京东⽤户⾏为数据分析报告（python）
1. 背景与⽬的
该重构项⽬对京东的运营数据集的⽤户购买⾏为进⾏分析，研究⽤户过程中的⾏为特点、购物偏好、以及在购物过程中的转化率和流失情况，为精准营销提供⾼质量的⽬标体。
2. 分析思路
⽤户⾏为分析⽬的（根据⽬的拆解）：促进⽤户购买商品、精准营销。
京东python入门教程根据第3节数据集特点，从以下五个⾓度分析：
1） 京东⽤户整体⾏为信息
2） ⽤户⾏为漏⽃分析
3） 留存分析
4） ⽤户购物⾏为偏好
5） ⽤户价值分析
3 数据概述
3.1 数据来源
3.2 数据处理
1. 选择⼦集
截取2018-03-30⾄2018-04-15之间的数据完成本次分析。
2. 整理列字段
去掉与本次分析⽆关的列module_id；
将⽤户⾏为转化为字符串表⽰；
处理⽇期和时间格式；
3. 删除重复值
4. 缺失值处理
检查是否有缺失值
5. 异常值处理
处理完后的数据预览
4 结论与建议（结论先⾏）
1. 可以增加渠道推⼴投⼊，进⾏精准⼈推⼴，推出新⽤户福利，吸引新⽤户。推出分享有礼等活动促进⽼拉新，实现社交裂变；并
且，定期进⾏促销活动保持⽼⽤户的活跃度。
2. 根据每⼩时⽤户使⽤京东app时间特点，结合⽤户商品偏好，来开展营销活动。如在早上9点和晚上21点时候，进⾏整点秒杀等活
动。在⽤户访问⾼峰期，进⾏活动与通知推送，并推送⽤户感兴趣的商品吸引⽤户眼球，促进⽤户参与率与转化率。
3. 结合⽤户购买⾏为路径，可以不断优化商品搜索功能与推荐功能，提⾼商品搜索与推荐准确度，提⾼⽤户下单转化率；优化⾸页布局
与详情页展⽰页展现效果，促进⽤户下单；并且根据⽤户⾏为漏⽃分析的结论，商品浏览->下单购买的转化率最⾼，因此提供⼀键购物等来简化购物步骤流程，提⾼⽤户下单率。另外，通过加购再消费的⽤户也很多，因此也可以进⼀步优化购物车下单体验，降低购物复杂度，并且结合⽤户购物车中的商品进⾏精准推荐。另外，⼤部分⽤户不是很热衷对购物体验进⾏反馈，可以设置⼀些奖励制度提⾼⽤户评论数，增⼤⽤⽤户粘性。
4. ⽬前⽤户留存率情况相对稳定、健康，为了进⼀步提⾼留存率，可以推出定期秒杀活动、专享优惠券、签到有奖环节，并建⽴合理的
⽤户积分体系，增加⽤户浏览时长和深度。
5. ⽤户留存率情况稳定，但⽤户的复购率较低，说明平台的⽤户体验存在问题，需要进⼀步出⽤户槽点，提⾼⽤户购物满意度，并优
化售后体验；加强⽼⽤户召回机制，给⽼⽤户推送消息通知，给予⽼⽤户福利和购物补贴等，来换回⽤户。
6. 通过RFM对⽤户进⾏分层，将⽤户分成不通过消费特点的⽤户体，从⽽进⾏精细化营销，不同的客户体使⽤不同的营销⽅法和策
略。⽤有限的资源优先服务最重要的客户。
5 分析与指标构建
5.1⽤户整体⾏为分析
⽤户⾏为要素
⽤户⾏为过程：访问、加购、下单、消费、关注、评论
⽤户⾏为属性：是否会员、是否付费、
时间范围：15天、天、周、时
时间变化趋势
根据第3节数据集特点，指标选择
增长类：⽤户数、消费⽤户数、跳失率、复购率
⾏为类：PV/UV、⾏为时间
交易类：订单数、下单⼈数、⼈均订单数、ARPPU
分析思路
1） 会员与⾮⽤户体访问情况分析
2） 会员与⾮⽤户体消费情况分析
3）会员与⾮⽤户体访问、消费⾏为随着时间变化情况
5.1.1 京东⽤户基本⾏为数据
总体⽤户⾏为情况
PV：6229177
UV：728959
⽇均访问量：389323.562
⼈均访问量：8.545sql2000发布时间
消费⽤户数：395874
消费⽤户数占⽐：54.307%
消费⽤户访问量：3918000
消费⽤户⼈均访问量：9.897%
消费访问量占⽐：62.898%
⽤户整体⾏为分布情况
结论：⽤户整体⾏为中，有82.6%⾏为为浏览，实际⽀付操作仅占6.4。除此之外，⽤户评论及关注的⾏为占⽐也较低，说明⼤部分⽤户不是很热衷对购物体验进⾏反馈，应当增强⽹站有⽤户之间的互动，并且可以根据⽤户购物车内商品进⾏精准推送。提⾼评论数量和关注率，增⼤⽤户粘性。
跳失率：22.3%（2018年3⽉30⽇-2018年4⽉14⽇）
结论：相对健康。可以调整⾸页页⾯布局、优化⽤户产品体验，提⾼产品的吸引⼒。
⽤户消费⾏为
消费频次：
⽤户消费频次前10的客户：
单个⽤户消费频次分析
结论：可以看出绝⼤多数的⽤户消费次数为1次。可以增加推⼴、给予⽤户补贴优惠、完善购物体验等来提⾼⽤户消费次数。
复购率splice安卓版
2018年3⽉30⽇-2018年4⽉14⽇期间这两周时间的复购率：
(消费过2次及2次以上的购买次数 / 所有购买次数)*100%=13.4%
结论
1） 从数值来看，⽤户的复购率不⾼。结合上⾯的⽤户消费频次分布可以看出，很多⽤户购买了⼀次商品后就没有再进⾏消费。因此应该加强⽼⽤户召回机制，如给⽼⽤户发送推送通知、给予购物补贴等，并提升⽤户购物体验来促进⽤户消费。
2） 复购率⽔平要和相应同⽐、环⽐周期相⽐，也要与业内其他公司的复购率⽔平⽐较。
5.1.2 ⽤户⾏为随时间的变化情况
随天数变化
每⽇浏览量
每⽇访客数
素材视频的软件结论：每⽇访客数和每⽇浏览量曲线表现相符，都在4⽉4⽇这⼀天有所下降。经查发现4⽉4⽇这天为清明节前⼀天，因此各数据在当天有所下降。但是之后就逐渐回升。在清明节假期结束后，访客数量和浏览量继续升⾼。
⽇消费⼈数占⽐
简单地把有过⼀次操作的⽤户都视为活跃⽤户，则⽇消费⼈数占⽐ = ⽇消费次数 / ⽇活跃⼈数
结论：可以看出，⽇消费⼈数都在20%以上。但在4⽉4⽇的时候消费⼈数骤减，通过时间查看可知这天是清明节，这⼀天消费⼈数占⽐降低。
⽤户操作随⼩时变化情况
PV随⼩时变化
UV随⼩时变化
⽤户其他操作随⼩时变化情况
二叉树遍历讲解视频结论
1）访客数和浏览量随⼩时变化情况基本保持⼀致。在1点到5点之间，⽤户都在休息，因此整体活跃度很低。当⽤户逐渐醒来后，活跃度逐渐提升。在10点达到最⾼，之后略微回落趋于平稳。在18点的时候⼤多数⼈时间开始空闲，因此⼜迎来第⼆次增长，在晚上21点的时候达到⾼峰。因此可以在早上9点和晚上20点左右的时候进⾏⼀些活动与通知推送等，吸引⽤户眼球、促进⽤户参与率与转化率。
2）加⼊购物车和付款两条曲线贴合⽐⽐较紧密，说明⼤部分⽤户习惯加⼊购物车后直接购买。
3) 关注数相对较少，因此可以根据⽤户购物车内商品进⾏精准推送。评论数也相对较少，说明⼤部分⽤户不是很热衷对购物体验进⾏反馈，可以设置⼀些奖励制度提⾼⽤户评论数，增⼤⽤⽤户粘性。
5.2 ⾏为漏⽃分析
考虑不同⽤户操作路径之间的转化率。
⽤户操作抽象出以下路径：
浏览->付款
浏览->加购->付款
浏览->收藏->付款
hibernate下载不了浏览->收藏->加购->付款

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。