【数据分析】探索用户行为模式

对用户消费行为进行分析

项目背景

分析方法

电商常用分析方法

漏斗流失分析

数据预处理

• 将数据以字符串的格式读取
• 统计缺失值
• 将字符串的日期时间to_datatime,astype(int)
• 按照时间进行排序

用户行为分析(构建模型)

• 通过时间进行分组统计次数，得到每天的访问量和每天用户的访问量groupby()
• 计算两个变量之间的相关系数corr(spearman或者pearson)

• 统计小时访问量，也是之前使用过的方法（和每天访问量一样）

• 不同行为类型用户访问量的分析。使用pivot_table(columns=‘behavior_type’,index="hour",data=data_user,values="user_id",aggfunc=np.size)

• 1-点击；2-收藏；3-加购物车；4-购买
• 购买的用户平均浏览次数，已经购买的用户差不多点击多少次才会进行购买，点击超过多少（10）次的用户重点观察
• 统计不同用户人均消费总次数。
• 统计每天人均消费次数。大部分人每天都在1-2次之间

计算活跃用户数：每天有访问行为的用户数

• 对时间进行分组，每天具有访问行为的用户数除以总用户数
• 购买用户每天购买次数

复购率

• 有复购行为的用户数除以有购买行为的用户总数

间隔次数消费分布

• 每个用户每间隔多长时间消费一次，当前购买时间减去上一次购买时间

漏斗流失分析

• 不同行为的浏览次数
• 浏览量-》点击量     流失率5.7%
• 点击量-》加购物车 流失率97%
• 加购物车-》收藏     流失率29%
• 收藏量-》购买量     流失率50%
• 通过流失率的计算和分析重视每个环节极可能发生的原因和情况。

用户价值分析-使用RFM分析

• 计算每个用户最新购买时间-计算最新日期和参考日期的间隔
• 每个用户消费频次
• 对每种类型的用户进行分层，得到哪些是需要重点关注的用户，哪些是需要培养的用户，针对不同的用户采取不同的营销策略
• 得出结论