CDnow網(wǎng)站用戶數(shù)據(jù)分析

一爷抓、項(xiàng)目背景

1.1、背景介紹：

CDNow曾經(jīng)是一家在線音樂零售平臺(tái)沟饥，后被德國波泰爾斯曼娛樂集團(tuán)公司出資收購添怔，其資產(chǎn)總價(jià)值在最輝煌時(shí)曾超過10億美元。本文主要通過分析CDNow網(wǎng)站的用戶整體消費(fèi)情況和用戶行為展開分析贤旷，找出高價(jià)值用戶人群广料，及用戶活躍、流失等情況幼驶，為平臺(tái)指定策略提供數(shù)據(jù)分析支持和建議艾杏。

1.2、數(shù)據(jù)源介紹

本次分析數(shù)據(jù)來源CDNow網(wǎng)站的用戶在1997年1月1日至1998年6月30日期間內(nèi)購買CD交易明細(xì)盅藻。

二购桑、數(shù)據(jù)處理

2.1 導(dǎo)入模塊

import pandas as pd
import numpy as np
from datetime import datetime
from sqlalchemy  import create_engine
import pymysql
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']    # 用來顯示中文標(biāo)簽
plt.rcParams['axes.unicode_minus'] = False   # 用來正常顯示負(fù)號(hào)
plt.style.use('seaborn-colorblind')    # 更改設(shè)計(jì)風(fēng)格，使用自帶形式進(jìn)行美化
# plt.style.use('ggplot')

2.2 導(dǎo)入數(shù)據(jù)

columns=["id","date","num","money"]
data=pd.read_table('CDNOW.txt',sep='\s+',names=columns)
data.head()

2.3 查看數(shù)據(jù)類型

data.info()
  • 沒有缺失值氏淑；購買日期是int類型的勃蜘，需要轉(zhuǎn)換成日期類型；其他數(shù)據(jù)類型正常假残。

2.4 更改數(shù)據(jù)類型

data['date']=pd.to_datetime(data['date'],format='%Y%m%d')   # 字符串類型轉(zhuǎn)時(shí)間類型
data['month']=data['date'].values.astype('datetime64[M]')    # 添加月份字段缭贡，方便之后的數(shù)據(jù)分析
data.head()

2.5 描述性統(tǒng)計(jì)

data.describe()
  • 觀察數(shù)據(jù)發(fā)現(xiàn)： 訂單金額和訂單量的平均值皆大于中位數(shù)炉擅，數(shù)據(jù)整體分布呈右偏狀態(tài)，說明絕大數(shù)據(jù)的用戶消費(fèi)金額相對較低阳惹。

三谍失、數(shù)據(jù)分析

3.1 用戶總體消費(fèi)數(shù)據(jù)分析

plt.figure(figsize=(20,15))
# 每月總銷售額趨勢圖
plt.subplot(421)
data.groupby('month').money.sum().plot(fontsize=15,marker='o')
plt.title('銷售額趨勢圖',fontsize=15)

# 每月總銷量趨勢圖
plt.subplot(422)
data.groupby('month').num.sum().plot(fontsize=15,marker='o')
plt.title('銷售量趨勢圖',fontsize=15)

# 消費(fèi)次數(shù)趨勢圖
plt.subplot(423)
data.groupby('month').id.count().plot(fontsize=15,marker='o')
plt.title('消費(fèi)次數(shù)趨勢圖',fontsize=15)

# 消費(fèi)人數(shù)趨勢圖
plt.subplot(424)
data.groupby('month').id.nunique().plot(fontsize=15,marker='o')
plt.title('消費(fèi)人數(shù)趨勢圖')

#  用戶每月平均消費(fèi)金額
plt.subplot(425)
(data.groupby('month').money.sum()/data.groupby('month').id.nunique()).plot(fontsize=15,marker='o')
plt.title('客單價(jià)趨勢圖')

# 件單價(jià)
plt.subplot(426)
(data.groupby('month').money.sum()/data.groupby('month').num.sum()).plot(fontsize=15,marker='o')
plt.title('件單價(jià)')

# 用戶平均消費(fèi)次數(shù)趨勢圖
plt.subplot(427)
(data.groupby('month').id.count()/data.groupby('month').id.nunique()).plot(fontsize=15,marker='o')
plt.title('人均消費(fèi)次數(shù)')

plt.subplot(428)
(data.groupby('month').num.sum()/data.groupby('month').id.nunique()).plot(fontsize=15,marker='o')
plt.title('人均消費(fèi)量')

plt.tight_layout(pad=2)  #用于設(shè)置子圖見的間距
  • 觀察數(shù)據(jù)發(fā)現(xiàn)：

前四個(gè)折線圖：消費(fèi)金額、銷量莹汤、消費(fèi)次數(shù)快鱼、用戶數(shù)的整體趨勢基本一致，都是1997年前三個(gè)月數(shù)據(jù)異常高纲岭，隨后驟降抹竹，然后趨于平穩(wěn)；為什么會(huì)出現(xiàn)這種異持钩保現(xiàn)象呢柒莉？初步猜測要么是前三個(gè)月有異常值，要么就是受營銷活動(dòng)或者其他外部因素的影響沽翔，但這里沒有更多的數(shù)據(jù)提供驗(yàn)證素材，所以也無法判斷其原因窿凤。

用戶平消費(fèi)金額大概為50仅偎，前三個(gè)月低，后續(xù)在[47雳殊，5]波動(dòng)橘沥；用戶平均消費(fèi)次數(shù)，也是前三個(gè)月低夯秃，后續(xù)上升座咆，并維持在1.35次左右，商品復(fù)購率較低仓洼；

對于客單價(jià)和人均消費(fèi)次數(shù)這兩個(gè)數(shù)據(jù)趨勢基本一致介陶，相較于銷售額等數(shù)據(jù)，前面三個(gè)月數(shù)據(jù)反而低色建，后續(xù)才慢慢上升哺呜，結(jié)合兩種趨勢圖來看，在消費(fèi)次數(shù)和金額穩(wěn)定的情況下箕戳，用戶復(fù)購下降或者用戶數(shù)下降會(huì)導(dǎo)致總體銷售額和銷量的下降某残，關(guān)于這個(gè)問題的驗(yàn)證，稍后在復(fù)購率和留存率的分析中再探究陵吸。

3.2 用戶個(gè)體消費(fèi)數(shù)據(jù)分析

3.2.1 按用戶分組

group_userid=data.groupby('id')  # 按月分組

plt.figure(figsize=(25,5))
plt.subplot(121)
group_userid[['num']].sort_values(by=['num'],ascending=True).reset_index()['num'].plot(fontsize=15)
plt.title('用戶訂單數(shù)量',fontsize=18)
plt.subplot(122)
group_userid[['money']].sort_values(by=['money'],ascending=True).reset_index()['money'].plot(fontsize=15)
plt.title('用戶消費(fèi)金額',fontsize=18)

3.2.2消費(fèi)金額玻墅、訂單量、消費(fèi)次數(shù)分布

fig,axes=plt.subplots(1,3,figsize=(16,4))
axes0,axes1,axes2=axes.flatten()
group_userid[['money']].query('money<1000').plot.hist(bins=50,fontsize=15,ax=axes0)
axes0.set_title('消費(fèi)金額分布圖')
axes0.set_xlabel('消費(fèi)金額')
axes0.set_ylabel('訂單人數(shù)')

# plt.subplot(132)
group_userid[['num']].query('num<100').plot.hist(bins=30,fontsize=15,ax=axes1)
axes1.set_title('訂單量分布圖')
axes1.set_xlabel('訂單量')
axes1.set_ylabel('訂單人數(shù)')

# plt.subplot(133)
data.groupby('id').count()[['date']].query('date<20').plot.hist(bins=19,fontsize=15,ax=axes2)
axes2.set_title('消費(fèi)次數(shù)分布圖')
axes2.set_xlabel('消費(fèi)次數(shù)')
axes2.set_ylabel('訂單人數(shù)')
  • 從上圖可以看出壮虫，用戶購買金額普遍偏低澳厢，消費(fèi)頻次也是普遍偏低，當(dāng)然這也符合銷售數(shù)據(jù)的一般規(guī)律。

3.2.3 用戶累計(jì)訂單量和用戶累計(jì)消費(fèi)金額

plt.figure(figsize=(15,5))
plt.subplot(121)
group_userid[['num']].sort_values(by='num').apply(lambda x:x.cumsum()/x.sum()).reset_index().num.plot(fontsize=15)
plt.title('用戶累計(jì)訂單量占比')
plt.axhline(y=0.8,ls='--',c='blue',lw = 1)
plt.axvline(x=data.id.nunique()*0.8,ls='--',c='green',lw=1)

plt.subplot(122)
group_userid[['money']].sort_values(by='money').apply(lambda x:x.cumsum()/x.sum()).reset_index().money.plot(fontsize=15)
plt.title('用戶累計(jì)消費(fèi)金額占比')
plt.axhline(y=0.8,ls='--',lw=1,c='blue')
plt.axvline(x=data.id.nunique()*0.8,ls='--',lw=1,c='green')
  • 20%的客戶貢獻(xiàn)了超過65%的銷售額和銷售量赏酥，符合二八趨勢喳整。

3.3 用戶消費(fèi)周期分析

3.3.1 用戶購買周期分析

# 先把每個(gè)用戶每次購買的時(shí)間間隔計(jì)算出來，這里用到的方法是shift()
def diff(data):
    d=data.date-data.date.shift(1)
    return d

purchase_period=data.groupby('id').apply(diff)
purchase_period.dt.days
purchase_period.head()
用戶消費(fèi)周期分布
plt.figure(figsize=(15,8))
purchase_period.dt.days.plot.hist(bins=40)
plt.title('用戶消費(fèi)周期分組',fontsize=18)
plt.xlabel('購買周期')
plt.ylabel('人數(shù)')
  • 觀察圖表發(fā)現(xiàn)：仍然是長尾形態(tài)分布裸扶，大部分用戶消費(fèi)周期是很短的框都；不妨將用戶找回點(diǎn)設(shè)置為消費(fèi)后立即贈(zèng)送優(yōu)惠券，10天后回訪用戶體驗(yàn)呵晨，30天后提醒優(yōu)惠券即將到期魏保，60天后發(fā)送召回短信。

3.3.2用戶生命周期分析

用戶收購時(shí)間和用戶最后一次消費(fèi)時(shí)間
plt.figure(figsize=(15,5))
plt.subplot(121)
data.groupby('id').date.min().value_counts().plot()
plt.title('用戶收購時(shí)間')

plt.subplot(122)
data.groupby('id').date.max().value_counts().plot()
plt.title('用戶最后一次消費(fèi)時(shí)間')
  • 1997年4月之后不在有新增用戶摸屠，而且大多數(shù)用戶在前四個(gè)月就流失了谓罗，因此，也驗(yàn)證了此前提出的與首購的優(yōu)惠有關(guān)的可能性季二。
僅消費(fèi)一次用戶占總用戶的比例
group_userid_date_min_max=data.groupby('id').date.agg(['min','max'])
new_user=(group_userid_date_min_max['min']==group_userid_date_min_max['max']).value_counts()

plt.figure(figsize=(15,5))
new_user.plot.pie(autopct="%.1f%%",
                 shadow= True,
                 explode=[0,0.05],
                 startangle=0,
                 fontsize=15)
plt.legend(["僅消費(fèi)一次人數(shù)","多次消費(fèi)人數(shù)"])
  • 大約一半的用戶僅僅消費(fèi)了一次檩咱，很有必要對用戶進(jìn)行定期召回。
用戶生命周期分布
# 用戶生命周期計(jì)算：最后一次減第一次
order_date_min=data.groupby('id').date.min()
order_date_max=data.groupby('id').date.max()
life_cycle = (order_date_max-order_date_min).dt.days

plt.figure(figsize=(15,5))
plt.subplot(121)
life_cycle.plot.hist(bins=30)
plt.title('用戶生命周期分布')
plt.xlabel('天數(shù)')
plt.ylabel('人數(shù)')

plt.subplot(122)
life_cycle=life_cycle.reset_index()
life_cycle.query('date>0').date.plot.hist(bins=50)  # 消費(fèi)兩次及以上的用戶
plt.title('用戶生命周期分布')
plt.xlabel('天數(shù)')
plt.ylabel('人數(shù)')

life_cycle[['date']].describe()
life_cycle[['date']].query('date>0').describe()
總體
消費(fèi)兩次以上
  • 一般的用戶生命周期為一天胯舷。
  • 消費(fèi)兩次及以上的用戶生命周期分布呈雙峰結(jié)構(gòu)刻蚯，用戶平均生命周期是 276 天，遠(yuǎn)高于總體的134天桑嘶；在用戶首次消費(fèi)后引導(dǎo)其進(jìn)行多次消費(fèi)炊汹，可以有效提高用戶生命周期。

3.4 用戶分層分析

3.4.1用戶價(jià)值分層（FRM）


rfm=data.groupby('id').sum()
rfm['r']=(data.date.max()-data.groupby('id').date.max()).dt.days
rfm.columns=['f','m','r']

def level_label(x):
    level=x.apply(lambda x:'1' if x>=0 else '0' )
    label=level['r']+level['f']+level['m']
    dic={
        "111":"重要價(jià)值客戶",
        '101':'重要發(fā)展客戶',
        "011":"重要維護(hù)客戶",
        '001':'重要挽留客戶',
        '001':'重要挽留客戶',
        '110':'一般價(jià)值客戶',
        '100':'一般發(fā)展客戶',
        '010':'一般維持客戶',
        '000':'一般挽留客戶'   
         }
    return dic[label]

rfm['label']=rfm.apply(lambda x:x-x.mean()).apply(level_label,axis=1)
rfm_rate=rfm_group[['count','sum']].apply(lambda x:x/x.sum())
rfm_rate['avg']=rfm_group['sum']/rfm_group['count']

plt.figure(figsize=(15,5))
plt.subplot(131)
rfm_rate['count'].plot.bar(fontsize=13)
plt.title('用戶分層人數(shù)占比')

plt.subplot(132)
rfm_rate['sum'].plot.bar(fontsize=13)
plt.title('用戶分層消費(fèi)金額占比')

plt.subplot(133)
rfm_rate['avg'].plot.bar(fontsize=13)
plt.title('用戶分層平均消費(fèi)金額')
  • 從上圖可以看出逃顶，接近60%的用戶屬于一般發(fā)展客戶讨便，這一類客戶占比較大帕棉，但是僅僅貢獻(xiàn)消費(fèi)金額的17%左右胰坟，平均消費(fèi)金額僅僅0.25萬美元笑陈，在各類客戶當(dāng)中屬于最低水平界逛；第二大用戶群是重要維護(hù)客戶蜂厅，人數(shù)占比接近20%蝇摸，貢獻(xiàn)的銷售額達(dá)到63%左右宿刮，平均消費(fèi)金額達(dá)3.3萬元是辕，這一類客戶價(jià)值極高眉反，對于這一類客戶應(yīng)該做好重點(diǎn)維護(hù)昙啄，防止用戶流失，從而為平臺(tái)創(chuàng)造更大的收入寸五。

3.4.2 用戶活躍程度分層

#將用戶消費(fèi)數(shù)據(jù)進(jìn)行數(shù)據(jù)透視：
data3 = data.pivot_table(index = "id",
                         columns = "month",
                         values = 'date',
                         aggfunc = 'count').fillna(0)

def active_status(x):
    status=[]
    for i in range(len(x)):
        #若本月沒有消費(fèi)
        if x[i] ==0:
            if i!=0:
                if status[i-1]=='unreg':
                    status.append('unreg')
                else :status.append('unactive')
            else :status.append('unreg')
        #若本月消費(fèi)了    
        elif x[i]!=0:   
            if i!=0:
                if status[i-1]=='unreg':
                    status.append('new')
                elif status[i-1]=='unactive':
                    status.append('return')
                else :status.append('active')
            else :status.append('new')   
    return pd.Series(status,index=x.index)

data3_status=data3.apply(active_status,axis=1)
data3_status=data3_status.apply(lambda x:x.value_counts()).fillna(0).T.drop('unreg',axis=1)

plt.figure(figsize=(8,5))
data3_status.plot()
plt.title('每月用戶活動(dòng)狀態(tài)人數(shù)')
plt.ylabel('人數(shù)')

plt.figure(figsize=(8,5))
data3_status.apply(lambda x:x/x.sum(),axis=1).plot.area()
plt.title('每月用戶活動(dòng)狀態(tài)')
plt.ylabel('用戶人數(shù)占比')

3.4.3 每月回流用戶占比

(data3_status['return']/data3_status['unactive'].shift(1)).plot(marker='o')
plt.title('每月回流用戶占比')
plt.ylabel('用戶占比')
  • 四月份以后梳凛，用戶回流率開始顯著下降，并且稍有波動(dòng)梳杏。

3.5 復(fù)購率韧拒、回購率淹接、留存率

復(fù)購率：在一個(gè)時(shí)間窗口里，多次購買的客戶數(shù)量占總客戶的比例
回購率：本時(shí)間窗口內(nèi)購買的客戶中叛溢，下個(gè)時(shí)間窗口繼續(xù)購買的客戶比例

3.5.1 復(fù)購率

#每個(gè)用戶在每月的訂單數(shù)
pivoted_data=data.pivot_table(index='id',
                 columns='month',
                values='date',
                aggfunc='count').fillna(0)
# 消費(fèi)兩次及以上為 1 塑悼，消費(fèi)1次為 0 ，沒有消費(fèi)為空
pivoted_data_trans=pivoted_data.applymap(lambda x: 1 if x>1 else np.nan if x==0 else 0)
repurchase_rate=(pivoted_data_trans.sum()/pivoted_data_trans.count()).reset_index()
repurchase_rate.columns=['日期','復(fù)購率']

plt.figure(figsize=(15,5))
plt.plot(repurchase_rate.日期,repurchase_rate.復(fù)購率)
plt.title('復(fù)購率',fontsize=18)
  • 復(fù)購率穩(wěn)定在 20% 左右楷掉，前三個(gè)月因?yàn)橛写罅啃掠脩粲咳?而這批用戶只購買了一次厢蒜，所以導(dǎo)致復(fù)購率降低

3.5.2 回購率

group_month_user_order=data.pivot_table(index='id',
                                        columns='month',
                                        values='num',
                                       aggfunc='sum').fillna(0)
pivoted_repurchase = group_month_user_order.applymap(lambda x:1 if x>0 else 0)

def buy_back_choose(x):
    mask=x>0
    label=[]
    for i in range(len(x)-1):
        if mask[i] and mask[i+1]:
            label.append(1)
        elif mask[i]:
            label.append(0)
        else:
            label.append(np.NaN)
    return pd.Series(label,index=x.index[:-1])

pivoted_repurchase_return= pivoted_repurchase.apply(buy_back_choose,axis=1)

plt.figure(figsize=(15,5))
pivoted_repurchase_return.apply(lambda x:x.sum()/x.count()).plot()
plt.title('回購率',fontsize=15)

  • 上圖可以看出，在初期用戶的回購率并不高烹植，1月的回購率只有15%左右斑鸦，4月份起回購率穩(wěn)定在30%左右。
    從每月有回購消費(fèi)的用戶數(shù)數(shù)據(jù)可以看出草雕，回購用戶數(shù)整體有下降趨勢巷屿。

  • 對回購率的分析，再次說明了對于新用戶墩虹，在其第一次消費(fèi)后的三個(gè)月內(nèi)是一段重要的時(shí)期嘱巾，需要營銷策略積極引導(dǎo)其再次消費(fèi)及持續(xù)消費(fèi)。

  • 另外诫钓，對于有持續(xù)消費(fèi)的老客浓冒，也要適時(shí)推出反饋老客戶的優(yōu)惠活動(dòng)，以加強(qiáng)老客的忠誠度尖坤。

  • 只有2.5%的用戶在第一次消費(fèi)的次日至3天內(nèi)有過消費(fèi)，3%的用戶在3～7天內(nèi)有過消費(fèi)闲擦。數(shù)字并不好看慢味，CD購買確實(shí)不是高頻消費(fèi)行為。有20%的用戶在第一次消費(fèi)后的三個(gè)月到半年之間有過購買墅冷，27%的用戶在半年后至1年內(nèi)有過購買纯路。從運(yùn)營角度看，CD機(jī)營銷在服務(wù)新用戶的同時(shí)寞忿，應(yīng)該注重用戶忠誠度的培養(yǎng)驰唬，放長線掉大魚，在一定時(shí)間內(nèi)召回用戶購買腔彰。

四叫编、總結(jié)

  • 用戶總體消費(fèi)趨勢（每月）方面，前3個(gè)月有大量新用戶涌入霹抛，消費(fèi)金額搓逾、消費(fèi)訂單數(shù)、產(chǎn)品購買量均達(dá)到高峰杯拐，后續(xù)每月較為穩(wěn)定霞篡。前3個(gè)月消費(fèi)次數(shù)都在10000筆左右世蔗，后續(xù)月份的平均2500；前3個(gè)月產(chǎn)品購買量達(dá)到20000甚至以上朗兵，后續(xù)月份平均7000污淋；前3個(gè)月消費(fèi)人數(shù)在8000-10000之間，后續(xù)月份平均2000不到余掖。
    用戶個(gè)體消費(fèi)方面寸爆，小部分用戶購買了大量的CD，拉高了平均消費(fèi)金額浊吏。用戶消費(fèi)金額集中在0100元而昨，有大約17000名用戶。用戶購買量集中在05找田，有大約16000名用戶歌憨。50%的用戶僅貢獻(xiàn)了15%的消費(fèi)額度，15%的用戶貢獻(xiàn)了60%的消費(fèi)額度墩衙。大致符合二八法則务嫡。
  • 用戶個(gè)體消費(fèi)行為方面，首購和最后一次購買的時(shí)間漆改，集中在前三個(gè)月心铃，說明很多用戶購買了一次后就不再進(jìn)行購買。而且最后一次購買的用戶數(shù)量也在隨時(shí)間遞增挫剑，消費(fèi)呈現(xiàn)流失上升的狀況去扣。
    從整體消費(fèi)記錄來看，有一半的用戶樊破，只消費(fèi)了一次愉棱。從每月新用戶占比來看，1997年1月新用戶占比高達(dá)90%以上哲戚，后續(xù)有所下降奔滑，1997年4月到1998年6月維持在81%左右，1998年6月以后無新用戶顺少。
    從RFM模型來看朋其，在8種客戶中，重要保持客戶的消費(fèi)頻次和消費(fèi)金額最高脆炎，人數(shù)排在第二位梅猿；而一般發(fā)展客戶消費(fèi)頻次和消費(fèi)金額排第二位，人數(shù)卻是最多秒裕。
  • 用戶生命周期方面粒没，由于只購買一次的用戶（生命周期為0天）占了接近一半，排除這部分用戶的影響之后簇爆，用戶平均生命周期276天癞松，中位數(shù)302天爽撒。
  • 從用戶分層情況來看，新用戶從第4月份以后沒有新增响蓉；活躍用戶有所下降硕勿；回流用戶數(shù)量趨于穩(wěn)定，每月1000多枫甲。流失/不活躍用戶源武，數(shù)量非常多，基本上每月都在20000以上想幻。
    用戶購買周期方面粱栖，平均購買周期是68天，最小值0天脏毯，最大值533天闹究。絕大部分用戶的購買周期都低于100天。
  • 復(fù)購率和回購率方面食店，復(fù)購率穩(wěn)定在20%左右渣淤，回購率穩(wěn)定在30%左右，前3個(gè)月因?yàn)橛写罅啃掠脩粲咳爰郏@批用戶只購買了一次价认，所以導(dǎo)致復(fù)購率和回購率都比較低。
最后編輯于 ：
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
禁止轉(zhuǎn)載自娩，如需轉(zhuǎn)載請通過簡信或評論聯(lián)系作者用踩。
  • 人面猴
    序言：七十年代末，一起剝皮案震驚了整個(gè)濱河市忙迁，隨后出現(xiàn)的幾起案子捶箱，更是在濱河造成了極大的恐慌，老刑警劉巖动漾，帶你破解...
    沈念sama閱讀 218,755評論 6贊 507
  • 死咒
    序言：濱河連續(xù)發(fā)生了三起死亡事件，死亡現(xiàn)場離奇詭異荠锭，居然都是意外死亡旱眯，警方通過查閱死者的電腦和手機(jī)，發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 93,305評論 3贊 395
  • 救了他兩次的神仙讓他今天三更去死
    文/潘曉璐 我一進(jìn)店門证九，熙熙樓的掌柜王于貴愁眉苦臉地迎上來删豺，“玉大人，你說我怎么就攤上這事愧怜。” “怎么了拥坛？”我有些...
    開封第一講書人閱讀 165,138評論 0贊 355
  • 道士緝兇錄：失蹤的賣姜人
    文/不壞的土叔 我叫張陵尘分，是天一觀的道長丸氛。 經(jīng)常有香客問我培愁，道長，這世上最難降的妖魔是什么缓窜？ 我笑而不...
    開封第一講書人閱讀 58,791評論 1贊 295
  • ?港島之戀（遺憾婚禮）
    正文 為了忘掉前任禾锤，我火速辦了婚禮私股，結(jié)果婚禮上，老公的妹妹穿的比我還像新娘恩掷。我一直安慰自己倡鲸，他們只是感情好螃成，可當(dāng)我...
    茶點(diǎn)故事閱讀 67,794評論 6贊 392
  • 惡毒庶女頂嫁案：這布局不是一般人想出來的
    文/花漫 我一把揭開白布。 她就那樣靜靜地躺著宁炫，像睡著了一般氮凝。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上罩阵，一...
    開封第一講書人閱讀 51,631評論 1贊 305
  • 城市分裂傳說
    那天稿壁，我揣著相機(jī)與錄音，去河邊找鬼傅是。 笑死，一個(gè)胖子當(dāng)著我的面吹牛帽驯，可吹牛的內(nèi)容都是我干的书闸。 我是一名探鬼主播，決...
    沈念sama閱讀 40,362評論 3贊 418
  • 雙鴛鴦連環(huán)套：你想象不到人心有多黑
    文/蒼蘭香墨 我猛地睜開眼嫌术，長吁一口氣：“原來是場噩夢啊……” “哼！你這毒婦竟也來了日丹？” 一聲冷哼從身側(cè)響起蚯嫌，我...
    開封第一講書人閱讀 39,264評論 0贊 276
  • 萬榮殺人案實(shí)錄
    序言：老撾萬榮一對情侶失蹤，失蹤者是張志新（化名）和其女友劉穎束凑，沒想到半個(gè)月后栅盲，有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體，經(jīng)...
    沈念sama閱讀 45,724評論 1贊 315
  • ?護(hù)林員之死
    正文 獨(dú)居荒郊野嶺守林人離奇死亡谈秫，尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點(diǎn)故事閱讀 37,900評論 3贊 336
  • ?白月光啟示錄
    正文 我和宋清朗相戀三年扒寄，在試婚紗的時(shí)候發(fā)現(xiàn)自己被綠了拟烫。 大學(xué)時(shí)的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點(diǎn)故事閱讀 40,040評論 1贊 350
  • 活死人
    序言：一個(gè)原本活蹦亂跳的男人離奇死亡课竣，死狀恐怖于樟，靈堂內(nèi)的尸體忽然破棺而出拇囊，到底是詐尸還是另有隱情，我是刑警寧澤寥袭，帶...
    沈念sama閱讀 35,742評論 5贊 346
  • ?日本核電站爆炸內(nèi)幕
    正文 年R本政府宣布纠永，位于F島的核電站谒拴，受9級特大地震影響，放射性物質(zhì)發(fā)生泄漏炭序。R本人自食惡果不足惜，卻給世界環(huán)境...
    茶點(diǎn)故事閱讀 41,364評論 3贊 330
  • 男人毒藥：我在死后第九天來索命
    文/蒙蒙 一窗声、第九天 我趴在偏房一處隱蔽的房頂上張望辜纲。 院中可真熱鬧，春花似錦见剩、人聲如沸扫俺。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,944評論 0贊 22
  • 一樁弒父案羹呵，背后竟有這般陰謀
    文/蒼蘭香墨 我抬頭看了看天上的太陽疗琉。三九已至，卻和暖如春涛癌，著一層夾襖步出監(jiān)牢的瞬間送火，已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,060評論 1贊 270
  • 情欲美人皮
    我被黑心中介騙來泰國打工弃衍， 沒想到剛下飛機(jī)就差點(diǎn)兒被人妖公主榨干…… 1. 我叫王不留坚俗，地道東北人。 一個(gè)月前我還...
    沈念sama閱讀 48,247評論 3贊 371
  • 代替公主和親
    正文 我出身青樓速缆，卻偏偏與公主長得像恩闻，于是被迫代替她去往敵國和親。 傳聞我的和親對象是個(gè)殘疾皇子破停，可洞房花燭夜當(dāng)晚...
    茶點(diǎn)故事閱讀 44,979評論 2贊 355