用python分析1225万条淘宝数据，终于搞清楚了我的交易行为

1）项目背景

  网购已经成为人们生活不可或缺的一部分，本次项目基于淘宝app平台数据，通过相关指标对用户行为进行分析，从而探索用户相关行为模式。

2）数据和字段说明

  本文使用的数据集包含了2014.11.18到2014.12.18之间，淘宝App移动端一个月内的用户行为数据。该数据有12256906天记录，共6列数据。

• user_id：用户身份

• item_id：商品id

• behavior_type：用户行为类型(包括点击、收藏、加入购物车、支付四种行为，分别用数字1、2、3、4表示)

• user_geohash：地理位置

• item_category：品类id(商品所属的分类)

• time：用户行为发生的时间

3）分析的维度

• 流量指标分析

• 用户行为分析

• 漏斗流失分析

• 用户价值RFM分析

4）电商常用分析方法

5）什么是漏斗分析？

“漏斗分析”是一套流程式数据分析，它能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况的一种重要分析模型。

结果如下：

1）计算缺失率

结果如下：

2）删除地理位置这一列

3）处理时间time列，将该列拆分为date日期列，和hour小时列

结果如下：

4）将time、date列都变为标准日期格式，将hour列变为int格式

结果如下：

5）将数据按照time列，升序排列

解果如下：

6）删除原始索引，重新生成新的索引

结果如下：

知识点：注意reset_index()中传入参数drop的这种用法。

7）使用describe()函数查看数据的分布，这里使用了一个include参数，注意一下

结果如下：

知识点：注意describe()函数中传入参数include的用法。

8）对时间数据做一个概览

结果如下：

1）流量指标的处理

pv：指的是页面总浏览量。每个用户每刷新一次网页，就会增加一次pv。

uv：指的是独立访客数。一台电脑一个ip也就是一个独立访客。实际分析中，我们都是认为每个人只使用一台电脑，即每一个独立访客代表一个用户。

① 总计pv和uv

结果如下：

结果分析：从图中可以看到，该网站页面的总浏览量为12256906次，该页面的独立访客数共有10000个。

② 日期维度下的uv和pv：uv表示页面总浏览量，pv表示独立访客数

结果如下：

绘图如下：

结果分析：从图中可以看出，pv和uv数据呈现高度的正相关。双12前后，pv和uv都在350000-400000之间波动，双十二的时候，页面访问量急剧上升，证明这次活动的效果很好。

③ 时间维度下的pv和uv

结果如下：

绘图如下：

结果分析：从图中可以看出，晚上22：00-凌晨5：00，页面的访问用户数量和访问量逐渐降低，该时间段很多人都是处在休息之中。而从早上6：00-10：00用户数量逐渐呈现上升趋势，10：00-18：00有一个比较平稳的状态，这个时间段是正常的上班时间。但是18：00以后，一直到晚上22：00，用户剧烈激增，一直达到一天中访问用户数的最大值。运营人员可以参考用户的活跃时间段，采取一些促销活动。

2）用户行为指标

① 总计点击、收藏、添加购物车、支付用户的情况

结果如下：

结果分析：从图中可以看到，用户进行页面点击–>收藏和加如购物车–>支付，逐渐呈现下降趋势。关于这方面的分析，将在下面的漏斗图中继续更为深入的说明。

② 日期维度下，点击、收藏、添加购物车、支付用户的情况

结果如下：

绘图如下：

③ 时间维度下，点击、收藏、添加购物车、支付用户的情况

结果如下：

绘图如下：

④ 支付次数前10的用户行为细分

结果如下：

绘图如下：

结果分析：通过这个分析，我们可以看出，购买次数最多的用户，点击、收藏、加入购车的次数不一定是最多的，

⑤ ARPPU分析：平均每用户收入，即可通过“总收入/AU” 计算得出

结果如下：

绘图如下：

⑥ 日ARPU分析：表示的是平均每用户收入。ARPU = 总收入/AU得到

结果如下：

绘图如下：

⑦ 付费率PUR = APA/AU，这里用【消费人数 / 活跃用户人数】代替

结果如下：

⑧ 复购情况分析(复购率)

结果如下：

3）漏斗分析

结果如下：

绘图如下：

结果分析：由于收藏和加入购车都是有购买意向的一种用户行为，切不分先后顺序，因此我们将其合并看作一个阶段。从上面的漏斗图和funnel表可以看出，从浏览到具有购买意向(收藏和加入购物车)，只有5%的转化率，但是到了真正到购买的转化率只有1%，再看“单一转化率”，从具有购买意向到真正购买的转化率达到了20%。说明从浏览到进行收藏和加入购物车的阶段，是指标提升的重要环节。

4）客户价值分析(RFM分析)

结果如下：

本篇文章来源于: 菜鸟学Python