1）项目背景
网购已经成为人们生活不可或缺的一部分，本次项目基于淘宝app平台数据，通过相关指标对用户行为进行分析，从而探索用户相关行为模式。
2）数据和字段说明
本文使用的数据集包含了2014.11.18到2014.12.18之间，淘宝App移动端一个月内的用户行为数据。该数据有12256906天记录，共6列数据。
- user_id：用户身份
- item_id：商品id
- behavior_type：用户行为类型(包括点击、收藏、加入购物车、支付四种行为，分别用数字1、2、3、4表示)
- user_geohash：地理位置
- item_category：品类id(商品所属的分类)
- time：用户行为发生的时间
3）分析的维度
流量指标分析
用户行为分析
漏斗流失分析
用户价值RFM分析
4）电商常用分析方法
5）什么是漏斗分析？
“漏斗分析”是一套流程式数据分析，它能够科学反映用户行为状态，以及从起点到终点各阶段用户转化率情况的一种重要分析模型。
结果如下：
1）计算缺失率
结果如下：
2）删除地理位置这一列
3）处理时间time列，将该列拆分为date日期列，和hour小时列
结果如下：
4）将time、date列都变为标准日期格式，将hour列变为int格式
结果如下：
5）将数据按照time列，升序排列
解果如下：
6）删除原始索引，重新生成新的索引
结果如下：
知识点：注意reset_index()中传入参数drop的这种用法。
7）使用describe()函数查看数据的分布，这里使用了一个include参数，注意一下
结果如下：
知识点：注意describe()函数中传入参数include的用法。
8）对时间数据做一个概览
结果如下：
pv：指的是页面总浏览量。每个用户每刷新一次网页，就会增加一次pv。
uv：指的是独立访客数。一台电脑一个ip也就是一个独立访客。实际分析中，我们都是认为每个人只使用一台电脑，即每一个独立访客代表一个用户。
① 总计pv和uv
结果如下：
结果分析：从图中可以看到，该网站页面的总浏览量为12256906次，该页面的独立访客数共有10000个。
② 日期维度下的uv和pv：uv表示页面总浏览量，pv表示独立访客数
结果如下：
绘图如下：
结果分析：从图中可以看出，pv和uv数据呈现高度的正相关。双12前后，pv和uv都在350000-400000之间波动，双十二的时候，页面访问量急剧上升，证明这次活动的效果很好。
③ 时间维度下的pv和uv
结果如下：
绘图如下：
结果分析：从图中可以看出，晚上22：00-凌晨5：00，页面的访问用户数量和访问量逐渐降低，该时间段很多人都是处在休息之中。而从早上6：00-10：00用户数量逐渐呈现上升趋势，10：00-18：00有一个比较平稳的状态，这个时间段是正常的上班时间。但是18：00以后，一直到晚上22：00，用户剧烈激增，一直达到一天中访问用户数的最大值。运营人员可以参考用户的活跃时间段，采取一些促销活动。
① 总计点击、收藏、添加购物车、支付用户的情况
结果如下：
结果分析：从图中可以看到，用户进行页面点击–>收藏和加如购物车–>支付，逐渐呈现下降趋势。关于这方面的分析，将在下面的漏斗图中继续更为深入的说明。
② 日期维度下，点击、收藏、添加购物车、支付用户的情况
结果如下：
绘图如下：
③ 时间维度下，点击、收藏、添加购物车、支付用户的情况
结果如下：
绘图如下：
④ 支付次数前10的用户行为细分
结果如下：
绘图如下：
结果分析：通过这个分析，我们可以看出，购买次数最多的用户，点击、收藏、加入购车的次数不一定是最多的，
⑤ ARPPU分析：平均每用户收入，即可通过“总收入/AU” 计算得出
结果如下：
绘图如下：
⑥ 日ARPU分析：表示的是平均每用户收入。ARPU = 总收入/AU得到
结果如下：
绘图如下：
⑦ 付费率PUR = APA/AU，这里用【消费人数 / 活跃用户人数】代替
结果如下：
⑧ 复购情况分析(复购率)
结果如下：
结果如下：
绘图如下：
结果分析：由于收藏和加入购车都是有购买意向的一种用户行为，切不分先后顺序，因此我们将其合并看作一个阶段。从上面的漏斗图和funnel表可以看出，从浏览到具有购买意向(收藏和加入购物车)，只有5%的转化率，但是到了真正到购买的转化率只有1%，再看“单一转化率”，从具有购买意向到真正购买的转化率达到了20%。说明从浏览到进行收藏和加入购物车的阶段，是指标提升的重要环节。
结果如下：
