第七章

電子商務(wù)平臺商務(wù)活動分析SOUTHWESTERNUNIVERSITYOFFINANCEANDECONOMICS嚴(yán)謹(jǐn)勤儉求實開拓01電子商務(wù)平臺02電商平臺商品分析--商品數(shù)據(jù)集03實訓(xùn)Part1電子商務(wù)平臺ADDYOURTITLEHEREPLEASE嚴(yán)謹(jǐn)勤儉求實開拓01電子商務(wù)平臺引導(dǎo)案例——明星進(jìn)入直播帶貨賽道JUNE12th電商直播帶貨電商平臺的直播間向來不缺明星們的身影，除了客串嘉賓，許多明星們也因優(yōu)異的直播帶貨戰(zhàn)績頻頻登上微博熱搜，林某就是一個很好的例子。在以歌手身份成名之前，他做過廚師，出版過3本美食書，并主持和參與過多檔美食綜藝節(jié)目。2014年，他創(chuàng)立自有食品品牌“飯爺”，產(chǎn)品涵蓋多款自主研發(fā)的辣椒醬和速食?；谥拿朗臣胰嗽O(shè)，他注重在專業(yè)領(lǐng)域進(jìn)行垂直選品；同時，以人設(shè)賦能產(chǎn)品，讓他直播間里推薦的食材、食品和廚具等都更有分量，從而促進(jìn)用戶購買。直播推薦產(chǎn)品時，他并非單純地口播或者念文稿，而是現(xiàn)場使用產(chǎn)品，將產(chǎn)品最真實的一面展現(xiàn)給觀眾。例如在直播介紹醬料、牛排等食材時，他親自起鍋做菜，教大家怎樣用這些產(chǎn)品做出美味佳肴。01電子商務(wù)平臺概念JUNE12th用戶：電商平臺上瀏覽各類商品信息、比較價格、查看評價，實現(xiàn)在線購物。商家：在電商平臺上開設(shè)線上店鋪，展示產(chǎn)品、接受訂單、進(jìn)行銷售。（電商平臺商家端）電子商務(wù)平臺是指通過互聯(lián)網(wǎng)構(gòu)建的在線購物平臺，為用戶和商家提供一個交易的虛擬空間。電商平臺的出現(xiàn)極大地改變了傳統(tǒng)零售模式，提升了購物的便利性和效率，拓展了用戶的購物選擇。01電子商務(wù)平臺特征六大特征特征三：數(shù)字化和在線化電商平臺營銷是數(shù)字時代的產(chǎn)物，主要依賴于互聯(lián)網(wǎng)和數(shù)字技術(shù)。用戶可以通過在線購物平臺瀏覽產(chǎn)品、下單和支付。特征四：大數(shù)據(jù)和個性化電商平臺能夠收集大量關(guān)于用戶的數(shù)據(jù)，包括購物習(xí)慣、興趣和偏好，用于個性化推薦和廣告，以提供更好地購物體驗。特征一：全球性和無界限性電商平臺商務(wù)活動不受地理位置的限制，用戶可以從世界各地的在線商店購買產(chǎn)品。特征二：多樣化的銷售渠道電商平臺多種多樣，包括在線商店、社交媒體（如微信、微博等）等。JUNE12th特征五：社交化和用戶生成內(nèi)容用戶通過社交媒體分享購物體驗，產(chǎn)品評價和建議等信息。如，淘寶平臺也提供“用戶分享”窗口。特征六：即時互動和用戶服務(wù)用戶可以隨時聯(lián)系客服并提出問題，為企業(yè)提供了寶貴的市場反饋和用戶數(shù)據(jù)，也可以提升銷售轉(zhuǎn)化率和訂單完成率。特征七：營銷工具和數(shù)據(jù)分析電商平臺提供了多種營銷工具，幫助企業(yè)更好地理解用戶需求和行為，以此制定更有效的營銷戰(zhàn)略。Part2電商平臺商品分析實例嚴(yán)謹(jǐn)勤儉求實開拓02電商平臺商品數(shù)據(jù)集概述電商平臺商品數(shù)據(jù)集概述JUNE12th字段名含義用戶id淘寶用戶的ID商品id用戶做出購買、加入購物車、收藏行為的商品商品類目商品所屬類目的ID行為類型用戶做出的購買、加入購物車、收藏行為（表7-2）時間戳行為發(fā)生的時間戳表7-1數(shù)據(jù)集描述表7-2用戶行為類型本實例使用的數(shù)據(jù)集為阿里云天池的淘寶用戶行為數(shù)據(jù)文件serBehavior.csv（同第5章），包含2017年11月25日至2017年12月3日之間，約一百萬隨機用戶的所有行為（行為包括點擊、購買、加購、收藏）。7.2電商平臺分析實例數(shù)據(jù)預(yù)處理步驟：在主要的處理前對數(shù)據(jù)進(jìn)行預(yù)處理，以提高數(shù)據(jù)的質(zhì)量和可分析性。預(yù)處理的目的主要是使數(shù)據(jù)更適合后續(xù)的分析和挖掘工作。本版塊主要的預(yù)處理步驟包括：使用pandas數(shù)據(jù)庫讀取文件，重命名列名為用戶ID、商品ID、商品類目ID、行為類型、時間戳。檢查數(shù)據(jù)集中是否存在空值和重復(fù)行。將時間戳轉(zhuǎn)換為datatime的數(shù)據(jù)類型，并從中提取創(chuàng)建日期、星期、小時信息。JUNE12th數(shù)據(jù)預(yù)處理7.2電商平臺分析實例在主要的處理前對數(shù)據(jù)進(jìn)行預(yù)處理，以提高數(shù)據(jù)的質(zhì)量和可分析性。預(yù)處理的目的主要是為了使數(shù)據(jù)更適合后續(xù)的分析和挖掘工作。JUNE12th新增3列（日期、小時、星期字段）修改列名，便于后續(xù)分析檢查空值與重復(fù)值情況數(shù)據(jù)類型轉(zhuǎn)化數(shù)據(jù)預(yù)處理7.2電商平臺分析實例1.計算不同統(tǒng)計周期內(nèi)，在用戶行為路徑上的數(shù)量變化和轉(zhuǎn)化率變化（采用北京時間）JUNE12th點擊到收藏(pv2fav)點擊到加購物車(pv2cart)點擊到購買(pv2buy)收藏到購買(fav2buy)加購物車到購買(cart2buy)點擊-pv加購物車-cart收藏-fav購買-buy商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例1.計算不同統(tǒng)計周期內(nèi)，在用戶行為路徑上的數(shù)量變化和轉(zhuǎn)化率變化（采用北京時間）JUNE12th通過遍歷統(tǒng)計行為數(shù)量并計算每個行為類型的轉(zhuǎn)化率，并用空列表convs存儲計算出的轉(zhuǎn)化率提取三個不同的統(tǒng)計周期：小時、星期、日期商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例1.計算不同統(tǒng)計周期內(nèi)，在用戶行為路徑上的數(shù)量變化和轉(zhuǎn)化率變化（運行輸出結(jié)果）JUNE12th（1）當(dāng)統(tǒng)計周期為小時時：【結(jié)果分析】a.數(shù)量變化（左圖）：大多數(shù)用戶在早上10點開始瀏覽電商平臺，瀏覽量從傍晚的18點開始增速加大，并且21點達(dá)到頂峰，說明絕大多數(shù)用戶是在晚上下班后開始瀏覽電商平臺，部分運營活動可以有針對性地在17—24點開展；b.轉(zhuǎn)化率變化（右圖）：轉(zhuǎn)化率的下降趨勢和數(shù)量的上升趨勢相反，可能說明大多數(shù)用戶在前一天瀏覽完商品后，在第二天10點—16點之間，購買前一天加入購物車或者收藏的商品，這說明商家可以在這個時間段推送促進(jìn)用戶購買和支付的活動和策略。商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例1.計算不同統(tǒng)計周期內(nèi)，在用戶行為路徑上的數(shù)量變化和轉(zhuǎn)化率變化（運行輸出結(jié)果）JUNE12th（2）當(dāng)統(tǒng)計周期為星期幾時（0代表星期一，6代表星期日，以此類推）：【結(jié)果分析】a.數(shù)量變化（左圖）：周末的瀏覽量比工作日的瀏覽量幾乎翻了一番；b.轉(zhuǎn)化率變化（右圖）：工作日的購買轉(zhuǎn)化率比周末的反而稍微高一點。因此，引流活動或策略可以在周末展開，促購活動或策略可以適當(dāng)在工作日或周末展開。商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例1.計算不同統(tǒng)計周期內(nèi)，在用戶行為路徑上的數(shù)量變化和轉(zhuǎn)化率變化（運行輸出結(jié)果）JUNE12th（2）當(dāng)統(tǒng)計周期為天時：【結(jié)果分析】c.特別的是：11月25日到26日的周末，比12月2日到3日的周末的流量少，可能的原因是平臺雙十二的預(yù)熱活動。查閱淘寶2017年下半年活動發(fā)現(xiàn)，雙十二預(yù)熱階段和服務(wù)換新活動，相較于其他活動，可以更好的吸引用戶。商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例2.計算用戶不同行為路徑上的數(shù)量變化和轉(zhuǎn)化率變化

由于加入購物車和收藏商品并沒有行為的先后性，因此達(dá)成購買目的的行為路徑轉(zhuǎn)化率有5條（以下將“將添加購物車”簡稱為“加購”）,通過

5條路徑分別計算了轉(zhuǎn)化率：①

直接購買轉(zhuǎn)化率=點擊且購買量/點擊量②

加購購買轉(zhuǎn)化率=點擊且加購量+購買量/點擊且加購量③

收藏購買轉(zhuǎn)化率=點擊且收藏且購買量/點擊且收藏量④

加購收藏購買轉(zhuǎn)化率=點擊且加購量+收藏量且購買量/點擊且加購量+收藏量⑤

流失率=點擊且流失量/點擊量JUNE12th商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例JUNE12th具體代碼呈現(xiàn)：商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例JUNE12th最終結(jié)果如下圖所示。從圖中可以看出，用戶在瀏覽商品后，其主要行為是加構(gòu)或收藏，通過加購和收藏后的行為分析，可以看出用戶有較強的購買意愿，且購買流程的設(shè)計對用戶來說相對順暢和便捷。加購的用戶比例（4.77%）明顯高于收藏的用戶比例（1.18%），這可能是因為加購后，用戶可以在購物車頁面直接進(jìn)行結(jié)賬操作，流程更為直觀和方便。購買轉(zhuǎn)化率在不同場景下有所差異，其中直接加購的轉(zhuǎn)化率最高（69.18%），其次是收藏后購買（60.17%和80.25%），這種差異可能與用戶的心理預(yù)期和購買流程的便捷性有關(guān)。商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例JUNE12th3.計算復(fù)購率復(fù)購率=重復(fù)購買的用戶數(shù)量/總用戶數(shù)量×100%，其中，分子是重復(fù)購買用戶的數(shù)量（len(set(twbuy_user))），分母是所有進(jìn)行過購買的總用戶數(shù)量（len(set(buy_user))）。復(fù)購率反映了購買過商品的用戶中有多大比例進(jìn)行了重復(fù)購買。計算復(fù)購率后，計算每個用戶購買行為發(fā)生的次數(shù)，然后對這些次數(shù)進(jìn)行計數(shù)，得到一個用戶購買頻次的分布情況。商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例JUNE12th【運行輸出結(jié)果】【代碼】根據(jù)運行結(jié)果，約一周的統(tǒng)計周期內(nèi)，約65.9%的用戶進(jìn)行復(fù)購，復(fù)購率較高。同時，也可以通過用戶復(fù)購次數(shù)反應(yīng)用戶的購買頻率。如左圖所示，在此期間，絕大多數(shù)用戶的復(fù)購次數(shù)在2-5次之間。商品銷售轉(zhuǎn)化分析7.2電商平臺分析實例JUNE12th商品精準(zhǔn)推薦用戶的歷史行為，是分析用戶對不同品類商品偏好的基礎(chǔ)，也是進(jìn)行商品精準(zhǔn)推薦的前提。本部分將基于UserBehavior數(shù)據(jù)集和物品協(xié)同過濾算法，利用DeepSeek給相似的用戶推薦其他用戶購買的商品品類，實現(xiàn)對商品的精準(zhǔn)推薦。由于數(shù)據(jù)集太大，本實例利用第5章截取的數(shù)據(jù)UserBehavior_sample，上傳至DeepSeek，完成以下任務(wù)。DeepSeek指令如下。請針對導(dǎo)入的數(shù)據(jù)集，基于用戶的歷史行為，分析用戶對商品的偏好，給用戶推薦相似的商品。具體而言，通過物品協(xié)同過濾算法（ItemCF），對購買過某些商品的用戶，推薦其他相似品類的商品。請產(chǎn)生相應(yīng)的Python代碼和結(jié)果。7.2電商平臺分析實例JUNE12th1)其中'1'表示用戶ID，'2268318'表示商品ID2)將交互矩陣轉(zhuǎn)為稀疏矩陣，并對商品維度進(jìn)行轉(zhuǎn)置，使用余弦相似度計算商品之間的相似度3)將商品相似度矩陣轉(zhuǎn)換為DataFrame格式，以便快速查找每個商品的相似商品集合（top_k）4)遍歷用戶已購商品的相似商品，對每個未購買商品進(jìn)行加權(quán)打分，并過濾已購買商品6)根據(jù)累加的相似度得分排序，選出得分最高的top_n個商品作為推薦結(jié)果5)函數(shù)中通過n=5設(shè)置推薦數(shù)量參數(shù)，即返回top_n個推薦商品7)選擇一個具體的用戶并調(diào)用推薦函數(shù)，為該用戶生成個性化推薦商品列表，并打印結(jié)果商品精準(zhǔn)推薦參考結(jié)果如下所示：7.2電商平臺分析實例JUNE12th基于物品協(xié)同過濾算法（ItemCF）通過以下流程實現(xiàn)品類推薦：首先提取目標(biāo)用戶的歷史購買品類，隨后根據(jù)預(yù)計算的品類相似度矩陣，為每個已購品類匹配top_k個相似品類，通過加權(quán)匯總相似度得分并過濾已購品類后，生成top_n推薦列表。實際應(yīng)用中需注意通過調(diào)整top_k（相似品類擴(kuò)展數(shù)量）和top_n（推薦結(jié)果數(shù)量）平衡推薦精度與多樣性。物品協(xié)同過濾算法通過分析用戶的歷史購買行為，找出商品之間的相似性，進(jìn)而為用戶推薦他們可能感興趣的其他商品。這種方法能夠提高用戶的購買轉(zhuǎn)化率和客單價，增強用戶對平臺或品牌的黏性。步驟1：提取用戶購買歷史，計算商品之間的相似度步驟2：為每個商品匹配top_k個相似商品步驟3：加權(quán)匯總并過濾掉已購買商品步驟4：生成top_n推薦結(jié)果步驟5：設(shè)置推薦參數(shù)top_k和top_n步驟6：為特定用戶生成推薦商品精準(zhǔn)推薦Part3實訓(xùn)Practice嚴(yán)謹(jǐn)勤儉求實開拓01數(shù)據(jù)準(zhǔn)備DataPreparationJUNE12th02留存率計算：日留存率RetentionRateCalculationJUNE12th02留存率計算：日留存率RetentionRateCalculationJUNE12th注：Day

表示距首次訪問的天數(shù)（如Day1是次日）ActiveUsers

是在該天依然活躍的用戶數(shù)RetentionRate(%)是相對于Day0的留存百分比輸出結(jié)果：02留存率計算：周留存率RetentionRateCalculationJUNE12th02留存率計算：周留存率RetentionRateCalculationJUNE12th注：Week

表示距首次訪問的周數(shù)（例如，Week1是第2周）ActiveUsers是在該周仍然活躍的用戶數(shù)RetentionRate(%)是相對于第0周的留存百分比輸出結(jié)果：02留存率計算：月留存率RetentionRateCalculationJUNE12th02留存率計算：月留存率RetentionRateCalculationJUNE12th注：Month

表示距首次訪問的月份數(shù)（例如Month1為次月）ActiveUsers

是在該月仍活躍的用戶數(shù)量RetentionRate(%)是相對于首月活躍用戶總數(shù)的百分比輸出結(jié)果：03留存率分析JUNE12thRetentionRateAnalysis留存率分析步驟：①

使用統(tǒng)計學(xué)方法（如生存分析）來分析不同統(tǒng)計周期的留存率。②

繪制留存曲線，比較不同統(tǒng)計周期的留存率變化趨勢。③

探討不同統(tǒng)計周期對用戶留存行為的影響，分析留存率變化的可能原因。DeepSeek指令見下頁。03留存率分析JUNE12thRetentionRateAnalysis03留存率分析JUNE12thRetentionRateAnalysis分析結(jié)果：日留存率（Daily）：留存率下降最明顯。次日留存顯著下降后趨于平穩(wěn)。原因可能