用户行为分析

一、报告目的 电子商务在发展过程中越来越注意消费者的用户体验，淘宝是深受中国消费者喜欢的电子商务平台，本文试图通过研究淘宝商城消费者的用户行为和潜在的需求，帮助企业制定个性化的营销方案，提高平台的运行效率。 二、数据概况 2.1 数据来源 本文的数据来自天池数据集https://tianchi.aliyun.com/dataset/dataDetail?dataId=46 2.2 数据的基本情况 （1） 数据共有1200万条，选取其中的20万条作为报告内容。 （2） 数据清洗：清洗异常值、重复值、日期格式转换、构造新特征 （3） 数据概览 三、分析思路 3.1 流量分析 pv uv 跳失率 平均访问量，结合时间维度进行分析 3.2 用户分析 用户点击、收藏、加购、新增用户情况、用户复购率分析用户情况，用户价值模型分类 3.3 产品分析 主要产品结构、爆款产品分析 3.4 转化分析 四、分析过程 4.1 数据清洗 # 数据清洗 import pandas as pd import matplotlib.pyplot as plt import seaborn as sns data = pd.read_csv('UserBehavior.csv',nrows=200000, header=None, names= ['用户ID','商品ID','商品类目ID','行为类型','时间戳

工作之后经常听到数据埋点这个词，但不明白埋点是什么。一下答案参考知乎大神的答案 知乎原文：https://www.zhihu.com/question/36411025 第一个答案 作者：大头鱼 链接： https:// zhuanlan.zhihu.com/p/25 195217 来源：知乎 著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。 所谓埋点就是在应用中特定的流程收集一些信息，用来跟踪应用使用的状况，后续用来进一步优化产品或是提供运营的数据支撑，包括访问数（Visits），访客数（Visitor），停留时长（Time On Site），页面浏览数（Page Views）和跳出率（Bounce Rate）。这样的信息收集可以大致分为两种：页面统计（track this virtual page view），统计操作行为（track this button by an event）。 数据埋点的方式 现在埋点的主流有两种方式： 第一种：自己公司研发在产品中注入代码统计，并搭建起相应的后台查询。 第二种：第三方统计工具，如友盟、神策、Talkingdata、GrowingIO等。 如果是产品早期，通常会使用第二种方式来采集数据，并直接使用第三方分析工具进行基本的分析。而对于那些对数据安全比较重视，业务又相对复杂的公司则通常是使用第一种方式采集数据

对于数据统计分析或者数据挖掘而言，用户是个非常重要的维度，也是统计分析能落地的基础。一般而言，咱们追踪或者识别一个用户的首选方案是 userID，大多数公司的产品都会要求用户注册、登录操作，都存在一个类似 UMC 的数据库，管理和标示所有的用户。但这有个前提条件，就是你所在的公司业务必须以闭环为主（比如 qq、微信、淘宝等）。如果产品没有形成闭环，用户就不会主动去注册、登录，那上面通过 userID 数据库来管理、追踪用户行为的方案就不行了。比如BBS站点或者广告联盟都会非常想要一种技术方式可以在网络上精确定位到每一个个体，这样可以通过收集这些个体的数据，通过分析后更加精准的去推送广告（精准化营销）或其他有针对性的一些活动。当用户访问一个网站时，网站生成一个含有唯一标示符（UUID）的信息，并通过这个信息将用户所有行为（浏览了哪些页面？搜索了哪些关键字？对什么感兴趣？点了哪些按钮？用了哪些功能？看了哪些商品？把哪些放入了购物车等等）关联起来。那这种情况下有没有可能有其它的技术方案去管理追踪这种游客态用户呢？ 答案或许很多同学会回答用 cookie。是的，对于游客态用户而言，常用的身份识别方案就是使用 cookie，技术实现难度小，成本相对很低廉。那是不是使用 cookie 就万事大吉了呢？准确性、稳定性、可辨识性怎么样？下面咱们就来深入探讨下 cookie

一、项目背景和目的 项目数据来源于 https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1 ，通过此项目学习电商数据分析的指标与数据分析的基本方法。 二、分析维度 根据现有数据及分析目的，从四个维度进行分析： 第一个维度：用户购物情况整体分析 以PV、UV、平均访问量、跳失率等指标，分析用户最活跃的日期及活跃时段，了解用户行为习惯 第二个维度：商品购买情况分析 从成交量、人均购买次数、复购率等指标，探索用户对商品的购买偏好，了解商品的销售规律 第三个维度：用户行为转化漏斗分析 从收藏转化率、购物车转化率、成交转化率，对用户行为从浏览到购买进行漏斗分析 第四个维度：参照RFM模型，对用户进行分类，找出有价值的用户 三 、分析正文 分析步骤如下： 提出问题------理解数据------数据清洗------构建模型------数据可视化 （一）提出问题 用户最活跃的日期及时段 用户对商品有哪些购买偏好 用户行为间的转化情况 用户分类，哪些是有价值的用户 （二）理解数据 用户行为类型又分为四种： pv： 商品详情页pv，等价于点击 buy：商品购买 cart：商品加入购物车 fav：收藏 (三）数据清洗 包含数据导入（采用Navicat）、缺失值处理、一致化处理、异常值处理（2017.11.25到2017.12