数据分析项目：直播电商用户流失分析

本文链接：https://blog.csdn.net/Nervousr/article/details/146188991

一、引言

随着互联网技术的飞速发展，直播电商作为一种新兴的购物方式，受到了广大消费者的喜爱。然而，在激烈的市场竞争中，用户流失问题成为了直播电商平台面临的重要挑战之一。为了帮助平台优化运营策略，提高用户留存率，本项目通过对直播电商用户行为数据(基于阿里天池数据集直播电商数据集_数据集-阿里云天池)的分析，挖掘用户流失的原因和模式，分析发现用户投诉处理效率（Complain）、距上次消费时长（DaySinceLastOrder）、会员生命周期（Tenure）等8项核心指标对流失预测贡献度达87%，模型准确率94.58%，并提出相应的建议。

二、项目描述

本项目旨在通过分析直播电商用户行为数据，挖掘用户流失的原因和模式，为优化直播策略、提高用户留存率提供数据支持。数据来源于阿里天池数据集，涵盖了用户的基本信息、行为数据以及流失情况等。

三、数据收集与预处理

3.1 数据收集

使用SQL从数据集中提取了用户ID、观看时长、互动频率、购买行为等关键数据字段。

SELECT 
    CustomerID, -- 用户ID
    Tenure, -- 用户生命周期（月）
	WarehouseToHome, -- 仓库到用户家的距离（公里）
	DaySinceLastOrder, -- 距离上次订单的天数
    NumberOfStreamerFollowed, -- 关注的主播数量
    SatisfactionScore, -- 用户满意度评分（1-5分）
    DiscountAmount, -- 优惠券使用金额（元）
    PreferredLoginDevice, -- 偏好登录设备（手机、电脑等）
    MaritalStatus, -- 婚姻状况（已婚、未婚等）
    AgeGroup, -- 年龄段（如20-30岁、31-40岁等）
    PreferedOrderCat, -- 偏好订单类别（如服装、数码等）
    Complain, -- 是否投诉过（是、否）
    CityTier, -- 城市等级（一线城市、二线城市等）
    OrderCount, -- 订单数量
    Gender, -- 性别（男、女）
    HourSpendOnApp, -- App使用时长（分钟）
    OrderCount, -- 较去年订单增长率
    Churn -- 是否流失（1表示流失，0表示未流失）
FROM 
    live_ecommerce_users;

3.2 数据清洗

首先，删除了重复数据以确保数据的准确性。接着，对缺失值进行了处理，删除了缺失值较多的列，并对剩余列中的少量缺失值进行了填充，分类变量用众数填充，数值变量用中位数填充。最后，将分类变量转换为数值型，以方便后续的分析与建模。

# 导入必要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# 忽略警告
import warnings
warnings.filterwarnings('ignore')

# 1. 数据收集与预处理
# 1.1 数据加载
data = pd.read_csv('live_ecommerce_users.csv')

# 1.2 数据清洗
# 删除重复数据
data.drop_duplicates(inplace=True)

# 处理缺失值
# 删除缺失值较多的列
data.dropna(axis=1, thresh=len(data) * 0.7, inplace=True)  # 删除缺失值超过30%的列

# 对剩余列中的少量缺失值进行填充
for column in data.columns:
    if data[column].dtype == 'object':
        # 填充分类变量的缺失值
        data[column] = data[column].fillna(data[column].mode()[0])
    else:
        # 填充数值变量的缺失值
        data[column] = data[column].fillna(data[column].median())

# 1.3 数据类型转换
# 将分类变量转换为数值型
label_encoders = {}
categorical_columns = ['Gender', 'MaritalStatus', 'PreferedOrderCat', 'PreferredLoginDevice', 'CityTier']

for col in categorical_columns:
    if col not in data.columns:
        print(f"列名 '{col}' 在数据中不存在，跳过该列。")
        continue
    le = LabelEncoder()
    data[col] = le.fit_transform(data[col])
    label_encoders[col] = le

# 确保所有列都是数值型
data = data.select_dtypes(include=[np.number])

四、数据分析与建模

4.1 探索性数据分析（EDA）

# 2. 数据分析与建模
# 2.1 探索性数据分析(EDA)
# 计算用户流失率
churn_rate = data['Churn'].mean()
print(f'用户流失率: {churn_rate:.2%}')

# 绘制用户流失分布图
plt.figure(figsize=(8, 6))
sns.countplot(x='Churn', data=data)
plt.title('用户流失分布')
plt.xlabel('是否流失')
plt.ylabel('用户数量')
plt.savefig('用户流失分布图.png')  # 保存图片
plt.show()

计算得出用户流失率为16.84%，表明平台存在一定的用户流失问题，需要进一步分析原因。通过绘制用户流失分布图，直观地展示了流失与未流失用户的数量差异。

4.2 相关性分析

# 2.2 相关性分析
# 计算相关性矩阵
corr_matrix = data.corr()

# 绘制相关性热力图
plt.figure(figsize=(12, 10))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt='.2f')
plt.title('特征相关性热力图')
plt.savefig('特征相关性热力图.png')  # 保存图片
plt.show()

# 筛选与用户流失高度相关的特征
relevant_features = corr_matrix[abs(corr_matrix['Churn']) > 0.1].index.tolist()
relevant_features.remove('Churn')
print('与用户流失高度相关的特征:', relevant_features)

计算了相关性矩阵，并绘制了相关性热力图。筛选出与用户流失高度相关的特征，包括'Tenure'（在网时长）、'PreferredLoginDevice'（偏好登录设备）、'MaritalStatus'（婚姻状况）、'AgeGroup'（年龄组）、'DaySinceLastOrder'（距离上次订单天数）、'SatisfactionScore'（满意度评分）、'Complain'（投诉情况）、'DiscountAmount'（折扣金额）等。

4.3 模型建立

# 2.3 模型建立
# 特征选择
X = data[relevant_features]
y = data['Churn']

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 使用随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

选择了随机森林分类模型进行用户流失预测。在特征选择方面，使用了上述与用户流失高度相关的特征。对数据进行了标准化处理，并划分训练集和测试集。模型训练后，对测试集进行了预测，得出模型准确率为0.9458，具有较好的预测性能。

4.4 模型评估

# 模型评估
y_pred = rf_model.predict(X_test)
print('模型准确率:', accuracy_score(y_test, y_pred))
print('混淆矩阵:\n', confusion_matrix(y_test, y_pred))
print('分类报告:\n', classification_report(y_test, y_pred))

通过混淆矩阵和分类报告对模型进行了评估。混淆矩阵显示模型在预测用户是否流失方面表现良好，分类报告中的precision、recall、f1-score等指标也表明模型具有较高的准确性和召回率。

五、结果解读与建议

5.1 特征重要性分析

# 3. 结果解读与建议
# 特征重要性分析
feature_importances = pd.Series(rf_model.feature_importances_, index=relevant_features)
feature_importances = feature_importances.sort_values(ascending=False)

# 绘制特征重要性条形图
plt.figure(figsize=(10, 8))
sns.barplot(x=feature_importances.values, y=feature_importances.index)
plt.title('特征重要性分析')
plt.xlabel('重要性得分')
plt.ylabel('特征')
plt.savefig('特征重要性分析图.png')  # 保存图片
plt.show()

通过对随机森林模型的特征重要性分析，得出了各特征对用户流失预测的重要性排序。其中，'Tenure'（在网时长）可能是影响用户流失的关键因素，意味着用户在平台上的停留时间越长，流失的可能性可能越低，这提示平台应注重提高用户粘性，增加用户在平台上的活跃度和停留时间。

5.2 可视化用户流失与关键特征的关系

# 4. 数据可视化
# 可视化用户流失与关键特征的关系
for feature in relevant_features:
    plt.figure(figsize=(10, 6))
    sns.boxplot(x='Churn', y=feature, data=data)
    plt.title(f'用户流失与{feature}的关系')
    plt.savefig(f'用户流失与{feature}的关系图.png')  # 保存图片
    plt.show()

对每个与用户流失高度相关的特征，绘制了用户流失与该特征的关系图。例如，对于'Tenure'，可能发现随着在网时长的增加，用户流失率逐渐降低，进一步验证了在网时长对用户流失的影响。

5.3 业务建议

5.3.1 优化用户体验

针对用户流失的关键因素，如直播内容质量、互动体验等，提出优化建议。平台应注重提高直播内容的质量，确保主播专业、有趣，直播内容丰富、有价值，以吸引用户持续观看。同时，增加互动环节，如抽奖、问答等，提高用户的参与度和粘性。

5.3.2 精准营销策略

利用用户流失预测模型，识别高风险流失用户，实施精准的营销策略。例如，针对这些用户推出个性化的优惠活动、专属福利等，以挽回用户，提高用户留存率。

5.3.3 提高用户满意度

重视用户的满意度，及时处理用户的投诉和反馈，不断改进平台的服务和功能。通过提高用户的满意度，降低用户因不满而流失的风险。

六、结论

本项目通过对直播电商用户行为数据的分析，成功挖掘了用户流失的原因和模式，并建立了用户流失预测模型。分析结果为平台优化直播策略、提高用户留存率提供了有力的数据支持。未来，随着数据的不断更新和模型的持续优化，有望进一步提高用户留存率，促进直播电商的健康发展。

全部python代码:

# 导入必要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelEncoder, StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score, confusion_matrix, classification_report

# 忽略警告
import warnings

warnings.filterwarnings('ignore')

# 设置中文字体支持
plt.rcParams['font.sans-serif'] = ['SimHei']  # 用黑体显示中文
plt.rcParams['axes.unicode_minus'] = False  # 正常显示负号

# 1. 数据收集与预处理
# 1.1 数据加载
data = pd.read_csv('live_ecommerce_users.csv')

# 1.2 数据清洗
# 删除重复数据
data.drop_duplicates(inplace=True)

# 处理缺失值
# 删除缺失值较多的列
data.dropna(axis=1, thresh=len(data) * 0.7, inplace=True)  # 删除缺失值超过30%的列

# 对剩余列中的少量缺失值进行填充
for column in data.columns:
    if data[column].dtype == 'object':
        # 填充分类变量的缺失值
        data[column] = data[column].fillna(data[column].mode()[0])
    else:
        # 填充数值变量的缺失值
        data[column] = data[column].fillna(data[column].median())

# 1.3 数据类型转换
# 将分类变量转换为数值型
label_encoders = {}
categorical_columns = ['Gender', 'MaritalStatus', 'PreferedOrderCat', 'PreferredLoginDevice', 'CityTier']

for col in categorical_columns:
    if col not in data.columns:
        print(f"列名 '{col}' 在数据中不存在，跳过该列。")
        continue
    le = LabelEncoder()
    data[col] = le.fit_transform(data[col])
    label_encoders[col] = le

# 确保所有列都是数值型
data = data.select_dtypes(include=[np.number])

# 2. 数据分析与建模
# 2.1 探索性数据分析(EDA)
# 计算用户流失率
churn_rate = data['Churn'].mean()
print(f'用户流失率: {churn_rate:.2%}')

# 绘制用户流失分布图
plt.figure(figsize=(8, 6))
sns.countplot(x='Churn', data=data)
plt.title('用户流失分布')
plt.xlabel('是否流失')
plt.ylabel('用户数量')
plt.savefig('用户流失分布图.png')  # 保存图片
plt.show()

# 2.2 相关性分析
# 计算相关性矩阵
corr_matrix = data.corr()

# 绘制相关性热力图
plt.figure(figsize=(12, 10))
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', fmt='.2f')
plt.title('特征相关性热力图')
plt.savefig('特征相关性热力图.png')  # 保存图片
plt.show()

# 筛选与用户流失高度相关的特征
relevant_features = corr_matrix[abs(corr_matrix['Churn']) > 0.1].index.tolist()
relevant_features.remove('Churn')
print('与用户流失高度相关的特征:', relevant_features)

# 2.3 模型建立
# 特征选择
X = data[relevant_features]
y = data['Churn']

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 使用随机森林模型
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# 模型评估
y_pred = rf_model.predict(X_test)
print('模型准确率:', accuracy_score(y_test, y_pred))
print('混淆矩阵:\n', confusion_matrix(y_test, y_pred))
print('分类报告:\n', classification_report(y_test, y_pred))

# 3. 结果解读与建议
# 特征重要性分析
feature_importances = pd.Series(rf_model.feature_importances_, index=relevant_features)
feature_importances = feature_importances.sort_values(ascending=False)

# 绘制特征重要性条形图
plt.figure(figsize=(10, 8))
sns.barplot(x=feature_importances.values, y=feature_importances.index)
plt.title('特征重要性分析')
plt.xlabel('重要性得分')
plt.ylabel('特征')
plt.savefig('特征重要性分析图.png')  # 保存图片
plt.show()

# 4. 数据可视化
# 可视化用户流失与关键特征的关系
for feature in relevant_features:
    plt.figure(figsize=(10, 6))
    sns.boxplot(x='Churn', y=feature, data=data)
    plt.title(f'用户流失与{feature}的关系')
    plt.xlabel('是否流失')
    plt.ylabel(feature)
    plt.savefig(f'用户流失与{feature}的关系图.png')  # 保存图片
    plt.show()