电商用户行为可视化分析

最新推荐文章于 2024-05-13 09:16:10 发布
最新推荐文章于 2024-05-13 09:16:10 发布
阅读量2.1k 收藏 33
点赞数 3
文章标签： 数据分析 python 电子商务
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/sinat_41177607/article/details/106608962
版权

目录

数据集说明

来源：阿里云 天池https://tianchi.aliyun.com/dataset/dataDetail?dataId=46

阿里巴巴提供的移动端淘宝用户的行为数据集，包含2014-11-18至2014-12-18共计一千多万条数据。

字段字段说明提取说明
user_id用户标识抽样&字段脱敏
item_id商品标识抽样&字段脱敏
behavior_type用户对商品的行为类型包括浏览、收藏、加购物车、购买，对应取值分别是1、2、3、4。
user_geohash用户位置的空间标识，可以为空由经纬度通过保密的算法生成
item_category商品分类标识字段脱敏
time行为时间精确到小时级别

分析思路

在这里插入图片描述

结论和建议

流量

1.PV、UV：

  • 非活动期间的PV在40或50万左右，UV在12000到13000之间。双十二当天PV达到80万，UV达到15000以上。活动期PV增长45%，UV增长25%左右，但活动结束后下降较快。
  • PV和UV在一周内有周期性变化，周二到周四的UV、PV最大，且保持稳定。周五最低。

2.新增PV和UV：

  • 总体呈下降趋势，活动前期新增UV保持50-60/天，活动的拉新效果比较稳定，但活动后新增访客快速下降，低至7/天。

3.留存率：

  • 次日留存率基本稳定在0.4到0.7，11.23到11.27、12.6的次日留存率过低。
  • 三日留存率基本稳定在0.6到0.8，12.7的数据过低。
  • 七日留存率较高，基本在0.7以上，12.1的数据过低。
  • 12月的留存率增长明显，可见双十二活动提高了留存率，但活动过后的留存率没有增长。

建议：

  • 对周五PV、UV低的情况，需要更长时间的数据分析其原因，建议结合用户行为和商品情况做进一步分析，是否可以提高周五的PV、UV。

  • 12.1到12.6的新增UV下降，但是新增PV维持稳定；12.18以后新增PV下降显著，建议对这两部分用户做进一步分析，为后续拉新和提升PV作参考。

  • 对于留存率过低的时间，建议分析原因，是否存在消息提醒不足或用户体验不佳等问题。

  • 建议关注活动后的留存率变化情况，通过会员、签到奖励等方式提高留存率。

消费习惯

1.每日用户行为：

  • 浏览、收藏、加购物车同样存在周期变化，但不明显。非活动期的用户行为数据稳定。
  • 活动期里，购买增加只在12,12当天。从12.10开始，收藏、加购物车显著增加，也就是说用户活跃期只有3天。

2.日均各时段用户行为：

  • 12.12当天，用户使用时间主要在20到零点，零点的购买、加购物车达到峰值。
  • 非活动期间，浏览、收藏、加购物车主要在18到23点，18到21点处于上升期。购买行为集中在10到23点，18点后有略微上升，21点是购买峰值。购买量受日均时段影响较小。

3.15天内复购率：

  • 非活动期的复购率一直在0.17到0.2之间，12.12当天达到0.45，说明活动前15天的购买转化效果比较明显。
  • 12.5到12.11的复购率明显较低，可能和后面的双十二活动有关，因为活动前的新增用户增加了，同时大多数会在活动当天购买，所以这几天复购率有所下降。
    活动过后的复购率仍在0.2左右，没有提高。

4.日均各时段购买率：

  • 用户总体购买率为88.27%。
  • 相比非活动期，12.12当天的购买率增加了10%左右。3到16点一直在0.2左右，17点下降了5%，随后开始增加，在零点达到峰值0.44，23-1点是购买高峰期。
  • 非活动期的购买高峰期在10到22点，购买率峰值在21点，其中18点下降显著，和用户作息时间有关。因此商品投放和促销活动应重点关注10-22点这段时间，尤其是18-21点。

建议：

  • 1.活动前的用户活跃期只有3天，建议延长活动预热时间，比如从12.5就开始，有利于提高新增用户和活跃率，对活动更有利。
  • 2.商品投放和促销活动应重点关注10-22点这段时间，尤其是18-21点，促销活动建议在19-23点间进行。
  • 3.购买量受日均时段影响较小，可分析各商品在不同时段的购买转化率，针对不同时段投放转化率相对高的商品。
  • 4.关注活动过后的复购率变化，趁活动余热未过、新增用户量还没流失，建议做新的活动和优惠方案，进一步提高用户粘性和复购率。

转化率

1.用户行为转化漏斗

  • 非活动期，从浏览到加购物车、收藏或购买的转化率分别为：4.46%、3.27%、1.4%，活动期的分别是5.59%、3.39%、2.38%。
  • 相比非活动期，活动期的各阶段的总体转化率提高了1%左右，效果不是很明显。

2.登陆天数与转化率

  • 加购物车和收藏的转化率随登陆天数增加，提高用户登陆天数，可促进加购物车和收藏的转化率，登陆6天的用户此指标异常，建议进一步分析寻找原因。
  • 浏览-购买转化率、加购或收藏-购买转化率随用户登陆天数减小，尤其在登陆19天后，购买转化率下降明显，可能和双十二活动后购买率显著下降有关。
  • 用户登陆5天后的购买转化率明显上升，登陆5-19天的用户购买转化率较高。
  • 由于受双十二活动影响，此处的分析不能准确表明常规时期的登陆天数与转化率关系，需要更长时间的数据作进一步分析。

建议：

  • 1.活动期的各阶段的总体转化率提高了1%左右，效果不明显。建议进一步分析用户不同的行为路径以及阶段转化率，比如浏览-购买、收藏-购买、加购物车-购买的转化率，再决定从哪一阶段提高转化率。
  • 2.登陆5-19天的用户购买转化率较高，建议让用户登录时间达到5天及以上，可以通过发放优惠券、发送提醒、签到奖励等方式进行。
  • 3.登陆6天的用户购物车和收藏的转化率过低，建议从商品投放和推送分析原因。

商品偏好：

1.浏览，收藏，加购物车，购买的前十名的商品类别：

  • 各阶段的品类重合度在50%左右，有些浏览、收藏、加购很高的品类，购买量不在前十，比如5027、5894。而有的销量前十的品类，浏览、收藏、加购不在前十，
    比如6344、8877、7957。

2.购物车分析：前20商品及购买转化率

  • 加购物车量与购买率明显不成正比。有的商品购买率低，比如209323160、6703599、382513156。有的商品购买率高但收藏量低，如303205878、289649282、14087919。

3.购买分析：销量前10的商品类别、销量前20的商品

  • 品类分析：活动期和非活动期销量都在前十的品类有5个。活动期1683、6513两个品类的销量显著，其他前十品类的销量差距不大。非活动期1863、6344、5232三个品类的销量显著，其他前十品类的销量差距不大。6513这个品类在活动期销量显著，而平时销量不算高。6344这个品类平时销量很好，而活动期销量不太高。
  • 商品分析：活动期和非活动期销量都在前20的商品只有一个，这说明，活动期和非活动期用户购买的商品差距很大。

4.不同时段销售前十的商品类别：

  • 7-18时和18-24时销量都在前十的品类有8个，可见用户购买何种品类受时段影响不大。如进一步分析，建议查看每个商品日均时段的销量，在不同时段投放销量高的相应品类。

建议：

  • 1.对于浏览、收藏、加购很高，销量低的品类，或浏览、收藏、加购低，销量高的品类，建议结合商品特性进一步分析，是否存在推荐机制准确度不高、商品投放不精准的情况，同时挖掘有潜力的品类。
  • 2.对于购买率低、加购物车多的商品，建议从商品质量特点、用户评价、各销售环节分析原因。对于购买率率高但收藏量低的商品，考虑商品特性，分析推荐机制、投放时段和频率是否有问题，是否增加要曝光率或做主推商品。
  • 6513这个品类在活动期销量显著，而平时销量不算高，建议结合活动期的销售策率和商品特点分析，是否可作为后续活动的主推品类。6344这个品类平时销量很好，而活动期销量不太高，建议分析销售环节是否有问题。
  • 4.针对活动期和非活动期用户购买的商品差距大的情况，除了商品特性和优惠活动的原因外，建议分析平时的推荐机制是否准确。有些商品活动期销量高，而平时的销量不高，比如115052027，对于这样的商品，建议结合商品特点，考虑定价是否合理、是否可以做主推商品或新活动。

数据预处理

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

%matplotlib inline
plt.style.use('ggplot')

读取数据

df = pd.read_csv('C:/Users/阿怪不会弹吉他/Desktop/用户行为分析/tianchi_fresh_comp_train_user.csv')
df.head()
user_iditem_idbehavior_typeuser_geohashitem_categorytime
010001082285259775197lk14c40762014-12-08 18
11000108243689071NaN55032014-12-12 12
210001082536167684NaN97622014-12-02 15
31000108299478711NaN28252014-11-28 20
410001082150720867195qoghe32002014-12-15 08

查看数据类型及结构

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15463110 entries, 0 to 15463109
Data columns (total 6 columns):
 #   Column         Dtype 
---  ------         ----- 
 0   user_id        int64 
 1   item_id        int64 
 2   behavior_type  int64 
 3   user_geohash   object
 4   item_category  int64 
 5   time           object
dtypes: int64(4), object(2)
memory usage: 707.8+ MB

df.describe()
user_iditem_idbehavior_typeitem_category
count1.546311e+071.546311e+071.546311e+071.546311e+07
mean7.015207e+072.023169e+081.153780e+006.827181e+03
std4.572019e+071.167524e+085.440445e-013.810410e+03
min4.920000e+023.700000e+011.000000e+002.000000e+00
25%3.021406e+071.014015e+081.000000e+003.687000e+03
50%5.638708e+072.022669e+081.000000e+006.054000e+03
75%1.166482e+083.035247e+081.000000e+001.025800e+04
max1.424430e+084.045625e+084.000000e+001.408000e+04

数据清洗：去重、丢空

#查看缺失值数量
df.isnull().sum()

user_id                0
item_id                0
behavior_type          0
user_geohash     8207386
item_category          0
time                   0
dtype: int64

因为不做地理数据的分析user_geohash 这列的缺失值不做处理

#查看数据重复数量
sum(df.duplicated())

0

数据分析及可视化

1.每日pv(浏览量）、uv（独立用户数）

转换日期格式，提取日期和时间

df['time'] = pd.to_datetime(df['time'])
df['day'] = df.time.dt.date
df['month'] = df.time.dt.month
df['hour'] = df.time.dt.hour
df['day_of_week'] = df.time.dt.weekday

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15463110 entries, 0 to 15463109
Data columns (total 10 columns):
 #   Column         Dtype         
---  ------         -----         
 0   user_id        int64         
 1   item_id        int64         
 2   behavior_type  int64         
 3   user_geohash   object        
 4   item_category  int64         
 5   time           datetime64[ns]
 6   day            object        
 7   month          int64         
 8   hour           int64         
 9   day_of_week    int64         
dtypes: datetime64[ns](1), int64(7), object(2)
memory usage: 1.2+ GB

df.head()
user_iditem_idbehavior_typeuser_geohashitem_categorytimedaymonthhourday_of_week
010001082285259775197lk14c40762014-12-08 18:00:002014-12-0812180
11000108243689071NaN55032014-12-12 12:00:002014-12-1212124
210001082536167684NaN97622014-12-02 15:00:002014-12-0212151
31000108299478711NaN28252014-11-28 20:00:002014-11-2811204
410001082150720867195qoghe32002014-12-15 08:00:002014-12-151280
#查看日期范围
df.time.min(), df.time.max()

(Timestamp('2014-11-18 00:00:00'), Timestamp('2014-12-18 23:00:00'))
1.流量分析
1.1 每日pv,uv

计算每日pv(浏览量）,uv（独立用户数）

#计算每日基于pv的用户行为
behavior_type_by_day = df.groupby(['day','behavior_type']).user_id.count()
behavior_type_by_day

day         behavior_type
2014-11-18  1                395982
            2                 13205
            3                 18703
            4                  6115
2014-11-19  1                405103
                              ...  
2014-12-17  4                  6530
2014-12-18  1                459362
            2                 13805
            3                 18095
            4                  6384
Name: user_id, Length: 124, dtype: int64

#每日pv(浏览量）
pv_by_day = behavior_type_by_day.xs(1, level = 1)
#uv（独立用户数）
uv_by_day = df.groupby('day').user_id.nunique()

PV和UV日变化趋势图

#每日用户浏览量变化趋势图
plt.figure(figsize = (18, 10))

plt.subplot(2,1,1)
plt.plot(pv_by_day, linestyle='-.', marker='o')
plt.title('PV by Day')
plt.xlabel('Date')
plt.ylabel('PV')

#每日用户浏览量变化趋势图
plt.subplot(2,1,2)
plt.plot(uv_by_day, linestyle='-.', marker='o')
plt.title('UV by Day')
plt.xlabel('Date')
plt.ylabel('UV')

在这里插入图片描述

1.2 访问深度:PV/UV
pv_uv = pv_by_day/uv_by_day

plt.figure(figsize = (18, 6))
plt.plot(pv_uv, linestyle='-.', marker='o')
plt.title('PV/UV by Day')
plt.xlabel('Date')
plt.ylabel('PV/UV')

在这里插入图片描述

PV、UV从11.10开始上升，在双十二当天达到峰值，11.13开始下降。非活动期间的PV在40或50万左右，UV在12000到13000之间。双十二当天PV达到80万，UV达到15000以上。
同时，可以看出PV和UV呈现周期性的起伏变化，结合用户访问深度，可看出波谷的日期11.21、11.28、12.5都是星期五，因此PV、UV可能是以星期为周期变化。

分析一周中PV和UV的变化趋势
双十二数据量过大，去除该天数据后再分析

import datetime
pv_by_week = df[~df.day.isin([datetime.date(2014,12,12)])].query('behavior_type == 1').groupby('day_of_week').user_id.count()
uv_by_week = df[~df.day.isin([datetime.date(2014,12,12)])].groupby('day_of_week').user_id.nunique()

#一周中用户浏览量变化趋势图
plt.figure(figsize = (18, 10))

plt.subplot(2,1,1)
plt.plot(pv_by_week, linestyle='-.', marker='o')
plt.title('PV by Week')
plt.xlabel('Day of week')
plt.ylabel('PV')

#一周中用户浏览量变化趋势图
plt.subplot(2,1,2)
plt.plot(uv_by_week, linestyle='-.', marker='o')
plt.title('UV by Week')
plt.xlabel('Day of week')
plt.ylabel('UV')

在这里插入图片描述

PV和UV在一周内有周期性变化，周二到周四的UV、PV最大，且保持稳定。周五UV、PV迅速降低，是一周中最低的一天。对周五PV、UV低的情况，需要更长时间的数据分析其原因，同时结合用户行为和商品情况做进一步分析，是否需要提高周五的PV、UV。

1.3 每日新增访客及浏览量
from copy import deepcopy
import datetime

user_pv = df[df.behavior_type == 1]
s = set()
days = []
nums = []
add_pv = []

for date in np.sort(user_pv['day'].unique(), axis = 0):#给日期排序！
    num1 = len(s)
    s1 = deepcopy(s)
    ids = user_pv[user_pv.day == date]['user_id'].values.tolist()#此日的user_id
    
    for i in ids:
        s.add(i)#目前为止所有的user_id
    
    add_users = s - s1#新增访客的id
    add_users_pvs = user_pv[user_pv.user_id.isin(add_users)].groupby('day')['behavior_type'].count()
    add_users_pv = add_users_pvs[date]#获取此日的新增PV
    num2  = len(s)#目前为止的所有访客数
    add_pv.append(add_users_pv)
    days.append(date)
    nums.append(num2-num1)#新增访客数
df_new_uv = pd.DataFrame(data = {'新增访客数': nums, '新增访客的浏览量': add_pv}, index = days)


df_new_uv.iloc[0, :] = [0,0]
df_new_uv

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

plt.figure(figsize = (18,10))

plt.subplot(2, 1, 1)
plt.plot(df_new_uv['新增访客数'].iloc[7:], linestyle='-.', marker='o')
plt.title('每日新增访客')
plt.xlabel('时间')
plt.ylabel('新增访客数')

plt.subplot(2,1,2)
plt.plot(df_new_uv['新增访客的浏览量'].iloc[7:], linestyle='-.', marker='o')
plt.title('每日新增访客的浏览量')
plt.xlabel('时间')
plt.ylabel('新增浏览量')

在这里插入图片描述

由于此数据集的时间较短（仅一个月），所以新增UV计算不准确，仅看11.25后的数据。
新增PV和UV总体呈下降趋势，12.5到12.12期间新增UV较稳定，活动期的拉新效果比较稳定，但活动后流失率较高。
12.1到12.6期间新增UV下降，但是新增PV维持稳定；12.18以后新增PV下降太多，可对这两部分用户做进一步分析，提高后续拉新和PV。

1.4 新增用户留存分析

(次日留存、3日留存、7日留存）
新增用户留存率：首次使用后第N天内有使用行为的用户/首次登录日的用户

#n日留存率函数: 首次使用后第n天内有使用行为的用户/第i天首次登陆的用户

import datetime

import warnings
warnings.filterwarnings('ignore')

def cal_retention(data, n): #n日留存率
    user = []
    retention_rates=[]
    data1 = data[data['behavior_type']==1]#获取浏览行为的所有数据
    date = pd.Series(data1.day.unique()).sort_values()[:-n]#日期截至最后一天的前n天
    
    for i in date:
        new_user = set(data1[data1.day==i].user_id.unique()) - set(user)#获取新用户的id
        
        user.extend(new_user)  #将新用户加入用户集合中
        
        user_nday = data1[data1.day >i][data1.day <= i+datetime.timedelta(n)].user_id.unique()#获取第i+n天内的user_id
        a = 0
        for s in user_nday:
            if s in new_user:#第i+n天内再次登陆的用户数
                a += 1
        retention_rate = a/len(new_user)#第n日留存率        
        retention_rates.append(retention_rate)
    retention = pd.Series(retention_rates, index = date)
    
    return retention 

#新增用户次日、3日、7日留存率
click_r1 = cal_retention(df, 1)
click_r3 = cal_retention(df, 3)
click_r7 = cal_retention(df, 7)

click_retention = pd.concat([click_r1, click_r3, click_r7], axis = 1)

click_retention = click_retention.rename(columns = {0:'次日留存', 1:'三日留存', 2:'七日留存'})
click_retention

#新增用户次日、3日、7日留存率
click_retention.plot(style = '--.',alpha = 0.8,grid = True,figsize = (18,10),
       subplots = True,#是否分别绘制子图,False则绘制在一张图上
       layout = (3,1),#更改子图布局,按顺序填充
       sharex = False)#是否共享坐标

在这里插入图片描述

次日留存率基本稳定在0.4到0.7，11.23到11.27、12.6的次日留存率过低，需进一步分析原因。
三日留存率基本稳定在0.6到0.8，12.7的数据异常，需分析近三日的用户行为。
七日留存率较高，基本在0.8以上，12.1的数据异常，需分析近七日的用户行为。
活动期间的留存率有所增长，但活动后的留存率显著下降，需要提高活动后的留存率。

2.消费习惯
2.1 每日用户行为分析
def behavior_type_by_day(data):

    behavior_type_by_day = data.groupby(['day','behavior_type']).user_id.count()
    click1 = behavior_type_by_day.xs(1, level = 1)
    collect1 = behavior_type_by_day.xs(2, level = 1)
    add_to_cart1 = behavior_type_by_day.xs(3, level = 1)
    payment1 = behavior_type_by_day.xs(4, level = 1)

    pv_by_behavior_type_day = pd.DataFrame({'浏览': click1, '收藏': collect1,  '加购物车': add_to_cart1, '购买': payment1})

    return pv_by_behavior_type_day

df_behavior =  behavior_type_by_day(df)

plt.figure(figsize = (18, 10))

#每日用户行为
plt.subplot(2,1,1)
plt.plot(df_behavior, label = df_behavior.index, linestyle='-.', marker='o')
plt.title('每日用户行为')
plt.xlabel('日期')
plt.ylabel('次数')
plt.legend(df_behavior)

plt.subplot(2,1,2)
plt.plot(df_behavior.iloc[:,1:], label = df_behavior.iloc[:,1:].index, linestyle='-.', marker='o')
plt.title('每日用户行为')
plt.xlabel('日期')
plt.ylabel('次数')
plt.legend(df_behavior.iloc[:,1:])

在这里插入图片描述

用户行为同样有以星期为周期的变化特点，但是不明显。非活动期的数据较稳定。
活动期里，购买增加只在12,12当天。从12.10开始，收藏、加购物车才显著增加，也就是说用户活跃期只有3天，是否可以延长活动预热时间，比如从12.5就开始，有利于提高新增用户和活跃率，对活动更有利。

2.2 日均各时段用户行为（活动期和非活动期）

双十二当天数据量过大，把活动期和非活动期拆开分析：

#不同时段的用户行为分析函数
def behavior_type_by_hour(data):

    behavior_type_by_hour = data.groupby(['hour','behavior_type']).user_id.count()
    click1 = behavior_type_by_hour.xs(1, level = 1)
    collect1 = behavior_type_by_hour.xs(2, level = 1)
    add_to_cart1 = behavior_type_by_hour.xs(3, level = 1)
    payment1 = behavior_type_by_hour.xs(4, level = 1)

    pv_by_behavior_type_hour = pd.DataFrame({'浏览': click1, '收藏': collect1,  '加购物车': add_to_cart1, '购买': payment1})

    return pv_by_behavior_type_hour

活动期间不同时段的用户行为分析

#活动期用户行为
df_activity = df.query('day == datetime.date(2014,12,12)')
a = behavior_type_by_hour(df_activity)

非活动期间不同时段的用户行为分析

#非活动期用户行为
df_noactiv = df[~df.day.isin([datetime.date(2014,12,12)])]
b = behavior_type_by_hour(df_noactiv)

plt.figure(figsize = (18, 10))

#活动期日均各时段用户行为

plt.subplot(2,1,1)
plt.plot(a, label = a.index, linestyle='-.', marker='o')
plt.title('活动期日均各时段用户行为')
plt.xlabel('小时')
plt.ylabel('次数')
plt.xticks(range(0, 24, 1))
plt.legend(a)


#非活动期日均各时段用户行为
plt.subplot(2,1,2)
plt.plot(b, label = b.index, linestyle='-.', marker='o')
plt.title('非活动期日均各时段用户行为')
plt.xlabel('小时')
plt.ylabel('次数')
plt.xticks(range(0, 24, 1))
plt.legend(b)

在这里插入图片描述

#活动期去掉浏览
plt.figure(figsize = (18, 10))

plt.subplot(2,1,2)
plt.plot(a.iloc[:, 1:], label = a.iloc[:, 1:].index, linestyle='-.', marker='o')
plt.title('活动期日均各时段用户行为')
plt.xlabel('小时')
plt.ylabel('次数')
plt.xticks(range(0, 24, 1))
plt.legend(a.iloc[:, 1:])


#非活动期去掉浏览
plt.subplot(2,1,2)
plt.figure(figsize = (18, 6))
plt.plot(b.iloc[:, 1:], label = b.iloc[:, 1:].index, linestyle='-.', marker='o')
plt.title('非活动期日均各时段用户行为')
plt.xlabel('小时')
plt.ylabel('次数')
plt.xticks(range(0, 24, 1))
plt.legend(b.iloc[:, 1:])

在这里插入图片描述
在这里插入图片描述
12.12当天，用户使用时间主要在20到零点，零点的购买、加购物车达到峰值。
非活动期间，浏览、收藏、加购物车主要在18到23点，18到21点处于上升期，因此应重点关注18到21点的商品投放。购买行为集中在10到23点，18点后有略微上升，21点是购买峰值，促销活动可以在19-23点间进行。
购买受日均时段影响较小，可分析各商品在不同时段的购买转化率，针对不同时段投放转化率相对高的商品。

2.3 15天内复购率

当天再次购买的用户数/前15天内购买用户数

#n日复购率函数: 当天再次购买的用户数/前n天内购买用户数

import datetime

import warnings
warnings.filterwarnings('ignore')

def cal_repay(data, n): #n日内复购率
   
    repay_rates=[]
    data1 = data[data['behavior_type'] == 4]#获取购买行为的所有数据
    date = pd.Series(data1.day.unique()).sort_values()[n:]#日期从n天后开始
    
    for i in date:
        user = data1[data1.day==i].user_id.unique()#获取当天购买的用户id
        
        user_n = data1[data1.day < i][data1.day >= i - datetime.timedelta(n)].user_id.unique()#获取在前n天内购买过的user_id
        a = 0
        for s in user_n:
            if s in user:#n天内再次购买的用户数
                a += 1
        repay_rate = a/len(user_n)#n日内复购率        
        repay_rates.append(repay_rate)
    repay = pd.Series(repay_rates, index = date)

    return repay 

repay_15 = cal_repay(df, 15)

repay_15

#15天内复购率
plt.figure(figsize = (18, 6))
plt.plot(repay_15, label = repay_15.index, linestyle='-.', marker='o')
plt.title('15天内复购率')
plt.xlabel('日期')
plt.ylabel('15天内复购率')

在这里插入图片描述

非活动期的复购率一直在0.17到0.2之间，12.12当天达到0.45说明活动前15天的转化效果比较明显。
12.5到12.11的复购率明显较低，可能和后面的双十二活动有关，因为活动前的新增用户增加了，同时大多数会在活动当天购买，所以这几天复购率有所下降。
活动过后的复购率仍在0.2左右，没有提高，是否可借助活动余热未过、新增用户量还没流失，做新的活动和优惠，进一步提高用户粘性和复购率。

用户购买率：产生购买行为的用户/所有用户

pay_user = df.query('behavior_type == 4').user_id.nunique()
toal_user = df.user_id.nunique()

repay_rate = pay_user/toal_user
repay_rate

0.8827

用户总体购买率为88.27%。

2.4 日均各时段购买率
def repay_rate_by_hour(data):
    pay_user = data.query('behavior_type == 4').groupby('hour').user_id.nunique()
    toal_user = data.groupby('hour').user_id.nunique()
    repay_rate = pay_user/toal_user
    return repay_rate

#活动期日均各时段购买率
repay_rate = repay_rate_by_hour(df_activity)

#非活动期日均各时段购买率
repay_rate1 = repay_rate_by_hour(df_noactiv)

plt.figure(figsize = (18, 10))

#活动期日均各时段购买率

plt.subplot(2,1,1)
plt.plot(repay_rate, label = repay_rate.index, linestyle='-.', marker='o')
plt.title('活动期日均各时段购买率')
plt.xlabel('小时')
plt.ylabel('购买率')
plt.xticks(range(0, 24, 1))

#非活动期日均各时段用户行为
plt.subplot(2,1,2)
plt.plot(repay_rate1, linestyle='-.', marker='o')
plt.title('非活动期日均各时段购买率')
plt.xlabel('小时')
plt.ylabel('购买率')
plt.xticks(range(0, 24, 1))

在这里插入图片描述

12.12当天的购买率3到16点一直在0.2左右，17点下降了5%，随后开始增加，在零点达到峰值0.44，23-1点是购买高峰期。相比非活动期，购买率增加了10%左右。
非活动期的购买高峰期在10到22点，购买率峰值在21点，其中18点下降显著，和用户作息时间有关。因此商品投放和促销活动应重点关注10-22点这段时间，尤其是18-21点。

3. 转化分析
3.1 用户行为转化漏斗:

浏览-收藏/加购物车-购买

#活动期总体转化漏斗
import datetime
vr_activity = df.query('day == datetime.date(2014,12,12)').groupby('behavior_type').user_id.count().sort_values(ascending=False)
total_vr = vr_activity/vr_activity[1]
total_vr = total_vr.round(decimals=4) #总体转化率
vr1_activity = pd.DataFrame({'用户行为':['浏览','加购物车','收藏','购买'], '数量':vr_activity, '总体转化率':total_vr })
vr1_activity
用户行为数量总体转化率
behavior_type
1浏览8330191.0000
3加购物车465930.0559
4收藏282340.0339
2购买198110.0238
#转化漏斗图
from pyecharts import Funnel
# 从pyecharts包中导出创建漏斗图的函数

attr = list(vr1_activity.用户行为)
values = list(vr1_activity.总体转化率*100)
funnel1 = Funnel('活动期总体转化漏斗图', title_pos='center')
funnel1.add('用户行为',
            attr,  # 指定属性名称
            values,  # 指定属性所对应的值
            is_label_show=True,  # 确认显示标签
            label_formatter='{b}{c}%',  # 指定标签显示的方式
            label_pos='outside',  # 指定标签的位置,inside,outside
            legend_orient='vertical',  # 指定图例显示的方向
            legend_pos='left')  # 指定图例的位置

funnel1

在这里插入图片描述

vr_noactivity =df[~df.day.isin([datetime.date(2014,12,12)])].groupby('behavior_type').user_id.count().sort_values(ascending=False)
total_vr1 = vr_noactivity/vr_noactivity[1]
total_vr1 = total_vr1.round(decimals=4) #总体转化率
vr1_noactivity = pd.DataFrame({'用户行为':['浏览','加购物车','收藏','购买'], '数量':vr_noactivity, '总体转化率':total_vr1 })
vr1_noactivity
用户行为数量总体转化率
behavior_type
1浏览133204221.0000
3加购物车5935420.0446
2收藏4356680.0327
4购买1858210.0140
#转化漏斗图
from pyecharts import Funnel
# 从pyecharts包中导出创建漏斗图的函数

attr = list(vr1_noactivity.用户行为)
values = list(vr1_noactivity.总体转化率*100)
funnel2 = Funnel('非活动期总体转化漏斗图', title_pos='center')
funnel2.add('用户行为',
            attr,  # 指定属性名称
            values,  # 指定属性所对应的值
            is_label_show=True,  # 确认显示标签
            label_formatter='{b}{c}%',  # 指定标签显示的方式
            label_pos='outside',  # 指定标签的位置,inside,outside
            legend_orient='vertical',  # 指定图例显示的方向
            legend_pos='left')  # 指定图例的位置

funnel2

在这里插入图片描述
非活动期，从浏览到加购物车、收藏或购买的转化率分别为：4.46%、3.27%、1.4%，活动期的分别是5.59%、3.39%、2.38%。
相比非活动期，活动期的各阶段的总体转化率提高了1%左右，效果不是很明显。建议进一步分析用户不同的行为路径以及阶段转化率，比如浏览-购买、收藏-购买、加购物车-购买的转化率，再决定从哪一阶段提高转化率。

3.2 登陆天数与转化率
#每个用户的登陆天数
sign_in = df.query('behavior_type == 1').drop_duplicates(['user_id','day']).groupby('user_id').behavior_type.count()
#每个用户的浏览量
click = df[df.behavior_type.isin([1])].groupby('user_id').behavior_type.count()
#每个用户的收藏或加购次数
collect_or_cart_sum = df[df.behavior_type.isin([2,3])].groupby('user_id').behavior_type.count()
#每个用户的支付次数
pay_sum = df[df.behavior_type.isin([4])].groupby('user_id').behavior_type.count()

#合并
retain_by_day = pd.DataFrame({'登陆天数':sign_in,'click':click,'collect_or_cart':collect_or_cart_sum,'pay':pay_sum})
retain_by_day.head()
登陆天数clickcollect_or_cartpay
user_id
49214.0202.07.04.0
372617.0196.03.04.0
191377.035.01.0NaN
364658.035.02.01.0
3710123.0679.026.03.0
#按登陆天数计算收藏、加购、购买率
retain_by_day = retain_by_day.fillna(0)
retain_by_day1 = retain_by_day.groupby('登陆天数').sum() 
#计算转化率
retain_by_day1['加购或收藏转化率'] = retain_by_day1['collect_or_cart']/retain_by_day1['click']
retain_by_day1['浏览-购买转化率'] = retain_by_day1['pay']/retain_by_day1['click']
retain_by_day1['加购或收藏-购买转化率'] = retain_by_day1['pay']/retain_by_day1['collect_or_cart']
retain_by_day1.head()
clickcollect_or_cartpay加购或收藏转化率浏览-购买转化率加购或收藏-购买转化率
登陆天数
0.00.00.07.0NaNinfinf
1.01950.0159.0109.00.0815380.0558970.685535
2.07273.0601.0264.00.0826340.0362990.439268
3.011014.0794.0358.00.0720900.0325040.450882
4.016346.01112.0354.00.0680290.0216570.318345
retain_by_day1.iloc[4:,3:].plot(style = '--.',alpha = 0.8,grid = True,figsize = (18,10),
       subplots = True,#是否分别绘制子图,False则绘制在一张图上
       layout = (3,1),#更改子图布局,按顺序填充
       sharex = False)#是否共享坐标

在这里插入图片描述

加购物车和收藏的转化率随登陆天数增加，提高用户登陆天数，可促进加购物车和收藏的转化率，登陆6天的用户此指标异常，建议进一步分析寻找原因。
浏览-购买转化率、加购或收藏-购买转化率随用户登陆天数减小，尤其在登陆19天后，购买转化率下降明显，可能和双十二活动后购买率显著下降有关。
用户登陆5天后的购买转化率明显上升，登陆5-19天的用户购买转化率较高，建议让用户登录时间达到5天及以上，可以通过发放优惠券、发送提醒、签到奖励等方式进行。
由于受双十二活动影响，此处的分析不能准确表明常规时期的登陆天数与转化率关系，需要更长时间的数据作进一步分析。

4.商品偏好分析
#商品数量、商品类别数量
df.item_id.nunique(), df.item_category.nunique()

(4758484, 9557)
4.1 不同类别商品的用户行为（top10）:

浏览，收藏，加购物车，购买的前十名的商品类别

click_10 = df.query('behavior_type == 1').groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]#浏览前十
collect_10 = df.query('behavior_type == 2').groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]#收藏前十
cart_10  = df.query('behavior_type == 3').groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]#加购前十
pay_10 = df.query('behavior_type == 4').groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]#购买前十

#画图
plt.figure(figsize = (18, 10))

#浏览，收藏，加购物车，购买的前十名的商品类别

plt.subplot(2,2,1)
click_10.plot.barh()
plt.title('浏览前十名的商品类别')
plt.xlabel('浏览量')
plt.ylabel('商品类别')

plt.subplot(2,2,2)
collect_10.plot.barh()
plt.title('收藏前十名的商品类别')
plt.xlabel('收藏量')
plt.ylabel('商品类别')

plt.subplot(2,2,3)
cart_10.plot.barh()
plt.title('加购前十名的商品类别')
plt.xlabel('加购物车量')
plt.ylabel('商品类别')

plt.subplot(2,2,4)
pay_10.plot.barh()
plt.title('购买前十名的商品类别')
plt.xlabel('购买量')
plt.ylabel('商品类别')

在这里插入图片描述
对比各阶段TOP10品类的重合度在50%左右，有些浏览、收藏、加购很高的品类，购买量不在前十，比如5027、5894。而有的销量前十的品类，浏览、收藏、加购不在前十，
比如6344、8877、7957。
建议结合商品特性进一步分析，是否存在推荐机制准确度不高、商品投放不精准的情况。

4.2 购物车分析：前20商品及购买转化率
#加购物车前20的商品
cart_item_20  = df.query('behavior_type == 3').groupby('item_id').item_id.count().sort_values(ascending=False).iloc[:20]
#购买转化率
cart_user_20 = cart_item_20.index
pay_df = df.query('behavior_type == 4')
pay_item_20 = pay_df[pay_df.item_id.isin(cart_user_20)].groupby('item_id').item_id.count()#加购物车前20的商品的销量
cart_20 = pd.DataFrame({'加购物车量':cart_item_20, '销量':pay_item_20})
cart_20['购买率'] = cart_20['销量']/cart_20['加购物车量']

#画图：不同商品及购买转化率（top20）

fig,axes = plt.subplots(2,1, figsize=(18,10))

cart_20.sort_values('加购物车量', ascending=False)[['加购物车量', '销量']].plot(ax = axes[0], kind='bar',title = '购物车前20商品及销量')

cart_20.sort_values('加购物车量', ascending=False)['购买率'].plot(ax = axes[1], kind='bar')
plt.title('购物车前20商品的购买率')
plt.xlabel('商品id')
plt.ylabel('购买率')
fig.tight_layout()

在这里插入图片描述

加购物车与购买率明显不成正比。对于购买率低的商品，比如209323160、6703599、382513156，建议从商品质量特点、用户评价、各销售环节分析原因。对于转化率高但收藏量低的商品，如303205878、289649282、14087919，考虑商品特性，分析推荐机制、投放时段和频率是否有问题，是否增加要曝光率或做主推。

4.3 购买分析：
销量前10的商品类别、销量前20的商品
#活动期：
#销量前10的商品类别
pay_activity = df.query('behavior_type == 4').query('day == datetime.date(2014,12,12)')
pay_category_10 = pay_activity.groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]
#销量前20的商品
pay_id_10 = pay_activity.groupby('item_id').item_id.count().sort_values(ascending=False).iloc[:20]
#非活动期
pay_noactiv = df[~df.day.isin([datetime.date(2014,12,12)])].query('behavior_type == 4')
#销量前10的商品类别
pay_category_10_no = pay_noactiv.groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]
#销量前20的商品
pay_id_10_no = pay_noactiv.groupby('item_id').item_id.count().sort_values(ascending=False).iloc[:20]



#画图：销量前10的商品类别、销量最高品类中的前20种商品
plt.figure(figsize = (18, 10))

plt.subplot(2,2,1)
pay_category_10.plot.barh()
plt.title('活动期销量前10的商品类别')
plt.ylabel('商品类别')

plt.subplot(2,2,2)
pay_id_10.plot.barh()
plt.title('活动期销量前20的商品')
plt.ylabel('商品id')

plt.subplot(2,2,3)
pay_category_10_no.plot.barh()
plt.title('非动期销量前10的商品类别')
plt.ylabel('商品id')
plt.ylabel('商品类别')

plt.subplot(2,2,4)
pay_id_10_no.plot.barh()
plt.title('非活动期销量前20的商品')
plt.ylabel('商品id')

在这里插入图片描述
在这里插入图片描述
品类分析：活动期和非活动期销量都在前十的品类有5个。活动期1683、6513两个品类的销量显著，其他前十品类的销量差距不大。非活动期1863、6344、5232三个品类的销量显著，其他前十品类的销量差距不大。6513这个品类在活动期销量显著，而平时销量不算高，建议结合活动期的销售策率和商品特点分析，是否可作为后续活动的主推品类。6344这个品类平时销量很好，而活动期销量不太高，建议分析销售环节是否有问题。

商品分析：活动期和非活动期销量都在前20的商品只有一个，这说明，活动期和非活动期用户购买的商品差距很大，除了商品特性和优惠活动的原因外，建议分析平时的推荐机制是否准确。有些商品活动期销量高，而平时的销量不高，比如115052027，对于这样的商品，建议结合商品特点，考虑定价是否合理、是否可以做主推或新活动。

商品重合度分析

pay_category = pd.concat([pay_category_10, pay_category_10_no], axis = 1).dropna()#销量前十的重合品类
pay_id = pd.concat([pay_id_10, pay_id_10_no], axis = 1).dropna()#销量前十的重合商品
pay_category.columns = ['活动期', '非活动期']

fig,axes = plt.subplots(1,2, figsize=(18,6))
pay_category.plot(ax = axes[0], kind='bar',title = '活动期和非活动期销量前十的品类')


pay_id.plot(ax = axes[1], kind='bar',title = '活动期和非活动期销量前20的商品')
plt.xlabel('商品id')
plt.ylabel('销量')
plt.legend(['活动期','非活动期'])
不同时段销售前十的商品类别：

根据日均各时段用户行为分析，7-18时、18-0时为用户活跃时段，故分析这两个时段的商品销量。

#7-18时销售前十的商品类别
pay_df = df.query('behavior_type == 4')
pay_7_18 = pay_df.query('hour >= 7').query('hour <= 18').groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]
#18-0时销售前十的商品类别
hour_18_0 = [18,19,20,21,22,23,0]  
pay_18_0 = pay_df[pay_df.hour.isin(hour_18_0)].groupby('item_category').item_id.count().sort_values(ascending=False).iloc[:10]

#画图：不同时段销售前十的商品类别：
plt.figure(figsize = (18, 6))


plt.subplot(1,2,1)
pay_7_18.plot.barh()
plt.title('7-18时销售前十的商品类别')
plt.ylabel('商品类别')

plt.subplot(1,2,2)
pay_18_0.plot.barh()
plt.title('18-0时销售前十的商品类别')
plt.ylabel('商品类别')


pay_7_0 = pd.concat([pay_7_18 , pay_18_0], axis = 1).dropna()#销量前十的重合商品类别
pay_7_0.columns = ['7-18时','18-24时']

#画图
pay_7_0.plot(kind='bar',title = '7-18时和18-24时销量前十的品类',figsize = (12,6))

在这里插入图片描述
在这里插入图片描述

7-18时和18-24时销量都在前十的品类有8个，可见用户购买何种品类在不同时段的变化不大。如进一步分析，建议查看每个商品日均时段的销量，在不同时段投放销量高的相应品类。

NeverthelessEnd
关注
  • 3
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【Python】电商用户行为数据可视化分析实战
fengdu78的博客
04-28 3638
本文中，云朵君将和大家一起从多个角度使用多个可视化技术，根据各种因素跟踪客户在电子商务网站的花费时间。关于数据集数据集来自kaggle -- Machine Hack。先进电子商务的用户数量激增，而包括买家浏览电子商务商店而花费大量时间等信息被，店主们还计划利用各种算法来吸引顾客，试图研究和利用顾客行为模式来增加营收。跟踪客户活动也是了解客户行为并找出如何更好地为他们服务...
基于Python电商用户行为的数据分析、机器学习、可视化研究
迷茫与徘徊只会让你陷入绝境，欢迎私信博主，带你开始提升变现价值！
07-07 4545
数据预处理可以消除数据中的错误、缺失、异常和重复等问题，提高数据质量，减少误差，为后续数据分析提供更可靠的基础。通过用户所发生的行为数据，以及透视数据下的各种新增的维度字段，比如最近的购买次数，最近一次的购买时间，我们可以采用Kmeans聚类算法对用户群体进行聚类，根据得出的聚类数目，采用RFM模型对其进行深入的划。在检查完数据的缺失值和异常值之后，需要对数据有一个时间维度上的把控，因为本研究的一个重要的数据分析思维，就是通过时间上的一些指标探索不同时间下的行为，流量指标的分布等情况。
数据分析项目｜淘宝用户行为分析（Python+可视化）_淘宝用户行为数据分析(1)
最新发布
2401_84572787的博客
05-13 450
现在能在网上找到很多很多的学习资源，有免费的也有收费的，当我拿到1套比较全的学习资源之前，我并没着急去看第1节，我而是去审视这套资源是否值得学习，有时候也会去问一些学长的意见，如果可以之后，我会对这套学习资源做1个学习计划，我的学习计划主要包括规划图和学习进度表。分享给大家这份我薅到的免费视频资料，质量还不错，大家可以跟着学习了解到所给数据集只有5个字段、时间维度限制在9天内、商品数据均为脱敏数据、行为数据只有4种等，具有一定的局限性。
【数据分析实例】1 亿条淘宝用户行为Hive数据分析
微信号：RunsenLiu
03-01 8564
【数据分析实例】1 亿条淘宝用户行为Hive数据分析
基于Python电商用户数据行为分析与可视化
10-30 8440
​ ​ #（5）同一时间段用户消费次数分布 ​ data_user_buy3=data_user[data_user.behavior_type==4].groupby([‘user_id’,‘date’,‘hour’])[‘operation’].sum().rename(‘buy_count’) sns.distplot(data_user_buy3) print(‘大多数用户消费：{}次’.format(data_user_buy3.mode()[0]))它可以衡量产品的盈利能力和发展活力。
毕设项目 大数据电商用户行为分析及可视化(源码+论文)
mofcjdsi的博客
04-10 382
今天学长向大家介绍一个机器视觉的毕设项目，大数据电商用户行为分析及可视化(源码+论文)毕业设计 基于大数据淘宝用户行为分析。
如何实现电商数据可视化
weixin_44353800的博客
06-14 1604
它是用于不同软件和应用之间进行交互的一种技术规范。通过API，我们可以让两个应用程序之间进行数据和功能的交换和共享，从而实现更加复杂的数据分析和可视化效果。
电商用户行为分析---Python
06-16
电商用户行为分析---Python 电商用户行为分析是电商企业非常重要的一环，通过对用户行为的分析，企业可以更好地了解用户的需求和偏好，从而制定更加明智的营销策略。本文将通过 Python 对淘宝电商用户真实行为数据...
电商企业大数据可视化分析平台总体架构方案.pptx
04-15
电商企业大数据可视化分析平台总体架构方案 电商企业大数据可视化分析平台总体架构方案是旨在解决电商企业大数据分析和应用问题的解决方案。该方案旨在建立一个统一的大数据共享和分析平台，对各类业务进行前瞻性...
大数据-电商用户行为分析大数据平台-数据分析.zip
03-02
"大数据-电商用户行为分析大数据平台-数据分析.zip"这个压缩包文件显然聚焦于如何利用大数据技术来理解和洞察电商用户的购买行为，以实现更精准的市场营销和业务优化。下面我们将深入探讨这一主题的相关知识点。 ...
Spark大型项目实战-基于spark电商用户可视化行为分析大数据平台开发实战.zip
12-10
Spark大型项目实战—基于spark电商用户可视化行为分析大数据平台开发实战.zip该平台以 Spark 框架为核心， 对电商网站的日志进行离线和实时分析。 该大数据分析平台对电商网站的各种用户行为（ 访问行为、购物行为、...
电商用户行为分析大数据平台.zip
06-16
1.基于Spark开发的平台 2.需要有spark基础 3.有很多高级知识和设计模式 4.电商用户行为分析大数据平台（项目名称） 5.访问行为，购物行为，广告点击行为，对这些行为进行分析，使用大数据技术来帮助公司提升业绩。 6.主要的功能模块有用户session分析，页面单跳转化率统计，热门商品离线统计，广告流量实时统计等4个业务模块。 7.所使用的知识点是spark core，spark SQL，spark streaming等三个技术框架。 8.主要是数据倾斜，线上故障，性能调优，troubleshooting等经验。 9.使用模拟数据,希望达到的效果。 10.需求分析，方案设计，数据设计，编码实现，测试以及性能调优等环节。
电商用户行为分析.zip
11-30
文件“电商用户行为分析.md”可能包含了以上指标的详细解释和数据分析过程，而"output_15_1.png"、"output_21_1.png"、"output_18_1.png"、"output_24_1.png"则可能为相关的图表，展示了数据可视化结果，如用户行为...
MySQL项目-淘宝用户购物行为数据可视化分析
こがみけい的博客
03-08 2855
本次分析的目的是想通过对淘宝用户行为数据分析，为以下问题提供解释和改进建议： 1.分析用户使用淘宝过程中的常见电商分析指标，建立用户行为转化漏斗模型，确定各个环节的流失率，找到需要改进的环节； 2.研究用户在不同时间尺度下的行为规律，找到用户在不同时间周期下的活跃规律，据此提出相应的营销策略； 3.分析用户对不同种类商品的偏好，提出针对不同商品的营销策略； 4.通过RFM模型对用户进行分层，对不同类型用户的行为进行分析，并提出相应的运营策略。
数据分析项目｜淘宝用户行为分析（Python+可视化）
m0_74942241的博客
02-06 6225
数据分析项目｜淘宝用户行为分析（Python+可视化）
Python数据分析案例—淘宝用户行为分析
m0_61848660的博客
10-31 1452
本文以淘宝app平台为数据集通过电商行业常见行业的指标对淘宝用户行为进行分析，从而探索淘宝用户行为进行分析，具体指标包括：日PV和日UV分析，付费率分析，转化率分析复购行为分析.
Python+Mysql+Tableau 电商用户行为数据分析实战
cjx_cqupt的博客
12-11 2892
一. 提出问题 本次分析的目的是想通过对淘宝用户行为数据分析，为以下问题提供解释和改进建议： 1.分析用户使用APP过程中的常见电商分析指标，确定各个环节的流失率，找到需要改进的环节 2.研究用户在不同时间尺度下的行为规律，找到用户在不同时间周期下的活跃规律 3.找到用户对不同种类商品的偏好，找到针对不同商品的营销策略 4.找出最具价值的核心付费用户群，对这部分用户的行为进行分析 为了分析这些问题，我们使用以下两种模型进行分析 1.基于AARRR漏斗模型分析用户行为 本文通过常用的电商数据分析指.
电商用户行为实时分析系统（Flink1.10.1）
Mmj666的博客
05-28 2537
Flink项目，Flink初体验（Flink1.10.1版本哟~）
电商网站用户购物行为分析与可视化系统
m0_68312388的博客
01-15 1407
电商网站用户购物行为分析与可视化系统、大数据
电商企业大数据可视化分析平台总体架构建设解决方案完整版.pptx
11-16
电商企业大数据可视化分析平台是当前电商企业中必不可少的一项技术工具。通过对大量的数据进行收集、整理和分析，平台可以为企业提供深入了解消费者需求、分析市场趋势、优化运营决策等方面的支持。 在电商企业...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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