【資料探索性分析】#1 電商零售 – 天貓電商用戶行為
（一）主題
從天貓 TMall 用戶網站行為紀錄，透過視覺化整理：
- 基本的資料分布
- 比較不同用戶分組的行為分布差異
＊何謂探索性資料分析？
運用 Python 套件進行視覺化或基本統計等方式，讓資料的特點更清楚地被了解及呈現；它也是資料科學中的一環。
＊資料科學流程：
資料處理 > 資料探索性分析 > 特徵工程與轉換 > 模型選擇與建構 > 模型成效指標與調參
（二）分析大綱
- 各欄位項目分布
（以下皆分用戶組、分區間進行比較） - 每人總行為次數分布
- 每人不重複入站時間數分布
- 隨時間變化趨勢圖
- 時間顆粒度 – 每日
- 時間顆粒度 – 每周
- 時間顆粒度 – 每月
1. 各欄位項目分布
1.1 用戶行為
1.2 商品分佈／品類分佈（分時段）
商品分佈：
1. 平時(6-9月)，前5%單品佔 59.9% 流量
2. 雙11一個月前(10/11-11/10)，前5%單品佔 62.1% 流量
3. 雙11當天，前5%單品佔 62.2% 流量；且更相對集中前幾名單品
品類分佈：
1. 大部分時間，前5%品類佔 8成左右 流量
2. 大多時候，前5%品類佔全站 66% 購買
3. 雙11當天，前5%品類的購買佔比提高到71.1%
1.2 商家分佈／品牌分佈（分時段）
雙11當天流量和購買，都是更加集中前5%商家/品牌
1.3 性別分佈／用戶分組分佈／年齡分佈（分時段）
2. 每人總行為次數分布 （性別／用戶分組維度、分時段）
2.1 點擊 Click
2.2 加入購物車 Add To Cart / 加入願望清單 Add To Favorite / 購買 Purchase
點擊 Click：
1. 性別分組維度：2.0 的組中，每位用戶的點擊數平均較高、也較分散，不像 1.0 的組別，有較多人是集中在低點擊數的區域(左)
2. 用戶分組維度：1.0 (repeat buyers) 的組中，每位用戶的點擊數平均較高、較分散，不像只購買一次的用戶，有較多人是集中在低點擊數的區域(左)
加入購物車 Add To Cart：
各組大部分用戶加入願望清單的次數集中於10-15次，僅有極少數用戶加入願望清單超過百次
加入願望清單 Add To Favorite：
各組大部分用戶加入購物車的次數集中於0-2次
購買 Purchase：
1. 性別分組維度：同 click 的分布差異；2.0 的組中，每位用戶的購買數平均較高、較分散，不像 1.0 的組別，有較多人是集中在低購買數的區域(左)
2. 用戶分組維度：總期間內只購買一次的用戶，從 6/1 – 11/10 都未有購買紀錄
3. 每人不重複入站時間數分布 （性別／用戶分組維度、分時段）
點擊 Click：
1. 性別分組維度：2.0 組的有4成以上用戶，雙11前一個月，每周都有入站紀錄；比 1.0 組高出約2倍
2. 用戶分組維度：回購者的有3成以上用戶，雙11前一個月，每周都有入站紀錄；而單次購買者有7成僅2周進站
購買 Purchase：
1. 性別分組維度：統整前面對點擊的觀察，2.0 組在購買紀錄則是只集中1-2次；推測 2.0 組可能較傾向提前入站點擊瀏覽，但依然是最後一周才決定購買
2. 用戶分組維度：單次購買者 6/1 – 11/10 都未有購買紀錄
4. 隨時間變化趨勢圖
4.1 點擊 Click （性別分組維度）
1.0 組在 8月初的進站量曾經達到三組最高，推測此活動特別吸引這個族群
4.1 點擊 Click （用戶分組維度）
1. 單次購買者在 6月初、6月底活動時進站量高於回購者數倍，推測此活動吸引較多”非回購者”；這些高峰流量並未帶來訂單。
2. 而回購者在 8月初的進站量高於單次購買者數倍，推測此活動則吸引較多”回購者”。
4.2 購買 Purchase （性別分組維度）
4.2 購買 Purchase （用戶分組維度）
1. 回購者在6月初、6月底、8月底的活動的購買量表現較佳
趨勢圖 總結：
1. 從曲線的消長可看出點擊量隨星期幾有一定規律；高峰點約落在 6月初、6月底，此時可能有全站活動
2. 雙11前10-15天左右，進站量開始上升；在5天前上升幅度增加
3. 在雙11前10-15天的購買量會先下降，直到前一天才回升、當天爆發
4.3 全行為（性別分組維度）
4.3 全行為（年齡分組維度）
0.0 組相對其他組別，更喜歡將商品加入購物車
4.3 全行為（用戶分組維度）
喜欢我的作品吗？别忘了给予支持与赞赏，让我知道在创作的路上有你陪伴，一起延续这份热忱！
- 来自作者
- 相关推荐