当前位置： 首页 > news >正文

昭通网站建设 hardlcp,哈尔滨网站备案手续,谷歌网站诊断,erp系统软件功能介绍数据分析#xff1a;消费者数据分析 作者#xff1a;AOAIYI 创作不易#xff0c;如果觉得文章不错或能帮助到你学习#xff0c;记得点赞收藏评论一下哦 文章目录数据分析#xff1a;消费者数据分析一、前言二、数据准备三、数据预处理四、个体消费者分析五、用户消费行为总…数据分析消费者数据分析 作者AOAIYI 创作不易如果觉得文章不错或能帮助到你学习记得点赞收藏评论一下哦 文章目录数据分析消费者数据分析一、前言二、数据准备三、数据预处理四、个体消费者分析五、用户消费行为总结一、前言 随着互联网在经济活动中的广泛运用人们对网络的依赖越来越强烈网络正在不知不觉中改变着当今社会的生活状态和生活方式。电子商务的兴起开创了全球性的商务革命和经营革命并逐步成为一种极重要的商务方式。中国互联网信息中心的第15次中国互联网络发展状况统计显示2004年庞大的网上用户群中选择网上购物的人数仅占0.1%。这一方面反映了我国消费者网上购物仍有巨大的潜在市场另一方面也表明我国网络营销还处于不成熟阶段。对企业而言网上购物能提供增加收入的机会和吸引顾客的新手段并能促进与原有顾客的关系。同传统营销一样网络营销需要了解消费者行为对消费者网上购买动机进行分析有利于企业针对性地开展市场营销活动。数据来源于网络 从本质上讲消费者是由一个希望满足他们需求的欲望而驱动的。被人们感觉到的需求能够分为两大类实用主义的需求引导消费者去考虑目的产品的功能属性享乐的或经验的需求引导消费者去考虑主观方面产品的舒适性美学等。在一个购买决定中两类需求都被考虑是很普遍的。比如一个消费者也许为了实用目的驾车上下班而去购买一辆车但同时考虑到享乐目的享受驾驶最终会选择一辆跑车。当消费者存在未被满足的需求时通常会产生一股力量即动力——使一个人对需求做出反应的力量它来自内部刺激是由愿望状态到实际状态的趋势所引起的。有了力量人们再通过恰当行动的学习最终导致一种动机或一系列动机的发展。消费者期望基于动机上的行动能够产生结果这就形成一个目标最终导致一个能够完成此目标的行动。 二、数据准备 1.导入所需要用到的模块 import numpy as np import pandas as pd import matplotlib.pyplot as plt from datetime import datetime %matplotlib inline plt.style.use(ggplot) #更改绘图风格R语言绘图库的风格 plt.rcParams[font.sans-serif] [SimHei]2.导入数据。 user_id:用户IDorder_dt:购买日期order_products:购买产品数量,order_amount:购买金额。 数据时间1997年1月~1998年6月用户行为数据约6万条。 columns [user_id,order_dt,order_products,order_amount] df pd.read_table(rC:\Users\XWJ\Desktop\CDNOW_master.txt,namescolumns,sep\s) df.head()注意sep‘\s’:匹配任意个空格 为了方便后面对数据的处理方便需要将日期格式需要转换同时有数据得出存在同一个用户一天内购买多次行为。 3.使用describe()函数计算数据集中每列的总数、均值、标准差、最小值、25%、50%、75%分位数以及最大值。 df.describe()用户平均每笔订单购买2.4个商品标准差2.3稍微有点波动属于正常。然而75%分位数的时候说明绝大多数订单的购买量都不多围绕在2~3个产品左右 购买金额反映出大部分订单消费金额集中在中小额30~45左右 4.使用函数info():数据表的基本信息维度列名称数据格式所占空间等 df.info()三、数据预处理 1.数据处理 df[order_date] pd.to_datetime(df[order_dt],format%Y%m%d)df[month] df[order_date].astype(datetime64[M]) #[M] :控制转换后的精度 df.head()format参数按照指定的格式去匹配要转换的数据列。%Y:四位的年份1994 %m:两位月份05 %d:两位月份31%y两位年份94 %h:两位小时09 %M两位分钟15 %s:两位秒将order_date转化成精度为月份的数据列[M] :控制转换后的精度 2.用户整体消费趋势分析按月份统计产品购买数量消费金额消费次数消费人数。 plt.figure(figsize(20,15)) #单位时英寸

每月的产品购买数量

plt.subplot(221) #两行两列占据第一个位置 df.groupby(bymonth)[order_products].sum().plot() #默认折线图 plt.title(每月的产品购买数量)

每月的消费金额

plt.subplot(222) #两行两列 df.groupby(bymonth)[order_amount].sum().plot() #默认折线图 plt.title(每月的消费金额)

每月的消费次数

plt.subplot(223) #两行两列 df.groupby(bymonth)[user_id].count().plot() #默认折线图 plt.title(每月的消费次数)

每月的消费人数根据user_id进行去重统计再计算个数

plt.subplot(224) #两行两列 df.groupby(bymonth)[user_id].apply(lambda x:len(x.drop_duplicates())).plot() #默认折线图 plt.title(每月的消费人数)分析结果 图一可以看出前三个月销量非常高而以后销量较为稳定并且稍微呈现下降趋势。 图二可以看出,依然前三个月消费金额较高与消费数量成正比例关系三月份过后下降严重并呈现下降趋势思考原因跟月份有关 在我国来123月份处于春节前后。2.公司在123月份的时候是否加大了促销力度。 图三可以看出前三个月订单数在10000左右后续月份的平均消费单数在2500左右。 图四可以看出前三个月消费人数在8000~10000左右后续平均消费消费在2000不到的样子。 总结所有数据显示97年前三月消费事态异常后续趋于常态化。 四、个体消费者分析 1.用户消费金额消费次数(产品数量)描述统计。 user_grouped df.groupby(byuser_id).sum() print(user_grouped.describe()) print(用户数量:,len(user_grouped))从用户的角度用户数量23570个每个用户平均购买7个CD但是中位数只有3并且最大购买量为1033平均值大于中位数属于典型的右偏分布(替购买量7的用户背锅)。 从消费金额角度平均用户消费106中位数43并且存在土豪用户13990结合分位数和最大值来看平均数与75%分位数几乎相等属于典型的右偏分布说明存在小部分用户后面的25%高额消费这些用户需要给消费金额106的用户背锅只有这样才能使平均数维持在106。 绘制每个用户的产品的购买量与消费金额散点图。 df.plot(kindscatter,xorder_products,yorder_amount)从图中可知用户的消费金额与购买量呈现线性趋势每个商品均价15左右 订单的极值点比较少消费金额1000或者购买量大于60,对于样本来说影响不大可以忽略不记。 2.用户消费分布图。 plt.figure(figsize(12,4)) plt.subplot(121) plt.xlabel(每个订单的消费金额) df[order_amount].plot(kindhist,bins50) #bins:区间分数影响柱子的宽度值越大柱子越细。宽度列最大值-最小值/bins #消费金额在100以内的订单占据了绝大多数plt.subplot(122) plt.xlabel(每个uid购买的数量) df.groupby(byuser_id)[order_products].sum().plot(kindhist,bins50)图二可知每个用户购买数量非常小集中在50以内。 两幅图得知我们的用户主要是消费金额低并且购买小于50的用户人数占据大多数在电商领域是非常正常的现象。 3.用户累计消费金额占比分析用户的贡献度。 进行用户分组取出消费金额进行求和排序重置索引 user_cumsum df.groupby(byuser_id)[order_amount].sum().sort_values().reset_index() user_cumsum每个用户消费金额累加 user_cumsum[amount_cumsum] user_cumsum[order_amount].cumsum() user_cumsum.tail()用户的总贡献率 amount_total user_cumsum[amount_cumsum].max() #消费金额总值 user_cumsum[prop] user_cumsum.apply(lambda x:x[amount_cumsum]/amount_total,axis1) user_cumsum.tail()可视化 user_cumsum[prop].plot()由图分析可知前20000名用户贡献总金额的40%剩余3500名用户贡献了60%。 五、用户消费行为 1.首次购买的时间 df.groupby(byuser_id)[order_date].min().value_counts().plot()2.最后一次购买时间。 df.groupby(byuser_id)[order_date].max().value_counts().plot()大多数用户最后一次购买时间集中在前3个月说明缺少忠诚用户。 随着时间的推移最后一次购买商品的用户量呈现上升趋势猜测这份数据选择是的前三个月消费的用户在后面18个月的跟踪记录。 总结 人生很短不要看轻自己努力一些人生不公不要折磨自己看淡一些人生的谷底变成我重建人生的坚实基石。所以不要畏惧失败只要活着就必然要面对失败除非你小心翼翼到仿佛一生都没有活过。如果这样你的失败将来自于放弃生活。