本文是對Airbnb分析案例的匯總。本次分析圍繞用戶獲取&流量轉(zhuǎn)化展開捞挥，對產(chǎn)品的產(chǎn)品規(guī)模希柿，用戶特征诊沪，獲客渠道以及流量轉(zhuǎn)化幾方面進(jìn)行分析。本次分析利用Python進(jìn)行數(shù)據(jù)處理曾撤，利用Tableau進(jìn)行數(shù)據(jù)可視化端姚。
可視化成果鏈接：Airbnb產(chǎn)品數(shù)據(jù)情況

Airbnb產(chǎn)品數(shù)據(jù)情況

項目背景

Airbnb是一家聯(lián)系旅游人士和家有空房出租的房主的服務(wù)型網(wǎng)站，它可以為用戶提供多樣的住宿信息挤悉。獲取平臺傭金是Airbnb重要的收入方式渐裸，因而充足的用戶資源及轉(zhuǎn)化率至關(guān)重要。本項目從產(chǎn)品的角度出發(fā)尖啡，對用戶及流量進(jìn)行分析橄仆，為產(chǎn)品的進(jìn)一步優(yōu)化提供支持。

分析目標(biāo)

1. 查看Airbnb用戶增長及轉(zhuǎn)化率的基本情況以及趨勢衅斩。
2. 通過用戶畫像分析了解用戶基本特征盆顾，為獲客及運(yùn)營轉(zhuǎn)換提供支持。
3. 渠道分析畏梆，從數(shù)量與質(zhì)量兩個角度去判斷渠道優(yōu)劣您宪，優(yōu)化獲客渠道奈懒。
4. 通過漏斗分析，找出路徑中薄弱環(huán)節(jié)宪巨，為產(chǎn)品及運(yùn)營提供優(yōu)化方向磷杏。

數(shù)據(jù)來源及描述：

• 數(shù)據(jù)集來kaggle：https://www.kaggle.com/c/airbnb-recruiting-new-user-bookings/data
• 數(shù)據(jù)描述：
  
  數(shù)據(jù)詳情

分析框架

分析框架

數(shù)據(jù)導(dǎo)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

數(shù)據(jù)清洗

# 查看dt_user數(shù)據(jù)情況
dt_user.duplicated(subset=['id'], keep='first').sum()
dt_user.isnull().sum()
dt_user.describe()

dt_user數(shù)據(jù)情況

• date_first_booking缺失124543個值，age缺失87990個值捏卓，first_affiliate_tracked缺失6065個值极祸。其中date_first_booking可能為未付費(fèi)用戶。
• 通過描述性統(tǒng)計怠晴，發(fā)現(xiàn)age最小為1歲遥金，最大為2014歲，可能為用戶未填寫真實(shí)信息蒜田，需要對其數(shù)據(jù)清洗稿械。

# 將小于7歲與大于75歲的年齡賦值為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數(shù)據(jù)情況
dt_session.isnull().sum()

dt_session數(shù)據(jù)缺失值

通過對dt_session數(shù)據(jù)缺失值查看，發(fā)現(xiàn)user_id, action, action_type, action_detail, secs_elapsed存在缺失值冲粤，可能由于系統(tǒng)未能跟蹤記錄導(dǎo)致美莫，對分析不產(chǎn)生影響，故不需要處理梯捕。

數(shù)據(jù)分析

1. 歷史注冊用戶增長及轉(zhuǎn)化率情況

# 查看數(shù)據(jù)類型厢呵，發(fā)現(xiàn)日期列為字符串類型，需要轉(zhuǎn)換
type(dt_user['date_account_created'][1])
dt_user_trend = dt_user
# 日期格式轉(zhuǎn)化科阎，同時添加'month_account_created'列述吸，記錄月份
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'列分組，對id計數(shù)锣笨，獲得各月新增注冊用戶數(shù)
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()
# 轉(zhuǎn)化率
dt_user_trend['booking_rate'] = dt_user_trend['booking_numb'] / dt_user_trend['user_count']
# 保存并可視化分析
dt_user_trend.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_trend.csv")

歷史注冊用戶增長及轉(zhuǎn)換率

• 注冊用戶數(shù)成穩(wěn)步上升趨勢蝌矛，產(chǎn)品規(guī)模持續(xù)增加
• 2013年開始，注冊用戶數(shù)增速提升错英，有呈質(zhì)數(shù)爆發(fā)式增長的趨勢
• 轉(zhuǎn)化率成明顯的下跌缺失入撒，由原先的60%跌到40%左右。

2. 用戶特征

2.1 用戶性別占比

# 對性別分組聚合
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()
# 去除無效值
dt_user_gender = dt_user_gender[dt_user_gender['gender'].isin(['FEMALE','MALE'])]
# 性別占比分析
dt_user_gender['gen_rate'] = dt_user_gender['gen_numb'].apply(lambda x:x/dt_user_gender['gen_numb'].sum())
# 轉(zhuǎn)化率
dt_user_gender['booking_rate'] = dt_user_gender['booking_numb'] / dt_user_gender['gen_numb']
# 保存并可視化分析
dt_user_gender.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_gender.csv")

性別占比分析

• 男性用戶與女性用戶在用戶注冊量上卻別不大椭岩，男性用戶較女性用戶多7.32%茅逮。
• 男女付費(fèi)轉(zhuǎn)化率相當(dāng)，沒有明顯差異

2.2 用戶年齡分布

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])
# 篩選不為Null部分
dt_user_age = dt_user_age[dt_user_age['age_level'] == dt_user_age['age_level']]
# 對年齡段分組聚合
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())
# 轉(zhuǎn)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
# 保存并可視化分析
dt_user_age_group.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_age_group.csv")

用戶年齡分布及轉(zhuǎn)化率

• 產(chǎn)品注冊用戶集中在20-50歲判哥，占比高達(dá)86%
• 付費(fèi)轉(zhuǎn)化率基本均在50%到60%之間献雅，其中30-40歲年齡段轉(zhuǎn)化率最高57%，10-20歲年齡段轉(zhuǎn)化率最低47%

2.3 設(shè)備使用情況

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

用戶使用設(shè)備占比

• PC設(shè)備使用率高達(dá)約60%塌计，明顯高于移動設(shè)備挺身，數(shù)據(jù)集為2010-2014年數(shù)據(jù)，當(dāng)時移動互聯(lián)網(wǎng)還沒有大幅普及
• PC設(shè)備中锌仅，Mac的使用占比為34%章钾，較Windows設(shè)備25%高9%墙贱；移動設(shè)備中，Iphone占比為20%贱傀，明顯高于其他類型手機(jī)惨撇。

2.4 瀏覽器使用偏好

# 分組聚合
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())
# 轉(zhuǎn)化率
dt_user_browser['booking_rate'] = dt_user_browser['booking_numb']/dt_user_browser['browser_numb']
# 保存并可視化分析
dt_user_browser.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_browser.csv")

瀏覽器使用占比

• PC端瀏覽器使用主要集中在Chrome，Safari府寒，F(xiàn)irefox及IE魁衙；移動端主要為Safari，其他類型瀏覽器占比非常低椰棘，不足2%纺棺，這里圖表中沒有體現(xiàn)。
• Chrome的注冊用戶數(shù)及轉(zhuǎn)化率均為最高邪狞。

2.5 用戶旅行目的地偏好

# 排除NDF與other并對目的地占比進(jìn)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'})
# 保存并可視化分析
dt_user_ct_d.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_ct_d.csv")

用戶旅行目的地偏好

旅行目的地偏好：

• 注冊用戶首次履行的地點(diǎn)多為美國本地，占比約79%茅撞。
• 境外出游目的地國家均為歐洲發(fā)達(dá)國家帆卓。

3. 營銷方式與渠道分析

3.1 各營銷方式流量占比及付費(fèi)轉(zhuǎn)換情況

# 分組聚合獲取注冊用戶數(shù)
dt_user_channel = dt_user.groupby(['affiliate_channel']).agg({'id':'count'}).rename(columns = {'id':'channel_numb'}).reset_index()
# 獲取付費(fèi)用戶數(shù)
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'])
# 付費(fèi)轉(zhuǎn)換率
dt_user_channel['channel_booking_rate'] = round(dt_user_channel['channel_booking_numb'] / dt_user_channel['channel_numb'],4) 
# 保存并可視化分析
dt_user_channel.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_channel.csv")

各營銷方式用戶注冊增長及付費(fèi)情況

• 從用戶注冊增長量來看，direct占比最高米丘，約70%剑令，其次是sem-brand與sem-non-brand。
• 從付費(fèi)轉(zhuǎn)化率來看拄查，direct/sem-brand/sem-non-brand轉(zhuǎn)化率相當(dāng)吁津。

3.2 各營銷來源流量占比及付費(fèi)轉(zhuǎn)換情況

# 分組聚合獲取注冊用戶數(shù)
t_user_provider = dt_user.groupby(['affiliate_provider']).agg({'id':'count'}).rename(columns = {'id':'provider_numb'}).reset_index()
# 獲取付費(fèi)用戶數(shù)
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'])
# 付費(fèi)轉(zhuǎn)化率
dt_user_provider['provider_booking_rate'] = round(dt_user_provider['provider_booking_numb'] / dt_user_provider['provider_numb'],4)
# 保存并可視化分析
dt_user_provider.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_user_provider.csv")

各營銷渠道用戶注冊增長及付費(fèi)情況

• 從注冊用戶數(shù)來看，direct占比最高堕扶，diret/google兩項占比約90%
• 從轉(zhuǎn)化率而言碍脏，direct/goole轉(zhuǎn)化率基本相當(dāng)。

4. 用戶轉(zhuǎn)化漏斗

# 漏斗路徑：
# 總用戶 -> 活躍用戶 -> 注冊用戶 -> 下單用戶 -> 實(shí)際支付用戶 -> 復(fù)購用戶
# 總用戶：即session用戶
# 活躍用戶：我們定義session超過10次為活躍用戶
# 注冊用戶：與user表匹配稍算，即為注冊的用戶
# 下單：action_detail = 'reservations'
# 實(shí)際支付：action_detail = 'payment_instraments'
# 復(fù)購：篩選payment_instraments典尾，對session user_id分組計數(shù)>=2即為復(fù)購

# 總用戶數(shù)
dt_funnel = pd.DataFrame()
dt_funnel['UV'] = dt_session.groupby(['user_id']).agg({'user_id':'count'}).count()
# 活躍數(shù)
dt_active = dt_session.groupby(['user_id']).agg({'user_id':'count'})
dt_funnel['Active'] = list(dt_active[dt_active['user_id'] >= 10].count())
# 注冊用戶數(shù)
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
# 下單用戶數(shù)
dt_reserve = dt_session
dt_reserve = dt_reserve[dt_reserve['action_detail'] == 'reservations']
dt_funnel['Reserve'] = dt_reserve['user_id'].nunique()
# 實(shí)際支付用戶
dt_pay = dt_session
dt_pay = dt_pay[dt_pay['action_detail'] == 'payment_instruments']
dt_funnel['Pay'] = dt_pay['user_id'].nunique()
# 復(fù)購
# 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)
#行列轉(zhuǎn)換
dt_funnel = dt_funnel.stack().reset_index().rename(columns = {'level_1':'Dimension',0:'numb'})[['Dimension','numb']]
# 保存并可視化分析
dt_funnel.to_csv(r".\airbnb-recruiting-new-user-bookings\airbnb-recruiting-new-user-bookings\after_data\dt_funnel.csv")

用戶轉(zhuǎn)化漏斗

• 從用戶第一次接觸到登陸注冊的轉(zhuǎn)化率約為54%，從登陸到付費(fèi)的轉(zhuǎn)化率約為12%糊探，從付費(fèi)到復(fù)購轉(zhuǎn)化率為46%钾埂。
• 由漏斗可知，用戶登陸到用戶付費(fèi)環(huán)節(jié)科平，用戶流失率最高褥紫。復(fù)購率約46%，表現(xiàn)良好瞪慧。

總結(jié)

1. 用戶增長及轉(zhuǎn)化率：

分析總結(jié)：
1）注冊用戶數(shù)成穩(wěn)步上升趨勢髓考，產(chǎn)品規(guī)模持續(xù)增加
2）2013年開始，注冊用戶數(shù)增速提升汞贸，有呈質(zhì)數(shù)爆發(fā)式增長的趨勢
3）轉(zhuǎn)化率成明顯的下跌缺失绳军，由原先的60%跌到40%左右印机。
策略建議
注冊用戶數(shù)持續(xù)增加，且增速逐漸加快门驾，整體趨勢良好射赛；但付費(fèi)轉(zhuǎn)化率則呈下降趨勢，結(jié)合漏斗分析奶是，用戶在初次使用到活躍到注冊楣责，轉(zhuǎn)化率都在60%以上，但從注冊到付費(fèi)轉(zhuǎn)化率銳減至14%聂沙，產(chǎn)品運(yùn)營在付費(fèi)轉(zhuǎn)化方面可能存在問題秆麸。此外，可能也與Airbnb處于發(fā)展期及汉，用戶規(guī)模的迅速擴(kuò)張是首要目標(biāo)沮趣。

2. 用戶畫像：

分析總結(jié)：
1）性別特征：男女用戶在注冊及轉(zhuǎn)化率均相當(dāng)，無明顯差異
2）年齡分布：產(chǎn)品用戶集中在20-50歲坷随，其中20-40歲占比70%房铭，40-50歲占比15%；轉(zhuǎn)化率方面20-50歲轉(zhuǎn)化率基本相當(dāng)
3）設(shè)備使用：PC用戶明顯高于移動端用戶温眉，其中Mac占34%缸匪，Windows占25%。
4）瀏覽器使用偏好：主要為PC端Chrome类溢，Safari凌蔬，F(xiàn)irefox及IE四類，占比約90%闯冷。移動端主要為Safair砂心，占比約10%
5）旅行目的地偏好：79%均為美國本土游，出境游更偏愛歐洲發(fā)達(dá)國家窃躲。
策略建議：
1）年齡分布：廣告內(nèi)容策劃可結(jié)合20-40歲人群的興趣愛好计贰，將產(chǎn)品特點(diǎn)融入其中，營造體驗式氛圍蒂窒，吸引這部分人群的使用躁倒；
2）設(shè)備及瀏覽器方面：推廣投放中心要放在PC端，可嘗試與Chrome洒琢，IE秧秉，F(xiàn)irefox，safari合作提升產(chǎn)品曝光量衰抑。
3）旅行目的地偏好：多數(shù)為本土出行象迎，可嘗試聯(lián)合本土出行攻略網(wǎng)站，在熱門的景區(qū)添加推廣，提升產(chǎn)品曝光量砾淌，此外可以與本土交通運(yùn)輸公司合作進(jìn)行推廣啦撮。

3.漏斗轉(zhuǎn)化

分析總結(jié)：
1）從用戶第一次接觸到登陸注冊的轉(zhuǎn)化率約為54%，從登陸到付費(fèi)的轉(zhuǎn)化率約為12%汪厨，從付費(fèi)到復(fù)購轉(zhuǎn)化率為46%赃春。
2）從預(yù)約到付費(fèi)，有13%的流量損失劫乱。
3）由漏斗可知织中，用戶登陸到用戶付費(fèi)環(huán)節(jié)，用戶流失率最高衷戈。復(fù)購率約46%狭吼，表現(xiàn)良好。
策略建議：
1）注冊到預(yù)定流失率較高殖妇，可能因為產(chǎn)品無法滿足用戶的需求刁笙，沒有切中用戶痛點(diǎn)，建議進(jìn)行進(jìn)一步用戶調(diào)研谦趣，優(yōu)化產(chǎn)品服務(wù)采盒；
2）預(yù)約到付費(fèi)轉(zhuǎn)化中有13%的流失，需要排查是否在付費(fèi)環(huán)節(jié)產(chǎn)品存在缺陷蔚润，導(dǎo)致用戶無法付費(fèi)造成流失。