# Python-电商平台用户行为数据分析

**Repository Path**: adam-lu/B2C_data_analysis

## Basic Information

- **Project Name**: Python-电商平台用户行为数据分析
- **Description**: 现有一家国内知名互联网公司旗下的电商平台，于2014年11月18日-12月18日期间，统计了该平台的用户行为、商品等各项数据。
在2014年的12月12日，也即各大电商发起的”双十二购物狂欢节“期间，平台面向用户推出了各项刺激消费的促销活动。但在活动结束后，通过对此一个月的数据进行分析，发现隐藏在数据背后的问题，为此后平台的日常发展，及类似的促销活动提供指导性建议。
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 12
- **Forks**: 3
- **Created**: 2021-05-19
- **Last Updated**: 2025-10-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 电商平台用户行为数据分析

## 一、 背景介绍

### 1.1 项目背景

现有一家国内知名互联网公司旗下的电商平台，于2014年11月18日-12月18日期间，统计了该平台的用户行为、商品等各项数据。该平台本身具备多样的商品和较多的基础用户，但**对于平台用户，及平台自身的优势与不足却还不够了解**，因此对于未来的发展战略比较迷茫。

在2014年的12月12日，也即各大电商发起的”双十二购物狂欢节“期间，平台面向用户推出了各项刺激消费的促销活动，取得了极为可观的反响。但在活动结束后，平台希望借此契机，通过对此一个月的数据进行分析，复盘双12大促活动及类似促销活动对用户行为的影响，以及隐藏在数据背后的问题，为此后平台的日常发展，及类似的促销活动提供指导性建议。

### 1.2 需要解决的问题

通过搭建”人货场“指标体系，对数据分析的方向进行拆解，解决以下问题：

1.  通过对**用户**的分析，得到UV、地理及时间对用户消费行为的影响，使用RFM模型对用户标记，找到目标用户的定位

2.  对**平台**进行分析，得到PV、收藏、加购、下单等行为的数据，构建消费转化的漏斗分析，确定各个环节的转换率，找到优化途径

3.  对**商品**进行分析，得到商品的点击、收藏、加购、下单等数据，找到热门商品，对商品的转化率进行分析

4.  对**大促活动及日常数据**进行对比分析，通过可视化总结大促活动对用户及平台的影响，为此类活动及日常维护提供指导性建议

## 二、结论先行

1.  从UV、PV数据的对比看，该平台的用户及访问量一向比较稳定。而双12活动对该平台的用户增长、访问量增长没有起到实质性作用

2.  相比收藏,用户在看到心仪的商品后,更倾向于加入购物车。这种情况在双12活动期间,由于用户的"即时消费"心理,而更加明显。

3.  在RFM模型对用户进行分类可视化后,发现平台现有用户质量还是很不错的,并且下单用户的地理位置覆盖面也较广。

4.  此次双12活动后,一般价值用户增长明显,而R和F值都较高的重要价值用户数量,反而下降。

5.  日常期间,用户在周五这一天,会出现各项行为数据的下滑;从一天的各个时段来看,夜晚是用户最活跃的时间段,但早上10点到下午16点,却是用户消费转化率最高的时间段。双12活动期间,各项行为数据的峰值有1-2个小时的延迟,用户会熬夜到凌晨抢购心仪的商品。

6.  对商品及品类的转化率分析发现,该平台的商品极为多样化，但转化为用户订单的商品仅占总商品类型的3.2%，即便只是放在一个月的时间内来看，这种转化率也是极低的。

## 三、数据说明

取数范围：2014年11月18日-12月18日

| 数据          | 说明                     |
| ------------- | ------------------------ |
| user_id       | 用户身份                 |
| item_id       | 商品ID                   |
| behavior_type | 1代表点击                |
|               | 2代表收藏                |
|               | 3代表加购物车            |
|               | 4代表支付                |
| user_geohash  | 地理位置                 |
| item_category | 品类ID（商品所属的品类） |
| time          | 用户行为发生的时间       |



## 四、分析方法

1.  通过搭建**”人货场“指标体系**的方法，从用户、商品、电商平台三个维度对数据进行解构分析

2.  使用**RFM模型**找出目标用户群，将现有用户分为了一般价值客户,重点召回客户,重点发展客户,重要价值客户四类人群，以便对用户精准运营

3.  使用**漏斗分析法**，对用户行为路径的各项转化率进行可视化

## 五、分析过程

使用工具：Python、Jupyter Notebook、Draw.io

使用库：Numpy、Pandas、Pyecharts、Scipy

![image-0](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/0.png)



### 5.1 体系搭建

![指标体系](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/指标体系.png)



### 5.2 数据预处理

1.  数据去重

原数据有12256906行，去重过程中发现有4092866行重复值

![1](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/1.png)

去重后剩下8164040行

![2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/2.png)

2. 缺失值

![3](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.png)

除地理位置信息外，没有缺失值，因此不用对缺失值处理

3. 数据规范化

![4](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/4.png)

需要将时间字段(time)转化为日期(dates)、时刻(hour)、星期(day_of_week)三个计时单位，以便之后的数据分析。（因为数据跨度只有两个月，所以实际上不需要分析年份和月份的影响）

![5](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/5.png)

4. 数据类型转换

用户id、商品id及用户行为的数据格式均为整数型，这里转换为字符型

![6](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/6.png)



### 5.3 可视化分析

#### 5.3.1 电商平台数据可视化分析

1.  PV

由PV随日期的变化图可以看到，平台的访问量一直都比较稳定，只有在双12活动影响期间出现了异于常日的数据（12月11日-13日）。在考虑进双12大促活动的影响下，整月的PV均值为241260，而在去除掉双12三天数据的情况下，PV的均值为230904

![3.1.1](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.1.1.png)

双12活动对PV数据会有积极的刺激效果，但如果从每日的用户差异百分比可视化来看，则不然

![3.1.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.1.2.png)

从上图可以看到，双12当日pv增长百分比确实达到峰值，但12月13日也出现了负增长百分比已于常日的谷值，整个月百分比变化的均值也接近于0.01。说明**从整体的访问量来说，双12活动对该平台这样在日常时期访问量稳定的平台，并没有起到明显的访问量增长的促进作用**。

2. 数据分割为日常数据和活动期间数据

![7](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/7.png)

3. 用户行为随日期变化

![3.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.2.png)

由上图可以看出，平台用户的收藏、加购、支付日总量一直都是比较稳定的，只有在双12活动影响期间，出现了高峰的波动，而这种波动影响程度上来说，是加购行为\>支付行为\>收藏行为。

按照用户的行为路径分析，收藏行为应该在支付行为之前。且统计的结果来看，日常收藏数据也要明显大于支付行为数据。在此情况下，双12大促期间，支付数据超过了收藏数据，说明活动刺激下，**用户更多地采取立刻“浏览→下单”，或“浏览→加购物车→下单”的路线完成整个行为路径**。

4. 消费转化率

![3.4.3](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.3.png)

消费转化率的计算方式——按照一天的每个时段，将支付总量数据除以用户总量数据，得到上图折线图。

从上图可以看出，活动期间的转化率是明显高于日常时期的，这个很好理解。有趣的是，我们可以发现，**日常每日时段的转化率中，一天的上午10点到下午16点转化率最高**，活动期间如果去除守夜抢购的因素，也是类似情况，这个事实有助于平台在日常的维护中，精准把握流量分配。

5. 漏斗模型分析平台转化率

![3.4.4.1](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.4.1.png)

![3.4.4.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.4.2.png)

通过漏斗可视化图，可以更直观地看到平台设计的用户路径取得的转化效果



#### 5.3.2 用户数据可视化分析

1.  UV

由UV随日期的变化图可以看到，平台的用户量一直都比较稳定，只有在双12活动影响期间出现了异于常日的数据（12月11日-13日）。在考虑进双12大促活动的影响下，整月的UV均值为6523.77，而在去除掉双12三天数据的情况下，UV的均值为6459.03

![3.1.1](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.1.1.png)

双12活动对UV数据会有积极的刺激效果，但如果从每日的用户差异百分比可视化来看，则不然

![3.1.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.1.2.png)

从上图可以看到，双12当日uv增长百分比确实达到峰值，但12月13日也出现了负增长百分比已于常日的谷值，整个月百分比变化的均值也无限趋近于0。说明**从整体的用户量来说，双12活动对该平台这样在日常时期用户量稳定的平台，并没有起到明显的用户增长的促进作用**。想要单纯通过此类活动拉新用户，可能性是不大的。

2. 日常用户行为可视化

**首先**，来看每周各天的用户行为变化趋势，这里只使用日常数据统计，来去除双12对结果影响

这里的统计采用了将所有用户行为数据按day_of_week字段进行聚合，并除去日常期间各天的天数，取每日的均值

![8](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/8.png)![3.3.1](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.3.1.png)

用户的四种行为变化趋势，在每周七天这个维度上是基本统一的，点击及加购物车的变化更明显。

即从周一开始，各项行为数据逐渐走低，并在周五当日出现下滑到最低值，周六开始，各项行为数据再次增长。

**然后**，来看每天各个时间段的用户行为可视化结果

![3.3.2.1](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.3.2.1.png)

从图中我们看到，各项行为的时段聚合情况，变化趋势来说，也基本一致。

加购物车的行为相比收藏行为变化趋势更明显，本身也是因为用户更喜欢将商品加入购物车。

在21-22时这个每日高峰时期，用户支付的行为只有小幅增长，变化并不像其他行为那么明显。结合之前的用户转化率折线图，该时段的转化率相比白天反而有所下滑。说明这个时段产生的流量高峰，更多是用户在浏览或选择心仪产品加购、收藏的阶段。

这也说明，在日常时期，该平台的大部分用户路径并非在短期完成，而是分步进行的。

3. 活动期间用户行为可视化

![3.3.2.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.3.2.2.png)

对比日常用户行为，发现一些有趣的现象：

各项用户行为的峰值延后了1-2个小时，支付行为更是明显的集中在了凌晨12点这个时段，说明**平台的双12活动对于刺激用户消费行为起到了很好的作用，用户会在活动期间，熬夜到凌晨抢购心仪的商品**；

加购物车的增长趋势相比起收藏明星加大了，双12活动会大幅刺激消费者在活动开始前加购物车的行为，这也反映了**用户在双12期间会出现异于日常的“即时消费”心理。**

4. 下单用户地理分布

该平台记录用户位置信息的原理是GeoHash算法，越是相邻的位置，地理标记越相近

![3.4.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.2.png)

通过对点单用户的地理位置进行可视化，发现该平台订单覆盖面较广，但同时也有部分地区出现了明显的高销量聚集情况，这些地点主要集中在“9q0lteh”、“ffjf2a0”及“95ip6w6”这三个位置附近。

5. RFM模型对用户进行价值分类

因为没有商品金额，此处只计算R和F值

![9](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/9.png)

![10](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/10.png)

得到R和F值之后，对R和F值进行分级，但此处需要先查看R和F值的分布，决定怎样进行分级

这里使用了Python的Scipy.stats中的norm函数

![11](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/11.png)

结合pyecharts画出了R和F值的分布情况

![3.4.5.2](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.5.2.png)

可以看到，R和F值的分布都呈右偏分布，**分布不均匀**，因此使用**中位数**对R和F值进行分级

![12](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/12.png)

然后，使用RF值对用户进行消费群体分类，此处，将用户分为了四类：

"一般价值客户"——R低、F低

"重点召回客户"——R低、F高

"重点发展客户"——R高、F低

"重要价值客户"——R高、F高

![13](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/13.png)

结合Pyecharts画出占比饼图

![3.4.5.3](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.5.3.png)

由上图可以看到，虽然重要价值用户占比只有12.77%，但**重点召回用户及重点发展用户的比例总共占到了66%以上，这说明平台的整体用户质量还是很高的**，当然这也有可能是收到了双12活动的影响，具体需要后续找到日常月的数据对比才能确认

再来看类型客户的变化趋势

![3.4.5.4](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/3.4.5.4.png)

从图中可以看到，双12之前，四类客户的变化趋势都较稳定，但在双12之后，出现了一些需要注意的现象：

重要价值客户不增反降，说明在大促活动之后，此类客户可能出现了消费疲倦，是否能自动恢复需要看此后的数据；

一般价值客户的明显增多，说明大促活动明显增加了平台的人气，但增多的客户量对平台的认可度、粘性不高，仍需平台更长时间的运营转化

#### 5.3.3 商品数据可视化分析

据统计，该平台商品ID共计2876947件，品类共8916种。去重后的数据中，支付数据的总量为110672条记录，再将商品id去重后，记录条数变为了92753条。

![14](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/14.png)

由以上数据，**该平台的商品极为多样化，但转化为用户订单的商品仅占总商品类型的3.2%，即便只是放在一个月的时间内来看，这种转化率也是极低的**。是否还有必要上架如此多的商品，或者通过怎样的方式，来增加非热门商品的转化率，是平台急需解决的问题。

1.  商品及品类转化率

在求商品的转化率过程中，预想用户会通过以下三种路径完成购买：

点击→购买

点击→收藏→购买

点击→加购物车→购买

因此希望统计的转化率包括：点击→购买（click_to_sales），点击→收藏（click_to_likes），点击→加购物车（click_to_cart），收藏→购买（likes_to_sales），加购物车→购买（cart_to_sales）

![15](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/15.png)

但在统计过程中遇到了一个问题，那就是以上转化率中都出现了许多大于1的数据

![16](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/16.png)

发现商品中出现了销售数据比点击、收藏、加购数据大，加购、收藏比点击数据大的情况，认为**商品数据存在较大异常**，所以不再对商品转化率进行分析

而同时，在品类数据的统计中，也出现了类似的情况

![17](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/17.png)

估测认为是商品及品类数据存在异常，故不再对商品及品类信息进行转化率分析

2. 热门商品

统计了用户各项行为数据最高的部分商品作为热门商品

![18](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/18.png)

![19](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/19.png)

3. 热门品类

统计了用户各项行为数据最高的部分商品作为热门商品

![20](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/20.png)

![21](https://gitee.com/adam-lu/B2C_data_analysis/raw/master/pic/21.png)

## 六、总结和建议

1. 用户更愿意使用购物车而不是收藏功能,从这一点推测,该平台的大部分用户,还没有对平台产生长期的依赖,而只是在有购物需求时,才使用到该平台。

1. 但是该平台的用户质量还是不错的。结合上一条总结,认为该平台还处于发展初期,在平台强化以下运营措施后,应该能够使用户产生更多的非功能性依赖:

   增加用户互动功能

   培养平台自己的KOL

   外部营销推广,增加口碑......

1. 此次双12活动,对于刺激用户消费行为起到了很好的作用,但并没有为平台带来重要价值用户的增长。可以认为,平台需要通过其他方式,来改变用户类型的占比,增加用户的转化率及粘性,这不是仅靠一次双12活动就能做到的。

1. 本次分析报告中,对用户进行了RFM模型分类,指出了用户的使用习惯,包括每周各天的行为变化趋势,每天各个时刻的行为变化趋势,地理位置上消费用户的分布,以及热门的商品及品类。有了这些数据后,需要平台针对性的进行流量分配,对不同的用户及用户习惯进行精准化的运营。

1. 对于结论6中提到的,订单商品在总商品种类中占比太低这个问题。我认为,平台应该采取两手抓的方式,改变这种情况——一方面,要较长期的监控那些冷门商品,在始终未见到任何行为数据提升的情况下,应去掉这些商品,减少不必要的运营成本;另一方面,对于转化率低,但仍有关注度的商品,找出是商品质量的问题还是其他问题,应提供一定的额外曝光,提升其转化率.