一、案例數據
在數據運營中,留存率分析和轉化率(漏斗)分析是經常用到的,本文結合具體案例總結了如何利用python求n日留存率以及各環節間轉化率。
指標釋義
案例數據集介紹:
本文是利用淘寶app的運營數據進行分析的,數據集中包含以下字段(部分):
- user_id:用戶id
- time:用戶行爲發生時間
- behavior_type:用戶行爲類型,具體可分爲(1點擊、2收藏、3加入購物車以及4支付購買)。
根據time字段可以得到以下特徵數據:
- day:用戶行爲發生日期
- hour:時段
- weekday:週期
二、留存率計算
留存用戶:在某段時間開始使用產品,經過一段時間後仍然繼續使用產品的用戶,即爲留存用戶。
留存率=仍舊使用產品的用戶量/最初的總用戶量。
根據時間維度進行分類,留存率經常分爲次日留存、3日留存、7日留存以及30日留存等。
程序邏輯:
- 識別出指定日期的新用戶集合,記用戶量爲b
- 得到第n天用戶集合
- 識別、計算指定日期新用戶在第n天仍使用產品的數量,記用戶量爲a
- 留存率=a/b
#建立留存函數(裏面默認data數據中有day/user_id兩個字段數據,day爲日期、user_id爲用戶id)
#導入數據包
import pandas as pd
import numpy as np
from datetime import timedelta
#建立n日留存率計算函數
def cal_retention(data,n): #n爲n日留存
user=[]
date=pd.Series(data.day.unique()).sort_values()[:-n] #時間截取至最後一天的前n天
retention_rates=[]
for i in date:
new_user=set(data[data.day==i].user_id.unique())-set(user) #識別新用戶,本案例中設初始用戶量爲零
user.extend(new_user) #將新用戶加入用戶羣中
#第n天留存情況
user_nday=data[data.day==i+timedelta(n)].user_id.unique() #第n天登錄的用戶情況
a=0
for user_id in user_nday:
if user_id in new_user:
a+=1
retention_rate=a/len(new_user) #計算該天第n日留存率
retention_rates.append(retention_rate) #彙總n日留存數據
data_retention=pd.Series(retention_rates,index=date)
return data_retention
data_retention=cal_retention(taobaoappDf,3) #求用戶的3日留存情況
三、轉化率計算(漏斗分析)
通過漏斗分析,我們可以發現在一個多步驟過程中每一步的轉化和流失情況。
本案例的漏斗中,流程順序爲1點擊-3加入購物車-2收藏-4支付(假設以上步驟只能依次進行或中斷,不能跳過中間過程到下個節點)。
程序邏輯:分別計算進入各個環節的用戶量,再分別比較。
#用戶從點擊到最終支付的過程中流失率(或轉化率)情況
def cal_funnel(data,datetime):
data1=data.groupby([datetime,'behavior_type']).user_id.count().reset_index().rename(columns={'user_id':'total'}) #不同時間中,各用戶行爲的用戶數量
lose_rates=[] #流失率
date2=pd.Series(data1[datetime].unique())
for i in date2:
data2=data1[data1[datetime]==i]
click_to_car=1-data2[data2.behavior_type==3].reset_index().loc[0,'total']/data2[data2.behavior_type==1].reset_index().loc[0,'total']
car_to_collect=1-data2[data2.behavior_type==2].reset_index().loc[0,'total']/data2[data2.behavior_type==3].reset_index().loc[0,'total']
collect_to_pay=1-data2[data2.behavior_type==4].reset_index().loc[0,'total']/data2[data2.behavior_type==2].reset_index().loc[0,'total']
lose_rate=[click_to_car,car_to_collect,collect_to_pay]
lose_rates.append(lose_rate)
data3=pd.DataFrame(lose_rates,index=date2,columns=['click_to_car','car_to_collect','collect_to_pay'])
return data3
a_hour_lose=cal_funnel(taobaoappDf,'hour')
a_day_lose=cal_funnel(taobaoappDf,'day')
a_weekday_lose=cal_funnel(taobaoappDf,'weekday')