淘宝用户行为分析

最新推荐文章于 2024-07-25 09:48:00 发布
最新推荐文章于 2024-07-25 09:48:00 发布
阅读量342 收藏 1
点赞数
文章标签： 大数据 python
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/weixin_45983573/article/details/119191124
版权
本次分析的问题以及分析逻辑
1、基于AARRR漏斗模型，使用常见的电商分析指标，从新增用户数量、各环节转化率、新增用户留存率进行分析，确定影响新增用户数量的因素，找到需要改进的环节，发现留存现存问题
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、找出最具核心付费用户群，对这部分的用户进行分析。
4、找到用户对于不同商品的偏好，指定对不同商品的营销策略。

1、数据源

来源：阿里云天池数据源记录数(经过处理后)研究的时间范围
https://tianchi.aliyun.com1001508072017.11.25~2017.12.03

2、使用模型

AAARR模型

3、分析思路

3.1 AAARR模型

获客 每日新增用户数 转化 各环节转化率分析 留存 次日留存、三日留存、7日留存 变现 复购次数、复购率：4.17%

3.1.1每日新增的用户

date新增的数量
2017-11-26159329
2017-11-2764516
2017-11-2831587
2017-11-2918028
2017-11-309369
2017-12-01585
2017-12-0285
2017-12-037

 

新增用户情况
2017/11/26至2017/12/3，每天都有新增的用户，但是新增的用户在递减。

3.1.2 各环节转化率分析

UV987976
pv67108664
跳失用户数量868
跳转失率99.91%
behavior用户独立访客人数
pv983994
fav_cart831025
buy409322
behavior用户行为数量
pv67108664
fav_cart6996320
buy764599

用户独立访客分析
APP的付费用户=409322/983994=41.5%.
APP约有41.5的付费用户，用户付费转化率相当高，应将经营重心转化为培养用的忠诚度上，鼓励用户高频次消费。

用户行为分析　　　　
从上图中可以看出确定有购物意向的只有9%的转化率，在
点击到收藏加购这一过程中，可能原因是用户花费大量的时间寻找合适的产品，可以针对性的优化平台的筛选功能，让用户更容易找到合适的产品。

 3.1.3 留存

date次日留存率第三日留存率第七日留存率
2017-11-2663.70%62.85%89.74%
2017-11-2759.85%60.35%83.47%
2017-11-2859.51%61.65%0
2017-11-2966.56%70.01%0
2017-11-3085.71%87.07%0
2017-12-0184.96%77.95%0
2017-12-0268.24%00
留存：新用户留存情况
在26号、27号，留存率存在上升的趋势。三种类型的留存率均维持在60%以上，表现非常优秀的.11-30、12-01较的留存率相较之前有大约20%的上涨。故促销活动能为提升留存率带来一定的正面影响

# 计算每日新增的用户
'''
假设11-25号为基础的用户数量。（需要去重统计，可以用集合去重），设置为基础用户id列表
当计算11-26号的用户新增数量的时候，统计11-26号出现的用户id,当11-26号出现的用户id,11-25号没有出现时为11-26号的新增加的用户。
并将新增的用户加入到基础用户id列表。
当计算11-27号新增用户数量的时候。去匹配基础用户id列表。不在基础用户id列表列表的为新增的用户。
'''
# 统计2017-11-25号的所有用户，和数量。（记得为去重统计）
df_data_11_25_userid_qc = list(set(df_data[df_data['dates'] == '2017-11-25']['user_id']))
userid_11_25_sl = len(df_data_11_25_userid_qc)
logger.info('11-25基础用户数量:{}'.format(userid_11_25_sl))

date_nyr_list = list(set(df_data['dates']))
date_nyr_list.remove('2017-11-25')
date_nyr_list.sort(reverse = False)
# 新增加的用户数量
df_data_i_userid_qc_xzj_all = 0
# 新增用户的列表
data_i_userid_qc_xzj_lb = []
# 新增次日留存率列表。
data_i_userid_qc_xzj_lc_i_1_lc_rate_all = []
for i in date_nyr_list:
    # i号的所有用户，和新增加的用户。以及新增加的数量。
    # i号的所有用户。（已去重）
    df_data_i_userid_qc = list(set(df_data[df_data['dates'] == i]['user_id']))
    # 11-25号与i号都有的用户。
    df_data_i_userid_11_25 = set(df_data_11_25_userid_qc) & set(df_data_i_userid_qc)
    # i号新增加的用户数量。
    userid_i_xzj_sl = len(df_data_i_userid_qc) - len(df_data_i_userid_11_25)
    # i号新增加的用户列表。
    df_data_i_userid_qc_xzj = list(set(df_data_i_userid_qc) - set(df_data_i_userid_11_25))
    # 基础用户数量为前一天的用户数量。
    logger.info('{}基础用户数量:{}'.format(i, len(df_data_11_25_userid_qc)))
    # 将新增加的用户加入基础用户的列表中。(11-25号的用户列表)
    df_data_11_25_userid_qc.extend(df_data_i_userid_qc_xzj)
    logger.info('{}新增加的用户数量:{}'.format(i, userid_i_xzj_sl))
    df_data_i_userid_qc_xzj_all += userid_i_xzj_sl
    # 向新增用户（df_data_i_userid_qc_xzj_zd）中添加元素。
    # i日新增加的用户数量
    i_userid_qc_xzj_sl = []
    i_userid_qc_xzj_sl.append(i)
    i_userid_qc_xzj_sl.append(userid_i_xzj_sl)
    data_i_userid_qc_xzj_lb.append(i_userid_qc_xzj_sl)
    if i != '2017-11-25' and i != '2017-12-03':
        # 次日的时间
        date_cr = datetime.date(*map(int, i.split('-'))) + datetime.timedelta(days=1)
        date_cr = date_cr.strftime('%Y-%m-%d')
        logger.info('i的类型{}，date_cr的类型{}'.format(type(i), type(date_cr)))
        # 次日的用户集合
        df_data_i_cr_userid_qc = list(set(df_data[df_data['dates'] == date_cr]['user_id']))
        logger.info('次日的用户数量：{}'.format(len(df_data_i_cr_userid_qc)))
        # i号新增加的用户在i + 1号的留存用户。
        df_data_i_userid_qc_xzj_lc_i_1 = set(df_data_i_userid_qc_xzj) & set(df_data_i_cr_userid_qc)
        # i号新增加的用户在i+1号的留存用户数量。
        df_data_i_userid_qc_xzj_lc_i_1_sl = len(df_data_i_userid_qc_xzj_lc_i_1)
        logger.info('{}号新增加的用户在{}号的留存用户数量:{}'.format(i, date_cr, df_data_i_userid_qc_xzj_lc_i_1_sl))
        # i号新增加的用户在i+1号的留存率。(即次日留存率)
        df_data_i_userid_qc_xzj_lc_i_1_lc_rate = '%.2f%%' % ((df_data_i_userid_qc_xzj_lc_i_1_sl/userid_i_xzj_sl) * 100)
        logger.info('{}号新增加的用户的次日留存率:{}'.format(i, df_data_i_userid_qc_xzj_lc_i_1_lc_rate))
        '''
         # i号的次日留存率
        '''
        date_i_xzj_userid_qc__lc_i_1_rate_lb = []
        date_i_xzj_userid_qc__lc_i_1_rate_lb.append(i)
        date_i_xzj_userid_qc__lc_i_1_rate_lb.append(df_data_i_userid_qc_xzj_lc_i_1_lc_rate)
        data_i_userid_qc_xzj_lc_i_1_lc_rate_all.append(date_i_xzj_userid_qc__lc_i_1_rate_lb)

# 创建新增用户的dataframe
df_userid_xzj = pd.DataFrame(data_i_userid_qc_xzj_lb, columns = ['date', '新增的数量'])
logger.info('新增加的用户的datafraame:{}'.format(df_userid_xzj))
df_userid_xzj.to_excel(file + '每日新增用户数量.xls', index = False)
# 创建新增用户次日留存率dataframe
df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all = pd.DataFrame(data_i_userid_qc_xzj_lc_i_1_lc_rate_all, columns=['date', '次日留存率'])
df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all.to_excel(file + '新增用户的次日留存率.xls', index = False)
# 期间所有的用户
df_data_userid_qc = list(set(df_data['user_id']))
logger.info('11-26号到12-02号总共增加的用户数量:{}'.format(df_data_i_userid_qc_xzj_all))
logger.info('期间所有的用户数量:{}'.format(len(df_data_userid_qc)))

 

# 计算每日新增的用户
'''
假设11-25号为基础的用户数量。（需要去重统计，可以用集合去重），设置为基础用户id列表
当计算11-26号的用户新增数量的时候，统计11-26号出现的用户id,当11-26号出现的用户id,11-25号没有出现时为11-26号的新增加的用户。
并将新增的用户加入到基础用户id列表。
当计算11-27号新增用户数量的时候。去匹配基础用户id列表。不在基础用户id列表列表的为新增的用户。
'''
# 统计2017-11-25号的所有用户，和数量。（记得为去重统计）
df_data_11_25_userid_qc = list(set(df_data[df_data['dates'] == '2017-11-25']['user_id']))
userid_11_25_sl = len(df_data_11_25_userid_qc)
logger.info('11-25基础用户数量:{}'.format(userid_11_25_sl))

date_nyr_list = list(set(df_data['dates']))
date_nyr_list.remove('2017-11-25')
date_nyr_list.sort(reverse = False)
# 新增用户的列表
data_i_userid_qc_xzj_lb = []
# 新增第三日留存率列表。
data_i_userid_qc_xzj_lc_i_1_lc_rate_all = []
for i in date_nyr_list:
    # i号的所有用户，和新增加的用户。以及新增加的数量。
    # i号的所有用户。（已去重）
    df_data_i_userid_qc = list(set(df_data[df_data['dates'] == i]['user_id']))
    # 11-25号与i号都有的用户。
    df_data_i_userid_11_25 = set(df_data_11_25_userid_qc) & set(df_data_i_userid_qc)
    # i号新增加的用户数量。
    userid_i_xzj_sl = len(df_data_i_userid_qc) - len(df_data_i_userid_11_25)
    # i号新增加的用户列表。
    df_data_i_userid_qc_xzj = list(set(df_data_i_userid_qc) - set(df_data_i_userid_11_25))
    # 基础用户数量为前一天的用户数量。
    logger.info('{}基础用户数量:{}'.format(i, len(df_data_11_25_userid_qc)))
    # 将新增加的用户加入基础用户的列表中。(11-25号的用户列表)
    df_data_11_25_userid_qc.extend(df_data_i_userid_qc_xzj)
    logger.info('{}新增加的用户数量:{}'.format(i, userid_i_xzj_sl))
    if i != '2017-11-25' and i != '2017-12-03' and i != '2017-12-02':
        # 第三日的时间
        date_cr = datetime.date(*map(int, i.split('-'))) + datetime.timedelta(days=2)
        date_cr = date_cr.strftime('%Y-%m-%d')
        # 第三日的用户集合
        df_data_i_cr_userid_qc = list(set(df_data[df_data['dates'] == date_cr]['user_id']))
        logger.info('第三日的用户数量：{}'.format(len(df_data_i_cr_userid_qc)))
        # i号新增加的用户在i + 2号的留存用户。
        df_data_i_userid_qc_xzj_lc_i_1 = set(df_data_i_userid_qc_xzj) & set(df_data_i_cr_userid_qc)
        # i号新增加的用户在i+2号的留存用户数量。
        df_data_i_userid_qc_xzj_lc_i_1_sl = len(df_data_i_userid_qc_xzj_lc_i_1)
        logger.info('{}号新增加的用户在{}号的留存用户数量:{}'.format(i, date_cr, df_data_i_userid_qc_xzj_lc_i_1_sl))
        # i号新增加的用户在i+2号的留存率。(即第三日留存率)
        df_data_i_userid_qc_xzj_lc_i_1_lc_rate = '%.2f%%' % ((df_data_i_userid_qc_xzj_lc_i_1_sl/userid_i_xzj_sl) * 100)
        logger.info('{}号新增加的用户的第三日留存率:{}'.format(i, df_data_i_userid_qc_xzj_lc_i_1_lc_rate))
        '''
         # i号的第三日留存率
        '''
        date_i_xzj_userid_qc__lc_i_1_rate_lb = []
        date_i_xzj_userid_qc__lc_i_1_rate_lb.append(i)
        date_i_xzj_userid_qc__lc_i_1_rate_lb.append(df_data_i_userid_qc_xzj_lc_i_1_lc_rate)
        data_i_userid_qc_xzj_lc_i_1_lc_rate_all.append(date_i_xzj_userid_qc__lc_i_1_rate_lb)

# 创建新增用户次日留存率dataframe
df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all = pd.DataFrame(data_i_userid_qc_xzj_lc_i_1_lc_rate_all, columns=['date', '第三日留存率'])
df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all.to_excel(file + '新增用户的第三日留存率.xls', index = False)
print(df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all)
# 计算每日新增的用户
'''
假设11-25号为基础的用户数量。（需要去重统计，可以用集合去重），设置为基础用户id列表
当计算11-26号的用户新增数量的时候，统计11-26号出现的用户id,当11-26号出现的用户id,11-25号没有出现时为11-26号的新增加的用户。
并将新增的用户加入到基础用户id列表。
当计算11-27号新增用户数量的时候。去匹配基础用户id列表。不在基础用户id列表列表的为新增的用户。
'''
# 统计2017-11-25号的所有用户，和数量。（记得为去重统计）
df_data_11_25_userid_qc = list(set(df_data[df_data['dates'] == '2017-11-25']['user_id']))
userid_11_25_sl = len(df_data_11_25_userid_qc)
logger.info('11-25基础用户数量:{}'.format(userid_11_25_sl))

date_nyr_list = list(set(df_data['dates']))
date_nyr_list.remove('2017-11-25')
date_nyr_list.sort(reverse = False)
# 新增用户的列表
data_i_userid_qc_xzj_lb = []
# 新增第七日留存率列表。
data_i_userid_qc_xzj_lc_i_1_lc_rate_all = []
for i in date_nyr_list:
    # i号的所有用户，和新增加的用户。以及新增加的数量。
    # i号的所有用户。（已去重）
    df_data_i_userid_qc = list(set(df_data[df_data['dates'] == i]['user_id']))
    # 11-25号与i号都有的用户。
    df_data_i_userid_11_25 = set(df_data_11_25_userid_qc) & set(df_data_i_userid_qc)
    # i号新增加的用户数量。
    userid_i_xzj_sl = len(df_data_i_userid_qc) - len(df_data_i_userid_11_25)
    # i号新增加的用户列表。
    df_data_i_userid_qc_xzj = list(set(df_data_i_userid_qc) - set(df_data_i_userid_11_25))
    # 基础用户数量为前一天的用户数量。
    logger.info('{}基础用户数量:{}'.format(i, len(df_data_11_25_userid_qc)))
    # 将新增加的用户加入基础用户的列表中。(11-25号的用户列表)
    df_data_11_25_userid_qc.extend(df_data_i_userid_qc_xzj)
    logger.info('{}新增加的用户数量:{}'.format(i, userid_i_xzj_sl))
    if i == '2017-11-26' or i == '2017-11-27':
        # 第七日的时间
        date_cr = datetime.date(*map(int, i.split('-'))) + datetime.timedelta(days=6)
        date_cr = date_cr.strftime('%Y-%m-%d')
        # 第三日的用户集合
        df_data_i_cr_userid_qc = list(set(df_data[df_data['dates'] == date_cr]['user_id']))
        logger.info('第七日的用户数量：{}'.format(len(df_data_i_cr_userid_qc)))
        # i号新增加的用户在i + 6号的留存用户。
        df_data_i_userid_qc_xzj_lc_i_1 = set(df_data_i_userid_qc_xzj) & set(df_data_i_cr_userid_qc)
        # i号新增加的用户在i+6号的留存用户数量。
        df_data_i_userid_qc_xzj_lc_i_1_sl = len(df_data_i_userid_qc_xzj_lc_i_1)
        logger.info('{}号新增加的用户在{}号的留存用户数量:{}'.format(i, date_cr, df_data_i_userid_qc_xzj_lc_i_1_sl))
        # i号新增加的用户在i+6号的留存率。(即第七日留存率)
        df_data_i_userid_qc_xzj_lc_i_1_lc_rate = '%.2f%%' % ((df_data_i_userid_qc_xzj_lc_i_1_sl/userid_i_xzj_sl) * 100)
        logger.info('{}号新增加的用户的第七日留存率:{}'.format(i, df_data_i_userid_qc_xzj_lc_i_1_lc_rate))
        '''
         # i号的第七日留存率
        '''
        date_i_xzj_userid_qc__lc_i_1_rate_lb = []
        date_i_xzj_userid_qc__lc_i_1_rate_lb.append(i)
        date_i_xzj_userid_qc__lc_i_1_rate_lb.append(df_data_i_userid_qc_xzj_lc_i_1_lc_rate)
        data_i_userid_qc_xzj_lc_i_1_lc_rate_all.append(date_i_xzj_userid_qc__lc_i_1_rate_lb)

# 创建新增用户次日留存率dataframe
df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all = pd.DataFrame(data_i_userid_qc_xzj_lc_i_1_lc_rate_all, columns=['date', '第七日留存率'])
df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all.to_excel(file + '新增用户的第七日留存率.xls', index = False)
print(df_data_i_userid_qc_xzj_lc_i_1_lc_rate_all)

3.1.4变现

购买的次数用户数量累计用户数量累计用户数量占比购买次数>=i的用户数量总的用户数量占比
0578654578654987976987976100.00%
12367858154390.82536316740932298797641.43%
2942049096430.92071366117253798797617.46%
3393139489560.960505113783339879767.93%
4178179667730.978538952390209879763.95%
586749754470.987318518212039879762.15%
646699801160.992044341125299879760.0127
726439827590.99471950778609879760.80%
816169843750.99635517552179879760.53%
910009853750.99736734536019879760.36%
106339860080.99800804926019879760.26%
114539864610.99846656219689879760.20%
123099867700.99877932315159879760.15%
132499870190.99903135312069879760.12%
141659871840.9991983619579879760.10%
变现：复购分析
复购5此以上的用户数量占存在购买行为的用户数量的例：
(987976-975447)/（987976-578654)=3.06%
右图片展示了不同复购次数对应的用户数量，发现复购5次以上的用户仅占存在购买用户的3。06%，发现复购用户的次数很少，商家可以从商品展示、服务质量物流体验方面寻找原因，定位所在问题点，寻求高复购率的突破。

3.2 商品维度分析

商品销售情况 排名 商品类目 排名

3.2.1 商品的销售情况

销量前20的商品关注人数付费人数该款商品的付费率
355752237228877.42%
396458340572917.17%
421908735542486.98%
55518153728452.89%
31221352416120950.04%
426026168729442.79%
1034594103043642.33%
74094782123654.44%
172824175527436.29%
449942593433235.55%
1116492123543034.82%
70555778152553.26%
1910706171141023.96%
4443059123733242.62%
3031354132422972.24%
4438744128624619.13%
257772198628514.35%
3503155210126812.76%
1415828240325110.45%
1535294179332941.64%

 

商品的销售情况分析
1、浏览前20的商品销量也是前20的商品1535294
3031354
4443059
2、浏览前20的商品收藏也是前20的商品有812879
3845720
1535294		2032668
2331370
138964		2453685
2279428
2818406		1583704
3031354
4649427
3、加购前20的商品中也是销量前20的商品705557
740947
1535294		30313544443059
总结
1、浏览与购买存在相关性
2、浏览与收藏存在很强大的相关性
3、加购与购买存在相关性
4、加购与购买的相关性强于浏览与购买的相关性

# -*- coding:utf-8 -*-
import datetime
import os
import time
import pandas as pd
import logging
import os
from methods.logger_info import logger_info
import numpy as np
# logger_info方法实例话对象。
logger = logger_info()

logger.info('开始分析计算相关指标：{}'.format(time.strftime('%Y-%m-%d %H:%M:%S', time.localtime(time.time()))))
# 当前py文件的绝对路径
file = os.getcwd() + '/'
# 上一级文件夹的路径
file_s = os.path.abspath(os.path.join(os.getcwd(), "..")) + '/'
# 输出指定文件夹下的所有的文件名
namelist = os.listdir(file_s)
str1 = '清洗后的电商数据'
# 输出数据分析的文件名，为name
for i in namelist:
    # 当可以找到时间，不返回-1，则表明可以找到。
    if  i.find(str1) != -1:
        name = i
# 默认读取列标签
df_data = pd.read_csv(file_s + name)

'''
# 付费率 = 付费人数/浏览商品的总人数
'''
# 以商品为分组条件，统计每种商品的状态的数量。
# 三个字段，商品id,行为behavior。每个商品在该中行为的数量。
df_data_groupby_item_id_value_counts_behavior = df_data['behavior'].groupby(df_data['item_id']).agg(['value_counts']).reset_index()
# 统计销量前20 的商品。
df_data_groupby_item_id_behavior_buy_q20 = df_data_groupby_item_id_value_counts_behavior[df_data_groupby_item_id_value_counts_behavior['behavior'] == 'buy'].sort_values(by = 'value_counts', ascending = False).iloc[:20, :]
df_data_groupby_item_id_behavior_buy_q20.to_excel(file + '销量前20的商品.xls', index=False)
# 统计销量收藏前20 的商品。
df_data_groupby_item_id_behavior_fav_q20 = df_data_groupby_item_id_value_counts_behavior[df_data_groupby_item_id_value_counts_behavior['behavior'] == 'fav'].sort_values(by = 'value_counts', ascending = False).iloc[:20, :]
df_data_groupby_item_id_behavior_fav_q20.to_excel(file + '收藏前20的商品.xls', index=False)
# 统计销量加购前20 的商品。
df_data_groupby_item_id_behavior_cart_q20 = df_data_groupby_item_id_value_counts_behavior[df_data_groupby_item_id_value_counts_behavior['behavior'] == 'cart'].sort_values(by = 'value_counts', ascending = False).iloc[:20, :]
df_data_groupby_item_id_behavior_cart_q20.to_excel(file + '加购前20的商品.xls', index=False)
# 统计浏览前20的商品。
df_data_groupby_item_id_behavior_pv_q20 = df_data_groupby_item_id_value_counts_behavior[df_data_groupby_item_id_value_counts_behavior['behavior'] == 'pv'].sort_values(by = 'value_counts', ascending = False).iloc[:20, :]
df_data_groupby_item_id_behavior_pv_q20.to_excel(file + '浏览前20的商品.xls', index=False)

# 商品类目的销售情况
df_data_groupby_category_id_value_counts_behavior = df_data['behavior'].groupby(df_data['category_id']).agg(['value_counts']).reset_index()
# 统计销量前20 的商品。
df_data_groupby_category_id_behavior_buy_q20 = df_data_groupby_category_id_value_counts_behavior[df_data_groupby_category_id_value_counts_behavior['behavior'] == 'buy'].sort_values(by = 'value_counts', ascending = False).iloc[:20, :]
df_data_groupby_category_id_behavior_buy_q20.to_excel(file + '销量前20的商品类目.xls', index=False)

# 销量排名前20 的商品id。
df_data_groupby_item_id_behavior_buy_q20_item_id = list(set(df_data_groupby_item_id_behavior_buy_q20['item_id']))
# 销量排名前20 的商品的付费人数以及浏览人数。
# 双重筛选，取交集。
q20_ffl = []
logger.info('销量排名前20的商品有：{}'.format(df_data_groupby_item_id_behavior_buy_q20_item_id))
for i in df_data_groupby_item_id_behavior_buy_q20_item_id:
    q20_i_ffl = []
    q20_i_ffl.append(i)
    # 销量前20的商品中i商品de 消费人数。（已去重）
    item_id_behavior_buy_q20_userid_sl = len(list(set(df_data[(df_data['behavior'] == 'buy') & (df_data['item_id'] == i)]['user_id'])))
    logger.info('销量前20的商品中i商品de 消费人数:{}'.format(item_id_behavior_buy_q20_userid_sl))
    # 销量前20的商品中i商品de 关注人数。（已去重）
    item_id_behavior_q20_userid_sl = len(list(set(df_data[df_data['item_id'] == i]['user_id'])))
    logger.info('销量前20的商品中i商品de 关注人数:{}'.format(item_id_behavior_q20_userid_sl))
    # 商品i的付费率：表示为这款商品付费的人数/浏览这款商品的人数
    if item_id_behavior_q20_userid_sl != 0:
        item_id_i_ffl = '%.2f%%' % ((item_id_behavior_buy_q20_userid_sl/item_id_behavior_q20_userid_sl) * 100)
    else:
        item_id_i_ffl = 0
    logger.info('销量排名前20的商品中，商品{}的付费率为{}'.format(i, item_id_i_ffl))
    # 添加关注人数
    q20_i_ffl.append(item_id_behavior_q20_userid_sl)
    # 添加付费人数
    q20_i_ffl.append(item_id_behavior_buy_q20_userid_sl)
    # 添加付费率
    q20_i_ffl.append(item_id_i_ffl)
    q20_ffl.append(q20_i_ffl)
# 生成销量前20款商品的付费率文件
df_item_id_behavior_buy_q20_all_ffl = pd.DataFrame(q20_ffl,
                                                   columns = ['item_id', '关注人数', '付费人数', '该款商品的付费率']).sort_values(by = '该款商品的付费率', ascending = False)
df_item_id_behavior_buy_q20_all_ffl.to_excel(file + '销量前20的商品的付费率.xls', index = False)


'''
复购率
'''
# 付费人数，购买两次以上的人数。
# 付费人数
item_id_behavior_buy_sl = len(list(set(df_data[df_data['behavior'] == 'buy']['user_id'])))
# 后买两次以上的人数
df_data_groupby_item_id_value_counts_behavior = df_data['behavior'].groupby(df_data['user_id']).agg(['value_counts']).reset_index()
item_id_behavior_buy_dz2_sl = len(list(set(df_data_groupby_item_id_value_counts_behavior[(df_data_groupby_item_id_value_counts_behavior['behavior'] == 'buy')
                                                                                         & (df_data_groupby_item_id_value_counts_behavior['value_counts'] >= 2)]['user_id'])))
# 复购率:指的是消费两次以上的用户数量/付费人数
fgl = '%.2f%%' % ((item_id_behavior_buy_dz2_sl/item_id_behavior_buy_sl) * 100)
logger.info('复购率：{}'.format(fgl))

'''
# 变现：复购分析
'''
# 以user_id为分组的条件，去统计behavior为buy的个数。
# value_counts表示对该字段的统计函数以及生成列的名称
df_data_groupby_user_id_value_counts_behavior =  df_data['behavior'].groupby(df_data['user_id']).agg(['value_counts']).reset_index()
df_data_groupby_user_id_value_counts_behavior.columns = ['user_id', 'behavior', '该用户存在该中行为的次数']

# 筛选购买行为的所有记录
df_data_groupby_user_id_value_counts_behavior_buy = df_data_groupby_user_id_value_counts_behavior[df_data_groupby_user_id_value_counts_behavior['behavior'] == 'buy']
# 基于字段‘该用户存在该中行为的次数’的降序排序
df_data_groupby_user_id_value_counts_behavior_buy = df_data_groupby_user_id_value_counts_behavior_buy.sort_values(by = '该用户存在该中行为的次数', ascending=False)
# 购买次数排名前三的用户
logger.info('购买次数排名前三的用户：{} '.format(df_data_groupby_user_id_value_counts_behavior_buy.iloc[:3, :]))


# 产品的总的关注人数（去重）
item_id_sl = len(set(df_data['user_id']))
# 购买商品的人数（去重），即付费人数
# 统计购买次数为0次的用户数量
item_id_behavior_buy_0_item_id_sl = item_id_sl - item_id_behavior_buy_sl
logger.info("统计购买次数为0次的用户数量:{}".format(item_id_behavior_buy_0_item_id_sl))
# 累计用户数量
user_id_behavior_buy_i_user_id_ljsl = item_id_behavior_buy_0_item_id_sl
logger.info("统计购买次数为0的累计用户数量:{}".format(user_id_behavior_buy_i_user_id_ljsl))


# 最多的购买次数
user_id_behavior_buy_value_counts_max = np.array(df_data_groupby_user_id_value_counts_behavior[df_data_groupby_user_id_value_counts_behavior['behavior'] == 'buy']['该用户存在该中行为的次数']).max()
# 购买i次的用户数量
user_id_behavior_buy_value_counts_lb = [[0, item_id_behavior_buy_0_item_id_sl, user_id_behavior_buy_i_user_id_ljsl]]
for i in range(1,  user_id_behavior_buy_value_counts_max + 1):
    # 筛选字段behavior == 'buy'且字段该用户存在该中行为的次数 == i
    # 购买i次的用户。
    user_id_behavior_buy_i_value_counts_lb = []
    user_id_behavior_buy_i_value_counts_lb.append(i)
    user_id_behavior_buy_i_user_id = list(set(df_data_groupby_user_id_value_counts_behavior[(
                                                                                                        df_data_groupby_user_id_value_counts_behavior[
                                                                                                            'behavior'] == 'buy') & (
                                                                                                        df_data_groupby_user_id_value_counts_behavior[
                                                                                                            '该用户存在该中行为的次数'] == i)][
                                                  'user_id']))
    user_id_behavior_buy_i_user_id_sl = len(user_id_behavior_buy_i_user_id)
    logger.info('购买{}次的用户数量:{}'.format(i, user_id_behavior_buy_i_user_id_sl))
    user_id_behavior_buy_i_user_id_ljsl += user_id_behavior_buy_i_user_id_sl
    logger.info("统计购买次数小等于{}的累计用户数量:{}".format(i, user_id_behavior_buy_i_user_id_ljsl))
    # 累计用户数量占比
    user_id_behavior_buy_i_user_id_ljsl_rate = user_id_behavior_buy_i_user_id_ljsl/item_id_sl
    user_id_behavior_buy_i_value_counts_lb.append(user_id_behavior_buy_i_user_id_sl)
    user_id_behavior_buy_i_value_counts_lb.append(user_id_behavior_buy_i_user_id_ljsl)
    user_id_behavior_buy_i_value_counts_lb.append(user_id_behavior_buy_i_user_id_ljsl_rate)
    user_id_behavior_buy_value_counts_lb.append(user_id_behavior_buy_i_value_counts_lb)

df_user_id_behavior_buy_i_value_counts = pd.DataFrame(user_id_behavior_buy_value_counts_lb, columns=['购买的次数', '用户数量', '累计用户数量', '累计用户数量占比例'])

# 购买次数大于等于i de用户数量
user_id_behavior_buy_di_value_counts_lb_all = []
for i in range(0,  user_id_behavior_buy_value_counts_max + 1):
    user_id_behavior_buy_di_value_counts_lb = [i]
    # 购买次数大等于i次的用户的数量
    df_user_id_behavior_buy_di_value_counts = df_user_id_behavior_buy_i_value_counts[df_user_id_behavior_buy_i_value_counts['购买的次数'] >= i]['用户数量'].sum()
    # 购买次数大等于i次的用户的数量/总的用户数量
    df_user_id_behavior_buy_d5_value_counts_rate = '%.2f%%' % ((df_user_id_behavior_buy_di_value_counts/item_id_sl) * 100)
    user_id_behavior_buy_di_value_counts_lb.append(df_user_id_behavior_buy_di_value_counts)
    user_id_behavior_buy_di_value_counts_lb.append(item_id_sl)
    user_id_behavior_buy_di_value_counts_lb.append(df_user_id_behavior_buy_d5_value_counts_rate)
    user_id_behavior_buy_di_value_counts_lb_all.append(user_id_behavior_buy_di_value_counts_lb)

df_user_id_behavior_buy_di_value_counts_lb_all = pd.DataFrame(user_id_behavior_buy_di_value_counts_lb_all,
                                                              columns=['购买次数i', '购买次数>=i的用户数量', '总的用户数量', '占比'])

# 生成复购分析文件
save_file = file + '复购分析.xls'
writer = pd.ExcelWriter(save_file)
for i in range(2):
    if i  == 0:
        df_user_id_behavior_buy_i_value_counts.to_excel(writer, sheet_name='不同购买次数的用户数量')
    if i == 1:
        df_user_id_behavior_buy_di_value_counts_lb_all.to_excel(writer, sheet_name='购买次数>=i次的用户数量占比')
writer.save()

3.3 时间维度分析

  3.3.1 研究一天内各时段活跃人数

datesbehaviorvalue_counts
2017-11-25pv7912302
2017-11-26pv7515296
2017-11-27pv6906771
2017-11-28pv6718449
2017-11-29pv6920372
2017-11-30pv6985336
2017-12-01pv7320544
2017-12-02pv9135873
2017-12-03pv7693721
datesbehaviorvalue_counts
2017-11-25fav278933
2017-11-26fav272064
2017-11-27fav254041
2017-11-28fav252092
2017-11-29fav258982
2017-11-30fav260748
2017-12-01fav267245
2017-12-02fav343819
2017-12-03fav285106
datesbehaviorvalue_counts
2017-11-25cart501218
2017-11-26cart490790
2017-11-27cart453440
2017-11-28cart444319
2017-11-29cart457954
2017-11-30cart469017
2017-12-01cart519216
2017-12-02cart647386
2017-12-03cart539950
datesbehaviorvalue_counts
2017-11-25buy98146
2017-11-26buy86042
2017-11-27buy84120
2017-11-28buy80615
2017-11-29buy81428
2017-11-30buy81800
2017-12-01buy77664
2017-12-02buy94592
2017-12-03buy80192

 

 3.3.2 研究范围内每日活跃用户数

hoursbehaviorcountsbehaviorcountsbehaviorcountsbehaviorcounts
0cart162494fav90883pv2325668buy26370
1cart192251fav111111pv2808578buy37504
2cart221548fav128074pv3247828buy49803
3cart216068fav126020pv3150231buy47721
4cart211023fav122093pv3172085buy45661
5cart230986fav130592pv3482938buy46333
6cart228792fav128491pv3485147buy45536
7cart234180fav130783pv3617971buy45868
8cart230465fav128883pv3467993buy44173
9cart210636fav119229pv3156021buy39852
10cart208628fav115258pv3244956buy38243
11cart258591fav138917pv4105637buy45367
12cart323804fav165210pv5007207buy52044
13cart383280fav189346pv5750354buy55409
14cart400298fav201005pv5691194buy50740

一天中的每小时行为分析

观察发现各项行为数据变化趋势相同从右边的图中可以发现，流量的高峰大概在13点和14点。流量低峰大概在19点20点之间，可能是由于晚上这段时间，用户上网的概率比较低。外出玩的人比较多。21点之后流量存在明显的回调，说明这段时间比较空闲，上网的概率比较大。

logger.info("数据的记录数量：{}".format(len(df_data)))

# 期间所有的用户
df_data_userid_qc = list(set(df_data['user_id']))
# 访问用户总数UV。表示为期间访问这个网站的人的统计。（去重）
UV = len(df_data_userid_qc)
logger.info('期间访问用户总数为:{}'.format(UV))
# 页面的总的访问量。
# behavior状态为pv的访问的统计。
import numpy as np
df_data_behavior_pv = list(np.array(df_data[df_data['behavior'] == 'pv']['behavior']))
df_data_behavior_pv_sl = len(df_data_behavior_pv)
# 页面的总访问数
PV = df_data_behavior_pv_sl
logger.info('页面总访问数:{}'.format(PV))
df_data_behavior_pv = list(set(df_data[df_data['behavior'] == 'pv']['user_id']))
logger.info('浏览人数:{}'.format(len(df_data_behavior_pv)))
df_data_behavior_buy = list(set(df_data[df_data['behavior'] == 'buy']['user_id']))
logger.info('购买人数:{}'.format(len(df_data_behavior_buy)))
df_data_behavior_fav_cart = list(set(df_data[(df_data['behavior'] == 'cart')|(df_data['behavior'] == 'fav')]['user_id']))
logger.info('收藏加购人数:{}'.format(len(df_data_behavior_fav_cart)))


# 用户的平均访问次数
user_id_pv_mean = PV/UV
logger.info('用户的平均访问次数:{}'.format(user_id_pv_mean))

# 购买商品的转化率
# 两个状态的人数的对比。pv:表示浏览状态→buy:表示购买的状态
# 购买转化率 = 购买产品的人数/浏览的人数
# 存在购买行为的人数
user_id_pv_buy_rate = len(list(set(df_data[df_data['behavior'] == 'buy']['user_id'])))/UV
logger.info('购买行为转化率:{}'.format(user_id_pv_buy_rate))

# 以字段'dates'为分组条件，统计'behavior'字段中不同的元素的数量的统计
df_data_groupby_date_nyr_value_counts_behavior = df_data['behavior'].groupby(df_data['dates']).agg(['value_counts']).reset_index()
#所有的行为
behavior_list = list(set(df_data['behavior']))
# 时间区间
date_nyr_list = list(set(df_data['dates'])).sort(reverse=False)
save_path = file + '每天的用户行为统计.xls'
writer = pd.ExcelWriter(save_path)
for i in behavior_list:
    df_behavior_i = df_data_groupby_date_nyr_value_counts_behavior[df_data_groupby_date_nyr_value_counts_behavior['behavior'] == i].sort_values(by = 'dates', ascending = 'True')
    logger.info("df_behavior_i为{}".format(df_behavior_i))
    if i == 'pv':
        df_behavior_i.to_excel(writer, sheet_name='每天用户行为为pv的人数的变化', index = False)
    if i == 'buy':
        df_behavior_i.to_excel(writer, sheet_name='每天用户行为为buy的人数的变化', index=False)
    if i == 'cart':
        df_behavior_i.to_excel(writer, sheet_name='每天用户行为为cart的人数的变化', index = False)
    if i == 'fav':
        df_behavior_i.to_excel(writer, sheet_name='每天用户行为为fav的人数的变化', index=False)
writer.save()

# 跳转率
# 只是点击浏览一次的用户数量/总用户访问数
df_data_pv = df_data[df_data['behavior'] == 'pv']
df_data_groupby_user_id_value_count_behavior_pv = df_data_pv.groupby('user_id')['behavior'].agg(['value_counts']).reset_index()
user_id_pv_d1 = len(df_data_groupby_user_id_value_count_behavior_pv[df_data_groupby_user_id_value_count_behavior_pv['value_counts'] > 1])
user_id_z = len(df_data_groupby_user_id_value_count_behavior_pv['user_id'])
tzl = '%.2f%%' % ((user_id_pv_d1/user_id_z) * 100)
print(tzl)
logger.info('跳转用户数量：{}'.format(user_id_z - user_id_pv_d1))


# 以字段'hours'为分组条件，统计'behavior'字段中不同的元素的数量的统计
df_data_groupby_date_nyr_value_counts_behavior = df_data['behavior'].groupby(df_data['hours']).agg(['value_counts']).reset_index()
#所有的行为
behavior_list = list(set(df_data['behavior']))
# 时间区间
date_nyr_list = list(set(df_data['hours'])).sort(reverse=False)
save_path = file + '每小时的用户行为统计.xls'
writer = pd.ExcelWriter(save_path)
for i in behavior_list:
    df_behavior_i = df_data_groupby_date_nyr_value_counts_behavior[df_data_groupby_date_nyr_value_counts_behavior['behavior'] == i].sort_values(by = 'hours', ascending = 'True')
    logger.info("df_behavior_i为{}".format(df_behavior_i))
    if i == 'pv':
        df_behavior_i.to_excel(writer, sheet_name='每小时的用户行为为pv的人数的变化', index = False)
    if i == 'buy':
        df_behavior_i.to_excel(writer, sheet_name='每小时的用户行为为buy的人数的变化', index=False)
    if i == 'cart':
        df_behavior_i.to_excel(writer, sheet_name='每小时的用户行为为cart的人数的变化', index = False)
    if i == 'fav':
        df_behavior_i.to_excel(writer, sheet_name='每小时的用户行为为fav的人数的变化', index=False)
writer.save()

 

3.4 用户价值分析

3.4.1 消费次数

用户的消费情况
总的购买次数764599
总的消费用户409322
一般消费用户236785
中频消费用户94204
高频消费用户78333
前20的用户消费次数1558

user_idFF_SCORE用户类型
7020341434高频消费用户
8666701184高频消费用户
1070131154高频消费用户
1003412974高频消费用户
432739824高频消费用户
294043784高频消费用户
337305774高频消费用户
1014116764高频消费用户
98084714高频消费用户
490508694高频消费用户
960681684高频消费用户
469870674高频消费用户
92448674高频消费用户
128379644高频消费用户
78030644高频消费用户
486458634高频消费用户
900581624高频消费用户
122504604高频消费用户
166776594高频消费用户
919666584高频消费用户

 

'''
# 用户价值分层
'''
# 用户价值分层（RFM模型）
# 对R（最近一次购买时间）和F（消费频率）的数据对客户进行评分。
# 筛选购买行为的所有记录
df_data_behavior_buy = df_data[df_data['behavior'] == 'buy']
# 筛选需要的字段
df_data_behavior_buy_yhfc = df_data_behavior_buy[['user_id', 'datetime']]
'''
R时间段的计算
'''
# 本次统计的时间为2017-11-25 到 2017-12-03
# 故以12-03为节点，以下单用户的最近一次下单时间为基期。
# 统计时间段内不同客户到12-03的交易间隔期
# 根据user_id进行分组并找出每位用户date_nyr的最大值的所有的行记录。并重新设置索引。
r = df_data_behavior_buy_yhfc.groupby('user_id')['datetime'].max().reset_index()
# 生成新的一列，为每位用户最近一次购买的间隔天数
r['R'] = (pd.to_datetime('2017-12-03') -  pd.to_datetime(r['datetime'])).dt.days
r.columns = ['user_id', 'g_datetime_max', 'R']

'''
F频次的计算
'''
# 计算期间每位用户的交易频次
# 以user_id为分组条件，计算每位用户的订单数量，即交易频次。
f = df_data_behavior_buy_yhfc.groupby('user_id')['datetime'].count().reset_index()
# logger.info('f为：{}'.format(f))
# 修改列名
f.columns = ['user_id', 'F']
sum_xfch = sum(list(np.array(f['F'])))
logger.info("总的消费次数：{}".format(sum_xfch))
# 降序排序
# f = f.sort_values(by='F', ascending=False)
# f = f.iloc[:20,:]
# print(f)
# f.to_excel(file+"前20名的用户消费的次数.xls", index = False)

# 合并R与F两个字段
rf = pd.merge(r, f, left_on='user_id', right_on='user_id', how='inner')
# 提取需要的字段
rf = rf[['user_id', 'R', 'F']]
# R,F字段的特征
R_t = rf['R'].describe()
# R字段的最大值，最小值，以及四分位置上的值
import math
R_min = int(R_t['min']) - 1
R_0_25 = int(R_t['25%'])
R_0_5 = int(R_t['50%'])
R_0_75 = int(R_t['75%'])
R_max = math.ceil(R_t['max']) + 1

F_t = rf['F'].describe()
F_max = math.ceil(F_t['max']) + 1

# logger.info('rf为{}'.format(rf))
# logger.info("rf['F'].describe()为{}".format(F_t))

# R评分的标准为：R值越小，R的得分越高
rf['R_SCORE'] = pd.cut(rf['R'], bins=[R_min, R_0_25, R_0_5,R_0_75, R_max], labels=[4, 3, 2, 1], right=False).astype(float)
# F值的评分标准为:F值越小的话，F得分越高
# 购买的频次为1时间得分为1，购买的频次为2时，得分为2，购买频次为3时间得分为3.购买频次大于3时间。得分为4
rf['F_SCORE'] = pd.cut(rf['F'], bins=[0, 1, 2, 3, F_max], labels=[1, 2, 3, 4], right=False).astype(float)
rf_f_fc = rf[['user_id', 'F', 'F_SCORE']].sort_values(by='F', ascending=False).iloc[:20,:]
rf_1 = rf.groupby('F_SCORE')['user_id'].count().reset_index()
print(rf_1)

 4.数据处理

4.1 导入数据

4.2数据清洗

4.2.1 理解字段

字段中文名字段说明字段类型
user_id用户id用户标识 int64
item_id商品id商品标识 int64
category_id商品类目id商品类目标识 int64
behavior行为类型用户行为 object
timestamps时间戳行为发生的时间戳 int64

4.2.2 缺失值处理

删除含有缺失值的所有记录

4.2.3 重复值处理

多列判断是否重复。当user_id、item_id、category_id三列的值重复时。去掉重复的记录。

4.2.4 数据一致化

转化时间类型，并添加datetime、dates、hours三个字段

4.2.5 异常值处理

检查日期是否在规定的时间范围内：2017/11/25~2017/12/03

#coding:UTF-8
import datetime
import os
import time
import pandas as pd
import numpy as np
import sys
# 当前py文件的绝对路径
file = os.getcwd() + '/'
# 输出文件假下的所有的文件名
namelist = os.listdir()
str1 = 'User'
# 输出数据分析的文件名，为name
for i in namelist:
    # 当可以找到时间，不返回-1，则表明可以找到。
    if  i.find(str1) != -1:
        name = i
# 设置读取文件时间无列标签。系统默认列标签为0， 1， 2...
df_data = pd.read_csv(file + name,  header=None)
df_data.columns = ['user_id', 'item_id', 'category_id', 'behavior', 'timestamps']
# print(len(df_data))
# 多列判断是否重复。当user_id、item_id、category_id三列的值重复时。去掉重复的行。
df_data_qc = df_data.drop_duplicates(['user_id',  'item_id',  'category_id'])
# print(len(df_data_qc))
# 删除含有缺失值的所有的行。
df_data_qc_qqsh = df_data_qc.dropna()
# print(len(df_data_qc_qqsh))
# 将时间戳修改为格式化的时间格式
# 当时间戳的位数为10位时，将时间戳转化为日期格式使用的参数为：unit='s'
df_data_qc_qqsh['datetime'] = pd.to_datetime(df_data_qc_qqsh['timestamps'], unit='s')
df_data_qc_qqsh['dates'] = df_data_qc_qqsh['datetime'].dt.date
print(list(set(df_data_qc_qqsh['dates'])).sort(reverse=False))



# 当时间戳的位数为13位时，将时间戳转化为日期格式使用的参数为：unit='ms'
# df_data_qc_qqsh['g_datetime'] = pd.to_datetime(df_data_qc_qqsh['timestamps'], unit='ms')
# print(df_data_qc_qqsh)
# 保存列为特定时间内的所有行
# 筛选出时间范围内的所有行
# &符号表示并列的意思，需要同时满足
df_data_qc_qqsh_sxsj = df_data_qc_qqsh[(df_data_qc_qqsh['datetime']  > '2017-11-25 00:00:00') & (df_data_qc_qqsh['datetime']  < '2017-12-04 00:00:00')]

# print(len(df_data_qc_qqsh_sxsj))
# 将dataframe保存为excel,不保存行索引
# 提取日期时间中的日期。
# df_data_qc_qqsh_sxsj['date_nyr'] = df_data_qc_qqsh_sxsj['g_datetime'].dt.strftime('%Y-%m-%d')
df_data_qc_qqsh_sxsj['dates'] = df_data_qc_qqsh_sxsj['datetime'].dt.date
df_data_qc_qqsh_sxsj['hours'] = df_data_qc_qqsh_sxsj['datetime'].dt.hour
print(set(df_data_qc_qqsh_sxsj['dates']))

df_data_qc_qqsh_sxsj.to_csv(file + '清洗后的电商数据.csv', index = False)

5、结论与建议

AARRR模型分析用户使用的各个环节

5.1获取用户：987976

在研究时段内，每天都有新增的用户，但新增用户在递减。

5.2 激活用户

在购物环节中，收藏和加入购物车都是确定购物意向的行为，将这两个行为合并成为购物环节中的一步。
从浏览到有购物意向只有9%的转化率，说明了大多数用户以浏览为主而购买转化比较少，此处为转化漏斗中
需要改善和提高的环节。
建议：1、优化电商平台的搜索匹配和推荐策略，主动根据客户的喜好推荐相关的商品。
      2、给用户提供同类产品的比较功能，让用户不需要多次返回搜索结果反复查看，便于用户确定心仪的产品。
      3、在商品的详情页的展示上突出用户关注的重要信息，减少用户寻找信息的成本。

5.3 留存分析

在26号、27号，留存率存在上升的趋势。三种类型的留存率均维持在60%以上，表现非常优秀的.11-30、12-01较的留存率相较之前有大约20%的上涨。故促销活动能为提升留存率带来一定的正面影响

5.4 增加收入

APP的用户中间有41.5%的付费用户，付费转化率属于中等水平。
有购买行为的用户中，大概有42.15%的用户会重复购买，淘宝APP的复购率相对客观。
应该将经营的重点转化为培养用户的忠诚度上，鼓励用户进行更高频次的消费。
高复购次数的用户少，商家可以从商品质量、服务质量、物流体验三个方面寻找原因，定位问题点，寻求高复购率。
研究用户每天的行为分布、每小时的行为分许
1、在12月2号收藏和加购的数量存在大幅上涨，为周末，故周末多推出营销活动，上班族周末空闲时间的消费欲望还存在很大的挖掘潜力。
2、流量的高峰大概在13点和14点。21点之后流量存在明显的回调，说明这段时间比较空闲，上网的概率比较大。针对高峰期进行营销活动，此时使用人数最多，营销活动可以通过促销，拼团等方式。
通过用户的消费频次找出最具有价值的付费用户群体。
1、通过用户的消费频次找出最具有价值的付费用户群体。对这部分用户的行为进行分析。对于高频消费类型的用户需要重点关注，并且活动投放需要谨慎对待，不要引起用户的反感。
商品的销售情况分析
1、浏览量最高的商品812879没有进入销量前20，销量最高的商品3557522没有进入浏览榜单前20.说明了这些吸引用户更多注意的商品没有很好的转化成实际的销量。
针对浏览量高而销量不高的这部分商品，商家可以从以下几个方面提高销量：
1、诚信吸引用户
2、从用户的角度出发设计详情页信息流展示，便于用户获取信息。
3、优化视频展示形式。
4、评论区评价管理，认真对待差评，分析自身劣势，并做出积极的回应和弥补。
2、商品转化率分析
（1）在销量前20的商品中付费率浏览到购买的转化率达到50%以上的商品数有5个。最高的商品转化率达到77.42%。
（2）浏览前20的商品中存在11个商品也是收藏前20的商品，说明浏览和收藏存在很强的相关性。需要重视这些商品，能够吸引顾客的注意。重点分析，这些商品吸引的顾客的类型，并采取针对性的营销策略。
（3）加购前20的商品中存在5个也是销量前20的商品，说明加购与销量存在很强的相关性质，我们应该重点关注用户加购的商品，说明该用户关注这一类型的商品，并对此采取针对性的营销的策略。
3、用户浏览行为的相关性结论。
（1）浏览与购买存在相关性
（2）浏览与收藏存在很强大的相关性
（3）加购与购买存在相关性
（4）加购与购买的相关性强于浏览与购买的相关性

 

 

 

 

 

 

 

weixin_45983573
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
数据分析实战：淘宝用户行为分析
Robin_Pi的博客
03-02 2580
数据分析实战：淘宝用户行为分析
数据分析实战之淘宝用户行为分析(2) -- 用户行为数据分析
When in April
05-01 1506
数据分析实战之淘宝用户行为分析(2) -- 用户行为数据分析 1. PV分析 2.UV分析
淘宝用户行为分析项目
coffeetogether的博客
06-18 1035
淘宝用户行为分析项目 说明：本项目通过jupter notebook。使用pandas，numpy，matplotlib，seaborn等第三方库。对数据进行不同维度上的分析。 一、项目背景 本数据报告以淘宝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。 二、数据源 链接: https://pan.baidu.com/s/1468_ZeV0N_J1_FSyUgEMeQ 提取
数据分析实战——淘宝用户行为分析
weixin_45712014的博客
07-22 4007
文件名称说明包含特征包含所有的用户行为数据用户ID，商品ID，商品类目ID，行为类型，时间戳数据集包含了2017年11月25日至2017年12月3日之间，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢）。数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔。列名称说明用户ID整数类型，序列化后的用户ID商品ID整数类型，序列化后的商品ID商品类目ID整数类型，序列化后的商品所属类目ID行为类型。
电商淘宝用户行为分析
Sugar_yjl的博客
05-11 2243
一、项目介绍 本次实战的数据是来自阿里巴巴提供的一个淘宝用户行为数据集，用于隐式反馈推荐问题的研究。 数据下载：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1数据下载地址 由于数据过于庞大，自己的电脑性能有限，所以截取了前1000万条数据来进行实验，主要还是懂得方法。 二、分析数据 本数据集包含了2017年11月25日至2017年12月3日之间，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢）。数
Python数据分析实战项目——淘宝用户行为分析
2301_76427842的博客
03-19 2679
根据独立用户维度来看，用户的点击购买转化率较高，但是从整体来看，点击量到购买量的转化率很低，说明用户在点击之后并不一定会购买，在进行大量商品浏览对比之后，才会有购买意向。根据跳失率和复购率来看，用户整体粘性较高，商品具有足够的吸引力并且可以满足用户的需求。可以收集用户画像，进行精准推送，并对用户进行精心维护，减少流失。
Python数据分析案例—淘宝用户行为分析
Sun123234的博客
09-11 4377
Python数据分析案例—淘宝用户行为分析 和鲸社区项目https://www.heywhale.com/mw/project/5df87bc02823a10036aca279
MySQL—淘宝用户行为分析
Wind2814的博客
10-11 1222
该数据初级分析报告使用MySQL进行数据清洗与分析，通过PowerBI可视化呈现。
淘宝用户行为分析项目——MySQL数据分析+Tableau可视化
isla77的博客
07-08 3698
本项目数据是从阿里巴巴天池下载的一份淘宝用户行为的数据集，用于隐式反馈推荐问题的研究
数据分析精华案例-淘宝用户行为分析
04-07
### 数据分析精华案例-淘宝用户行为分析 #### 一、项目背景 随着移动互联网多年的发展，行业已经进入了下半场。在这个阶段，企业不再依赖用户数量的增长红利来推动业务发展，而是转向更加精细化的管理方式。这涉及...
18 - python淘宝用户行为分析
08-11
在本项目"18 - python淘宝用户行为分析"中，我们将深入探讨如何使用Python语言对淘宝用户的在线行为进行数据挖掘和分析。这个项目的核心目标是理解用户的行为模式，包括他们的购买习惯、浏览行为以及可能的兴趣偏好...
淘宝APP用户行为数据分析研究 python代码——data_analysis.ipynb
10-05
淘宝APP用户行为数据分析研究 python代码 分析了淘宝APP用户行为数据记录，根据数据集内容的特征，主要从流量指标、用户类指标、用户行为以及用户购买商品四大方面进行入手分析，以下为本次分析的一些结论和建议。
大数据：淘宝用户行为分析完整报告
12-23
淘宝用户行为分析报告是大数据应用的一个典型实例，它揭示了如何通过收集、处理和解析海量电商数据来洞察消费者行为和趋势。以下是对报告内容的详细解释： 一、项目背景与意义 项目背景主要阐述了在电子商务领域，...
数据分析案例之淘宝用户行为分析完整报告.pdf
12-23
【数据分析在淘宝用户行为分析中的应用】 在电子商务领域，尤其是像淘宝这样的大型在线购物平台，对用户行为的深入分析是优化用户体验、提高转化率和销售额的关键。本案例以淘宝用户行为数据为研究对象，旨在通过...
分布式系统常见软件架构模式
最新发布
Ben的专栏
07-25 949
简而言之，有效管理数据和通信流对于构建健壮且可扩展的分布式系统至关重要。对等、API 网关、发布-订阅、请求-响应、事件溯源、ETL、批处理、流处理和编排等架构模式提供了有价值的解决方案，以应对系统设计和实现中的各种挑战。通过理解这些软件架构和分布式系统模式及其各自的优势和权衡，架构师和开发人员可以做出明智的决策，设计出满足其应用程序和用户不断变化的需求的系统。
SpringBoot整合Elastic-Job 2.1.53版本任务调度，手动任务，动态添加任务演示
小哇
07-23 378
zookeeper安装并成功运行。
数据分析师学习路线与就业环境分析报告
关注收藏，可以私信解决问题！
07-23 954
数据分析师负责收集、处理和分析数据，以帮助企业做出基于数据的决策。他们使用统计方法、数据建模和数据可视化技术来解释复杂的数据集。
江苏科技大学24计算机考研数据速览，有专硕复试线大幅下降67分！
m0_72717598的博客
07-23 484
江苏科技大学（Jiangsu University of Science and Technology），坐落在江苏省镇江市，是江苏省重点建设高校，江苏省人民政府与中国船舶集团有限公司共建高校，国家国防科技工业局与江苏省人民政府共建高校 ，教育部卓越工程师教育培养计划高校，教育部本科教学工作水平评估优秀学校，江苏省高水平大学建设高峰计划B类建设高校，中国船舶与海洋工程产业知识产权联盟、江苏船舶与海洋类高校协同发展联盟牵头单位。其中，研究生新生学业奖学金特等奖3万，一等奖1.2万，二等奖0.8万；
淘宝用户行为分析hadoop
09-09
Hadoop 是一个开源的分布式处理框架，可以用于处理大规模数据集。对于淘宝用户行为分析，Hadoop 可以发挥重要作用。 首先，Hadoop 提供了 Hadoop Distributed File System (HDFS)，可以存储大规模的数据集，并具备高容错性和可扩展性。淘宝的用户行为数据可以通过 HDFS 进行存储和管理。 其次，Hadoop 的核心组件之一是 MapReduce，通过它可以进行数据的并行计算和分布式处理。对于淘宝用户行为数据的分析，可以使用 MapReduce 编写相应的任务，对数据进行清洗、转换和聚合等操作。 此外，Hadoop 生态系统中还有许多相关工具和框架，如 Hive、Pig、Spark 等，可以与 Hadoop 配合使用，提供更高级的数据处理和分析功能。例如，可以使用 Hive 进行数据仓库的构建和查询，使用 Spark 进行实时数据处理和机器学习等。 总之，通过 Hadoop 及其生态系统工具，可以实现对淘宝用户行为数据的存储、处理和分析，为淘宝提供更深入的洞察和决策支持。
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