/%E7%94%A8%E6%88%B7%E5%88%86%E6%9E%90/ Recent content in 用户分析 on 老张开工了 Hugo zh-cn Mon, 20 Jan 2025 00:00:00 +0000 /posts/2025/01/user-behavior-analysis/ Mon, 20 Jan 2025 00:00:00 +0000 /posts/2025/01/user-behavior-analysis/ 项目背景 上一篇文章我们分析了电商订单数据，得到了"是什么"的答案。但订单只是用户行为的终点。要真正理解用户，我们需要追踪和分析用户的完整行为路径：他们从哪来，在站内做了什么，为什么最终选择购买或离开。 本实战项目使用用户事件日志数据，涵盖页面浏览、点击、加购、支付等行为。我们将围绕以下几个核心问题展开分析： 用户的留存情况如何？不同渠道获取的用户留存有无差异？ 从访看到购买的转化漏斗中，哪个环节流失最严重？ 用户的日活跃度、使用深度如何？ 如何用 AARRR 框架系统评估用户生命周期？ 不同用户群体的行为模式有何差异？ 用户的终身价值该如何估算？ 数据加载与预处理 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime, timedelta import warnings warnings.filterwarnings('ignore') plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False # 事件日志数据 events = pd.read_csv('user_events.csv') print(f'事件总数: {len(events):,}') print(f'唯一用户数: {events["user_id"].nunique():,}') events.head() 事件日志数据通常包含以下字段： 字段 含义 示例 event_id 事件编号 唯一标识 user_id 用户编号 匿名字段 event_type 事件类型 page_view, click, add_to_cart, purchase page_url 页面地址 /products/123 timestamp 事件时间 2025-01-15 14:30:00 session_id 会话编号 区分不同访问会话 channel 来源渠道 organic, paid, referral, social device 设备类型 mobile, desktop, tablet # 时间字段处理 events['timestamp'] = pd.