SELECT count(DISTINCT user_id)
FROM behavior_sql
WHERE WHERE type = ‘pay’;
SELECT type, COUNT(*) FROM behavior_sql
WHERE
user_id IN
(SELECT DISTINCT user_id
FROM behavior_sql
WHERE type = ‘pay’)
AND type = ‘pv’
GROUP BY type;
复制代码
print(‘总访问量为 %i’ %pv)
print(‘总访客数为 %i’ %uv)
print(‘消费用户数为 %i’ %len(user_pay))
print(‘消费用户访问量为 %i’ %pv_pay)
print(‘日均访问量为 %.3f’ %pv_per_day)
print(‘人均访问量为 %.3f’ %pv_per_user)
print(‘消费用户人均访问量为 %.3f’ %pv_per_buy_user)
print(‘消费用户数占比为 %.3f%%’ %(user_pay_rate * 100))
print(‘消费用户访问量占比为 %.3f%%’ %(pv_pay_rate * 100))
复制代码
OUTPUT
总访问量为 6229177
总访客数为 728959
消费用户数为 395874
消费用户访问量为 3918000
日均访问量为 389323.562
人均访问量为 8.545
消费用户人均访问量为 9.897
消费用户数占比为 54.307%
消费用户访问量占比为 62.898%
复制代码
消费用户人均访问量和总访问量占比都在平均值以上,有过消费记录的用户更愿意在网站上花费更多时间,说明网站的购物体验尚可,老用户对网站有一定依赖性,对没有过消费记录的用户要让快速了解产品的使用方法和价值,加强用户和平台的黏连。
- 跳失率
跳失率:只进行了一次操作就离开的用户数/总用户数
attrition_rates = sum(behavior.groupby(‘user_id’)[‘type’].count() == 1) / (behavior[‘user_id’].nunique())
复制代码
SQL
SELECT
(SELECT COUNT(*)
FROM (SELECT user_id
FROM behavior_sql GROUP BY user_id
HAVING COUNT(type)=1) A) /
(SELECT COUNT(DISTINCT user_id) UV FROM behavior_sql) attrition_rates;
复制代码
print(‘跳失率为 %.3f%%’ %(attrition_rates * 100) )
复制代码
OUTPUT
跳失率为 22.585%
复制代码
整个计算周期内跳失率为22.585%,还是有较多的用户仅做了单次操作就离开了页面,需要从首页页面布局以及产品用户体验等方面加以改善,提高产品吸引力。
2. 用户消费频次分析
单个用户消费总次数
total_buy_count = (behavior[behavior[‘type’]==‘pay’].groupby([‘user_id’])[‘type’].count()
.to_frame().rename(columns={‘type’:‘total’}))
消费次数前10客户
topbuyer10 = total_buy_count.sort_values(by=‘total’,ascending=False)[:10]
复购率
re_buy_rate = total_buy_count[total_buy_count>=2].count()/total_buy_count.count()
复制代码
SQL
#消费次数前10客户
SELECT user_id, COUNT(type) total_buy_count
FROM behavior_sql
WHERE type = ‘pay’
GROUP BY user_id
ORDER BY COUNT(type) DESC
LIMIT 10
#复购率
CREAT VIEW v_buy_count
AS SELECT user_id, COUNT(type) total_buy_count
FROM behavior_sql
WHERE type = ‘pay’
GROUP BY user_id;
SELECT CONCAT(ROUND((SUM(CASE WHEN total_buy_count>=2 THEN 1 ELSE 0 END)/
SUM(CASE WHEN total_buy_count>0 THEN 1 ELSE 0 END))*100,2),‘%’) AS re_buy_rate
FROM v_buy_count;
复制代码
topbuyer10.reset_index().style.bar(color=‘skyblue’,subset=[‘total’])
复制代码
单个用户消费总次数可视化
tbc_box = total_buy_count.reset_index()
fig, ax = plt.subplots(figsize=[16,6])
ax.set_yscale(“log”)
sns.countplot(x=tbc_box[‘total’],data=tbc_box,palette=‘Set1’)
for p in ax.patches:
ax.annotate(‘{:.2f}%’.format(100*p.get_height()/len(tbc_box[‘total’])), (p.get_x() - 0.1, p.get_height()))
plt.title(‘用户消费总次数’)
复制代码
整个计算周期内,最高购物次数为133次,最低为1次,大部分用户的购物次数在6次以下,可适当增加推广,完善购物体验,提高用户消费次数。购物次数前10用户为1187177、502169等,应提高其满意度,增大留存率。
print(‘复购率为 %.3f%%’ %(re_buy_rate * 100) )
复制代码
OUTPUT
复购率为 13.419%
复制代码
复购率较低,应加强老用户召回机制,提升购物体验,也可能因数据量较少,统计周期之内的数据 无法解释完整的购物周期,从而得出结论有误。
3. 用户行为在时间纬度的分布
- 日消费次数、日活跃人数、日消费人数、日消费人数占比、消费用户日人均消费次数
日活跃人数(有一次操作即视为活跃)
daily_active_user = behavior.groupby(‘date’)[‘user_id’].nunique()
日消费人数
daily_buy_user = behavior[behavior[‘type’] == ‘pay’].groupby(‘date’)[‘user_id’].nunique()
日消费人数占比
proportion_of_buyer = daily_buy_user / daily_active_user
日消费总次数
daily_buy_count = behavior[behavior[‘type’] == ‘pay’].groupby(‘date’)[‘type’].count()
消费用户日人均消费次数
consumption_per_buyer = daily_buy_count / daily_buy_user
复制代码
SQL
日消费总次数
SELECT date, COUNT(type) pay_daily FROM behavior_sql
WHERE type = ‘pay’
GROUP BY date;
日活跃人数
SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql
GROUP BY date;
日消费人数
SELECT date, COUNT(DISTINCT user_id) user_pay_daily FROM behavior_sql
WHERE type = ‘pay’
GROUP BY date;
日消费人数占比
SELECT
(SELECT date, COUNT(DISTINCT user_id) user_pay_daily FROM behavior_sql
WHERE type = ‘pay’
GROUP BY date) /
(SELECT date, COUNT(DISTINCT user_id) uv_daily FROM be