租房平台产品情况分析(Python/Tableau)

作者: 分类讨论 | 来源:发表于2020-12-02 20:58 被阅读0次

本文是对Airbnb分析案例的汇总。本次分析围绕用户获取&流量转化展开，对产品的产品规模，用户特征，获客渠道以及流量转化几方面进行分析。本次分析利用Python进行数据处理，利用Tableau进行数据可视化。
可视化成果链接：Airbnb产品数据情况

Airbnb产品数据情况

项目背景

Airbnb是一家联系旅游人士和家有空房出租的房主的服务型网站，它可以为用户提供多样的住宿信息。获取平台佣金是Airbnb重要的收入方式，因而充足的用户资源及转化率至关重要。本项目从产品的角度出发，对用户及流量进行分析，为产品的进一步优化提供支持。

分析目标

查看Airbnb用户增长及转化率的基本情况以及趋势。
通过用户画像分析了解用户基本特征，为获客及运营转换提供支持。
渠道分析，从数量与质量两个角度去判断渠道优劣，优化获客渠道。
通过漏斗分析，找出路径中薄弱环节，为产品及运营提供优化方向。

数据来源及描述：

数据集来kaggle：https://www.kaggle.com/c/airbnb-recruiting-new-user-bookings/data
数据描述：
数据详情

分析框架

数据导入

import pandas as pd
import numpy as np

dt_user = pd.read_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\train_users_2.csv")
dt_user.head()

dt_user

dt_session = pd.read_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\sessions.csv")
dt_session.head()

dt_session

数据清洗

# 查看dt_user数据情况
dt_user.duplicated(subset=['id'], keep='first').sum()
dt_user.isnull().sum()
dt_user.describe()

dt_user数据情况
通过对dt_user数据查看：

date_first_booking缺失124543个值，age缺失87990个值，first_affiliate_tracked缺失6065个值。其中date_first_booking可能为未付费用户。
通过描述性统计，发现age最小为1岁，最大为2014岁，可能为用户未填写真实信息，需要对其数据清洗。

# 将小于7岁与大于75岁的年龄赋值为0
dt_user.loc[(dt_user['age'] < 7) | (dt_user['age'] > 75),'age'] = 0
dt_user[(dt_user['age'] < 7) | (dt_user['age'] > 75)]['age']

# 查看dt_session数据情况
dt_session.isnull().sum()

dt_session数据缺失值

通过对dt_session数据缺失值查看，发现user_id, action, action_type, action_detail, secs_elapsed存在缺失值，可能由于系统未能跟踪记录导致，对分析不产生影响，故不需要处理。

数据分析

1. 历史注册用户增长及转化率情况

# 查看数据类型，发现日期列为字符串类型，需要转换
type(dt_user['date_account_created'][1])
dt_user_trend = dt_user
# 日期格式转化，同时添加'month_account_created'列，记录月份
dt_user_trend['month_account_created'] = pd.to_datetime(dt_user['date_account_created']).apply(lambda x:x.strftime("%Y-%m"))
# 按照'month_account_created'列分组，对id计数，获得各月新增注册用户数
dt_user_trend = dt_user_trend.groupby(['month_account_created']).agg({'id':'count','date_first_booking':'count'}).rename(columns = {'id':'user_count','date_first_booking':'booking_numb'}).reset_index()
# 转化率
dt_user_trend['booking_rate'] = dt_user_trend['booking_numb'] / dt_user_trend['user_count']
# 保存并可视化分析
dt_user_trend.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_trend.csv")

历史注册用户增长及转换率
用户增长及转化率：

注册用户数成稳步上升趋势，产品规模持续增加
2013年开始，注册用户数增速提升，有呈质数爆发式增长的趋势
转化率成明显的下跌缺失，由原先的60%跌到40%左右。

2. 用户特征

2.1 用户性别占比

# 对性别分组聚合
dt_user_gender = dt_user.groupby(['gender']).agg({'id':'count','date_first_booking':'count'}).rename(columns = {'id':'gen_numb','date_first_booking':'booking_numb'})
# 重置索引
dt_user_gender = dt_user_gender.reset_index()
# 去除无效值
dt_user_gender = dt_user_gender[dt_user_gender['gender'].isin(['FEMALE','MALE'])]
# 性别占比分析
dt_user_gender['gen_rate'] = dt_user_gender['gen_numb'].apply(lambda x:x/dt_user_gender['gen_numb'].sum())
# 转化率
dt_user_gender['booking_rate'] = dt_user_gender['booking_numb'] / dt_user_gender['gen_numb']
# 保存并可视化分析
dt_user_gender.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_gender.csv")

性别占比分析
性别特征：

男性用户与女性用户在用户注册量上却别不大，男性用户较女性用户多7.32%。
男女付费转化率相当，没有明显差异

2.2 用户年龄分布

dt_user_age = dt_user
# 分箱及切分
dt_user_age['age_level'] = pd.cut(dt_user_age['age'],[7,10,20,30,40,50,60,70])
# 筛选不为Null部分
dt_user_age = dt_user_age[dt_user_age['age_level'] == dt_user_age['age_level']]
# 对年龄段分组聚合
dt_user_age_group = dt_user_age.groupby(['age_level']).agg({'id':'count','date_first_booking':'count'}).rename(columns = {'id':'age_level_numb','date_first_booking':'booking_numb'})
# 占比分析
dt_user_age_group['age_level_rate'] = dt_user_age_group['age_level_numb'].apply(lambda x:x/dt_user_age_group['age_level_numb'].sum())
# 转化率
dt_user_age_group['booking_rate'] = dt_user_age_group['booking_numb'] / dt_user_age_group['age_level_numb']
# 重置索引
dt_user_age_group = dt_user_age_group.reset_index()
# 填充空值
dt_user_age_group.loc[0,'booking_rate'] = 0
# 保存并可视化分析
dt_user_age_group.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_age_group.csv")

用户年龄分布及转化率
年龄分布：

产品注册用户集中在20-50岁，占比高达86%
付费转化率基本均在50%到60%之间，其中30-40岁年龄段转化率最高57%，10-20岁年龄段转化率最低47%

2.3 设备使用情况

# 使用设备占比
dt_device_type = dt_session['device_type'].value_counts(normalize=True).reset_index().rename(columns = ({'index':'device_type','device_type':'dt_rate'}))
# 保存并可视化分析
dt_device_type.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_device_type.csv")

用户使用设备占比
设备使用：

PC设备使用率高达约60%，明显高于移动设备，数据集为2010-2014年数据，当时移动互联网还没有大幅普及
PC设备中，Mac的使用占比为34%，较Windows设备25%高9%；移动设备中，Iphone占比为20%，明显高于其他类型手机。

2.4 浏览器使用偏好

# 分组聚合
dt_user_browser = dt_user
dt_user_browser = dt_user_browser.groupby(['first_browser']).agg({'id':'count','date_first_booking':'count'}).rename(columns = {'id':'browser_numb','date_first_booking':'booking_numb'}).reset_index()
dt_user_browser = dt_user_browser[dt_user_browser['first_browser'] != '-unknown-']
# 占比分析
dt_user_browser['browser_rate'] = dt_user_browser['browser_numb'].apply(lambda x:x/dt_user_browser['browser_numb'].sum())
# 转化率
dt_user_browser['booking_rate'] = dt_user_browser['booking_numb']/dt_user_browser['browser_numb']
# 保存并可视化分析
dt_user_browser.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_browser.csv")

浏览器使用占比
浏览器使用偏好：

PC端浏览器使用主要集中在Chrome，Safari，Firefox及IE；移动端主要为Safari，其他类型浏览器占比非常低，不足2%，这里图表中没有体现。
Chrome的注册用户数及转化率均为最高。

2.5 用户旅行目的地偏好

# 排除NDF与other并对目的地占比进行分析
dt_user_ct_d = dt_user[~dt_user['country_destination'].isin(['NDF','other'])]['country_destination'].value_counts(normalize=True)
# 重命名
dt_user_ct_d = dt_user_ct_d.reset_index().rename(columns = {'index':'country_destination','country_destination':'ct_d_rate'})
# 保存并可视化分析
dt_user_ct_d.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_ct_d.csv")

用户旅行目的地偏好

旅行目的地偏好：

注册用户首次履行的地点多为美国本地，占比约79%。
境外出游目的地国家均为欧洲发达国家。

3. 营销方式与渠道分析

3.1 各营销方式流量占比及付费转换情况

# 分组聚合获取注册用户数
dt_user_channel = dt_user.groupby(['affiliate_channel']).agg({'id':'count'}).rename(columns = {'id':'channel_numb'}).reset_index()
# 获取付费用户数
dt_user_channel['channel_booking_numb'] = list(dt_user.groupby(['affiliate_channel']).agg({'date_first_booking':'count'}).rename(columns = {'date_first_booking':'channel_booking_numb'})['channel_booking_numb'])
# 付费转换率
dt_user_channel['channel_booking_rate'] = round(dt_user_channel['channel_booking_numb'] / dt_user_channel['channel_numb'],4) 
# 保存并可视化分析
dt_user_channel.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_channel.csv")

各营销方式用户注册增长及付费情况
营销方式：

从用户注册增长量来看，direct占比最高，约70%，其次是sem-brand与sem-non-brand。
从付费转化率来看，direct/sem-brand/sem-non-brand转化率相当。

3.2 各营销来源流量占比及付费转换情况

# 分组聚合获取注册用户数
t_user_provider = dt_user.groupby(['affiliate_provider']).agg({'id':'count'}).rename(columns = {'id':'provider_numb'}).reset_index()
# 获取付费用户数
dt_user_provider['provider_booking_numb'] = list(dt_user.groupby(['affiliate_provider']).agg({'date_first_booking':'count'}).rename(columns = {'date_first_booking':'provider_booking_numb'})['provider_booking_numb'])
# 付费转化率
dt_user_provider['provider_booking_rate'] = round(dt_user_provider['provider_booking_numb'] / dt_user_provider['provider_numb'],4)
# 保存并可视化分析
dt_user_provider.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_provider.csv")

各营销渠道用户注册增长及付费情况
营销来源：

从注册用户数来看，direct占比最高，diret/google两项占比约90%
从转化率而言，direct/goole转化率基本相当。

4. 用户转化漏斗

# 漏斗路径：
# 总用户 -> 活跃用户 -> 注册用户 -> 下单用户 -> 实际支付用户 -> 复购用户
# 总用户：即session用户
# 活跃用户：我们定义session超过10次为活跃用户
# 注册用户：与user表匹配，即为注册的用户
# 下单：action_detail = 'reservations'
# 实际支付：action_detail = 'payment_instraments'
# 复购：筛选payment_instraments，对session user_id分组计数>=2即为复购

# 总用户数
dt_funnel = pd.DataFrame()
dt_funnel['UV'] = dt_session.groupby(['user_id']).agg({'user_id':'count'}).count()
# 活跃数
dt_active = dt_session.groupby(['user_id']).agg({'user_id':'count'})
dt_funnel['Active'] = list(dt_active[dt_active['user_id'] >= 10].count())
# 注册用户数
dt_logon = dt_session
dt_logon = dt_logon[dt_logon['user_id'].astype('str').isin(list(dt_user['id']))]
dt_logon = dt_logon.groupby(['user_id']).agg({'user_id':'count'}).count()
dt_funnel['Logon'] = dt_logon
# 下单用户数
dt_reserve = dt_session
dt_reserve = dt_reserve[dt_reserve['action_detail'] == 'reservations']
dt_funnel['Reserve'] = dt_reserve['user_id'].nunique()
# 实际支付用户
dt_pay = dt_session
dt_pay = dt_pay[dt_pay['action_detail'] == 'payment_instruments']
dt_funnel['Pay'] = dt_pay['user_id'].nunique()
# 复购
# dt_repay = pd.DataFrame()
dt_repay = dt_pay.groupby(['user_id']).agg({'user_id':'count'})
dt_funnel['Repay'] = dt_repay[dt_repay['user_id'] >= 2].count()
# 重置索引
dt_funnel = dt_funnel.reset_index(drop = True)
#行列转换
dt_funnel = dt_funnel.stack().reset_index().rename(columns = {'level_1':'Dimension',0:'numb'})[['Dimension','numb']]
# 保存并可视化分析
dt_funnel.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_funnel.csv")

用户转化漏斗
用户转化漏斗：

从用户第一次接触到登陆注册的转化率约为54%，从登陆到付费的转化率约为12%，从付费到复购转化率为46%。
由漏斗可知，用户登陆到用户付费环节，用户流失率最高。复购率约46%，表现良好。

总结

1. 用户增长及转化率：

分析总结：
1）注册用户数成稳步上升趋势，产品规模持续增加
2）2013年开始，注册用户数增速提升，有呈质数爆发式增长的趋势
3）转化率成明显的下跌缺失，由原先的60%跌到40%左右。
策略建议
注册用户数持续增加，且增速逐渐加快，整体趋势良好；但付费转化率则呈下降趋势，结合漏斗分析，用户在初次使用到活跃到注册，转化率都在60%以上，但从注册到付费转化率锐减至14%，产品运营在付费转化方面可能存在问题。此外，可能也与Airbnb处于发展期，用户规模的迅速扩张是首要目标。

2. 用户画像：

分析总结：
1）性别特征：男女用户在注册及转化率均相当，无明显差异
2）年龄分布：产品用户集中在20-50岁，其中20-40岁占比70%，40-50岁占比15%；转化率方面20-50岁转化率基本相当
3）设备使用：PC用户明显高于移动端用户，其中Mac占34%，Windows占25%。
4）浏览器使用偏好：主要为PC端Chrome，Safari，Firefox及IE四类，占比约90%。移动端主要为Safair，占比约10%
5）旅行目的地偏好：79%均为美国本土游，出境游更偏爱欧洲发达国家。
策略建议：
1）年龄分布：广告内容策划可结合20-40岁人群的兴趣爱好，将产品特点融入其中，营造体验式氛围，吸引这部分人群的使用；
2）设备及浏览器方面：推广投放中心要放在PC端，可尝试与Chrome，IE，Firefox，safari合作提升产品曝光量。
3）旅行目的地偏好：多数为本土出行，可尝试联合本土出行攻略网站，在热门的景区添加推广，提升产品曝光量，此外可以与本土交通运输公司合作进行推广。

3.漏斗转化

分析总结：
1）从用户第一次接触到登陆注册的转化率约为54%，从登陆到付费的转化率约为12%，从付费到复购转化率为46%。
2）从预约到付费，有13%的流量损失。
3）由漏斗可知，用户登陆到用户付费环节，用户流失率最高。复购率约46%，表现良好。
策略建议：
1）注册到预定流失率较高，可能因为产品无法满足用户的需求，没有切中用户痛点，建议进行进一步用户调研，优化产品服务；
2）预约到付费转化中有13%的流失，需要排查是否在付费环节产品存在缺陷，导致用户无法付费造成流失。

租房平台产品情况分析(Python/Tableau)

项目背景

分析目标

数据来源及描述：

分析框架

数据导入

数据清洗

数据分析

1. 历史注册用户增长及转化率情况

2. 用户特征

2.1 用户性别占比

2.2 用户年龄分布

2.3 设备使用情况

2.4 浏览器使用偏好

2.5 用户旅行目的地偏好

3. 营销方式与渠道分析

3.1 各营销方式流量占比及付费转换情况

3.2 各营销来源流量占比及付费转换情况

4. 用户转化漏斗

总结

1. 用户增长及转化率：

2. 用户画像：

3.漏斗转化

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

住房金融业务

数据分析