用户画像|京东平台小家电用户画像分析报告(附代码)

数据大师
数据大师
数据大师
292
文章
0
评论
2021-09-0117:30:36 评论 38 4210字
摘要

本文以京东平台小家电用户画像分析报告为例介绍用户画像

 

目录

文章分为以下三大部分:

  • 项目背景
  • 用户画像分析
  • 总结及建议

一、项目背景

1.1用户画像概念

用户画像是什么?

用户画像是真实用户的虚拟代表,是建立在一系列真实数据之上的目标用户模型,它的本质是用户特征的"可视化",抽象出相应的标签,拟合而成的虚拟的形象,主要包含自然属性社会属性行为属性心理属性。需要注意的是,用户画像是将一类有共同特征的用户聚类分析后得出的,因而并非针对某个具像的特定个人。

用户画像有什么用?

  • 帮助我们更加立体认识用户,培养用户思维、洞察用户的需求,进而优化完善产品,提升用户体验;
  • 帮助我们更加精准进行决策,通过市场数据推论到产品的定位人群,对市场细分和用户分群,做到精细化运营。

1.2项目说明

本文利用京东平台真实案例,进行实操分析。类似京东这个量级的平台,无论从产品类目和受众用户都是比较庞大,促使现今电商平台主推千人千面,我们这里针对京东电商平台小家电数据进行用户画像。

数据集有两个表,user_info用户信息,order_d订单信息,时间为2020年8月13日-2020年8月19日。

字段说明如下:

用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)

1.3提出问题

这里我们模拟一个业务场景,如下:

最近平台小家电类目的产品浏览量、订单数量等都有所下降,运营部门计划对小家电类目进行一次促销活动,希望数据分析师能针对小家电消费用户特征给出建议?

1.4分析思路

 

用户画像|京东平台小家电用户画像分析报告(附代码)

 

二、用户画像分析

2.1基本属性分析基本属性包括自然属性和社会属性。

  • 自然属性:性别、年龄、地域等;
  • 社会属性:婚育状况、学历、职业等。
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
  • 从用户基本属性看出,小家电消费用户多为来自一线城市的男性,年龄在30岁左右,已婚已育,高学历,大部分从事互联网或其他白领行业。

此节部分代码:

###此数据集,数据清洗部分较为简单,这里省略。主要附关键代码。##性别分布user_sex_df = user_info_df.groupby("ulp_base_sex", as_index=False)["user_log_acct"].agg({"ulp_base_sex_count":"count"})##年龄分布user_age_df = user_info_df.groupby("ulp_base_age", as_index=False)["user_log_acct"].agg({"user_age_count":"count"})##地域分布user_region_df = user_info_df.groupby("ulp_addr_province", as_index=False)["user_log_acct"].                    agg({"region_count":"count"})user_region_df.columns = ["province_name","region_count"]user_region_df = user_region_df.sort_values(by="region_count", ascending=False)##地域-城市分布user_city_df = user_info_df.groupby("ulp_addr_city", as_index=False)["user_log_acct"]                .agg({"city_count":"count"})                .sort_values(by="city_count", ascending=False)user_city_df = user_city_df[:10] #截取排名前十的城市##婚育状况user_marriage_df = user_info_df.groupby("ulp_base_marriage", as_index=False)["user_log_acct"]                    .agg({"marriage":"count"})                    .sort_values(by="marriage", ascending=False)user_child_df = user_info_df.groupby("ulp_base_child", as_index=False)["user_log_acct"]                .agg({"child":"count"})                .sort_values(by="child", ascending=False)##教育水平user_edu_df = user_info_df.groupby("ulp_base_education", as_index=False)["user_log_acct"]                .agg({"edu":"count"})                .sort_values(by="ulp_base_education", ascending=True)##职业分布user_profession_df = user_info_df.groupby("ulp_base_profession", as_index=False)["user_log_acct"]                    .agg({"profession":"count"})                    .sort_values(by="ulp_base_profession", ascending=True)

2.2行为属性分析

这里行为属性分析,主要探索用户在浏览、加购、下单等环节的行为规律,我们从时间维度考虑,把时间拆分到天、周,对每天24小时和一周7天的行为规律进行分析。

用户画像|京东平台小家电用户画像分析报告(附代码)
  • 从每天24小时的下单购物行为数据中看出,高峰期时在早、晚十点左右,此时间节点为下单时间,考虑用户下单前浏览挑选商品需要一定的时间,用户浏览的高峰期可能是在早、晚9点左右,做促销推送信息时需要把时间点提前。
  • 在星期二出现下单高峰,由于给出的数据只有一周,且无法追溯当时的业务状况,此处分析谨供参考。

此节部分代码:

##每天#利用lambda匿名函数,把订单日期保留到小时,生成新的字段order_user_df["order_time_hms"] = order_user_df["sale_ord_tm"].apply(lambda x: x.strftime("%H:00:00"))#统计各时间段订单量user_order_hms_df = order_user_df.groupby("order_time_hms", as_index=False)["sale_ord_id"].                                agg({"hms_count":"count"}).sort_values(by="order_time_hms", ascending=True)##每周#利用lambda匿名函数,把订单日期转为日期,生产新的字段order_user_df["order_time_week"] = order_user_df["sale_ord_tm"].apply(lambda x: x.strftime("%w"))#统计每天的订单量user_order_week_df = order_user_df.groupby("order_time_week", as_index=False)["sale_ord_id"].                                agg({"week_count":"count"}).sort_values(by="order_time_week", ascending=True)

2.3心理属性分析

心理属性主要从产品偏好、促销敏感度及评论敏感度进行分析。

用户画像|京东平台小家电用户画像分析报告(附代码)
  • 电风扇销量最高,存在明显的季节性。如果促销活动是在夏天结束后进行,选品时应该去掉电风扇,选择排名在其后的净水器、饮水机、加湿器等产品。
用户画像|京东平台小家电用户画像分析报告(附代码)
用户画像|京东平台小家电用户画像分析报告(附代码)
  • 从促销和评论敏感度中看出,小家电消费用户平时比较关注促销活动,且比较在意商品的评论,偏爱良好口碑的商品。

此节部分代码:

##产品偏好user_order_cate_df = order_user_df.groupby("item_third_cate_name", as_index=False)["sale_ord_id"]                    .agg({"cate_count":"count"})                    .sort_values(by="cate_count", ascending=False)##促销敏感度#利用lambda匿名函数,只保留cfv_sens_promotion最后一个字符,生产新字段user_info_df["sens_promotion"] = user_info_df["cfv_sens_promotion"]                                    .apply(lambda x: x[-1])#统计各敏感区间度的人数user_order_sens_promotion_df = user_info_df.groupby("sens_promotion", as_index=False)["user_log_acct"]                                .agg({"sens_promotion_count":"count"})                                .sort_values(by="sens_promotion", ascending=True)##评论敏感度#利用lambda匿名函数,只保留cfv_sens_comment最后一个字符,生产新字段user_info_df["sens_comment"] = user_info_df["cfv_sens_comment"]                                    .apply(lambda x: x[-1]) #统计各敏感区间度的人数user_order_sens_comment_df = user_info_df.groupby("sens_comment", as_index=False)["user_log_acct"]                                .agg({"sens_comment_count":"count"})                                .sort_values(by="sens_comment", ascending=True)

 

三、总结及建议

我们通过多个维度对小家电用户特征进行分析,对此群体用户有了一个立体的认知,如下:

用户画像|京东平台小家电用户画像分析报告(附代码)

现已知用户的基本特征,结合文章第一部分对业务需求的拆解和分析思路,我们对此次促销活动给出如下建议:

用户画像|京东平台小家电用户画像分析报告(附代码)

 

注:

因为此用户和订单数据集只有7天的数据(2020年8月13日-2020年8月19日),刻画的用户画像可能存在偏差,上面分析、结论及建议只是根据现有的数据得出,谨供参考。

 

End.

作者:以它为镜

本文为转载分享,如果涉及作品、版权和其他问题,请联系我们第一时间删除(微信号:lovedata0520)

更多文章前往首页浏览http://www.itongji.cn/

 

  • 我的微信公众号
  • 微信扫一扫
  • weinxin
  • 我的微信公众号
  • 微信扫一扫
  • weinxin
匿名

发表评论

匿名网友 填写信息

:?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen: