![98b6e0b21298febf86fcdfb8f7dd82f1.png](https://i-blog.csdnimg.cn/blog_migrate/7086835a01aa505a05b8eea77d9b6dda.jpeg)
1.项目简介
- 这个项目是tableau商业分析从新手到高手里面的例子,数据源也是来自这本书,这个项目主要做的就是用户留存分析
- 在这里主要的目的时作图而不是分析,所以分析得比较少
2.数据简介
![de6a63049a10ec3fa65bb9183566d37c.png](https://i-blog.csdnimg.cn/blog_migrate/c5cb90aac3cefd1dffb0bdd92f0bdc5b.jpeg)
2.1原始数据
- 原始的数据形式是这样的
![3b0f8b2795965eb033b284732764fdac.png](https://i-blog.csdnimg.cn/blog_migrate/9d7a32038101d22a8909bce502540fe5.jpeg)
- 包括下面几个字段:UserId、二级品类、会员创建日期、留存率分组、省、省市、销售日期、销售量
- 这里要特别注意的是会员创建日期,创建会员时就进行了第一次购买,也就是用户第一次购买的时间就是会员创建日期
2.2数据拆分
- 由于会员创建日期里面包括了星期和时间,但是我们只想要日期,所以进行自定义拆分
![5432ddd3e1b04070f85030e71c77ff76.png](https://i-blog.csdnimg.cn/blog_migrate/6af028da8e4d67c9ce5c94055ee1bc86.jpeg)
![f6e5254110dae208dc26e88af6b7fcc9.png](https://i-blog.csdnimg.cn/blog_migrate/fd8466cf056eecd3e867420dd652efe5.jpeg)
- 然后对列名进行了修改 会员创建日期——会员创建日期(原始),会员创建日期-拆分1 ——会员创建日期
- 修改后要把会员创建日期改为日期形式
3.什么是留存分析?
- 既然要进行用户的留存分析,那就要了解留存分析的定义:留存分析是一种用来分析用户参与情况/活跃程度的分析模型,考察进行初始行为的用户中,有多少人会进行后续行为.所以在这里定义为初始购买的用户中,有多少人后面会继续购买
- 更简单来说就是看销售日期与会员创建日期之间的间隔,所以我们创建了这样一个计算字段,用了datediff函数
![884e83795e8d31c713718e966f1ece7c.png](https://i-blog.csdnimg.cn/blog_migrate/1b1843411c138a7241742acbb2644369.png)
4.简单的用户留存图
- 先创建一个会员创建日期与销售日期之间的图
![4a50df77a76e64ea8d21ea652a8cf299.png](https://i-blog.csdnimg.cn/blog_migrate/eb2d30c854e0e717967a43b7f511425a.jpeg)
- 一般会员生命周期都是12个月的,所以我们将购买点会员生命周期(月)放进筛选器
![2b42d2b041729c568b82da863cef5e4e.png](https://i-blog.csdnimg.cn/blog_migrate/0ea56587b1f2b605f000008239fd5996.png)
- 然后就得到了一个用户留存情况的简单展示
![5946fb76c091a2ecce2e5dec2294704d.png](https://i-blog.csdnimg.cn/blog_migrate/66bb877f254736876465d59b9f429e16.jpeg)
5.漏斗图
- 一般来说传统的留存分析都是以漏斗图的形式来进行展现的,所以接下来我们就尝试做一个漏斗图
- 其实如果我们把上图的行列互换(点击交换行和列)的话就是一半漏斗图的形式了
![4ed01699641f4c4df0253d5f84eacd97.png](https://i-blog.csdnimg.cn/blog_migrate/814291ff0c07c290762fa8e278bd50b0.jpeg)
- 所以接下来我们只要把另一半补全就可以了
- 先把列上的 计数(不同)(UserId) 复制,然后粘贴在列上,就变成下图的形式
![d4aa605543f97e46ac5116a3db90e771.png](https://i-blog.csdnimg.cn/blog_migrate/53ebbcc95668df46225647e4379bd511.jpeg)
- 然后只要把左边的图倒过来就变成了漏斗图的形式,但是这里需要注意的是两个计数(不同)(UserId)都要/2才行,这样合并起来才是一个 计数(不同)(UserId)
- 具体就是双击 计数(不同)(UserId) 然后输入/2
![629130cc5963f129e911f635e042a36c.png](https://i-blog.csdnimg.cn/blog_migrate/bc124b91f8edcd4d727a8614db74ed4b.png)
- 再点击图中位置,选择编辑轴
![73982a5bc05865f4212939a8a39fa961.png](https://i-blog.csdnimg.cn/blog_migrate/452443648947d09e0785090f0c57d957.jpeg)
- 再选择倒序就可以了
![d1d2a9f726cdb77d8d2b673487621da0.png](https://i-blog.csdnimg.cn/blog_migrate/1152dcc417e2f06d6fcc087db35aed3b.png)
- 然后得到一个漏斗图的形式
![6c9a264be5f163e0d2afb357c639463c.png](https://i-blog.csdnimg.cn/blog_migrate/039be6b1b7c78822661aa3b28d7b566e.jpeg)
- 最后一步在左边的部分选择区域
![b8e09b4583b824fd79fc7d8da2623894.png](https://i-blog.csdnimg.cn/blog_migrate/aa90f76f390cdfb22634f63bde780124.png)
- 最终如图所示
![f4b6c321217b2e51d9b8f2decfced0fe.png](https://i-blog.csdnimg.cn/blog_migrate/a457cc800e37756aa51d303ad025c955.jpeg)
- 得到一个简单的漏斗图之后我们可以从多个维度来进行分析,比如对不同省份的留存率进行分析,看有没有什么区别,或者说对不同品类之间的留存率进行分析
6.分省不同等级留存率
6.1不同省份留存率
- 这个图就比较简单了
![fc3b2dc024a5bf8ba6c4e0b8964ac363.png](https://i-blog.csdnimg.cn/blog_migrate/6a4fd3fe953a82b911ca1bf28873deaa.jpeg)
- 然后再进行筛选,只留下12个月的数据
![84ea4d112de5e13a9da34c6f91c7f329.png](https://i-blog.csdnimg.cn/blog_migrate/b26acb379f4d995eeaef5fb5e4d4caa4.jpeg)
![66255dac1269b0ee69da0725b64c1849.png](https://i-blog.csdnimg.cn/blog_migrate/ec75f11cae115a8dae7b6fb7bf1573f3.jpeg)
- 一般来说我们会想有一条线来展示留存率的变化情况,那具体怎么实现呢?
- 一样是先复制 计数(不同)(UserId) 然后右键点击右边的 计数(不同)(UserId),选择双轴
![4d9fee5760447740ba5ca461055011ef.png](https://i-blog.csdnimg.cn/blog_migrate/a6530019dc471823ee125f69b02bda49.jpeg)
![ebf211779118c1698aad9b476d7684eb.png](https://i-blog.csdnimg.cn/blog_migrate/479da5391a52e70d3123f5c6d8cff552.jpeg)
- 然后左边的 计数(不同)(UserId) 标记类型选择条形图,右边的选择线条
![f2d2cb40c82ca5e7ed1e0f19daac8bd9.png](https://i-blog.csdnimg.cn/blog_migrate/3ef3c2ae401d38cced1775c4fe124379.jpeg)
- 然后一般来说留存率都是相对于第一个条形图的百分比变化,所以我们也希望变成这样的形式
- 右键点击右边的计数(不同)(UserId),选择添加表计算
![16e2597ef3c1735d2d66dc5834d14ff6.png](https://i-blog.csdnimg.cn/blog_migrate/69331dd68f7fd5093794f9ab57f3f82d.jpeg)
- 计算类型选择百分比,相对于第一个
![8c5999e1746c323ef1056c9571b85f30.png](https://i-blog.csdnimg.cn/blog_migrate/f71807e79a0d3982b5fcdb975df5f6e1.png)
- 这样就得到了留存率都是相对于第一个条形图的图形
![33397f4acf0c0276cbb09d28af9a3a32.png](https://i-blog.csdnimg.cn/blog_migrate/47c7e2b332a957eb0bfadbc7cdfc89c4.jpeg)
6.2分省不同等级留存率
- 如果我们想根据各个省市的留存率进行分组,也就是10%以下留存率的分为低留存率组,10%-20%的分为中留存率组,20%以上的分为高留存率组的话该怎么操作呢?
- 我们先右键点击省市,选择创建组
![ff936224ce0030f2b7dbc2340916f148.png](https://i-blog.csdnimg.cn/blog_migrate/91d0d40bf25c95bc50363022816b9c8f.jpeg)
- 然后根据留存率进行分组就行了
- 这里除了刚说的低留存率组、中留存率组、高留存率组之外,还把留存率最高的SDWF单独拿出来进行分析,而WEB指的是网络销售平台,所以也单独拿出来分析,所以分组有五组
- SDWF
- WEB
- 高留存率:BJ、HBWH、TJ、SXXA
- 中留存率:HBSJZ、LNSY、SCCD、SDQD、SH
- 低留存率组:HBLF、SDJN、SXXY
- 然后把分组后得到的省市(组)放到原本省市的位置,就得到了我们想要的关于不同等级留存率的图形
![6003b7e12d3f927168584172f41f8fab.png](https://i-blog.csdnimg.cn/blog_migrate/f914417134f14f30083c443d6b3c2a51.jpeg)
- 图中WEB也就是网络销售平台的留存率比较低,说明网络销售平台挽留用户的措施比较少或者说做得不够好
7.不同留存等级首次购买
- 这里主要想分析不同留存等级首次购买之间的差别
- 首次购买也就是说会员创建日期等于销售日期,创建一个计算字段
![064ae37975d15c3d4731c1a6874fb3a4.png](https://i-blog.csdnimg.cn/blog_migrate/963087a5e673d06cd06e23c2fed541f3.png)
- 这样数据源就会显示真或伪,但是这里我们想要的是0或1,所以添加一个int()函数
![299a9fbf79bd05ccde701c1c2a85465c.png](https://i-blog.csdnimg.cn/blog_migrate/10447bfbfc83a22122e4ade0fd74e9d6.png)
- 然后得到不同留存率首次购买情况
![f5c50e8146e7cf0e3b08db4fe65ece45.png](https://i-blog.csdnimg.cn/blog_migrate/53fc724d543529e399eece8ea065621c.jpeg)
- 留存率最高的SDWF最特殊的地方在于对于防尿用品的购买会比较多,网络销售平台首次购买只有5个品类,相对来说较少,这也可能是留存率较低的原因,具体是不是要进行后续的分析才能确定。高中低留存率首次购买差别较大的品类主要是防尿用品以及奶粉
8.品类漏斗图
- 一般来说每个品类的漏斗图是会有所差别的,如果是消耗性的物品留存率相对会高,非消耗性的留存率就会低,因为买了一次之后基本就不用再买了
- 品类漏斗图和之前的漏斗图是基本一样的
![55240a91d17bbbd2c3fabd0c5a5b7056.png](https://i-blog.csdnimg.cn/blog_migrate/bdc0d89ac961b9ee2f5e040439bb6a96.jpeg)
- 从图中我们可以看到有些品类的留存率是比较高的,比如食品、童装、喂养器具、洗护电器等,因为都是消耗性的物品,隔一段时间就需要购买
- 而非消耗性的物品留存率是比较低的,比如童车床、图书音像、文体、孕妇用品等,因为一般来说只要第一次买了后面基本就不怎么会买了
9.总结
- 用户的留存分析就是指初始购买的用户中,有多少人后面会继续购买
- 做留存分析时可以先做一个漏斗图,再从多个维度进行分析
ps.这篇文章主要参考的是b站看到的视频
tableau数据分析五-用户留存分析_哔哩哔哩 (゜-゜)つロ 干杯~-bilibiliwww.bilibili.com![5a4a85c513af0e39677fbe6878b79fb4.png](https://i-blog.csdnimg.cn/blog_migrate/86519fd9dcb479bfc372393abd3bff4d.jpeg)
感觉说得很好,因为最近也在学tableau,所以自己也梳理了一下