一、

什么是用户行为分析：

用户行为分析：

在获得网站访问量最基本数据的情况下，

对有关数据进行统计、分析，

从中

发现用户访问网站的规律，

并将这些规律与网络营销策略相结合，

从而发现目前网络营销活

动中可能存在的问题，并为进一步的修正或者是重新制定网络营销策略提供依据。

以上只是很多种情况中一种———

-

针对网站的用户行为分析。那么，对于目前的互联网行

业成千上万的产品，我们又该如何重新定义用户行为分析呢？重新定义的用户行为是什么

呢？

1

、

分析用户行为，那我们应该先确定用户群体特征；

2

、

用户对产品的使用率。

网站类产品

主要体现在

点击率、点击量、访问量、访问率、

访问模块、页面留存时间

等等；

移动应用产品

主要体现在

下载量、使用频率、使用模块

等

等；

3

、

用户使用产品的时间。比如用户基本是每天中的什么时候使用产品。

综合以上说说的几点，其实用户行为分析可以这样来看：

用户行为分析就是对用户使用产

品过程中的所有数据（包括下载量、使用频率、访问量、访问率、留存时间等等）进行收

集、整理、统计、分析用户使用产品的规律，为产品的后续发展、优化或者营销等活动提

供有力的数据支撑。

二、

用户行为分析方式都有哪些？

既然是对用户的行为进行分析，

那么在得到数据后，

我们需要

如何进行行为分析

呢？分析方

式有哪些呢？这里我们主要从几个维度来分析：

方式、

侧重、

优缺点。

应该具体从何开始呢？

我们先说说用户行为分析的方式：

1

、

网站数据分析。通过对

每个模块

的点击率、点击量、访问量进行数据捕获，然后进行

分析；

2

、

用户基本动作分析。用户访问留存时间、访问量等；

3

、

关联调查数据分析。主要在电商上的相关推荐、你可能喜欢等等；

4

、

用户属性和习惯分析。

对用户属性和用户习惯两个维度进行分析。

用户属性包括性别、

年龄等固有的；用户习惯包括用户的一起喜爱度、流量习惯、访问习惯等等；

5

、

用户活跃度分析。

综合以上可以概括为：

以数据分析为导向、

以产品设计反馈为导向、

以对用户的调查为导向。

通过上面的分析方式，

我们需要整理出每种方式的分析侧重点。

那么，

下面我们谈谈用户行

为分析的侧重点，主要有以下几点：

1

、

网站数据分析的侧重点：数据监测、挖掘、收集、整理、统计。

2

、

用户基本动作分析侧重点：统计用户基本信息，比如：性别、年龄、地域，分析用户

群体；

3

、

关联分析侧重点：分析数据为精准营销提供数据支撑；

4

、

用户活跃度侧重点：

主要是用户的使用频率进行分析，

可以得出分析为什么用户喜欢

使用这个产品这个功能。

三、

用户行为分析的工具有哪些？如何做好用户行为分析？

工欲善其事必先利其器，

我们知道了我们需要做什么事情，

那么我们应该用什么工具来提高

效率呢？

本案例的业务场景：
假如你们公司投放广告的渠道很多，每个渠道的客户性质也可能不同，比如在优酷视频投广告和今日头条投放广告，效果可能会有差异。现在需要对广告效果分析实现有针对性的广告效果测量和优化工作。

本案例，通过各类广告渠道90天内额日均UV，平均注册率、平均搜索率、访问深度、平均停留时长、订单转化率、投放时间、素材类型、广告类型、合作方式、广告尺寸和广告卖点等特征，将渠道分类，找出每类渠道的重点特征，为加下来的业务讨论和数据分析提供支持。

数据介绍

数据维度概况

除了渠道唯一标识，共12个维度，889行，有缺失值，有异常值。

数据13个维度介绍

1、渠道代号：渠道唯一标识
2、日均UV：每天的独立访问量
3、平均注册率=日均注册用户数/平均每日访问量
4、平均搜索量：每个访问的搜索量
5、访问深度：总页面浏览量/平均每天的访问量
6、平均停留时长=总停留时长/平均每天的访问量
7、订单转化率=总订单数量/平均每天的访客量
8、投放时间：每个广告在外投放的天数
9、素材类型：'jpg' 'swf' 'gif' 'sp'
10、广告类型：banner、tips、不确定、横幅、暂停
11、合作方式：'roi' 'cpc' 'cpm' 'cpd'
12、广告尺寸：'14040' '308388' '450300' '60090' '480360' '960126' '900120'
'390270'
13、广告卖点：打折、满减、满赠、秒杀、直降、满返

导入库，加载数据

In [3]:

import pandas as pd import numpy as np import matplotlib as mpl import matplotlib.pyplot as plt from sklearn.preprocessing import MinMaxScaler,OneHotEncoder from sklearn.metrics import silhouette_score # 导入轮廓系数指标from sklearn.cluster import KMeans # KMeans模块%matplotlib inline## 设置属性防止中文乱码mpl.rcParams['font.sans-serif'] = [u'SimHei']mpl.rcParams['axes.unicode_minus'] = False

以上是加载库的国际惯例，OneHotEncoder是独热编码，如果一个类别特征有n个类别，将该变量按照类别分裂成N维新变量，包含则标记为1，否则为0，用N维特征表示原来的特征。

In [4]:

raw_data = pd.read_table(r'E:\py练习\数据分析\广告投放\ad_performance.txt',delimiter='\t')raw_data.head()

Out[4]:

In [5]:

raw_data.to_csv(r'E:\py练习\数据分析\广告投放\ad_performance.csv')

渠道代号是唯一标识，日均UV到投放总时间是数值型（float和int）变量，后面是字符型变量。

数据审查

In [6]:

# 查看基本状态raw_data.head(2)  # 打印输出前2条数据

Out[6]:

In [7]:

raw_data.info()# 打印数据类型分布

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 889 entries, 0 to 888
Data columns (total 13 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   渠道代号    889 non-null    object 
 1   日均UV    889 non-null    float64
 2   平均注册率   889 non-null    float64
 3   平均搜索量   889 non-null    float64
 4   访问深度    889 non-null    float64
 5   平均停留时间  887 non-null    float64
 6   订单转化率   889 non-null    float64
 7   投放总时间   889 non-null    int64  
 8   素材类型    889 non-null    object 
 9   广告类型    889 non-null    object 
 10  合作方式    889 non-null    object 
 11  广告尺寸    889 non-null    object 
 12  广告卖点    889 non-null    object 
dtypes: float64(6), int64(1), object(6)
memory usage: 90.4+ KB

In [9]:

raw_data.describe().round(2).T # 打印原始数据基本描述性信息

Out[9]:

上面代码，分别展示前两条数据、所有特征的数据类型、以及数值型特征的五值分布

查看缺失值情况：

In [10]:

# 缺失值审查na_cols = raw_data.isnull().any(axis=0)  # 查看每一列是否具有缺失值na_cols

Out[10]:

渠道代号      False
日均UV      False
平均注册率     False
平均搜索量     False
访问深度      False
平均停留时间     True
订单转化率     False
投放总时间     False
素材类型      False
广告类型      False
合作方式      False
广告尺寸      False
广告卖点      False
dtype: bool

In [11]:

raw_data.isnull().sum().sort_values(ascending=False)# 查看具有缺失值的行总记录数

Out[11]:

平均停留时间    2
广告卖点      0
广告尺寸      0
合作方式      0
广告类型      0
素材类型      0
投放总时间     0
订单转化率     0
访问深度      0
平均搜索量     0
平均注册率     0
日均UV      0
渠道代号      0
dtype: int64

变量之间的相关性分析：

In [12]:

# 相关性分析raw_data.corr().round(2).T # 打印原始数据相关性信息

Out[12]:

In [13]:

# 相关性可视化展示import seaborn as sns corr = raw_data.corr().round(2)sns.heatmap(corr,cmap='Reds',annot = True)

E:\Anaconda3\lib\importlib\_bootstrap.py:219: RuntimeWarning: numpy.ufunc size changed, may indicate binary incompatibility. Expected 192 from C header, got 216 from PyObject
  return f(*args, **kwds)

Out[13]:

<matplotlib.axes._subplots.AxesSubplot at 0x2a8e9ed08c8>

可以看到，“访问深度”和“平均停留时间”相关性比较高，相关性高说明两个变量在建立模型的时候，作用是一样或者效果是一样的，可以考虑组合或者删除其一。

数据处理

数据了解的差不多了，我们开始时处理数据，把常规数据通过清洗、转换、规约、聚合、抽样等方式变成机器学习可以识别或者提升准确度的数据。

In [14]:

# 1 删除平均平均停留时间列raw_data2 = raw_data.drop(['平均停留时间'],axis=1)

类别变量的独热编码：

In [ ]:

In [16]:

# 类别变量取值cols=["素材类型","广告类型","合作方式","广告尺寸","广告卖点"]for x in cols:
    data=raw_data2[x].unique()
    print("变量【{0}】的取值有：\n{1}".format(x,data))
    print("-·"*20)

变量【素材类型】的取值有：
['jpg' 'swf' 'gif' 'sp']
-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·
变量【广告类型】的取值有：
['banner' 'tips' '不确定' '横幅' '暂停']
-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·
变量【合作方式】的取值有：
['roi' 'cpc' 'cpm' 'cpd']
-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·
变量【广告尺寸】的取值有：
['140*40' '308*388' '450*300' '600*90' '480*360' '960*126' '900*120'
 '390*270']
-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·
变量【广告卖点】的取值有：
['打折' '满减' '满赠' '秒杀' '直降' '满返']
-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·-·

In [17]:

# 字符串分类独热编码处理cols = ['素材类型','广告类型','合作方式','广告尺寸','广告卖点'] model_ohe = OneHotEncoder(sparse=False)  # 建立OneHotEncode对象ohe_matrix = model_ohe.fit_transform(raw_data2[cols])  # 直接转换print(ohe_matrix[:2])

[[0. 1. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 1. 1. 0. 0. 0. 0. 0. 0. 0. 1. 0. 0.
  0. 0. 0.]
 [0. 1. 0. 0. 1. 0. 0. 0. 0. 1. 0. 0. 0. 1. 0. 0. 0. 0. 0. 0. 0. 0. 1. 0.
  0. 0. 0.]]

In [18]:

# 用pandas的方法ohe_matrix1=pd.get_dummies(raw_data2[cols])ohe_matrix1.head(5)

Out[18]:

5 rows × 27 columns

数据标准化：

In [19]:

# 数据标准化sacle_matrix = raw_data2.iloc[:, 1:7]  # 获得要转换的矩阵model_scaler = MinMaxScaler()  # 建立MinMaxScaler模型对象data_scaled = model_scaler.fit_transform(sacle_matrix)  # MinMaxScaler标准化处理print(data_scaled.round(2))

[[0.   0.18 0.02 0.01 0.12 0.66]
 [0.01 0.1  0.03 0.01 0.01 0.62]
 [0.   0.06 0.05 0.01 0.01 0.1 ]
 ...
 [0.01 0.01 0.   0.   0.   0.72]
 [0.05 0.   0.   0.   0.   0.31]
 [0.   0.   0.   0.53 0.   0.62]]

数据处理完，我们将独热编码的数据和标准化转化后的数据合并：

In [20]:

# 合并所有维度X = np.hstack((data_scaled, ohe_matrix))

数据处理完，就可以带入模型进行训练了。

建立模型

In [21]:

# 通过平均轮廓系数检验得到最佳KMeans聚类模型score_list = list()  # 用来存储每个K下模型的平局轮廓系数silhouette_int = -1  # 初始化的平均轮廓系数阀值for n_clusters in range(2, 8):  # 遍历从2到5几个有限组
    model_kmeans = KMeans(n_clusters=n_clusters)  # 建立聚类模型对象
    labels_tmp = model_kmeans.fit_predict(X)  # 训练聚类模型
    silhouette_tmp = silhouette_score(X, labels_tmp)  # 得到每个K下的平均轮廓系数
    if silhouette_tmp > silhouette_int:  # 如果平均轮廓系数更高
        best_k = n_clusters  # 保存K将最好的K存储下来
        silhouette_int = silhouette_tmp  # 保存平均轮廓得分
        best_kmeans = model_kmeans  # 保存模型实例对象
        cluster_labels_k = labels_tmp  # 保存聚类标签
    score_list.append([n_clusters, silhouette_tmp])  # 将每次K及其得分追加到列表print('{:*^60}'.format('K值对应的轮廓系数:'))print(np.array(score_list))  # 打印输出所有K下的详细得分print('最优的K值是:{0} \n对应的轮廓系数是:{1}'.format(best_k, silhouette_int))

*************************K值对应的轮廓系数:*************************
[[2.         0.38655493]
 [3.         0.45757883]
 [4.         0.50209812]
 [5.         0.4800359 ]
 [6.         0.47761127]
 [7.         0.48330881]]
最优的K值是:4 
对应的轮廓系数是:0.5020981194788054

总体思想（评价指标）还是怎么聚才能使得簇内距离足够小，簇与簇之间平均距离足够大来评判。

聚类结果特征分析与展示

通过上面模型，我们其实给每个观测（样本）打了个标签clusters，即他属于4类中的哪一类：

In [22]:

# 将原始数据与聚类标签整合cluster_labels = pd.DataFrame(cluster_labels_k, columns=['clusters'])  # 获得训练集下的标签信息merge_data = pd.concat((raw_data2, cluster_labels), axis=1)  # 将原始处理过的数据跟聚类标签整合merge_data.head()

Out[22]:

然后看看，每个类别下的样本数量和占比情况：

In [23]:

# 计算每个聚类类别下的样本量和样本占比clustering_count = pd.DataFrame(merge_data['渠道代号'].groupby(merge_data['clusters']).count()).T.rename({'渠道代号': 'counts'})  # 计算每个聚类类别的样本量clustering_ratio = (clustering_count / len(merge_data)).round(2).rename({'counts': 'percentage'})  # 计算每个聚类类别的样本量占比print(clustering_count)print("#"*30)print(clustering_ratio)

clusters    0    1    2   3
counts    349  313  154  73
##############################
clusters       0     1     2     3
percentage  0.39  0.35  0.17  0.08

每个类别内部最显著的特征：

In [24]:

# 计算各个聚类类别内部最显著特征值cluster_features = []  # 空列表，用于存储最终合并后的所有特征信息for line in range(best_k):  # 读取每个类索引
    label_data = merge_data[merge_data['clusters'] == line]  # 获得特定类的数据

    part1_data = label_data.iloc[:, 1:7]  # 获得数值型数据特征
    part1_desc = part1_data.describe().round(3)  # 得到数值型特征的描述性统计信息
    merge_data1 = part1_desc.iloc[2, :]  # 得到数值型特征的均值

    part2_data = label_data.iloc[:, 7:-1]  # 获得字符串型数据特征
    part2_desc = part2_data.describe(include='all')  # 获得字符串型数据特征的描述性统计信息
    merge_data2 = part2_desc.iloc[2, :]  # 获得字符串型数据特征的最频繁值

    merge_line = pd.concat((merge_data1, merge_data2), axis=0)  # 将数值型和字符串型典型特征沿行合并
    cluster_features.append(merge_line)  # 将每个类别下的数据特征追加到列表#  输出完整的类别特征信息cluster_pd = pd.DataFrame(cluster_features).T  # 将列表转化为矩阵print('{:*^60}'.format('每个类别主要的特征:'))all_cluster_set = pd.concat((clustering_count, clustering_ratio, cluster_pd),axis=0)  # 将每个聚类类别的所有信息合并all_cluster_set

*************************每个类别主要的特征:*************************

Out[24]:

图形化输出：

In [28]:

#各类别数据预处理num_sets = cluster_pd.iloc[:6, :].T.astype(np.float64)  # 获取要展示的数据num_sets_max_min = model_scaler.fit_transform(num_sets)  # 获得标准化后的数据print(num_sets)print('-'*20)print(num_sets_max_min)

       日均UV  平均注册率  平均搜索量   访问深度  订单转化率  投放总时间
0   933.015  0.003  0.064  5.916  0.006  8.770
1  1390.013  0.003  0.152  1.168  0.017  8.199
2  2717.419  0.005  0.051  0.947  0.007  8.529
3  1904.371  0.003  0.106  0.943  0.009  8.217
--------------------
[[0.00000000e+00 0.00000000e+00 1.28712871e-01 1.00000000e+00
  0.00000000e+00 1.00000000e+00]
 [2.56106801e-01 0.00000000e+00 1.00000000e+00 4.52443193e-02
  1.00000000e+00 0.00000000e+00]
 [1.00000000e+00 1.00000000e+00 0.00000000e+00 8.04343455e-04
  9.09090909e-02 5.77933450e-01]
 [5.44358789e-01 0.00000000e+00 5.44554455e-01 0.00000000e+00
  2.72727273e-01 3.15236427e-02]]

In [29]:

# 画图fig = plt.figure(figsize=(6,6))  # 建立画布ax = fig.add_subplot(111, polar=True)  # 增加子网格，注意polar参数labels = np.array(merge_data1.index)  # 设置要展示的数据标签cor_list = ['g', 'r', 'y', 'b']  # 定义不同类别的颜色angles = np.linspace(0, 2 * np.pi, len(labels), endpoint=False)  # 计算各个区间的角度angles = np.concatenate((angles, [angles[0]]))  # 建立相同首尾字段以便于闭合# 画雷达图for i in range(len(num_sets)):  # 循环每个类别
    data_tmp = num_sets_max_min[i, :]  # 获得对应类数据
    data = np.concatenate((data_tmp, [data_tmp[0]]))  # 建立相同首尾字段以便于闭合
    ax.plot(angles, data, 'o-', c=cor_list[i], label="第%d类渠道"%(i))  # 画线
    ax.fill(angles, data,alpha=2.5)# 设置图像显示格式ax.set_thetagrids(angles * 180 / np.pi, labels, fontproperties="SimHei")  # 设置极坐标轴ax.set_title("各聚类类别显著特征对比", fontproperties="SimHei")  # 设置标题放置ax.set_rlim(-0.2, 1.2)  # 设置坐标轴尺度范围plt.legend(loc="upper right" ,bbox_to_anchor=(1.2,1.0))  # 设置图例位置

Out[29]:

<matplotlib.legend.Legend at 0x2a8ea250708>

数据结论

从案例结果来看，所有的渠道被分为4各类别，每个类别的样本量分别为：154、313、349 、73，对应占比分别为：17%、35%、39%、8%。

通过雷达图可以清楚的知道：

类别1（索引为2类的渠道）
这类广告媒体除了访问深度和投放时间较高，其他属性较低，因此这类广告媒体效果质量较差，并且占到39%，因此这类是主题渠道之一。
业务部门要考虑他的实际投放价值。

类别2（索引为1类的渠道）
这类广告媒体除了访问深度略差，在平均搜索量、日均UV、订单转化率等广告效果指标上表现良好，是一类综合效果较好的渠道。
但是日均UV是短板，较低。无法给企业带来大量的流量以及新用户，这类广告的特质适合用户转化，尤其是有关订单的转化提升。

类别3（索引为0类的渠道）
这类广告媒体的显著特征是日均UV和注册率较高，其“引流”和“拉新”效果好，可以在广告媒体中定位为引流角色。
符合“广而告之”的诉求，适合“拉新”使用。

类别4（索引为3类的渠道）
这类渠道各方面特征都不明显，各个流量质量和流量数量的指标均处于“中等”层次。不突出但是均衡，考虑在各场景下可以考虑在这个渠道投放广告。