淘宝用户行为数据分析

1. 项目简介

本项目基于淘宝用户行为数据，使用 Python 对用户浏览（PV）、收藏（Fav）、加购（Cart）和购买（Buy）行为进行分析。

通过数据清洗、探索性数据分析、用户行为趋势分析、购买用户特征分析以及转化漏斗分析，探索用户行为特征及不同用户行为与最终购买之间的关系。

2. 数据说明

数据主要包含以下字段：

• user_id：用户 ID
• item_id：商品 ID
• category_id：商品类别 ID
• behavior_type：用户行为类型
• timestamp：行为发生时间

其中用户行为包括：

• pv：浏览
• fav：收藏
• cart：加入购物车
• buy：购买

3. 使用工具

• Python
• Pandas
• NumPy
• Matplotlib
• Jupyter Notebook
• PyCharm

4. 数据处理

主要的数据处理步骤包括：

• 数据基本结构检查
• 时间字段转换
• 异常日期处理
• 重复数据检查与处理
• 分析时间范围筛选

最终分析时间范围为：

2017-11-25 至 2017-12-03

5. 用户行为分析

整体用户行为中，浏览行为占据绝大多数。

• PV：约 89.6%
• Cart：约 5.5%
• Fav：约 2.9%
• Buy：约 2.0%

分析期间用户行为整体趋势较为一致，并在 12 月 2 日出现明显增长。

6. 购买用户特征

将用户划分为购买用户与未购买用户后发现：

购买用户的平均浏览、收藏和加购次数均高于未购买用户。

其中加购行为的差异较为明显，说明用户的互动程度与最终购买行为存在一定关联。

7. 用户转化漏斗

按照用户行为构建：

浏览 → 意向（收藏/加购）→ 购买

得到：

• 浏览用户：984,080
• 意向用户：857,858
• 购买用户：670,370

对应转化率：

• 浏览 → 意向：87.17%
• 意向 → 购买：78.14%
• 浏览 → 购买：68.12%

8. 主要结论

1. 用户行为主要以商品浏览为主，PV 占全部行为约 89.6%。
2. 12 月 2 日平台用户活跃度明显提升。
3. 购买用户的浏览、收藏和加购频率整体高于未购买用户。
4. 收藏和加购行为可以作为识别潜在购买用户的重要行为信号。
5. 用户从浏览到购买存在较明显的行为转化路径。

9. 项目结构

taobao_analysis/
├── data/
│   └── UserBehavior.csv
├── models/
├── taobao_analysis.ipynb
└── README.md