电商用户行为分析

电商用户行为分析

一、项目背景

以淘宝app平台为数据集，通过行业的指标对淘宝用户行为进行分析，从而探索淘宝用户的行为模式，具体指标包括：日PV和日UV分析，付费率分析，复购行为分析，漏斗流失分析和用户价值RFM分析。

数据来源天池

二、数据处理

2.1 字段说明

• user_id - 用户身份
• item_id - 商品ID
• behavior_type - 用户行为类型（包含点击、收藏、加购物车、支付四种行为，用数字1、2、3、4表示）
  user_geohash - 地理位置
  item_category - 品类ID
  time - 用户行为发生的时间

2.2 数据清洗

import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.ticker as ticker
data=pd.read_csv('/Users/kuebiko/Downloads/淘宝用户行为.csv')

# 查看重复值数量
data.duplicated().sum()

4092866

# 删除重复值
data.drop_duplicates(inplace=True)

# 查看缺失值数量
data.isnull().sum()

user_id                0
item_id                0
behavior_type          0
user_geohash     4308015
item_category          0
time                   0
dtype: int64

# 缺失值集中在用户地理信息列 故删去
del data['user_geohash']

# 把time列拆分成date和hour后 删除time列
data['date']=data.time.str.split(' ').str[0]
data['hour']=data.time.str.split(' ').str[1]
del data['time']

# 转换数据格式
for i in data.columns[:2]:
    data[i]=data[i].astype('str')
data['date']=pd.to_datetime(data.date)
data['hour']=data.hour.astype('int')

# 按时间排序
data=data.sort_values(by=['date','hour'])

data=data.reset_index(drop=True)

三、数据分析

3.1 分析框架

1. 流量指标诊断：PV、UV
2. 用户购买情况分析：成交量、付费率、人均购买次数 、复购率
3. 用户行为漏斗转化率：点击-支付、点击-收藏、点击-购物车、收藏/购物车-支付
4. 用户群体分层：RFM模型分析

3.2 流量指标诊断

3.2.1 日流量指标

pv_daily=data[data.behavior_type==1].groupby('date').count()['user_id'].reset_index().rename(columns={
   'user_id':'pv'})
uv_daily=data.groupby('date')