从单车销售数据看用户（二）

最新推荐文章于 2021-03-24 09:05:54 发布
最新推荐文章于 2021-03-24 09:05:54 发布
阅读量255 收藏 1
点赞数
分类专栏： python学习笔记 case学习笔记 文章标签： mysql python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_49915249/article/details/114675194
版权

前言

案例总结分为两篇
第一篇：分析脑图及分析报告
第二篇：python数据处理+powerBI制图

import pandas as pd
import numpy as np

columns=['user_id','order_dt','order_products','order_amount']
df=pd.read_table('bicycle_master.txt',names=columns, sep='\s+')

一、数据描述统计

1. 数据展示

  • user_id：用户ID
  • order_dt:购买日期
  • order_products：购买产品数
  • order_amount：购买金额
df.head()
user_idorder_dtorder_productsorder_amount
0119970101111.77
1219970112112.00
2219970112577.00
3319970102220.76
4319970330220.76

2.描述统计

  • 订单量平均2.4大部分订单消费了少量商品，有一定极值干扰
  • 用户的消费金额比较稳定，平均消费35元，中位数在25元，中位数小于平均数，呈现右偏分布，有一定极值的干扰
df.describe()
user_idorder_dtorder_productsorder_amount
count69659.0000006.965900e+0469659.00000069659.000000
mean11470.8545921.997228e+072.41004035.893648
std6819.9048483.837735e+032.33392436.281942
min1.0000001.997010e+071.0000000.000000
25%5506.0000001.997022e+071.00000014.490000
50%11410.0000001.997042e+072.00000025.980000
75%17273.0000001.997111e+073.00000043.700000
max23570.0000001.998063e+0799.0000001286.010000

二、月度用户消费趋势

1.数据预处理

改变order_dt数据类型，astype提取年月，增加month列

df['order_dt']=pd.to_datetime(df.order_dt,format='%Y%m%d')
df['month']=df.order_dt.values.astype('datetime64[M]')

df.head()
user_idorder_dtorder_productsorder_amountmonth
011997-01-01111.771997-01-01
121997-01-12112.001997-01-01
221997-01-12577.001997-01-01
331997-01-02220.761997-01-01
431997-03-30220.761997-03-01

2.每月消费总额，消费次数，产品购买量，消费人数

  • 每月消费总额，消费次数，产品购买量
df_month=df.groupby('month')
month_info=df_month[['order_amount','user_id','order_products']].agg({'order_amount':sum,'user_id':'count','order_products':sum})
month_info=month_info.rename(columns={'order_amount':'消费总额','user_id':'消费次数','order_products':'产品购买量'})
  • 消费人数
month_info['消费人次']=df_month.user_id.unique().map(len)
month_info
消费总额消费次数产品购买量消费人次
month
1997-01-01299060.178928194167846
1997-02-01379590.0311272249219633
1997-03-01393155.2711598261599524
1997-04-01142824.49378197292822
1997-05-01107933.30289572752214
1997-06-01108395.87305473012339
1997-07-01122078.88294281312180
1997-08-0188367.69232058511772
1997-09-0181948.80229657291739
1997-10-0189780.77256262031839
1997-11-01115448.64275078122028
1997-12-0195577.35250464181864
1998-01-0176756.78203252781537
1998-02-0177096.96202653401551
1998-03-01108970.15279374312060
1998-04-0166231.52187846971437
1998-05-0170989.66198549031488
1998-06-0176109.30204352871506

3.powerBI作图

  • 更改数据格式类型,存为excel导入powebi作图
    更改powerbi需要字符串类型数据
    取消索引
month_info=month_info.reset_index()
month_info.head()
month消费总额消费次数产品购买量消费人次
01997-01-01299060.178928194167846
11997-02-01379590.0311272249219633
21997-03-01393155.2711598261599524
31997-04-01142824.49378197292822
41997-05-01107933.30289572752214
month_info['month']=month_info['month'].astype(str)

month_info.to_excel(r'.\月销售额、销售次数、产品购买量、消费人数.xlsx')

在这里插入图片描述

  • 消费总额在前三个月达到最高峰，后续消费较为稳定，有轻微下降趋势
  • 产品购买量在前三个月达到最高峰，后续消费较为稳定，有轻微下降趋势
  • 前三个月消费次数在10000笔左右，达到高峰，后续消费人数稳定，有轻微下降趋势
  • 前三个月消费订单人数在8000-10000笔左右，达到高峰，后续消费人数稳定，有轻微下降趋势

三、用户个体消费分析

  • 用户消费金额和消费次数散点图
#用数据透视表的方式来实现
user_info=df.pivot_table(index='user_id',
              values=['order_products','order_amount'],
              aggfunc={'order_products':'sum',
                      'order_amount':'sum'})

user_info.to_excel(r'.\用户个体消费行为分析.xlsx')

在这里插入图片描述

排除离群点影响，消费产品越多消费金额越多，呈正向相关关系符合先验知识

  • 用户消费金额分布图(柱状图)
    对消费总额order_amount划分区间，再画柱状图
user_info.order_amount

Name: order_amount, Length: 23570, dtype: float64

amount=user_info.order_amount
amount_1st=[i for i in range(0,int(amount.max())+50,50)]
#划分标签bins
amount_1st

Name: order_amount, Length: 23570, dtype: category
Categories (280, int64): [50 < 100 < 150 < 200 ... 13850 < 13900 < 13950 < 14000]

amount_cut.to_excel(r'.\消费金额分布直方图.xlsx')

在这里插入图片描述

通过直方图，大部分用户的消费金额较低

  • 用户消费次数分布图
    同上，对消费次数划分区间
products=user_info.order_products
#划分标签bins,划分区间长度为5
products_1st=[i for i in range(0,int(products.max())+5,5)]
products_cut=pd.cut(products,bins=products_1st,labels=products_1st[1:])
products_cut.to_excel(r'.\消费次数分布直方图.xlsx')

在这里插入图片描述

在排除异常值的影响后，大部分用户消费频次不高

  • 用户累计消费金额占比
    画累加分布图，寻找核心用户
amount=user_info.order_amount
amount=amount.to_frame()
type(amount)
amount=amount.sort_values('order_amount')#排序

user_cumsum=amount.apply(lambda x:x.cumsum()/x.sum())


user_cumsum.reset_index().to_excel(r'.\累积销售.xlsx')

在这里插入图片描述

中值线：50%的用户的消费金额只占了10%
20%的用户：23569*20%=4713人，消费金额占比在横轴18856处，占比在1-0.3=70%
也就是说20%的用户占据了70%的消费金额，类比于28法则的情势，要维护好这20%的用户

四、用户消费行为分析

1.用户首购——新用户

grouped_user=df.groupby('user_id')


grouped_user.min().order_dt.value_counts()
#计算在某一个日期首购的用户数量

Name: order_dt, Length: 84, dtype: int64

grouped_user_min=grouped_user.min().order_dt.value_counts().reset_index().rename(columns={'index':'first_date'})


grouped_user_min['first_date'] =grouped_user_min['first_date'].astype(str)
grouped_user_min.to_excel(r'.\用户首购.xlsx')

在这里插入图片描述

按照月份来看，新用户首次购买时间在1，2，3月，用户首次购买次数在2月份数量达到最大，2月份的新用户最为活跃
在这里插入图片描述

按照日来看，1月份每日用户新增并首次购买人数呈上升趋势

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-W0NVyZCq-1615454948715)(attachment:image.png)]

2月份呈现较大的波动

在这里插入图片描述

3月份用户首次购买呈现下降趋势，新用户不再增长

2.最后一次购买——用户流失

grouped_user_max=grouped_user.max().order_dt.value_counts().reset_index().rename(columns={'index':'last_date'})
grouped_user_max['last_date'] =grouped_user_max['last_date'].astype(str)
grouped_user_max.to_excel(r'.\用户最后一次购买.xlsx')

在这里插入图片描述

在这里插入图片描述

按季度分析，1997年用户断崖式流失，98年度数据有上升趋势

3.用户生命周期

3.1一次消费分析

user_life=grouped_user.order_dt.agg(['min','max'])
(user_life['min']==user_life['max']).value_counts()

True     12054
False    11516
dtype: int64

有一半的用户消费一次

3.2每月新客,老客

#按照月份和userid对数据进行分组，在计算日期最初购买时间和最后购买时间，如果相同则是新用户
user_um=df.groupby(['user_id','month']).order_dt.agg(['min','max'])
user_um.head(10)
minmax
user_idmonth
11997-01-011997-01-011997-01-01
21997-01-011997-01-121997-01-12
31997-01-011997-01-021997-01-02
1997-03-011997-03-301997-03-30
1997-04-011997-04-021997-04-02
1997-11-011997-11-151997-11-25
1998-05-011998-05-281998-05-28
41997-01-011997-01-011997-01-18
1997-08-011997-08-021997-08-02
1997-12-011997-12-121997-12-12
TF=(user_um['min']==user_um['max'])
Result=TF.groupby('month').value_counts()
Result

month            
1997-01-01  True     7093
            False     753
1997-02-01  True     8571
            False    1062
1997-03-01  True     8154
            False    1370
1997-04-01  True     2228
            False     594
1997-05-01  True     1801
            False     413
1997-06-01  True     1912
            False     427
1997-07-01  True     1743
            False     437
1997-08-01  True     1450
            False     322
1997-09-01  True     1410
            False     329
1997-10-01  True     1489
            False     350
1997-11-01  True     1654
            False     374
1997-12-01  True     1493
            False     371
1998-01-01  True     1242
            False     295
1998-02-01  True     1264
            False     287
1998-03-01  True     1627
            False     433
1998-04-01  True     1175
            False     262
1998-05-01  True     1209
            False     279
1998-06-01  True     1212
            False     294
dtype: int64

3.3用户购买周期

按照user_id分组分析，相邻两次购买时间间隔

3.3.1数据统计
grouped_user

#计算统一用户两个订单的间隔时间
orderdt_diff=grouped_user.apply(lambda x:x.order_dt-x.order_dt.shift())
orderdt_diff.head()

user_id   
1        0       NaT
2        1       NaT
         2    0 days
3        3       NaT
         4   87 days
Name: order_dt, dtype: timedelta64[ns]

#描述统计
orderdt_diff.describe()

count                      46089
mean     68 days 23:22:13.567662
std      91 days 00:47:33.924168
min              0 days 00:00:00
25%             10 days 00:00:00
50%             31 days 00:00:00
75%             89 days 00:00:00
max            533 days 00:00:00
Name: order_dt, dtype: object
  • 用户平均购买时间间隔在68天
  • 用户最小购买时间间隔为0表示的是用户只有1次购买
3.3.2powerBI作图
#改便order_difft的数据类型，去掉days单位
diff_info=orderdt_diff/np.timedelta64(1,'D')
#直方图划分x时间轴分组bins=10，diff_info.max()最大时间间隔
diff_info_bins=[i for i in range(0,int(diff_info.max())+1,10)]
diff_info_bins#去掉0使用

#diff_info分组数据
diff_info_hist=pd.cut(diff_info,bins=diff_info_bins,labels=diff_info_bins[1:])

#处理空数据，空数据就是初次购买时间记为bins开始10
diff_info_hist1=diff_info_hist.fillna(10)
diff_info_hist1.to_excel(r'.\用户购买周期时间差频率直方图.xlsx')

在这里插入图片描述

  • 大部分用户购买周期都小于100天，平均购买周期为68天，为了提高用户留存可以在60-90天的时间间隔做相应的运营活动，增加用户粘性
  • 0-10区间用户很多，是因为在数据处理的时候将1次购买用户计入该组，由前面的分析，1次购买用户数量很多，因此会影响整个购买周期分布，所以需要剔除1次购买用户进行垢面周期分布绘图，再进一步分析
#hist数据与hist1数据相比没有执行fillna（0）
diff_info_hist.to_excel(r'.\用户购买周期时间差频率直方图(排除1次购买).xlsx')

在这里插入图片描述

分布图形并没有太大变化，数据分组更均匀

3.4用户生命周期

第一次购买和最后一次购买时间间隔，使用4.3.1的user_life

(user_life['max']-user_life['min']).describe()

count                       23570
mean     134 days 20:55:36.987696
std      180 days 13:46:43.039788
min               0 days 00:00:00
25%               0 days 00:00:00
50%               0 days 00:00:00
75%             294 days 00:00:00
max             544 days 00:00:00
dtype: object
  • 用户生命周期平均在134天，在134天用户就有很大的流失风险
  • 可以看到50%的用户只有1次购买，因此分析生命周期分布时排除1次购买
user_life_info = ((user_life['max']-user_life['min'])/np.timedelta64(1,"D"))
user_life_bins = [i for i in range(0,int(user_life_info.max())+1,10)]

user_life_info_hist = pd.cut(user_life_info,bins=user_life_bins,labels=user_life_bins[1:])

user_life_info_hist.to_excel(r'.\用户生命周期(忽略一次购买).xlsx')

在这里插入图片描述

忽略1次购买用户，用户生命周期呈现驼峰分布的形势，用户购买的时间间隔较长，这也与单车的商品性质有关

五、用户分层

1.R、F、M

R ：消费时间 F：消费金额 M：消费频次
使用如下参数定义：RFM
R：最后一次消费距此次消费时间，F：消费总金额 ，M：消费总产品数

#改造时间dt结构，得到R列
rfm['R']=(rfm.order_dt-rfm.order_dt.max())/np.timedelta64(1,'D')

#改amount为F，products为M
rfm=rfm.rename(columns={'order_products':'M','order_amount':'F'})

1.1构造RFM指数对用户分层

指数划分标准1：

  • R-R_mean()>1：表示现在时间与最后一次购买时间间隔小于平均间隔水平，用户活跃，R重要指数水平记为1
  • F-F_mean()>1：表示消费金额大于均值，记重要指数水平为1
  • M-M_mean()>1：表示消费频次大于均值，记重要指数水平为1
    分层标准2：
    ‘111’:‘重要价值客户’,
    ‘011’:‘重要保持客户’,
    ‘101’:‘重要发展客户’,
    ‘001’:‘重要挽留客户’,
    ‘110’:‘一般价值客户’,
    ‘010’:‘一般保持客户’,
    ‘100’:‘一般发展客户’,
    ‘000’:‘一般挽留客户’
    分层标准3（作图用）：
    ‘111’:‘重要价值客户’
    其他:‘非重要价值客户’

1.2每个用户按重要性分层

#写rfm分层函数,打分层标签，使用字典保存中文
def rfm_func(x):
    level=x.apply(lambda x:'1' if x>0 else '0')
    label=level.R+level.F+level.M
    d={
        '111':'重要价值客户',
        '011':'重要保持客户',
        '110':'重要发展客户',
        '010':'重要挽留客户',
        '101':'一般价值客户',
        '001':'一般保持客户',
        '100':'一般发展客户',
        '000':'一般挽留客户',
    }
    return d[label]#索引输出中文标签


#对rfm逐行操作,对每个用户进行分层
rfm['label']=rfm[['R','F','M']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)

1.3PowerbI分层图

rfm.loc[rfm.label=='重要价值客户','color']='重要价值客户'
rfm.loc[~(rfm.label=='重要价值客户'),'color']='非重要价值客户'

rfm

rfm.to_excel(r'.\RFM模型.xlsx')

在这里插入图片描述

在这里插入图片描述

1.4数据分类汇总

rfm.groupby('label').sum()

rfm.groupby('label').count()
Forder_dtMRcolor
label
一般价值客户206206206206206
一般保持客户7777777777
一般发展客户33003300330033003300
一般挽留客户1407414074140741407414074
重要价值客户45544554455445544554
重要保持客户787787787787787
重要发展客户331331331331331
重要挽留客户241241241241241

从用户分层计数来看大部分用户为重要用户，一般挽留用户所占比列最高，结合具体业务对一般挽留用户做好用户留存，警惕用户流失

2.新客，活跃，回流，流失分层

2.1分层

#每月消费计数，填充空值为0
pivoted_counts=df.pivot_table(index='user_id',columns='month',values='order_dt',aggfunc='count').fillna(0)

#转化一下数字位数
df_purchase=pivoted_counts.applymap(lambda x:1 if x>0 else 0)
df_purchase.head()
month1997-01-01 00:00:001997-02-01 00:00:001997-03-01 00:00:001997-04-01 00:00:001997-05-01 00:00:001997-06-01 00:00:001997-07-01 00:00:001997-08-01 00:00:001997-09-01 00:00:001997-10-01 00:00:001997-11-01 00:00:001997-12-01 00:00:001998-01-01 00:00:001998-02-01 00:00:001998-03-01 00:00:001998-04-01 00:00:001998-05-01 00:00:001998-06-01 00:00:00
user_id
1100000000000000000
2100000000000000000
3101100000010000010
4100000010001000000
5110111101001100000
df_purchase.shape

(23570, 18)

#新客new，活跃active，回流return，流失或未注册unreg划分函数
def status(data):
    #状态列表
    status=[]
    #18行数据，逐行（一个id的一条数据）判断
    for i in range(18):
        if data[i]==0:
            if len(status)>0:
                if status[i-1]=='unreg':
                    status.append('unreg')
                else:
                    status.append('unactive')
            else:
                status.append('unreg')
        else:
            if len(status)==0:
                status.append('new')
            else:
                if status[i-1]=='unactive':
                    status.append('return')
                elif status[i-1]=='unreg':
                    status.append('new')
                else:
                    status.append('active')
    return status

#对df_purchaes()每一列使用status函数进行状态划分
#pd.Series([list],index=[list])
lambda x:pd.Series(status(x),index=df_purchase.columns)

<function __main__.<lambda>(x)>

purchase_stats=df_purchase.apply(lambda x: pd.Series(status(x),index=df_purchase.columns),axis=1)
purchase_stats.head()
month1997-01-01 00:00:001997-02-01 00:00:001997-03-01 00:00:001997-04-01 00:00:001997-05-01 00:00:001997-06-01 00:00:001997-07-01 00:00:001997-08-01 00:00:001997-09-01 00:00:001997-10-01 00:00:001997-11-01 00:00:001997-12-01 00:00:001998-01-01 00:00:001998-02-01 00:00:001998-03-01 00:00:001998-04-01 00:00:001998-05-01 00:00:001998-06-01 00:00:00
user_id
1newunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactive
2newunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactiveunactive
3newunactivereturnactiveunactiveunactiveunactiveunactiveunactiveunactivereturnunactiveunactiveunactiveunactiveunactivereturnunactive
4newunactiveunactiveunactiveunactiveunactiveunactivereturnunactiveunactiveunactivereturnunactiveunactiveunactiveunactiveunactiveunactive
5newactiveunactivereturnactiveactiveactiveunactivereturnunactiveunactivereturnactiveunactiveunactiveunactiveunactiveunactive
#统计活跃，新客，回流，不活跃人数
fenceng2=purchase_stats.apply(lambda x:pd.value_counts(x)).T.fillna(0)
fenceng2
activenewreturnunactiveunreg
month
1997-01-010.07846.00.00.015724.0
1997-02-011157.08476.00.06689.07248.0
1997-03-011681.07248.0595.014046.00.0
1997-04-011773.00.01049.020748.00.0
1997-05-01852.00.01362.021356.00.0
1997-06-01747.00.01592.021231.00.0
1997-07-01746.00.01434.021390.00.0
1997-08-01604.00.01168.021798.00.0
1997-09-01528.00.01211.021831.00.0
1997-10-01532.00.01307.021731.00.0
1997-11-01624.00.01404.021542.00.0
1997-12-01632.00.01232.021706.00.0
1998-01-01512.00.01025.022033.00.0
1998-02-01472.00.01079.022019.00.0
1998-03-01571.00.01489.021510.00.0
1998-04-01518.00.0919.022133.00.0
1998-05-01459.00.01029.022082.00.0
1998-06-01446.00.01060.022064.00.0
fenceng2.index=fenceng2.index.astype(str)
fenceng2.to_excel(r'.\用户分层-新、活跃、流失、回流.xlsx')

在这里插入图片描述

在这里插入图片描述

钻取季度数据

2.2数据汇总

fenceng2_rate=fenceng2.apply(lambda x:x/x.sum(),axis=1)
fenceng2_rate
activenewreturnunactiveunreg
month
1997-01-010.0000000.3328810.0000000.0000000.667119
1997-02-010.0490880.3596100.0000000.2837930.307510
1997-03-010.0713190.3075100.0252440.5959270.000000
1997-04-010.0752230.0000000.0445060.8802720.000000
1997-05-010.0361480.0000000.0577850.9060670.000000
1997-06-010.0316930.0000000.0675430.9007640.000000
1997-07-010.0316500.0000000.0608400.9075100.000000
1997-08-010.0256260.0000000.0495550.9248200.000000
1997-09-010.0224010.0000000.0513790.9262200.000000
1997-10-010.0225710.0000000.0554520.9219770.000000
1997-11-010.0264740.0000000.0595670.9139580.000000
1997-12-010.0268140.0000000.0522700.9209160.000000
1998-01-010.0217230.0000000.0434870.9347900.000000
1998-02-010.0200250.0000000.0457790.9341960.000000
1998-03-010.0242260.0000000.0631740.9126010.000000
1998-04-010.0219770.0000000.0389900.9390330.000000
1998-05-010.0194740.0000000.0436570.9368690.000000
1998-06-010.0189220.0000000.0449720.9361050.000000
  • 活跃用户active不断降低
  • 新用户只有前三个月有新增，新用户吸引方面有待改善
  • 用户回流维持在一个降低的稳定水平，没有做好用户的维持
  • 未注册用户与新用户比较来看，未注册和新用户出前三个月都是0，说明需要进行一些活动运营吸引用户，触及更多的潜在用户

六、复购率与回购率

  • 复购率：自然月内，购买多次的用户占比
  • 回购率：不同时间窗内，曾经购买的用户再次购买的占比

1.复购率

pivoted_counts#购买次数表

#记多于1次购买的为1,1次购买和0次购买为0
pivoted_counts=pivoted_counts.applymap(lambda x:1 if x>1 else np.NaN if x==0 else 0)

pivoted_counts.sum()

pivoted_counts.count()

reshop=pd.DataFrame(pivoted_counts.sum()/pivoted_counts.count())
reshop=reshop.reset_index()
reshop['month']=reshop['month'].astype(str)
reshop

reshop.to_excel(r'.\复购人数与总消费人数比例.xlsx')

在这里插入图片描述

1月大量新用户涌入，后期复购率维持在20%

2.回购率

df_purchase#购买行为表1为本月购买，0为本月不购买
  • 回购率函数——1个月为时间窗
    • 本月购买，下个月购买：回购客户status记为1
    • 本月购买，下个月没有购买，不是回购客户status记为0
    • 遍历18列（1行一个userid一条18个月份的数据）18列最后一个月没有下个月status记为空
def back(data):
    status=[]
    for i in range(17):
        if data[i]==1:
            if data[i+1]==1:
                status.append(1)
            if data[i+1]==0:
                status.append(0)
        else:
            status.append(np.NaN)
    #18月
    status.append(np.NaN)
    return status

index_col=df_purchase.columns.astype('str')
index_col

Index(['1997-01-01', '1997-02-01', '1997-03-01', '1997-04-01', '1997-05-01',
       '1997-06-01', '1997-07-01', '1997-08-01', '1997-09-01', '1997-10-01',
       '1997-11-01', '1997-12-01', '1998-01-01', '1998-02-01', '1998-03-01',
       '1998-04-01', '1998-05-01', '1998-06-01'],
      dtype='object', name='month')

back_rate=df_purchase.apply(lambda x:pd.Series(back(x),index=index_col),axis=1)


back_rate.head()

back=pd.DataFrame(back_rate.sum()/back_rate.count())
back=back.reset_index()
#back['month']=back['month'].astype(str)
back.head()

back.to_excel(r'.\回购率.xlsx')

在这里插入图片描述

回购率平均在30%左右

后记：终于结束了，和变成顺序和脑图顺序有一点不一致，吃鸡腿去了

简雨儿
关注
专栏目录
kaggle比赛 - 销量预测实战全记录
bmwlwg的博客
04-16 3120
M5 Forecasting - Accuracy 总体思路 Part I. 课题了解； 输入数据 输出结果与输出形式 Part II. 数据分析 2.1 数据范围分析 2.2数据质量（异常值处理） 2.3数据相关性分析 2.4 初步特征工程， 2.5 建一个baseline宽表； 2.6 建立pipeline Part III.预测模型 3.1 模...
单车网站用户消费行为分析
Andywu2019的博客
12-02 305
单车网站用户消费行为分析 ① 背景介绍 数据来源于互联网，是用户在一家单车网站上的消费记录 ② 分析目标 主要根据用户的消费记录，通过建立RFM模型，分析复购率、回购率等关键指标，来对用户的消费行为进行分析，以给网站运营和决策提供数据支撑。 ③ 分析过程 准备工作（数据集观察与数据清洗） 用户消费趋势分析（按月）——每月消费总金额、消费次数、产品购买量、消费人数、用户平均消费金额、用户平均消费次数 用户个体消费分析——用户消费金额、产品购买量的描述性统计、用户消费金额和产品购买量分布、用户累计消费金额占比
（Adventure项目）自行车业务数据分析报告（可视化-Power BI）
weixin_46960971的博客
03-15 1318
（Adventure项目）自行车业务数据分析报告（可视化-Power BI）
（出行）单车项目用户消费行为——数据分析（ pandas & power BI）
weixin_46960971的博客
03-04 991
数据来源于网上，是用户在一家单车网站上的消费记录 【目录】 1.用户消费趋势的月度分析 2.用户个体消费金额与次数分析 3.用户首购、末购及用户分层 4.用户周期 5.复购率与回购率 总结 import pandas as pd import numpy as np columns=['user_id','order_dt','order_products','order_amount'] df=pd.read_table('bicycle_master.txt',names=columns,se
Supermarket_Sale_EDA:来自Kaggle的超市销售数据的EDA
03-14
超市_销售_EDA 来自Kaggle的超市销售数据的EDA
[数据分析笔记] 用户消费行为分析
wong_faye的博客
07-16 828
文章目录0.导入数据1.进行用户消费趋势分析（按月）2.用户个体消费3.用户消费行为4.复购率和回购率分析 0.导入数据 import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline plt.style.use('ggplot') columns = ['user_id', 'order_dt', 'order_products', 'order_amount'] df = pd.read
Hadoop数据分析_大数据_hadoop_数据分析_
10-01
2. **Hive**：基于Hadoop的数据仓库工具，允许用户使用SQL-like语法查询和管理存储在HDFS中的大数据集，简化了大数据分析。 3. **Pig**：一种高级数据流语言和执行框架，用于构建大规模数据处理的管道。 4. **...
特斯拉2.0时代-S3XY投资机会二：单车成本拆分、供应链解析与零部件国产化率提升.pdf
07-03
首先，从单车成本拆分的角度来看，特斯拉通过持续的技术创新和制造工艺优化，实现了对电动车成本的有效控制。特斯拉在自动驾驶技术（Autopilot）、软件更新（OTA）、完全自动驾驶能力（FSD）、用户体验（UR/UX）以及...
2021年中国共享电单车概览.pdf
09-12
* 竞争分化是中国共享电单车行业发展的主要趋势之二，企业需要不断创新和完善服务来吸引用户。 五、中国共享电单车行业法律法规 * 中国共享电单车行业需要遵守相关的法律法规，例如交通法规、环境法规等。 * 企业...
基于java+mysql校园单车租赁管理系统+毕业论文
最新发布
07-31
租车【根据校区分类】 还车【更新单车状态】 用户租赁订单【查】 用户账户信息【查改】 意见箱【用户对后台提意见... 对订单信息做数据分析【数据分析是重点、统计总销售额和总销量，柱状图饼图】（数据可视化）
数据库相连的消费者分析（二）
weixin_48252774的博客
03-24 249
3.用户消费行为 用户第一次消费（首购） 用户最后一次消费 新老客消费比 多少用户仅消费一次？ 每月新客占比 用户分层 RFM 新、老、活跃、回流、流失 用户购买周期（按订单） 用户消费周期描述 用户消费周期分布 用户生命周期（按第一次&最后一次消费） 用户生命周期描述 用户生命周期分布 # grouped_user.min().reset_index().order_dt.value_counts().plot() grouped_user.max().order_
kaggle之共享单车案例
天青如水的博客
04-24 5455
kaggle之共享单车案例 自行车共享系统是租借自行车的一种手段，通过这些系统，人们可以从任意地点租借一辆自行车，到达目的地后归还。自行车共享系统明确记录了旅行时间，出发地点，到达地点和时间。因此，其可用于研究城市中的移动性。在本项目中，要求将历史使用模式与天气数据结合起来，以预测华盛顿特区的自行车租赁租赁需求。 数据提供了跨越两年的每小时租赁数据，包含天气信息和日期信息，训练集由每月前19天的数...
[机器学习笔记] Python数据分析：用户消费行为（持续更新）
梅森上校的博客 业精于勤荒于嬉，形成于思毁于随。
04-01 2615
Python数据分析：用户消费行为（持续更新） 红酒品鉴和用户消费行为分析是我学习Python数据分析入门的两个案例，记录一下。 网络上关于这两个案例的介绍非常多，但是我在学习过程中，发现有很多文章的逻辑不是很清晰，代码也调试不同。 所以，还是想把自己的调试代码写出来。 参考博文： http://www.360doc.com/content/17/0717/17/16619343_672...
python数据分析实战之超市零售分析
热门推荐
恋恋风尘的博客
05-17 2万+
文章目录1、明确需求和目的2、数据收集3、数据预处理3.1 数据整合3.1.1 加载相关库和数据集3.1.2 数据概览3.2 数据清洗3.2.1 列名重命名3.2.2 数据类型处理3.2.3 缺失值处理3.2.4 异常值处理3.2.5 重复值处理4、数据分析4.1 整体销售情况分析4.1.1 销售额分析4.1.2 销量分析4.1.3 利润分析4.1.4 客单价分析4.1.5 市场布局分析4.2 商品情况分析4.3 用户情况分析4.3.1 不同类型的客户占比4.3.2 客户下单行为分析4.3.3 RFM模型
python数据项目分析报告_python数据分析项目：用户消费行为分析
weixin_39680154的博客
11-21 1293
为了创造更多利润、实现数据驱动运营，某CD网站拟对18个月以来的近7万条消费数据进行分析。具体的研究思路如下：【思维导图】用户消费行为分析（python）.png1、数据获取与探索1.1数据获取数据来源：CDNow网站的用户购买明细（不包含隐私信息）。数据格式：转化成.csv格式。时间跨度：18个月（199701-199806）。字段：用户ID，购买日期，购买数量，购买金额四个字段。user_id...
python共享单车案例分析_《Python大规模机器学习》 —2.2.2第一个示例——流化共享单车数据集...
weixin_42526353的博客
01-29 810
2.2.2第一个示例——流化共享单车数据集第一个示例是使用共享单车数据集。此数据集包含两个CSV文件，其中收集了2011~2012年间在美国华盛顿特区共享单车系统中每小时和每天所出租的自行车数。这些数据显示了与租车日对应的天气和季节信息。我们的第一个目标是使用前面定义的打包器函数将数据集保存到本地硬盘：如果成功运行，代码会提示CSV文件的保存目录，并打印两个解压缩文件的名称。此时，用物理设备保存信...
在线教育平台的数据分析——用户的地域分布
m0_49915249的博客
03-20 3558
文章列表 篇1：《在线教育平台的数据分析——用户精细化运营》 篇2：《在线教育平台的数据分析——课程分级》 篇3：《在线教育平台的数据分析——业务流程指标的计算》 篇4：《在线教育平台的数据分析——用户的地域分布》 前言 内容:本片从用户的登录地域以及登录时段来分析用户的地域分布和活跃时段 工具：EXCEL+power BI可视化 分析目的： 1.从用户的地域分布，找到主要的运营地域市场以及线下业务的地推市场；找到可以再扩展的地域市场 2.用户的活跃时段，对活跃时间进行针对性广告投放和活动运营 一、用户
数据智能时代的用户运营策略
此外，共享经济的发展，如共享单车和网约车服务，也是用户运营实践的重要领域，这些平台通过实时数据处理优化资源配置，提升用户服务体验。 在智慧城市框架下，政府也在推动数字化转型，构建智慧政务系统。这涵盖了...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值