第6章

數(shù)字廣告投放及效果分析SOUTHWESTERNUNIVERSITYOFFINANCEANDECONOMICS01案例引入02數(shù)字廣告概述03數(shù)字廣告數(shù)據(jù)分析04數(shù)字廣告效果分析05Deepseek實(shí)訓(xùn)Part1案例引入嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓案例引入——豪士面包的神不知鬼不覺(jué)植入操作01Part2數(shù)字廣告概述嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓02何為數(shù)字廣告?數(shù)字廣告是指通過(guò)互聯(lián)網(wǎng)和移動(dòng)設(shè)備等數(shù)字渠道傳播的廣告形式，根據(jù)廣告的形式和內(nèi)容，數(shù)字廣告可以分為以下幾種類型：搜索引擎廣告社交媒體廣告原生廣告視頻廣告開(kāi)屏廣告插屏廣告橫幅廣告02數(shù)字廣告類型——搜索引擎廣告

舉例

概念搜索引擎廣告是一種基于關(guān)鍵詞搜索的廣告形式，廣告主可以通過(guò)競(jìng)價(jià)排名的方式，在搜索引擎的搜索結(jié)果頁(yè)面中展示廣告。當(dāng)用戶輸入與廣告相關(guān)的關(guān)鍵詞時(shí)，搜索引擎會(huì)將廣告顯示在搜索結(jié)果中，吸引用戶的點(diǎn)擊和轉(zhuǎn)化。谷歌AdWords和百度推廣是兩個(gè)常見(jiàn)的搜索引擎廣告平臺(tái)。當(dāng)用戶在搜索引擎上輸入與廣告相關(guān)的關(guān)鍵詞時(shí)，相關(guān)的廣告就會(huì)顯示在搜索結(jié)果頁(yè)面的頂部或側(cè)邊，吸引用戶點(diǎn)擊。02數(shù)字廣告類型——社交媒體廣告舉例概念社交媒體廣告是投放在社交媒體平臺(tái)的廣告形式。廣告主可以在社交媒體平臺(tái)上創(chuàng)建廣告賬戶，根據(jù)目標(biāo)受眾和預(yù)算進(jìn)行定向投放。社交媒體廣告可以以多種形式呈現(xiàn)，如文字、圖片、視頻等，吸引用戶的關(guān)注和互動(dòng)。02數(shù)字廣告類型——原生廣告舉例概念原生廣告是通過(guò)模擬內(nèi)容形式和流程，與用戶產(chǎn)生一致性融合的廣告形式。它可以在網(wǎng)站或App等數(shù)字渠道的內(nèi)容中，以類似于自然內(nèi)容的形式呈現(xiàn)。原生廣告可以提高廣告的曝光度和接受度，減少用戶的抵觸感。——簡(jiǎn)單概括，就是看起來(lái)不明顯，和產(chǎn)品環(huán)境融為一體的廣告。02數(shù)字廣告類型——視頻廣告舉例概念視頻廣告是通過(guò)視頻展示廣告內(nèi)容的廣告形式。它可以在電視、網(wǎng)絡(luò)視頻和移動(dòng)設(shè)備等多種平臺(tái)上進(jìn)行投放。視頻廣告可以以拍攝、動(dòng)畫等不同形式呈現(xiàn)，刺激用戶的視覺(jué)和聽(tīng)覺(jué)等感官，提高廣告的影響力和品牌認(rèn)知度。這些廣告可以以各種形式呈現(xiàn)，從短片到完整的宣傳片，吸引用戶的視聽(tīng)感官，傳達(dá)品牌信息。02數(shù)字廣告類型——開(kāi)屏廣告舉例概念開(kāi)屏廣告是全屏展示的廣告形式，在用戶進(jìn)入網(wǎng)站或App時(shí)自動(dòng)彈出開(kāi)屏廣告，其遮擋了網(wǎng)站或App的內(nèi)容，通常有一個(gè)關(guān)閉按鈕，圖中展示的是微博App的開(kāi)屏廣告。開(kāi)屏廣告可以在短時(shí)間內(nèi)吸引用戶的注意力，但也容易引起用戶的不滿和抵觸。02數(shù)字廣告類型——插屏廣告舉例概念插屏廣告是以全屏或半屏等形式展示廣告內(nèi)容的廣告形式，它可以在用戶操作網(wǎng)站或App時(shí)，以彈出窗口的形式進(jìn)行展示，彈出的可能是圖片、視頻或其他形式的廣告。插屏廣告通常有一個(gè)關(guān)閉按鈕，用戶可以選擇關(guān)閉或進(jìn)一步了解廣告內(nèi)容。02數(shù)字廣告類型——橫幅廣告舉例概念橫幅廣告是在網(wǎng)站或App頁(yè)面上以橫向條形的形式展示廣告內(nèi)容的廣告形式。橫幅廣告通常位于網(wǎng)站或App的頂部或底部，以文字、圖片或動(dòng)畫等形式呈現(xiàn)。橫幅廣告可以在用戶瀏覽網(wǎng)站或App時(shí)，吸引用戶的注意力。網(wǎng)頁(yè)上的橫幅廣告通常顯示在內(nèi)容的上方或下方，并且可以是圖片廣告或動(dòng)畫廣告。02數(shù)字廣告特點(diǎn)數(shù)字廣告特點(diǎn)效果個(gè)性化營(yíng)銷

可以根據(jù)用戶的興趣、行為數(shù)據(jù)等信息，向特定目標(biāo)受眾投放定制的廣告內(nèi)容靈活性和實(shí)時(shí)性

數(shù)字廣告制作周期較短，可以及時(shí)調(diào)整廣告內(nèi)容、投放渠道和投放時(shí)間廣告效果可測(cè)量

通過(guò)數(shù)據(jù)分析工具可以提供詳細(xì)的廣告效果報(bào)告，包括展示量、點(diǎn)擊量、轉(zhuǎn)化率等指標(biāo)創(chuàng)意表現(xiàn)形式多樣

可以通過(guò)文字、圖片、視頻、動(dòng)畫等多種方式來(lái)吸引用戶的注意力成本效益

數(shù)字廣告通常具有更低的投放成本和更高的投資回報(bào)率實(shí)時(shí)互動(dòng)和反饋

提供了實(shí)時(shí)互動(dòng)和反饋機(jī)制，使得企業(yè)可以與用戶進(jìn)行即時(shí)的溝通和互動(dòng)跨平臺(tái)傳播

數(shù)字廣告可以在多個(gè)平臺(tái)上進(jìn)行傳播，如搜索引擎、社交媒體、移動(dòng)應(yīng)用等可持續(xù)優(yōu)化基于詳細(xì)的廣告效果報(bào)告，企業(yè)可以進(jìn)行持續(xù)的廣告優(yōu)化和改進(jìn)02數(shù)字廣告推廣步驟定向投放廣告監(jiān)測(cè)和優(yōu)化廣告效果實(shí)時(shí)互動(dòng)和反饋定期評(píng)估創(chuàng)作吸引人的廣告內(nèi)容定義目標(biāo)受眾123458選擇合適的廣告平臺(tái)制定廣告投放策略7602數(shù)字廣告推廣——定義目標(biāo)受眾目的

了解目標(biāo)受眾的特點(diǎn)、興趣和需求等信息，提高廣告的精準(zhǔn)度和針對(duì)性。舉例

華為品牌不同系列的手機(jī)對(duì)應(yīng)不同需求的人群nova系列、mate系列、P系列。市場(chǎng)調(diào)研和數(shù)據(jù)分析年齡性別地理位置興趣愛(ài)好消費(fèi)習(xí)慣建立清晰的用戶畫像02數(shù)字廣告推廣——選擇合適的廣告平臺(tái)目的

根據(jù)目標(biāo)受眾特點(diǎn)和廣告目標(biāo)，選擇合適的平臺(tái)進(jìn)行推廣以提高廣告的曝光度和點(diǎn)擊率。搜索引擎平臺(tái)社交媒體平臺(tái)視頻平臺(tái)常見(jiàn)廣告平臺(tái)02數(shù)字廣告推廣——制定廣告投放策略目的

根據(jù)不同的平臺(tái)和受眾特點(diǎn)，制定相應(yīng)的廣告投放策略。具體的廣告投放策略廣告預(yù)算、廣告形式、投放時(shí)間、頻次控制、確定清晰的廣告目標(biāo)競(jìng)爭(zhēng)對(duì)手的廣告投放策略（注意差異化突出自身優(yōu)勢(shì)）2020年暑期6-8月暑期的集中投放時(shí)間投放平臺(tái)投放的Top素材投放文案的側(cè)重點(diǎn)相似處美團(tuán)外賣集中在7月份力推的“超級(jí)外賣節(jié)”以及夜宵大促活動(dòng)投放各平臺(tái)的占比較為平均；長(zhǎng)尾化程度較高投放的素材內(nèi)容更多體現(xiàn)商家/店鋪的賣點(diǎn)。更多關(guān)注菜品本身，同時(shí)注重餐飲商家品牌的展現(xiàn)更加強(qiáng)調(diào)如何促進(jìn)老用戶的活躍性，增加復(fù)購(gòu)率。關(guān)鍵詞種草上，更加強(qiáng)調(diào)“網(wǎng)紅店”。兩者投放的素材均以圖片廣告為主，其占比超過(guò)9成。兩者在近期的獲客基本都在通過(guò)明星的影響力和粉絲效應(yīng)而帶動(dòng)自身的熱度。兩款A(yù)pp同時(shí)會(huì)在其官方微信、微博平臺(tái)通過(guò)跨界營(yíng)銷的方式持續(xù)提升自身的品牌曝光度。餓了么反觀《餓了么》在8月則聯(lián)合潮牌、綜藝、游戲廠商等舉辦了一系列“出圈”活動(dòng)頭部化特點(diǎn)，其在巨量引擎且占比遠(yuǎn)超其余平臺(tái)；以頭條系媒體為主聚焦在C端并通過(guò)折扣與優(yōu)惠信息來(lái)吸引消費(fèi)者。更加注重平臺(tái)本身Logo的露出和打折優(yōu)惠信息?！娥I了么》更加注重新用戶的獲取，如“首單”、“新用戶專享”頻繁出現(xiàn)。關(guān)鍵詞種草上，主打情懷牌，強(qiáng)調(diào)“家”、“童年”等人生重要記憶點(diǎn)。內(nèi)容來(lái)自熱云數(shù)據(jù)分析文章02數(shù)字廣告推廣——?jiǎng)?chuàng)作吸引人的廣告內(nèi)容目的

優(yōu)質(zhì)廣告內(nèi)容激發(fā)受眾興趣并深入人心。在設(shè)計(jì)廣告內(nèi)容時(shí)，要簡(jiǎn)潔明了、富有創(chuàng)意，并與目標(biāo)受眾的價(jià)值觀和需求相契合。那些深入人心的廣告印象士力架：林黛玉守門員央視出品的公益類精品廣告：關(guān)愛(ài)老人系列、回家系列、環(huán)保公益、童年公益系列、社會(huì)主義核心價(jià)值觀系列……嘗試故事性元素、情感共鳴的方式02數(shù)字廣告推廣——定向投放廣告并檢測(cè)和優(yōu)化廣告效果目的

將廣告精準(zhǔn)地傳達(dá)給潛在用戶，提高廣告投放效果；根據(jù)數(shù)據(jù)分析結(jié)果，及時(shí)調(diào)整廣告投放策略，優(yōu)化廣告內(nèi)容和投放方式，提高廣告效果和回報(bào)率。一般過(guò)程利用廣告平臺(tái)提供的定向投放功能，根據(jù)用戶的興趣愛(ài)好、行為特征等信息進(jìn)行精準(zhǔn)定位。舉例

巨量引擎（面向B端客戶）、巨量千川（面向電商商家）數(shù)據(jù)分析工具和廣告平臺(tái)提供的數(shù)據(jù)報(bào)告，實(shí)時(shí)監(jiān)測(cè)廣告的展示量、點(diǎn)擊量、轉(zhuǎn)化率等指標(biāo)。舉例

千瓜數(shù)據(jù)、飛瓜數(shù)據(jù)、熱云數(shù)據(jù)ADI02數(shù)字廣告推廣——實(shí)時(shí)互動(dòng)和反饋并定期評(píng)估目的

及時(shí)回復(fù)用戶的評(píng)論和問(wèn)題，積極參與用戶互動(dòng)，可以增加用戶對(duì)品牌的認(rèn)可度和信任感。企業(yè)通過(guò)互動(dòng)和反饋了解用戶的需求和反饋，從而針對(duì)性地優(yōu)化廣告內(nèi)容和推廣策略，促進(jìn)用戶參與和品牌互動(dòng)。

定期對(duì)廣告推廣效果進(jìn)行評(píng)估和分析，了解廣告的優(yōu)勢(shì)和不足。根據(jù)評(píng)估結(jié)果，及時(shí)調(diào)整廣告策略和推廣方案，優(yōu)化廣告投放效果，提高廣告的相關(guān)性和轉(zhuǎn)化率，持續(xù)評(píng)估和調(diào)整有助于提高廣告推廣的效果和回報(bào)率。

兩者貫穿廣告投放始終。Part3數(shù)字廣告數(shù)據(jù)分析嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況本章數(shù)據(jù)為阿里云天池提供的公開(kāi)的淘寶網(wǎng)廣告展示/點(diǎn)擊數(shù)據(jù)，共有4個(gè)數(shù)據(jù)列表（1）raw_sample數(shù)據(jù)集是從淘寶網(wǎng)站中隨機(jī)抽樣了114萬(wàn)用戶8天內(nèi)的廣告展示/點(diǎn)擊日志03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況（2）廣告基本信息ad_feature數(shù)據(jù)集文件涵蓋了raw_sample中全部廣告的基本信息PS：其中一個(gè)廣告ID對(duì)應(yīng)一個(gè)商品，一個(gè)商品屬于一個(gè)類目，一個(gè)商品屬于一個(gè)品牌03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況（3）用戶基本信息表user_profile文件涵蓋了raw_sample中所有用戶的基本信息03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告數(shù)據(jù)集概況（4）用戶的行為日志behavior_log文件涵蓋了raw_sample中所有用戶22天內(nèi)的購(gòu)物行為03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（1）數(shù)據(jù)缺失值和重復(fù)值查詢importpandasaspd#讀取數(shù)據(jù)df=pd.read_csv(r'raw_sample.csv')users=pd.read_csv(r'user_profile.csv')ad=pd.read_csv(r'ad_feature.csv')bl=pd.read_csv(r'behavior_log.csv')#數(shù)據(jù)預(yù)處理#查詢?nèi)笔е祄issing_values_df=df.isnull().sum()print("raw_sample缺失值：\n",missing_values_df)通過(guò)

pd.read_csv()函數(shù)導(dǎo)入了4個(gè)CSV文件，分別是raw_sample.csv、user_profile.csv、ad_feature.csv、behavior_log.csv通過(guò).isnull().sum()可以統(tǒng)計(jì)每個(gè)數(shù)據(jù)集中的缺失值數(shù)量03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（1）數(shù)據(jù)缺失值和重復(fù)值查詢duplicate_rows_df=df[df.duplicated()]print("raw_sample重復(fù)行：\n",duplicate_rows_df)duplicate_rows_users=users[users.duplicated()]print("ad_feature重復(fù)行：\n",duplicate_rows_users)duplicate_rows_ad=ad[ad.duplicated()]print("ad_feature重復(fù)行：\n",duplicate_rows_ad)duplicates_count_bl=bl.duplicated().sum()print("behavior_log重復(fù)行：",duplicates_count_bl)通過(guò).duplicated()可以檢測(cè)重復(fù)行，并使用.sum()計(jì)算重復(fù)行的總數(shù)03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（2）數(shù)據(jù)處理—處理缺失值#使用眾數(shù)填充缺失值pvalue_level_mode=users['pvalue_level'].mode()[0]users['pvalue_level'].fillna(pvalue_level_mode,inplace=True)new_user_class_level_mode=users['new_user_class_level'].mode()[0]users['new_user_class_level'].fillna(new_user_class_level_mode,inplace=True)'pvalue_level'(消費(fèi)檔次：1低2中3高)與'new_user_class_level'(城市層次)字段的屬性值為分類屬性.mode()[0]統(tǒng)計(jì)數(shù)據(jù)列中的眾數(shù).fillna將缺失值替換成眾數(shù)inplace=True在原數(shù)據(jù)上進(jìn)行修改，而非生成一個(gè)新的數(shù)據(jù)副本'brand'(品牌ID)字段為id類數(shù)據(jù)，可填充其上下條數(shù)據(jù)的值#用前一個(gè)數(shù)據(jù)對(duì)'brand'缺失的數(shù)據(jù)進(jìn)行填充ad.fillna(method='pad',inplace=True)method='pad'表示使用前一個(gè)非缺失值來(lái)填充當(dāng)前的缺失值03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（2）數(shù)據(jù)處理—處理缺失值03數(shù)字廣告數(shù)據(jù)分析數(shù)據(jù)清洗（2）數(shù)據(jù)處理—處理重復(fù)行#刪除重復(fù)行bl.drop_duplicates(inplace=True)#重新設(shè)置索引，從0開(kāi)始bl.reset_index(drop=True,inplace=True)#刪除重復(fù)行bl.drop_duplicates(inplace=True)#重新設(shè)置索引，從0開(kāi)始bl.reset_index(drop=True,inplace=True)drop_duplicates()識(shí)別和刪除重復(fù)行reset_index()用于重置索引drop=True表示丟棄原來(lái)的索引，用從0開(kāi)始的連續(xù)整數(shù)索引替代查找缺失值與重復(fù)行填充缺失值再次查找缺失值刪除重復(fù)行重新設(shè)置索引數(shù)據(jù)導(dǎo)入總結(jié)03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（1）廣告點(diǎn)擊率目的

提高廣告投放效果；提升用戶體驗(yàn)和品牌認(rèn)知度①?gòu)V告角度廣告角度將從廣告投放渠道、廣告投放時(shí)間、廣告投放價(jià)格三個(gè)方面分析計(jì)算整體廣告點(diǎn)擊率#查看整體廣告點(diǎn)擊率clk_per=df.clk.sum()/1000000*100print(clk_per)df.clk.sum()：對(duì)raw_sample里clk列的所有值進(jìn)行求和輸出結(jié)果：4.9493%03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（1）廣告點(diǎn)擊率①?gòu)V告角度廣告投放渠道raw_sample文件中的‘pid’字段——“資源位”資源位通常是一種受歡迎的廣告展示位置，通常由平臺(tái)或網(wǎng)站的所有者或管理者提供，并且這些位置往往被認(rèn)為是有較高曝光度和流量的位置。種類位置路徑形式開(kāi)屏頁(yè)APP打開(kāi)前通常為滿屏海報(bào)或視頻彈屏頁(yè)APP內(nèi)彈出模態(tài)彈窗，可交互Banner頁(yè)首頁(yè)醒目位置通常為輪播圖Push手機(jī)消息頁(yè)面進(jìn)入后一般為長(zhǎng)圖文內(nèi)容或H5頁(yè)03數(shù)字廣告數(shù)據(jù)分析廣告投放渠道#查看廣告投放渠道點(diǎn)擊率importmatplotlib.pyplotaspltimportseabornassnsfrommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)#設(shè)置字體sns.set_style("white")#設(shè)置Seaborn圖表樣式為簡(jiǎn)潔白色背景plt.figure(figsize=(3,4),dpi=200)#創(chuàng)建圖表，寬3英寸高4英寸，分辨率200dpix=df['pid'].unique()#獲取所有不同的投放渠道IDy=df.groupby(by=['pid'])['clk'].sum()/1000000#將資源位分組分別求點(diǎn)擊率

sns.barplot(x,y,palette='Oranges_r')#設(shè)置橫縱坐標(biāo)標(biāo)簽plt.xlabel('投放渠道',fontproperties=font)#設(shè)置x軸標(biāo)簽為"投放渠道"plt.ylabel('點(diǎn)擊率',fontproperties=font)#設(shè)置y軸標(biāo)簽為"點(diǎn)擊率"plt.show()#顯示圖形首先使用Seaborn庫(kù)繪制了一個(gè)柱狀圖，用于顯示不同廣告資源位的點(diǎn)擊率。通過(guò)df['pid'].unique()獲取了所有廣告資源位的唯一標(biāo)識(shí)，然后利用

groupby()函數(shù)按照廣告資源位分組，計(jì)算每個(gè)資源位的點(diǎn)擊率（點(diǎn)擊次數(shù)除以總曝光次數(shù)），最后使用Seaborn的

barplot()函數(shù)將資源位和對(duì)應(yīng)的點(diǎn)擊率繪制成柱狀圖。最終，通過(guò)調(diào)用plt.show()函數(shù)顯示生成的圖形。03數(shù)字廣告數(shù)據(jù)分析圖示如下：03數(shù)字廣告數(shù)據(jù)分析首先按照小時(shí)數(shù)對(duì)數(shù)據(jù)進(jìn)行分組，并計(jì)算每個(gè)小時(shí)的點(diǎn)擊次數(shù)。接著，使用

Seaborn的條形圖函數(shù)barplot()繪制每個(gè)小時(shí)的點(diǎn)擊次數(shù)的柱狀圖，并將結(jié)果按照小時(shí)數(shù)進(jìn)行排序。廣告投放時(shí)間——一天時(shí)間段分析frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)df['hour']=pd.to_datetime(df['time_stamp'],unit='s').dt.hourdf['hour']=df['hour'].astype('int')#將小時(shí)數(shù)轉(zhuǎn)換為整數(shù)類型sns.set_style("white")plt.figure(figsize=(6,5),dpi=200)x=sorted(df['hour'].unique())#對(duì)小時(shí)數(shù)進(jìn)行排序y=df.groupby(by=['hour'])['clk'].sum()/1000000sns.barplot(x=[i+1foriinrange(len(x))],y=y,palette='GnBu')plt.xlabel('時(shí)間',fontproperties=font)plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()03數(shù)字廣告數(shù)據(jù)分析廣告投放時(shí)間——一周時(shí)間段分析frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)df['weekday']=pd.to_datetime(df['time_stamp'],unit='s').dt.weekdaydf['weekday']=df['weekday'].astype('int')#將周幾轉(zhuǎn)換為整數(shù)類型sns.set_style("white")plt.figure(figsize=(8,5),dpi=200)x=sorted(df['weekday'].unique())#對(duì)周幾進(jìn)行排序y=df.groupby(by=['weekday'])['clk'].sum()/4000000sns.barplot(x=[i+1foriinrange(len(x))],y=y,palette='BuPu')plt.xlabel('一周時(shí)間',fontproperties=font)plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()從一天時(shí)間擴(kuò)展至一周時(shí)間，查看一周內(nèi)的廣告點(diǎn)擊率情況03數(shù)字廣告數(shù)據(jù)分析廣告投放價(jià)格-不同價(jià)格區(qū)間的廣告點(diǎn)擊率importnumpyasnpbins=[-float('inf'),200,400,600,800,1000,float('inf')]#定義價(jià)格區(qū)間的邊界，包含負(fù)無(wú)窮和正無(wú)窮作為邊界labels=['[0,200)元','[200,400)元','[400,600)元','[600,800)元','[800,1000)元','[1000,+∞)元']#定義標(biāo)簽#使用numpy的digitize函數(shù)將價(jià)格分類，并將結(jié)果放入新的'price_class'列中ad['price_class']=np.digitize(ad['price'],bins=bins,right=False)#將標(biāo)簽映射到新的列中ad['price_class']=ad['price_class'].map({i:labelfori,labelinenumerate(labels,1)})#連接ad_feature和raw_sample兩表，并計(jì)算不同價(jià)格區(qū)間中廣告的點(diǎn)擊率情況df_ad=df.merge(right=ad,on='adgroup_id',how='left')frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=12)PS：對(duì)廣告投放價(jià)格進(jìn)行分組，并分別計(jì)算不同價(jià)格區(qū)間的廣告點(diǎn)擊率情況03數(shù)字廣告數(shù)據(jù)分析廣告投放價(jià)格-不同價(jià)格區(qū)間的廣告點(diǎn)擊率#計(jì)算每個(gè)價(jià)格分類的廣告點(diǎn)擊率情況price_class_counts=df_ad['price_class'].value_counts()sns.set_style("white")plt.figure(figsize=(8,5),dpi=200)x=df_ad['price_class'].unique()y=df_ad.groupby(by=['price_class'])['clk'].sum()/price_class_counts#計(jì)算每個(gè)價(jià)格分類中的點(diǎn)擊率plt.ylim(0,0.08)#設(shè)置Y軸范圍lineplot=sns.lineplot(x=y.index,y=y.values,marker='o')#繪制折線圖#在每個(gè)數(shù)據(jù)點(diǎn)上顯示數(shù)值fori,valinenumerate(y.values):lineplot.annotate(f'{val:.3f}',(y.index[i],val),textcoords="offsetpoints",xytext=(0,5),ha='center')plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()03數(shù)字廣告數(shù)據(jù)分析圖示如下：03數(shù)字廣告數(shù)據(jù)分析廣告投放價(jià)格-不同價(jià)格區(qū)間的廣告點(diǎn)擊率占比#計(jì)算每個(gè)價(jià)格分類點(diǎn)擊率在總體點(diǎn)擊率的占比情況sns.set_style("white")plt.figure(figsize=(8,5),dpi=200)x=df_ad['price_class'].unique()y=df_ad.groupby(by=['price_class'])['clk'].sum()/1000000#繪制餅圖plt.pie(y,labels=x,colors=sns.color_palette('Blues_r'))plt.xlabel('價(jià)格區(qū)間',fontproperties=font)plt.ylabel('點(diǎn)擊率',fontproperties=font)plt.show()03數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（1）廣告點(diǎn)擊率目的

提高廣告投放效果；提升用戶體驗(yàn)和品牌認(rèn)知度②用戶角度從用戶的角度分析廣告點(diǎn)擊率，總結(jié)有點(diǎn)擊行為的用戶特征，有助于篩選出廣告投放的目標(biāo)人群。本部分將從用戶性別、消費(fèi)檔次、購(gòu)物深度、是否為大學(xué)生、年齡層次

5個(gè)方面展開(kāi)03數(shù)字廣告數(shù)據(jù)分析用戶性別#連接user_profile和raw_sample兩表，篩選出有點(diǎn)擊廣告行為的用戶#數(shù)據(jù)預(yù)處理df.set_index(["user"],inplace=True)users['user']=users.useriduser_ac=pd.merge(df,users,right_on='user',left_index=True,how='outer')#合并user_ac.clk.replace(0,np.nan,inplace=True)#clk=0的替換為nan值user_ac.dropna(inplace=True)#刪除缺失值所在的行user_ac.clk.replace(0,np.nan,inplace=True)#確保'clk'列中不含有0值#用戶性別畫圖plt.figure(figsize=(4,4),dpi=200)x=user_ac['final_gender_code'].astype(int).unique()#轉(zhuǎn)換為整數(shù)類型y=user_ac.groupby(by=['final_gender_code']).size()sns.barplot(x,y,palette='Oranges_r')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()連接兩張數(shù)據(jù)表user_profile和raw_sample，篩選出有點(diǎn)擊廣告行為的用戶，查看其性別分布情況。首先將raw_sample數(shù)據(jù)表以用戶作為索引，與user_profile數(shù)據(jù)表按照用戶ID進(jìn)行合并，保留了兩表中共有的用戶信息，并且剔除了clk列為0的行，最后通過(guò)繪制柱狀圖展示了不同性別用戶的數(shù)量。03數(shù)字廣告數(shù)據(jù)分析圖示如下：03數(shù)字廣告數(shù)據(jù)分析消費(fèi)檔次#消費(fèi)檔次畫圖plt.figure(figsize=(3,3),dpi=200)x=user_ac['pvalue_level'].astype(int).unique()y=user_ac.groupby(by=['pvalue_level']).size()sns.barplot(x,y,palette='Accent_r')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()

分析潛在用戶的購(gòu)買能力，需要分析不同消費(fèi)檔次人群的廣告點(diǎn)擊情況。03數(shù)字廣告數(shù)據(jù)分析購(gòu)物深度#購(gòu)物深度plt.figure(figsize=(3,3),dpi=200)x=user_ac['shopping_level'].astype(int).unique()y=user_ac.groupby(by=['shopping_level']).size()sns.barplot(x,y,palette='GnBu')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)#設(shè)置縱坐標(biāo)范圍和刻度間隔plt.ylim(5000,160000)plt.yticks(range(5000,160000,50000))plt.show()

為了深入了解潛在用戶的購(gòu)買意圖和行為模式，需要分析不同購(gòu)物深度用戶的廣告點(diǎn)擊情況。03數(shù)字廣告數(shù)據(jù)分析是否是大學(xué)生#是否為大學(xué)生畫圖plt.figure(figsize=(4,4),dpi=200)x=user_ac['occupation'].astype(int).unique()y=user_ac.groupby(by=['occupation']).size()sns.barplot(x,y,palette='Oranges_r')plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()

大學(xué)生群體具有獨(dú)特的消費(fèi)習(xí)慣和生活方式，其購(gòu)買力和在線活躍度也較高。通過(guò)深入了解是否是大學(xué)生，廣告主能夠精準(zhǔn)定位目標(biāo)市場(chǎng)，調(diào)整廣告內(nèi)容和營(yíng)銷策略以更好地滿足他們的需求和引起他們的興趣。03數(shù)字廣告數(shù)據(jù)分析年齡層次#年齡層次plt.figure(figsize=(4,4),dpi=200)frommatplotlib.font_managerimportFontPropertiesfont=FontProperties(fname=r"C:\Windows\Fonts\SimHei.ttf",size=10)plt.figure(figsize=(4,4),dpi=200)x=user_ac['age_level'].astype(int).unique()y=user_ac.groupby(by=['age_level']).size()sns.barplot(x,y,palette='Blues_r')#設(shè)置橫坐標(biāo)標(biāo)簽plt.xticks(ticks=[0,1,2,3,4,5,6],labels=['60歲以上','51-60歲','41-50歲','31-40歲','26-30歲','18-25歲','18歲以下'],fontproperties=font,rotation=30)plt.ylabel('點(diǎn)擊次數(shù)',fontproperties=font)plt.show()PS：點(diǎn)擊用戶的年齡層次分布情況可以幫助廣告主更精確地理解目標(biāo)受眾特征，并針對(duì)不同年齡段的用戶設(shè)計(jì)和優(yōu)化廣告內(nèi)容，以增強(qiáng)用戶的關(guān)注度和互動(dòng)性。03數(shù)字廣告數(shù)據(jù)分析圖示如下：02數(shù)字廣告數(shù)據(jù)分析數(shù)字廣告指標(biāo)分析（2）廣告轉(zhuǎn)化率前面分析是基于廣告點(diǎn)擊率為指標(biāo)對(duì)比廣告效果（CPC相關(guān)），接下來(lái)將按用戶點(diǎn)擊后的行為作為指標(biāo)來(lái)進(jìn)行廣告效果對(duì)比分析，用戶點(diǎn)擊后的行為主要包括加入加購(gòu)轉(zhuǎn)化率，收藏轉(zhuǎn)化率和購(gòu)買轉(zhuǎn)化率（CPA相關(guān)）。03數(shù)字廣告數(shù)據(jù)分析（2）廣告轉(zhuǎn)化率frompyechartsimportFunnel#分析轉(zhuǎn)化率#統(tǒng)計(jì)每種btag值的數(shù)量btag_counts=bl['btag'].value_counts()print(btag_counts)#創(chuàng)建包含數(shù)據(jù)和列名的datadata=[['pv',3530621,3530621/3530621], ['fav',51711,51711/3530621], ['cart',88026,88026/3530621],['buy',49641,49641/3530621]]columns=['btag','count','percentage']btag=pd.DataFrame(data,columns=columns)使用Python中的Pyecharts庫(kù)來(lái)創(chuàng)建一個(gè)漏斗圖，用于分析轉(zhuǎn)化率。首先，通過(guò)統(tǒng)計(jì)behavior_log數(shù)據(jù)集中不同'btag'值的數(shù)量，將數(shù)據(jù)存儲(chǔ)在DataFrame中，計(jì)算每個(gè)'btag'值對(duì)應(yīng)的轉(zhuǎn)化率百分比03數(shù)字廣告數(shù)據(jù)分析（2）廣告轉(zhuǎn)化率#打印DataFrame的摘要信息print(())#提取列并計(jì)算百分比attrs=btag['btag'].tolist()attr_value=(np.array(btag['percentage'])*100).tolist()print(attrs)print(attr_value)#畫漏斗圖frompyechartsimportoptionsasoptsfrompyecharts.chartsimportFunnel#提取數(shù)據(jù)attrs=btag['btag'].tolist()attr_value=(np.array(btag['percentage'])*100).tolist()03數(shù)字廣告數(shù)據(jù)分析#繪制漏斗圖funnel_chart=(Funnel().add(series_name="",data_pair=list(zip(attrs,attr_value)), gap=2, tooltip_opts=opts.TooltipOpts(trigger="item",formatter="{a}<br/>:{c}%"),).set_global_opts(title_opts=opts.TitleOpts(title="漏斗圖示例")))#保存漏斗圖funnel_chart.render("funnel_chart.html")03數(shù)字廣告數(shù)據(jù)分析圖示如下：Part4數(shù)字廣告效果分析嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓04數(shù)字廣告效果分析數(shù)字廣告指標(biāo)分析能夠幫助識(shí)別出對(duì)于評(píng)估廣告效果較為重要的指標(biāo)，以及如何運(yùn)用這些指標(biāo)分析廣告效果。數(shù)字廣告效果分析將綜合這些關(guān)鍵指標(biāo)，從廣告投放的整體層面分析多個(gè)指標(biāo)對(duì)廣告實(shí)際效果和業(yè)務(wù)成果的影響，為優(yōu)化廣告投放策略提供更深入的見(jiàn)解和指導(dǎo)。通過(guò)各類廣告渠道90天內(nèi)日均UV、平均注冊(cè)率、平均搜索量、訪問(wèn)深度、平均停留時(shí)間、訂單轉(zhuǎn)化率、投放時(shí)間、素材類型、廣告類型、合作方式、廣告尺寸和廣告賣點(diǎn)等特征將渠道分類，找出每類渠道的重點(diǎn)特征，為業(yè)務(wù)討論和數(shù)據(jù)分析提供支持。04數(shù)據(jù)清洗與預(yù)處理數(shù)據(jù)勘探導(dǎo)入分析所需要的numpy、Pandas、matplotlib和sklearn庫(kù)，通過(guò)head()與info()方法獲取數(shù)據(jù)結(jié)構(gòu)和簡(jiǎn)要摘要，隨后，使用isnull().any(axis=0)方法檢查每一列是否存在缺失值，使用duplicated()方法查找數(shù)據(jù)集中的重復(fù)行。倘若有缺失值，調(diào)用

dropna()方法刪除包含至少一個(gè)缺失值的行，確保數(shù)據(jù)集中的每一行都是完整的。然后，使用drop()方法刪除名為'Unnamed:0'的無(wú)用索引列。04數(shù)據(jù)清洗與預(yù)處理相關(guān)性分析由于數(shù)值型變量較多，可能會(huì)有一些特征是高度相關(guān)的。通過(guò)相關(guān)性分析，可以識(shí)別出這些高度相關(guān)的冗余特征。常用的數(shù)據(jù)相關(guān)性分析可視化工具則是熱力圖。熱力圖通過(guò)顏色深淺直觀呈現(xiàn)數(shù)據(jù)間的相關(guān)性強(qiáng)度，相較于純數(shù)字表格，其色塊矩陣能快速定位高相關(guān)或弱相關(guān)變量組合，尤其適合呈現(xiàn)多維數(shù)據(jù)的全局關(guān)聯(lián)模式。此外，漸變色階強(qiáng)化了對(duì)比度，便于識(shí)別極端值或異常區(qū)域，而視覺(jué)連續(xù)性設(shè)計(jì)則凸顯了數(shù)據(jù)分布趨勢(shì)，幫助觀察者無(wú)需逐行解析即可把握核心規(guī)律。.04數(shù)據(jù)清洗與預(yù)處理相關(guān)性分析色塊的顏色越深，表示數(shù)據(jù)間的相關(guān)性越強(qiáng)。這說(shuō)明數(shù)值型變量相關(guān)性很高，平均停留時(shí)間與訪問(wèn)深度相關(guān)性較大，考慮二者表達(dá)的含義相近，故刪除平均停留時(shí)間列，完成數(shù)據(jù)再處理.04數(shù)據(jù)清洗與預(yù)處理處理分類變量數(shù)據(jù)中存在“素材類型”“廣告類型”等分類變量，其取值為離散值（如“jpg”“橫幅廣告”等），且不同變量的取值范圍不同。大多數(shù)機(jī)器學(xué)習(xí)算法（如K-means聚類）僅能處理數(shù)值型數(shù)據(jù)，無(wú)法直接識(shí)別分類數(shù)據(jù)的語(yǔ)義信息，因此需將分類變量轉(zhuǎn)換為數(shù)值形式，以便模型學(xué)習(xí)。步驟：1.查看取值情況通過(guò)遍歷分類變量（如“素材類型”“廣告類型”等），打印其所有唯一取值，明確每個(gè)變量的可能取值范圍。例如，“素材類型”可能包含“jpg”“swf”“gif”等取值。2.獨(dú)熱編碼（One1-HotEncoder）原理：將每個(gè)分類變量的不同取值轉(zhuǎn)換為獨(dú)立的二進(jìn)制啞變量（0或1）。作用：消除分類變量取值的順序影響（如“jpg”和“swf”無(wú)高低之分），將分類信息轉(zhuǎn)換為機(jī)器可識(shí)別的數(shù)值特征。3.數(shù)值型特征歸一化方法：采用離差標(biāo)準(zhǔn)化（MinMaxScaler），將數(shù)值型特征值縮放到[0,1]區(qū)間作用：消除不同特征量綱的影響（如“日均UV”和“訂單轉(zhuǎn)化率”量綱差異大），避免模型因特征尺度不同而產(chǎn)生偏差。4.合并特征矩陣將歸一化后的數(shù)值型特征與獨(dú)熱編碼后的分類特征合并，形成新的特征矩陣X。該矩陣統(tǒng)一了數(shù)據(jù)格式，確保后續(xù)聚類分析時(shí)模型能有效學(xué)習(xí)數(shù)據(jù)模式。04數(shù)據(jù)清洗與預(yù)處理圖示如下：04基于Deepseek的K-means聚類K-means聚類算法原理K-means聚類是一種無(wú)監(jiān)督學(xué)習(xí)算法，核心目標(biāo)是將數(shù)據(jù)點(diǎn)按相似性劃分為K個(gè)群組，無(wú)需預(yù)先標(biāo)注數(shù)據(jù)類別。步驟初始化聚類中心：隨機(jī)選擇K個(gè)數(shù)據(jù)點(diǎn)作為初始聚類中心。分配數(shù)據(jù)點(diǎn)：計(jì)算每個(gè)數(shù)據(jù)點(diǎn)到K個(gè)中心的距離，將其分配到最近的中心所屬的群組。更新聚類中心：重新計(jì)算每個(gè)群組內(nèi)所有數(shù)據(jù)點(diǎn)的均值，作為新的聚類中心。迭代優(yōu)化：重復(fù)上述分配和更新步驟，直到聚類中心不再顯著變化或達(dá)到最大迭代次數(shù)，最終形成穩(wěn)定的聚類結(jié)果。04廣告效果分析通過(guò)聚類后，所有的渠道被分為4類，下面將利用柱狀圖展示每個(gè)聚類類別下的樣本量和樣本占比。首先利用groupby()函數(shù)對(duì)merge_data中的'渠道代號(hào)'列按照'clusters'列進(jìn)行分組，然后使用count()函數(shù)計(jì)算每個(gè)聚類類別的樣本量。接著，將樣本量除以總樣本量，并利用round()函數(shù)取兩位小數(shù)以得到每個(gè)聚類類別的樣本量占比。04廣告投放效果分析提煉出不同聚類類別中的主要特征值，便于綜合、直觀地對(duì)比和分析各類別之間的差異，有助于識(shí)別廣告在不同類別中的效果差異，從而判斷哪種廣告策略或類別的廣告效果更好，調(diào)整不同類別的廣告資源，提高廣告的整體效率和效果。04廣告效果分析雷達(dá)圖適用于展示多維度數(shù)據(jù)，能直觀反映各變量的強(qiáng)弱對(duì)比，還可用于評(píng)估個(gè)體在多個(gè)指標(biāo)上的綜合表現(xiàn)，便于進(jìn)行不同個(gè)體或方案的比較。plotly是Python一個(gè)強(qiáng)大的交互式可視化庫(kù)，可利用plotly庫(kù)中的graph_objects模塊依據(jù)各個(gè)類別的顯著特征繪制雷達(dá)圖。Part5Deepseek實(shí)訓(xùn)05請(qǐng)結(jié)合聚類模型，利用raw_sample.csv、user_profile.csv、ad_feature.csv文件數(shù)據(jù)，分析淘寶網(wǎng)站的廣告數(shù)據(jù)集不同用戶群體與點(diǎn)擊率的關(guān)系。步驟一：數(shù)據(jù)預(yù)處理①讀取數(shù)據(jù)集，使用merge函數(shù)將raw_sample.csv、user_profile.csv、ad_feature.csv文件數(shù)據(jù)集合并。對(duì)數(shù)據(jù)進(jìn)行清洗，查詢并處理缺失值、重復(fù)值。實(shí)訓(xùn)①會(huì)得到一個(gè)新表步驟一：數(shù)據(jù)預(yù)處理②采用特征工程提取和轉(zhuǎn)換數(shù)據(jù)形式。選取幾個(gè)分析維度創(chuàng)建分類變量，例如對(duì)clk（點(diǎn)擊與否）、age_level（年齡層）、final_gender_code（性別）和shopping_level（購(gòu)物層次）、price（價(jià)格水平）等分析維度創(chuàng)建新的分類變量，并轉(zhuǎn)換數(shù)據(jù)類型為字符串類型。刪除無(wú)用的原始列。實(shí)訓(xùn)②會(huì)得到一個(gè)新表步驟一：數(shù)據(jù)預(yù)處理③將分析變量拆分為數(shù)值變量和分類變量。對(duì)于數(shù)值列，使用MinMaxScaler對(duì)數(shù)值列進(jìn)行最小-最大歸一化處理；對(duì)于分類列，使用OneHotEncoder對(duì)分類列進(jìn)行獨(dú)熱編碼，把數(shù)據(jù)轉(zhuǎn)換成適合機(jī)器學(xué)習(xí)模型處理的格式。實(shí)訓(xùn)③會(huì)得到一個(gè)新表05步驟二：K-Means聚類分析①使用K-Means和MiniBatchKMeans進(jìn)行聚類，并計(jì)算對(duì)應(yīng)的輪廓系數(shù)以確定最優(yōu)的聚類數(shù)量。05步驟二：K-Means聚類分析②完成K-Means聚類后，計(jì)算每個(gè)類別數(shù)值特征的平均值和類別特征的眾數(shù)，利用雷達(dá)圖可視化呈現(xiàn)每類群體的特征分布情況。③請(qǐng)結(jié)合聚類模型，分析不同用戶群體特征（如性別、年齡、購(gòu)物層次、價(jià)格偏好等）與點(diǎn)擊率的關(guān)系。THANKSFORYOURLISTENING本章結(jié)束感謝聆聽(tīng)第七章

電子商務(wù)平臺(tái)商務(wù)活動(dòng)分析SOUTHWESTERNUNIVERSITYOFFINANCEANDECONOMICS嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01電子商務(wù)平臺(tái)02電商平臺(tái)商品分析--商品數(shù)據(jù)集03實(shí)訓(xùn)Part1電子商務(wù)平臺(tái)ADDYOURTITLEHEREPLEASE嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓01電子商務(wù)平臺(tái)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(tái)的直播間向來(lái)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(jī)頻頻登上微博熱搜，林某就是一個(gè)很好的例子。在以歌手身份成名之前，他做過(guò)廚師，出版過(guò)3本美食書，并主持和參與過(guò)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。基于知名的美食家人設(shè)，他注重在專業(yè)領(lǐng)域進(jìn)行垂直選品；同時(shí)，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(gòu)買。直播推薦產(chǎn)品時(shí)，他并非單純地口播或者念文稿，而是現(xiàn)場(chǎng)使用產(chǎn)品，將產(chǎn)品最真實(shí)的一面展現(xiàn)給觀眾。例如在直播介紹醬料、牛排等食材時(shí)，他親自起鍋?zhàn)霾?，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(tái)概念JUNE12th用戶：電商平臺(tái)上瀏覽各類商品信息、比較價(jià)格、查看評(píng)價(jià)，實(shí)現(xiàn)在線購(gòu)物。商家：在電商平臺(tái)上開(kāi)設(shè)線上店鋪，展示產(chǎn)品、接受訂單、進(jìn)行銷售。（電商平臺(tái)商家端）電子商務(wù)平臺(tái)是指通過(guò)互聯(lián)網(wǎng)構(gòu)建的在線購(gòu)物平臺(tái)，為用戶和商家提供一個(gè)交易的虛擬空間。電商平臺(tái)的出現(xiàn)極大地改變了傳統(tǒng)零售模式，提升了購(gòu)物的便利性和效率，拓展了用戶的購(gòu)物選擇。01電子商務(wù)平臺(tái)特征六大特征特征三：數(shù)字化和在線化電商平臺(tái)營(yíng)銷是數(shù)字時(shí)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(guò)在線購(gòu)物平臺(tái)瀏覽產(chǎn)品、下單和支付。特征四：大數(shù)據(jù)和個(gè)性化電商平臺(tái)能夠收集大量關(guān)于用戶的數(shù)據(jù)，包括購(gòu)物習(xí)慣、興趣和偏好，用于個(gè)性化推薦和廣告，以提供更好地購(gòu)物體驗(yàn)。特征一：全球性和無(wú)界限性電商平臺(tái)商務(wù)活動(dòng)不受地理位置的限制，用戶可以從世界各地的在線商店購(gòu)買產(chǎn)品。特征二：多樣化的銷售渠道電商平臺(tái)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(guò)社交媒體分享購(gòu)物體驗(yàn)，產(chǎn)品評(píng)價(jià)和建議等信息。如，淘寶平臺(tái)也提供“用戶分享”窗口。特征六：即時(shí)互動(dòng)和用戶服務(wù)用戶可以隨時(shí)聯(lián)系客服并提出問(wèn)題，為企業(yè)提供了寶貴的市場(chǎng)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(yíng)銷工具和數(shù)據(jù)分析電商平臺(tái)提供了多種營(yíng)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(yíng)銷戰(zhàn)略。Part2電商平臺(tái)商品分析實(shí)例嚴(yán)謹(jǐn)勤儉求實(shí)開(kāi)拓02電商平臺(tái)商品數(shù)據(jù)集概述電商平臺(tái)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(gòu)買、加入購(gòu)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(gòu)買、加入購(gòu)物車、收藏行為（表7-2）時(shí)間戳行為發(fā)生的時(shí)間戳表7-1數(shù)據(jù)集描述表7-2用戶行為類型本實(shí)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(wàn)隨機(jī)用戶的所有行為（行為包括點(diǎn)擊、購(gòu)買、加購(gòu)、收藏）。7.2電商平臺(tái)分析實(shí)例數(shù)據(jù)預(yù)處理步驟：在主要的處理前對(duì)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(kù)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(shí)間戳。檢查數(shù)據(jù)集中是否存在空值和重復(fù)行。將時(shí)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(shí)信息。JUNE12th數(shù)據(jù)預(yù)處理7.2電商平臺(tái)分析實(shí)例在主要的處理前對(duì)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(shí)、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(tái)分析實(shí)例1.計(jì)算不同統(tǒng)計(jì)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(shí)間）JUNE12th點(diǎn)擊到收藏(pv2fav)點(diǎn)擊到加購(gòu)物車(pv2cart)點(diǎn)擊到購(gòu)買(pv2buy)收藏到購(gòu)買(fav2buy)加購(gòu)物車到購(gòu)買(cart2buy)點(diǎn)擊-pv加購(gòu)物車-cart收藏-fav購(gòu)買-buy商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例1.計(jì)算不同統(tǒng)計(jì)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(shí)間）JUNE12th通過(guò)遍歷統(tǒng)計(jì)行為數(shù)量并計(jì)算每個(gè)行為類型的轉(zhuǎn)化率，并用空列表convs存儲(chǔ)計(jì)算出的轉(zhuǎn)化率提取三個(gè)不同的統(tǒng)計(jì)周期：小時(shí)、星期、日期商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例1.計(jì)算不同統(tǒng)計(jì)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(yùn)行輸出結(jié)果）JUNE12th（1）當(dāng)統(tǒng)計(jì)周期為小時(shí)時(shí)：【結(jié)果分析】a.數(shù)量變化（左圖）：大多數(shù)用戶在早上10點(diǎn)開(kāi)始瀏覽電商平臺(tái)，瀏覽量從傍晚的18點(diǎn)開(kāi)始增速加大，并且21點(diǎn)達(dá)到頂峰，說(shuō)明絕大多數(shù)用戶是在晚上下班后開(kāi)始瀏覽電商平臺(tái)，部分運(yùn)營(yíng)活動(dòng)可以有針對(duì)性地在17—24點(diǎn)開(kāi)展；b.轉(zhuǎn)化率變化（右圖）：轉(zhuǎn)化率的下降趨勢(shì)和數(shù)量的上升趨勢(shì)相反，可能說(shuō)明大多數(shù)用戶在前一天瀏覽完商品后，在第二天10點(diǎn)—16點(diǎn)之間，購(gòu)買前一天加入購(gòu)物車或者收藏的商品，這說(shuō)明商家可以在這個(gè)時(shí)間段推送促進(jìn)用戶購(gòu)買和支付的活動(dòng)和策略。商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例1.計(jì)算不同統(tǒng)計(jì)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(yùn)行輸出結(jié)果）JUNE12th（2）當(dāng)統(tǒng)計(jì)周期為星期幾時(shí)（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(gòu)買轉(zhuǎn)化率比周末的反而稍微高一點(diǎn)。因此，引流活動(dòng)或策略可以在周末展開(kāi)，促購(gòu)活動(dòng)或策略可以適當(dāng)在工作日或周末展開(kāi)。商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例1.計(jì)算不同統(tǒng)計(jì)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(yùn)行輸出結(jié)果）JUNE12th（2）當(dāng)統(tǒng)計(jì)周期為天時(shí)：【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(tái)雙十二的預(yù)熱活動(dòng)。查閱淘寶2017年下半年活動(dòng)發(fā)現(xiàn)，雙十二預(yù)熱階段和服務(wù)換新活動(dòng)，相較于其他活動(dòng)，可以更好的吸引用戶。商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例2.計(jì)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(gòu)物車和收藏商品并沒(méi)有行為的先后性，因此達(dá)成購(gòu)買目的的行為路徑轉(zhuǎn)化率有5條（以下將“將添加購(gòu)物車”簡(jiǎn)稱為“加購(gòu)”）,通過(guò)

5條路徑分別計(jì)算了轉(zhuǎn)化率：①

直接購(gòu)買轉(zhuǎn)化率=點(diǎn)擊且購(gòu)買量/點(diǎn)擊量②

加購(gòu)購(gòu)買轉(zhuǎn)化率=點(diǎn)擊且加購(gòu)量+購(gòu)買量/點(diǎn)擊且加購(gòu)量③

收藏購(gòu)買轉(zhuǎn)化率=點(diǎn)擊且收藏且購(gòu)買量/點(diǎn)擊且收藏量④

加購(gòu)收藏購(gòu)買轉(zhuǎn)化率=點(diǎn)擊且加購(gòu)量+收藏量且購(gòu)買量/點(diǎn)擊且加購(gòu)量+收藏量⑤

流失率=點(diǎn)擊且流失量/點(diǎn)擊量JUNE12th商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例JUNE12th具體代碼呈現(xiàn)：商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)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(guò)加購(gòu)和收藏后的行為分析，可以看出用戶有較強(qiáng)的購(gòu)買意愿，且購(gòu)買流程的設(shè)計(jì)對(duì)用戶來(lái)說(shuō)相對(duì)順暢和便捷。加購(gòu)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?yàn)榧淤?gòu)后，用戶可以在購(gòu)物車頁(yè)面直接進(jìn)行結(jié)賬操作，流程更為直觀和方便。購(gòu)買轉(zhuǎn)化率在不同場(chǎng)景下有所差異，其中直接加購(gòu)的轉(zhuǎn)化率最高（69.18%），其次是收藏后購(gòu)買（60.17%和80.25%），這種差異可能與用戶的心理預(yù)期和購(gòu)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(tái)分析實(shí)例JUNE12th3.計(jì)算復(fù)購(gòu)率復(fù)購(gòu)率=重復(fù)購(gòu)買的用戶數(shù)量/總用戶數(shù)量×100%，其中，分子是重復(fù)購(gòu)買用戶的數(shù)量（len(set(twbuy_user))），分母是所有進(jìn)行過(guò)購(gòu)買的總用戶數(shù)量（len(set(buy_user))）。復(fù)購(gòu)率反映了購(gòu)買過(guò)商品的用戶中有多大比例進(jìn)行了重復(fù)購(gòu)買。計(jì)算復(fù)購(gòu)率后，計(jì)算每個(gè)用戶購(gòu)買行為發(fā)生的次數(shù)，然后對(duì)這些次數(shù)進(jìn)行計(jì)數(shù)，得到一個(gè)用戶購(gòu)買頻次的分布情況。商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例JUNE12th【運(yùn)行輸出結(jié)果】【代碼】根據(jù)運(yùn)行結(jié)果，約一周的統(tǒng)計(jì)周期內(nèi)，約65.9%的用戶進(jìn)行復(fù)購(gòu)，復(fù)購(gòu)率較高。同時(shí)，也可以通過(guò)用戶復(fù)購(gòu)次數(shù)反應(yīng)用戶的購(gòu)買頻率。如左圖所示，在此期間，絕大多數(shù)用戶的復(fù)購(gòu)次數(shù)在2-5次之間。商品銷售轉(zhuǎn)化分析7.2電商平臺(tái)分析實(shí)例JUNE12th商品精準(zhǔn)推薦用戶的歷史行為，是分析用戶對(duì)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(guò)濾算法，利用DeepSeek給相似的用戶推薦其他用戶購(gòu)買的商品品類，實(shí)現(xiàn)對(duì)商品的精準(zhǔn)推薦。由于數(shù)據(jù)集太大，本實(shí)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(qǐng)針對(duì)導(dǎo)入的數(shù)據(jù)集，基于用戶的歷史行為，分析用戶對(duì)商品的偏好，給用戶推薦相似的商品。具體而言，通過(guò)物品協(xié)同過(guò)濾算法（ItemCF），對(duì)購(gòu)買過(guò)某些商品的用戶，推薦其他相似品類的商品。請(qǐng)產(chǎn)生相應(yīng)的Python代碼和結(jié)果。7.2電商平臺(tái)分析實(shí)例JUNE12th1)其中'1'表示用戶ID，'2268318'