基于大数据的用户行为预测精选.docVIP

基于天池数据的用户行为分析报告 摘 要 电商每天都面临着大量的用户访问行为数据信息，这些看似零散的数据，其实隐藏着巨大的商业逻辑 3 2 数据介绍 3 3 数据分析 4 3.1 描述统计分析 4 3.1.1 用户行为描述统计 4 表3.1 用户行为统计表 4 3.1.2 关于品牌的用户行为描述统计 4 表3.2 关于品牌的用户行为统计表 4 表3.3 被购买排名前十的品牌 5 3.2 相关分析 6 3.2.1 用户行为的相关分析 6 表3.4 用户行为相关性分析 6 3.2.2 关于品牌的用户行为的相关分析 7 表3.5 关于品牌的用户行为相关性分析 7 3.3 聚类分析 8 3.3.1 用户行为的聚类分析 8 表3.6 用户购买次数分组统计 8 3.3.2 关于品牌的用户行为的聚类分析 9 表3.6 最终聚类中心 9 3.4 预测分析 9 3.4.1 简单模型预测 9 表3.7 购买时间模型描述 10 表3.8 购买时间模型统计量 10 4 总结 10 表3.1 用户行为统计表 5 表3.2 关于品牌的用户行为统计表 5 表3.3 被购买排名前十的品牌 6 表3.4 用户行为相关性分析 7 表3.5 关于品牌的用户行为相关性分析 8 表3.6 用户购买次数分组统计 9 表3.6 最终聚类中心 10 表3.7 购买时间模型描述 11 表3.8 购买时间模型统计量 11 图3.1 用户购买次数图 10 图3.2 在4月15日到8月15日之间用户购物次数图 11 图3.3 以星期为周期的购买模型 12 1 前言 这几年，电商的价格战打得不亦乐乎，继去年的双 11 大促和6·18 狂欢节之后，电商之间以价格为主要诉求的大规模促销层出不穷，几乎要把所有能够用来造势的节日都用上了。而消费者们作为这场游戏中的弱者，不断地被这些真假价格战挑逗着和引导着。然而，在当今的商场上，还有另外一类企业不是通过简单粗暴的价格战，而是通过对数据的充分使用和挖掘而在商战中获胜的。 电商每天都面临着大量的用户访问行为数据信息，这些看似零散的数据，其实隐藏着巨大的商业逻辑，哪些吸引到了这些受众？访问行为数据的分析评估随着电商行业竞争趋势的加强，电商在数据处理能力上的强弱已经成为发展核心命脉，电商期待通过数据挖掘将电商网站的用户、内容、营销进行有效的连接，既能数据化客观地评估和分析营销的效果，又能发掘出真正潜在的客户。合作伙伴通过这类数据分析，就能获悉自己的产品在各区域、各时间段、各消费群的详细情况，进而判断市场趋势，有的放矢地刺激用户需求。 记录内容 user_id 用户 brand_id 品牌号 type 用户操作行为 visit_datetime 用户行为发生时间 本报告期望通过对这些数据进行有效的分析和挖掘，了解用户的品牌偏好，并预测他们在将来一个月内对品牌下商品的操作行为。 3 数据分析 3.1 描述统计分析 3.1.1 用户行为描述统计 表3.1 用户行为统计表 购买 点击 收藏 加购物车 总计 N 884 884 884 884 884 极差 83 2376 52 11 2406 极小值 0 0 0 0 1 极大值 83 2376 52 11 2407 合计 6984 1204 153 均值 7.9 197.44 1.36 0.17 206.88 0.316 7.593 0.148 0.026 7.817 标准差 9.401 225.769 4.407 0.775 232.425 方差 88.375 50971.746 19.418 0.601 54021.507 偏度 2.871 2.845 6.023 7.105 2.763 0.082 0.082 0.082 0.082 0.082 峰度 13.727 14.114 45.813 66.781 13.256 0.164 0.164 0.164 0.164 0.164 点击 购买 收藏 加购物车 总计 N 9531 9531 9531 9531 9531 极差 3196 124 36 8 3355 极小值 0 0 0 0 1 极大值 3196 124 36 8 3356 合计 6984 1204 153 均值 18.31 0.73 0.13 0.02 19.19 0.786 0.031 0.007 0.002 0.815 标准差 76.704 2.981 0.672 0.169 79.567 方差 5883.579 8.889 0.452 0.029 6330.847 偏度 17.984 15.715 23.209 19.571 18.054 0.025 0.025 0.025 0.025 0.025 峰