH文件格式解析 - 知乎 bvh格式转换&#xff1a; https://github.com/Garfield-kh/PoseTriplet/blob/eb93132f991…
阅读更多...
μ综合设计控制器

μ综合设计控制器

μ综合设计控制器是一种基于μ分析的控制器设计方法&#xff0c;用于提高控制器的鲁棒性和性能。μ分析是一种数学工具&#xff0c;用于描述和比较控制系统在不同参数变化下的性能。通过μ综合设计&#xff0c;可以综合运用各种控制策略&#xff0c;以达到更好的控制效果。 μ…
阅读更多...
[Combine 开发] Controlling timing 时间控制

[Combine 开发] Controlling timing 时间控制

Combine框架里&#xff0c;关于时间控制大致有debounce、delay、measureInterval、throttle、timeout 下面我们分别介绍他们的区别和使用方法 值的我们注意的是Combine中的pipline是异步流&#xff0c;所以这些时间控制的Operator还是很强大的。 debounce 在某些情况下&…
阅读更多...
用python实现文本/图片生成视频

用python实现文本/图片生成视频

使用Python来生成视频通常涉及到使用一些专门的库&#xff0c;比如 OpenCV 或者 moviepy。下面是一个简单的例子&#xff0c;使用OpenCV和PIL&#xff08;Python Imaging Library&#xff09;来创建一个视频。 python复制代码 import cv2 import numpy as np from PIL import …
阅读更多...
【双指针】001移动零_C++

【双指针】001移动零_C++

题目链接&#xff1a;移动零 目录 题目解析 代码书写 知识补充 题目解析 题目让我们求必须在不复制数组的情况下,编写一个函数将所有 0 移动到数组的末尾&#xff0c;同时保持非零元素的相对顺序。 这题我们可以用双指针的方法来写&#xff1a; 我们这里将用两个数组下标来…
阅读更多...
条码WMS仓储管理系统的价值与优势

条码WMS仓储管理系统的价值与优势

在全球化和数字化的时代&#xff0c;企业面临着诸多挑战。在复杂的运营环境中&#xff0c;如何提高运营效率和效果&#xff0c;降低成本&#xff0c;增强竞争力&#xff0c;成为企业关注的焦点。而库存管理作为企业运营的关键环节&#xff0c;其重要性不言而喻。本文将深入探讨…
阅读更多...
北交所交易手续费标准？哪家证券公司开通北交所券商交易手续费佣金万2？

北交所交易手续费标准？哪家证券公司开通北交所券商交易手续费佣金万2？

北交所&#xff08;Beijing Exchange&#xff09;是指位于中国北京的一家金融交易所。北交所是中国政府为推动金融改革和国际化市场而设立的交易场所。它提供包括股票、债券、期货、外汇等多种金融产品的交易服务。北交所的目标是促进中国金融市场的发展&#xff0c;吸引国内外…
阅读更多...
最新文章

Copyright @ 2022~2023