Airbnb产品数据分析

一、分析背景与目的
1.1、分析背景
Airbnb成立于2008年，短短9年时间成为了短租民宿行业的巨头，并且强烈的冲击着传统酒店行业的格局。目前Airbnb作为一款社区平台类产品，其业务遍布了191个国家，并且经常出现在商业分析的优秀案例中。Airbnb在做好了产品体验、房源美感、民宿共享服务之后，这款产品和背后的业务是否存在可以改进的地方？
1.2、提出分析问题
针对分析的目的，提出以下三个问题：
1.airbnb的目标用户群体具有什么样的特征？
2.当前的转化率和流失率中哪里哪一个环节存在问题，或者有较大的改进空间？

二、分析维度
2.1、根据问题，提出两个分析维度：
1、用户画像分析
-用户性别的分布特征；
-用户年龄的分布特征；
-用户地区的分布分布；
-中国地区去国外预定的地区占比；
2、转化漏斗分析
-注册用户占比
-活跃用户（非僵尸用户）占比
-下单用户占比
-实际支付用户占比
-复购用户占比

三、数据清洗3.1、数据集描述数据集名称：Airbnb顾客预订数据数据集来源：kaggle Airbnb产品数据集 数据集简介：此数据集是kaggle上的一个竞赛项目，主要用来制作目的地信息的预测模型。此数据聚集包含两张数据表，其中train_users_2表中为用户数据，sessions表中为行为数据。数据集量：21w * 15（train_users_2）、104w * 6（sessions）

3.1、列名称理解原数据表的字段的列名非常规范，无需对列名称进行重命名，数据分析之前需要理解每个列名称的含义。
数据表一：数据表名称：train_users_2

id：用户ID
date_account_created：帐户创建日期date_first_booking：首次预订的日期
gender：性别
age：年龄
signup_method：注册方式
signup_flow：用户注册的页面
language：语言偏好
affiliate_channel：营销方式
affiliate_provider：营销来源，例如google，craigslist，其他
first_affiliate_tracked：在注册之前，用户与之交互的第一个营销广告是什么
signup_app：注册来源
first_device_type：注册时设备的类型
first_browser：注册时使用的浏览器名称country_destination：目的地国家

数据表二：数据表名称：sessions

user_id：与users表中的“id”列连接
action：埋点名称
action_type：操作事件的类型
action_detail：操作事件的描述
device_type：此次会话所使用的设备

3.2、重复值的处理
-train_users为用户表中主键，所以每个用户只生成一条记录，所以如果train_users中id存在重复值，则需要处理。
-sessions 为用户会话记录表，存在一个用户多条记录结论：只需要排查train_users中是否存在重复值。
执行SQL后得出：count_id = 0。说明train_users_2数据表中不存在重复值。

3.3、缺失值处理数据缺失数量较多，以下为存在缺失值的列：
date_first_booking(首次预定时间)存在缺失值数量：124544个。
gender（性别）存在缺失值数量：95688个。
age（年龄）存在缺失值数量：87991个。first_affiliate_tracked（用户通过那个营销广告注册）存在缺失值数量：6065个。
first_browser（注册时浏览器）存在缺失值数量：27266个。
action_type（埋点的操作类型）存在缺失值数量：1126204个。
action_detail（用户操作行为的描述）存在缺失值数量：1126204个。

缺失原因推测及处理
date_first_booking(首次预定时间)数据如果缺失，在业务上可以理解为此用户为“未预定用户”，也就是没有下单的用户。
性别、年龄由于客户端中这部分信息选填，空值为用户未填写。
其他四个数据是由于前端统计时数据没有统计到。

处理：实际分析中需要在where条件排除掉空数据，再进行分析。

3.4异常值处理
age（年龄）异常值处理：
age（年龄）的异常数据非常多；0～150之间的数值都有，并且包含了2014、2015等数值。推测这些"脏数据"产生的原因是用户在客户端随意填写造成。

3.5数据清洗中使用的SQL

# 检查数据中是否包含重复值
SELECT id, COUNT(id) AS count_id
FROM mysql.train_users_2
GROUP BY id
HAVING count_id > 1;

#通过以下SQL对每一列进行查询，通过替换where之后的条件，查询每一列包含的空值数量。
SELECT date_first_booking<