Python購買者行為分析（一）

本篇主要運用數(shù)據(jù)分析和數(shù)據(jù)挖掘技術，根據(jù)平臺業(yè)務需求，從流量指標分析、客戶購買情況分析、客戶行為轉化率分析（客戶行為漏斗分析）和客戶價值分析四個方面挖掘客戶購物行為，并使用RFM 模型對客戶群體分類，依據(jù)客戶群體特點，提供針對性的運營措施 為后續(xù)的發(fā)展提供有效建議。

背景與挖掘目標

Part.1

案例背景

隨著互聯(lián)網(wǎng)的發(fā)展，電子商務已成為世界經(jīng)濟重要的組成部分。人們在不同的電商平臺上瀏覽商品，然后直接下單購買，這一流程相比于傳統(tǒng)商業(yè)省去了很多環(huán)節(jié)，在提高效率的同時還降低了交易雙方的成本。電商平臺為了對買賣雙方提供高效和體驗良好的交易服務，不斷地更新平臺功能，令客戶更高效地獲得感興趣或是有購買意愿的商品。

平臺業(yè)務功能的實現(xiàn)基于海量客戶行為數(shù)據(jù)的反饋分析結果，而購物優(yōu)惠活動、主題購物節(jié)和平臺功能效果實現(xiàn)等運營情況，也可以由購買者的行為數(shù)據(jù)衡量優(yōu)劣。

Part.2

案例目標

（ 1 ）流量指標分析：通過分析不同時間維度的 PV 和 UV 指標，探索這個月內平臺的客戶流量情況，并結合可視化分析結果進行總結；

（ 2 ）客戶購買情況分析：從客戶的成交率、付費率、購買數(shù)、復購率和購買商品情況等分析角度挖掘客戶在該平臺的購買情況、客戶購買力、客戶對該平臺的忠誠度和客戶長購商品等，并結合可視化分析結果進行總結；

（ 3 ）客戶行為漏斗分析：運用漏斗分析挖掘客戶行為轉變的轉化率，例如客戶“點擊”行為轉變?yōu)椤爸Ц丁毙袨榈霓D化率；

（ 4 ）客戶群體分類：使用 RFM 模型對客戶群體分類，并繪制雷達圖，結合分類結果分析客戶價值。同時依據(jù)客戶群體特點提供針對性的運營措施。

分析方法與過程

對購買行為數(shù)據(jù)預處理前，需要先對購買數(shù)據(jù)進行采集。本案例利用Python網(wǎng)絡爬蟲技術對購買數(shù)據(jù)進行采集。由于本案例的重點是對通過兩個緯度進行客戶流量分析，且網(wǎng)絡數(shù)據(jù)的爬取具有時效性，因此，本案例不再詳細介紹數(shù)據(jù)的采集過程。以下分析所使用的數(shù)據(jù)與分析結果，僅作為范例參考。

Part.1

購買行為數(shù)據(jù)預處理

為了更全面、多方位的對數(shù)據(jù)有一個更好的了解，找出數(shù)據(jù)中需要進行處理的缺失值、異常值、重復值和其他需要進行數(shù)據(jù)清洗的問題，現(xiàn)在對數(shù)據(jù)進行探索性分析。

先對數(shù)據(jù)進行數(shù)據(jù)類型換，修改列索引，再用.drop()函數(shù)刪除空值，.drop_duplicate()函數(shù)去除重復值之后,再用sort_values()排序函數(shù)，對每一列數(shù)據(jù)進行排序，然后查看每一列的部分數(shù)據(jù)。購買行為數(shù)據(jù)預處理的代碼如代碼清單1所示。

通過以上運行結果的數(shù)據(jù)可以得出：有8列數(shù)據(jù)，一共有12256906條購買記錄，對沒有價值的空值進行去除。

對去除后的數(shù)據(jù)進行探索性分析，可以得到該數(shù)據(jù)需要處理的地方即缺失值、異常值、重復值、多余值并對其進行相關操作。

Python購買者行為分析（二）請留意后續(xù)發(fā)布

【泰迪云課堂】是泰迪智能科技大數(shù)據(jù)學習平臺，有線上/線下大數(shù)據(jù)就業(yè)班、大數(shù)據(jù)課程、職業(yè)技能提升考證，更多相關信息可到【泰迪云課堂】獲取了解更多~