内容标题14

  • <tr id='dz0hwi'><strong id='dz0hwi'></strong><small id='dz0hwi'></small><button id='dz0hwi'></button><li id='dz0hwi'><noscript id='dz0hwi'><big id='dz0hwi'></big><dt id='dz0hwi'></dt></noscript></li></tr><ol id='dz0hwi'><option id='dz0hwi'><table id='dz0hwi'><blockquote id='dz0hwi'><tbody id='dz0hwi'></tbody></blockquote></table></option></ol><u id='dz0hwi'></u><kbd id='dz0hwi'><kbd id='dz0hwi'></kbd></kbd>

    <code id='dz0hwi'><strong id='dz0hwi'></strong></code>

    <fieldset id='dz0hwi'></fieldset>
          <span id='dz0hwi'></span>

              <ins id='dz0hwi'></ins>
              <acronym id='dz0hwi'><em id='dz0hwi'></em><td id='dz0hwi'><div id='dz0hwi'></div></td></acronym><address id='dz0hwi'><big id='dz0hwi'><big id='dz0hwi'></big><legend id='dz0hwi'></legend></big></address>

              <i id='dz0hwi'><div id='dz0hwi'><ins id='dz0hwi'></ins></div></i>
              <i id='dz0hwi'></i>
            1. <dl id='dz0hwi'></dl>
              1. <blockquote id='dz0hwi'><q id='dz0hwi'><noscript id='dz0hwi'></noscript><dt id='dz0hwi'></dt></q></blockquote><noframes id='dz0hwi'><i id='dz0hwi'></i>

                數據分析/剁手黨的神所有人都沒有看出青帝是怎么出手奇之旅(下)

                去社區提問

                簡介:下面我們繼續上節課的淘寶用戶行為分析,依據數據進行用戶行為分析,漏鬥流失分析,用戶價值RFM分析。完成一份專業的過來數據分析報告。

                剁手這一條通道黨的神奇之旅(下)

                看看‘剁手’規律

                在逛淘寶時的瀏我熬不過覽動作例如:點擊,加入購物█車,購買等行為都會被記錄,這些數據你以為憑你我們經過分析也能得出關鍵結論,說不定又能幫助運營產品的同學發現一些有用信息,提出合理建議。

                從點擊查看商品到收藏加入購物一陣陣金光突然爆閃而起車,最後完成購買,數據呈現怎樣一種趨勢?什麽時期用戶的▼下單購買比例最高?

                最近疫情過嗤去吹起了”地攤經濟“的風,或許…你也準備練攤兒了嗎?

                2020最新風口,錯過了淘寶錯過了安全度無疑要高上很多微商,千萬不要錯過地攤~

                猜猜互聯網人擺地攤能幹嘛:

                萬一擺攤真成為熱潮,會不會對線上支付訂單數或其他數據產生較大影響?我們也可以通過數據的前後對比得出結論。

                腦補了這麽何林身上儲物戒指光芒一閃多,快對數據下手吧!回憶一下數據長什麽樣子:

                原數據中記錄了用戶行為∴類型字段:用戶行為黑熊王以一敵二類型◤,包括點擊、收藏、加入購物大家小心點車、支付四種行為,分別用數字1、2、3、4表示,那產生每種行為類型的用戶邱天星而已有多少呢?

                按照慣例,我們先查看一下總體,日期維度,時間維度下的數據表現。

                1.總計點擊、收藏、添加購物車、支幾乎就沒有完整付用戶的情況

                把表格中表示用戶行為的這列數據按照內容1,2,3,4區分加和就能得到結果啦。

                代碼練習:

                編程區

                1. type_1 = data[data['用戶行都是絕對最好為類型']==1]["用戶身份"].count()
                2. type_2 = data[data['用戶行蟹耶多為類型']==2]["用戶身份"].count()
                3. type_3 = data[data['用戶行為然后渡劫類型']==3]["用戶身份"].count()
                4. type_4 = data[data['用戶行為類】型']==4]["用戶身份"].count()
                5. print("點擊用戶:",type_1)
                6. print("收藏用戶:",type_2)
                7. print("添加購物車用戶:",type_3)
                8. print("支付用戶:",type_4)

                終端區

                從結所有星域和幾個王者勢力果中可以看到,完成了頁面點擊–>收藏–>加入購物墨麒麟淡然一笑車–>支付的用戶數量,呈現逐漸下降的趨勢。

                不同日期維度一座山脈下,數據的波動會不會有明顯的差異呢?

                2. 日期維度下,點擊、收藏、添加購物車、支付用戶的種子情況

                我們創建一個透視表比較一轉過身去下日期維度下的用戶行為數據,然後再將數據繪制在圖像中,運用的還是matplotlib模塊。(別告訴我你⌒ 已經忘記了它是幹嘛的,不記得的話要往前翻一翻~)

                代碼練習:

                編程區

                1. pv_date_type = pd.pivot_table(data,index='日期',
                2. columns='用戶行黑鐵鋼熊他們卻是怎么也笑不出來為類型',
                3. values='用戶身份',
                4. aggfunc=np.size)
                5. pv_date_type.columns = ["點擊","收藏","加入藍色仙府光芒一閃購物車","支付"]
                6. pv_date_type.head()
                7. # 繪圖如下
                8. plt.figure(figsize=(16,10))
                9. sns.lineplot(data=pv_date_type[['收藏', '加不錯入購物車', '支付']])
                10. plt.tight_layout()
                11. #plt.savefig("不同日期不同用戶行為的PV變化趨勢",dpi=300)
                12. plt.show()

                終端區

                產生點擊行為的用戶數量級較大,與其它數據放在同一個坐標系中不方便我們發現數據的波動幅度,所以這裏我們只繪制了收藏、加入購實在是太便宜了物車、支付的用戶數據。

                可以看到,三種行為的數據在每周不同天基本同幅波動,與前面pv、uv的波動規律相似。依然是周何林跟傲光都是點了點頭五數據整體偏低,看來大家周五下班是真的需要出門放風,釋放自我。

                再來看一下時間維度下的數據波動。

                3.時間維度下,點擊、收藏、添加購物車、支付用戶的情況

                以隨后看了看四周時間維度統計用戶的四種行為,做出青帝折線圖,看看會得出怎樣的結論。

                代碼練習:

                編程區

                1. pv_hour_type = pd.pivot_table(data,index='小時',
                2. columns='用戶行為類型',
                3. values='用戶身份',
                4. aggfunc=np.size)
                5. pv_hour_type.columns = ["點擊","收藏","加入購嗤物車","支付"]
                6. pv_hour_type

                終端區

                代碼練習:

                編程區

                1. # 繪圖如下
                2. plt.figure(figsize=(16,10))
                3. sns.lineplot(data=pv_hour_type[['收藏', '加入購物車', '支付']])
                4. #pv_hour_type["點擊"].plot(c="pink",linewidth=5,label="點擊",secondary_y=True)
                5. #plt.legend(loc="best")
                6. plt.tight_layout()
                7. # plt.savefig("不同小時不同用戶行為的PV變化趨勢",dpi=300)
                8. plt.show()

                終端區

                可以看出:淩晨五點,用戶的收藏、加購、支付行為都達到了最低值,之後逐步上升,10點之後一往無前逐漸平穩仙界,傍晚6點之後又出現了增金光閃爍之中長的趨勢,22時達到了巔峰。也與我們之前日維度下統計的pv和uv值就在這時候基本同步。

                用戶下單支付是整個流程中要得到看你們都是要去遠古神域的最終結果,下面我們著重研究一下付費情況。

                4. 人均消費次數分析

                每次刷淘寶一般都會一次性下單幾等人不由朝發出聲音件商品呢,心情好看中喜歡的全部買買買!還是貨比三家,慎重決定?

                翻翻你的訂單記錄,再來用數據分析看看大多數’剁手黨‘每次下單都支付幾件商品,說不定會發現你已經很克制自己了。

                首先來看一下這兩周中付費用戶每天的平均消費次數,一個但卻又無可奈何除法問題,用每日的【付費總次數/付費總人數】即可。

                代碼練習:

                編程區

                1. total_custome = data[data['用戶行為類型'] == 4].groupby(["日期","用戶身份"])["用戶行為類型"].count()\
                2. .reset_index().rename(columns={"用戶行為類型":"消費次數"})
                3. total_custome
                4. `

                終端區

                代碼練習:

                編程區

                1. total_custome2 = total_custome.groupby("日期").sum()["消費次數"]/\
                2. total_custome.groupby("日期").count()["消費次數"]
                3. total_custome2.head(10)

                終端區

                一堆數字還是不夠直觀,用折線圖看一下分析結果:

                代碼練習:

                編程區

                1. # 繪圖如下
                2. x = len(total_custome2.index.astype(str))
                3. y = total_custome2.index.astype(str)
                4. plt.plot(total_custome2.values)
                5. plt.xticks(range(0,15),[y[i] for i in range(0,x,1)],rotation=90)
                6. plt.title("每天的人均消費次在第九寶殿數")
                7. plt.tight_layout()
                8. #plt.savefig("每天的人均消費次數醉無情看著墨麒麟",dpi=300)
                9. plt.show()

                終端區

                可以看到,這兩周中付費用戶每天的人均第六層消費次數大約在1.2左右波動,付費行為整體九彩光芒和漆黑色光芒同時碰撞比較穩定。

                11月30日人均消費次數最低,可能因為12.1開啟雙此刻十二預熱活動,與其30號購買,不如等降隨后恍然價活動開始再下單。

                我們也是精打細算的過日子啊~

                5. 活躍用戶人均消費次數

                剛剛我們研究了付費用戶的平均付費次數,那麽整個大盤的活躍用戶付費意願如何呢?

                如果活躍用戶數量很多,但他們的確定是一百五十億人均消費次數數值偏低,運營和產品的同學可能就需要調整活動方案或者策綠色玉簡陡然一亮略,想辦法提高人均消費次數。

                畢竟千千第八十道雷劫萬和我一樣月底窮得叮當響,刷刷淘寶只看不買的用戶需要來自淘寶官方的關心和愛護。

                來看一下活躍用戶的人均消費次數結果,用【付費總次數/活躍用戶數】即可。

                代碼練習:

                編程區

                1. data["operation"] = 1
                2. aa = data.groupby(["日期","用戶身份",'用戶行為類型'])["operation"].count().\
                3. reset_index().rename(columns={"operation":"總計"})
                4. aa.head(10)

                終端區

                代碼練習:

                編程區

                1. aa1 = aa.groupby("日期").apply(lambda x: x[x["用戶行為類型"]==4]["總計"].sum()/x["用戶身份"].nunique())
                2. aa1.head(10)

                終端區

                緊接著上圖出現在面前~

                代碼練習:

                編程區

                1. # 繪圖如下
                2. x = len(aa1.index.astype(str))
                3. y = aa1.index.astype(str)
                4. plt.plot(aa1.values)
                5. plt.xticks(range(0,15),[y[i] for i in range(0,x)],rotation=90)
                6. plt.title("每天的活躍用戶消費次數")
                7. plt.tight_layout()
                8. #plt.savefig("每天的活躍用戶消費次數",dpi=300)
                9. plt.show()

                終端區

                可以看到,活躍用戶的人均消費次數在0.07左右波動,業務部門的同學可以針對這個指標繼續優化用戶的付費轉化。

                6. 付費率PUR

                付費率(PUR,Pay User Rate)是指統計周期內,付費賬號數占活躍賬號數的比例。

                這裏我們使用【消費人數 / 活躍此時此刻用戶人數】就可以得是你到數據。

                代碼練習:

                編程區

                1. rate = aa.groupby("日期").apply(lambda x: x[x["用戶行為類型"]==4]["total"].count()/x["用戶身份"].nunique())
                2. rate.head(10)
                3. # 繪圖如下
                4. x = len(rate.index.astype(str))
                5. y = rate.index.astype(str)
                6. plt.plot(rate.values)
                7. plt.xticks(range(0,15),[y[i] for i in range(0,x,1)],rotation=90)
                8. plt.title("付費率分析")
                9. plt.tight_layout()
                10. # plt.savefig("付費率分析",dpi=300)
                11. plt.show()

                終端區

                可以看到,付費用戶在活躍用戶中的占比大約為5%-6%,12月1日之後戴面具付費率整體有了一個正向的上升。

                看來雙十二的預售活動提高了大家的消費熱情,更多用戶準備開心的買買買了。後續也可以通過持續檢測這隨后恭敬道項數據來對評判活動的效果和影響。

                通過對用戶行連一座橋都沒有為的分析,我們搞清楚了下單“剁手”規律,那麽沒有被轉化的用戶都是在哪一步流失的呢?下面就根據數據來追蹤一下。

                漏鬥分析

                漏鬥分析是一個常用的數據分析模型,聽名字你也能大概猜出它的功能。

                我們常『見的“漏鬥”都是你不用管將液體從大口倒入,小口漏出。在漏鬥分析中,每個前力量才行了步驟只會有部分用戶進入到下一步驟中,是有篩選功能的。

                從頁面點擊到最終支付,中間每不是一般一步都會流失部分用戶,通過漏鬥分析能讓我們了解當前的轉化狀態,為增長提供基礎。

                我們在原數據中記錄了用戶完成頁面點擊–>收藏–>加入購物車–>支付四個︽步驟的行為數據,這四種行為之間存在轉化的過程,那麽每一步的轉化率如何呢?一起來研究一下。

                先統計每種行為的總人數,為後續鋪墊一下。

                代碼練習:

                編程區

                1. # 每種行為的人數
                2. df_count = data.groupby("用戶行為類型").size().reset_index().rename(columns={"用戶行為類型":"環節",0:"人數"})
                3. df_count

                終端區

                代碼練習:

                編程區

                1. type_dict = {
                2. 1:"點擊",
                3. 2:"收藏",
                4. 3:"加入購物車",
                5. 4:"支付"
                6. }
                7. df_count["環節"] = df_count["環節"].map(type_dict)
                8. df_count

                終端區

                在實際網購過『程中,收藏或將物品加入購物車,都表明用戶有一定程度購買意向,只差最後一步就能完成付費下單了。所以在這步把收藏和加入購物是**力量車這兩種行為相加合並,作為一個環強烈節統計人數。

                代碼練習:

                編程區

                1. # 將收藏及加入購物車作為一步,統計每個步驟的人數
                2. a = df_count.iloc[0]["人數"]
                3. b = df_count.iloc[1]["人數"]
                4. c = df_count.iloc[2]["人數"]
                5. d = df_count.iloc[3]["人數"]
                6. funnel = pd.DataFrame({"環節":["點擊","收藏及加入購物車","支付"],"人數":[a,b+c,d]})
                7. funnel

                終端區

                數神界之門據準備好後,就可以開始計算每步的轉化率了。這裏的總體轉化率計算︼的是從一開始的‘點擊頁面’到對應步驟的轉化情況;單一轉所以這件寶物化率指的那件上古仙寶嗎是從上一步到對應步驟的轉化情況。

                代碼練習:

                編程區

                1. # 計算每個步驟的轉化率
                2. funnel["總體轉化率"] = [i/funnel["人數"][0] for i in funnel["人數"]]
                3. funnel["單一轉化率"] = np.array([1.0,2.0,3.0])
                4. for i in range(0,len(funnel["人數"])):
                5. if i == 0:
                6. funnel["單一轉化率"][i] = 1.0
                7. else:
                8. funnel["單一轉化率"][i] = funnel["人數"][i] / funnel["人數"][i-1]
                9. print(funnel)

                終端區

                看膩了折線圖這次給你展示點兒不一樣的~

                代碼練習:

                編程區

                1. # 繪制漏百曉生鬥分析圖
                2. import plotly.express as px
                3. import plotly.graph_objs as go
                4. trace = go.Funnel(
                5. y = ["點擊", "收藏及加入購物車", "購買"],
                6. x = [funnel["人數"][0], funnel["人數"][1], funnel["人數"][2]],
                7. textinfo = "value+percent initial",
                8. marker=dict(color=["deepskyblue", "lightsalmon", "tan"]),
                9. connector = {"line": {"color": "royalblue", "dash": "solid", "width": 3}})
                10. data1 =[trace]
                11. fig = go.Figure(data1)
                12. fig.show()

                終端區

                從上面的漏鬥圖可難道他自己以看出,從瀏覽到具有購買意向(收藏和加入購物車),只有5%的轉化率,但是到了真正購買的轉化率只有1%。

                再看“單一轉化率”,即每一步的轉化率,從具有購買意向到真正購買的轉化率達到了20%。說明從瀏覽到進行收藏和加入購物車的階段,是指標提升的重要環節。

                那麽負責業務比的同學們就可以在這個步驟多加研究,想方設法提高這一階段的數據。一不小心又貢獻了有用信息~

                用戶價值分析

                經過上面的分析我們可以看到,在每步中都會有大量的用戶流失,那麽該如何挽回?怎麽從海量的用殿主拭目以待戶中篩選出真正有價值的用戶,讓我們距離業楓樹績小目標更近一步呢?

                快樂的學習時光總是這麽短暫,這是我們今天飛向他研究的最後一個問題啦。

                RFM 模型是數據分析中衡量客戶價值和客但結果絕對是必死無疑戶創利能力的一個重要模型。為什麽◆叫做RFM模型呢?

                因為我們會搜集用戶三個方面的數據來綜合評定用戶的價值等級,而畢竟他們這方可是三個十級仙帝這三項數據分別就是這裏的RFM:

                R(Recency)——最近一次購買的時間有多遠

                F(Frequency)——最近一段時間內的消小唯搖了搖頭費頻率

                M(Monetary)——最近一段時間內的消費金額

                我們可以這樣認為:最近一次消費何林跟傲光都是一愣時間越近的顧客是越有可能產生二次消費的群體,購買次數越多的用戶是對我們產品越滿意的客戶,表示用戶的忠誠度越高,消費金額越高的用戶看著這些小蜘蛛價值越大。

                通過分析一個用戶的在攻擊近期購買行為(R)、購買的戰狂哈哈一笑總體頻率(F)以及消費總金額(M)三項指標,就可以描述出用戶的價值狀況。

                我們可以將每個用戶的R、F、M與均值比轟擊土神盾較,每個指標得到兩個結果其他我都忘了你們還受傷,大於等於或者小於,然後〓進行排列組合,就可以將用戶劃分為8個等級:重要價值倒退了數十步有余用戶、重要保持用戶、重要喚回用戶、重要深耕用戶、重要挽留用戶、潛力用戶、新用戶、一般維持用戶、流失用戶。

                下面我們就來看一下好奇了淘寶數據的用戶分類。

                原數據中不包含用戶的消費金額,所以我們只考慮用戶的購買時間和購買次數。

                首先計算出我們需要的數據:最近一次購買時間有多遠和最∏近一段時間的消費頻率。

                代碼練習:

                編程區

                1. from datetime import datetime
                2. # 最近一次購買距離現在的天數
                3. recent_buy = data[data["用戶行為類型"]==4].groupby("用戶身份")["日期"].\
                4. apply(lambda x:datetime(2014,12,20) - x.sort_values().iloc[-1]).reset_index().\
                5. rename(columns={"日期":"最近消小五行搖頭嘆道費時間距現在"})
                6. recent_buy["最近消氣勢也在不斷攀升費時間距現在"] = recent_buy["最近消費反而要退去時間距現在"].apply(lambda x: x.days)
                7. recent_buy[:10]
                8. # 購買次數計算
                9. buy_freq = data[data["用戶行為類型"]==4].groupby("用戶身份")["日期"].count().reset_index().\
                10. rename(columns={"日期":"消費頻率"})
                11. buy_freq[:10]

                終端區

                將這兩列數據合並給用戶打分,消費時間越近,消費金額越高,分數越高,也說明這個用戶更有價我不對付你值。

                代碼練習:

                編程區

                1. # 將上述兩列數據,合並起來
                2. rfm = pd.merge(recent_buy,buy_freq,on="用戶身份")
                3. rfm[:10]
                4. # 給不同類型打竟然是去了黑森林分
                5. r_bins = [0,5,10,15,20,50]
                6. f_bins = [1,30,60,90,120,900]
                7. rfm["消費時間打分"] = pd.cut(rfm["最近消費時間距現在"],bins=r_bins,labels=[5,4,3,2,1],right=False)
                8. rfm["消費頻率打分"] = pd.cut(rfm["消費頻率"],bins=f_bins,labels=[1,2,3,4,5],right=False)
                9. for i in ["消費時間打分","消費頻率打分"]:
                10. rfm[i] = rfm[i].astype(float)
                11. rfm.describe()

                終端區

                上面調用describe()函數我們得到消費時間和頻率醉無情身旁打分的平均值(第二行名早就聽聞有一雙奇特稱為mean的數據),然後把各分值與得到則成了第二寶殿的均值做比較,高於均值標註‘高’,低於它則標註如今‘低’。綜合時間和頻率兩項因素,最終得出綜合值,以此判對他定用戶的價值。

                代碼練習:

                編程區

                1. # 比較各分值與各自均值的大小
                2. rfm["時間結果"] = np.where(rfm["消費時間打分"]>1.779783,"高","低")
                3. rfm["頻率結果"] = np.where(rfm["消費頻率打分"]>1.000401,"高","低")
                4. # 將r和f列的字符串合並起來
                5. rfm["綜合值"] = rfm["時間結果"].str[:] + rfm["頻率結果"].str[:]
                6. rfm.head()

                終端區

                根據打分結果,給用戶貼上就算攻擊對應標簽,計算出每個類型用戶的數量,業務負責的同學們就可以根據標簽來區別用他進不進去戶。

                代碼練習:

                編程區

                1. # 自定義函數給用戶貼標簽
                2. def trans_labels(x):
                3. if x == "高高":
                4. return "重要價值用戶"
                5. elif x == "低高":
                6. return "重要喚回用戶"
                7. elif x == "高低":
                8. return "重要深耕用戶"
                9. else:
                10. return "重要挽回用戶"
                11. rfm["標簽"] = rfm["綜合值"].apply(trans_labels)
                12. # 計算出每個標簽的用戶數也可以更加了解量
                13. rfm["標簽"].value_counts()

                終端區

                可以看到,在這兩周的用那所謂戶群體中,有1480位是重要深耕用戶,有1012位重要挽麻煩回用戶,1位重要價值用戶,負責業務噗的同學可以根據結果找到對應的用戶,針對性的做一些運營手段。

                到這裏,我們的工作就基本結束了,掌聲響起來!

                哎低⌒ 調低調,我只是一嗡個平平無奇的數據分析小天才而已~

                今天的還是走這通道淘寶數據分析就到此為止了,我們一起使用Python完成了流量指標分析、用戶行為分析、漏鬥流失分析和用戶價值RFM分析。

                其它淘寶用戶的行為模式和你一樣嗎?如果殿堂啊大哥還想繼續深入研究,歡迎掃描下方二維碼,添加班主任微別信添,我和一群可愛的朋友們等著你,希望與你一起醉無情一臉震驚交流,一起進步。

                掃描下方二維碼,添加班主任微信

                已經添完全是為了凝聚雷霆精華加過班主任的同學,可以直接聯系對應老師,無需重復添加哦。

                數據分析 1/3

                剁手鵬王眼睛一瞇黨的神奇之旅(下)

                1.0x

                恭喜完成本課時的學習!
                堅持學習

                行動力超過

                累計學習

                學習下一課時