用戶行為路徑漏斗轉(zhuǎn)化計算分析

一照宝、分析目的:

結(jié)合數(shù)據(jù)集,根據(jù)用戶行為路徑句葵,制作漏斗轉(zhuǎn)化圖厕鹃,分析用戶消費行為各結(jié)點轉(zhuǎn)化情況,了解業(yè)務(wù)和用戶現(xiàn)狀乍丈。

二剂碴、分析過程:

導(dǎo)入包

import pandas as pd
import numpy as np
import sqlalchemy

import warnings
warnings.filterwarnings('ignore')

1、讀取數(shù)據(jù)

# 讀取數(shù)據(jù)诗赌。plat_flow:平臺流量表汗茄;plat_check:貸款審核表
engine=sqlalchemy.create_engine('mysql+pymysql://frogdata05:Frogdata!1321@localhost:3306/froghd')
sql_flow='select * from plat_flow'
dt_flow=pd.read_sql(sql=sql_flow,con=engine)
sql_check = 'select * from loans_check'
dt_check = pd.read_sql(sql=sql_check, con=engine)


dt_flow.rename(columns={
    "date":"日期",
    "PV":"PV",
    "UV":"UV",
    "regist_cnt":"注冊數(shù)",
    "regist_rate":"訪客注冊率",
    "active_cnt":"激活數(shù)",
    "active_rate":"激活訪問率"
},inplace=True)

dt_check.rename(columns={
    "ID":"用戶ID",
    "date":"申請日期",
    "new_cus":"是否新用戶(1為是,0為否)",
    "lending": "是否放貸"
},inplace=True)
dt_flow.head()
image.png
dt_check.head()
image.png
dt_check.to_csv("check_info.csv")

2、計算每日申請貸款人數(shù)铭若、審批貸款人數(shù)洪碳、放貸率

  • 選取子集,將新用戶和老用戶分開統(tǒng)計每天申請貸款人數(shù)和審批放貸人數(shù)叼屠,然后計算新用戶放貸率瞳腌。
#最后使用merge函數(shù)將新用戶結(jié)果表和老用戶結(jié)果表拼接。
dt_check_1 = dt_check[dt_check["是否新用戶(1為是,0為否)"] == 1]
dt_check_0 = dt_check[dt_check["是否新用戶(1為是,0為否)"] == 0]
  • 用grouby 和 agg計算放貸率
pt_1 = dt_check_1.groupby('申請日期')['是否放貸'].agg(['sum','count']).reset_index()
pt_1.rename(columns={'count':'新用戶申請數(shù)','sum':'新用戶放貸數(shù)'},inplace=True)
pt_1['新用戶放貸率']=pt_1["新用戶放貸數(shù)"] / pt_1["新用戶申請數(shù)"]
pt_1.head()
image.png

思考方法二: 也可以用數(shù)據(jù)透視計算放貸率

# pt_1 = pd.pivot_table(data=dt_check_1, index=["申請日期"], values=["是否放貸"], aggfunc=[np.sum,'count'])
# pt_1.columns = pt_1.columns.droplevel(0)
# pt_1.columns = ["新用戶放貸數(shù)","新用戶申請數(shù)"]
# pt_1["新用戶放貸率"] = pt_1["新用戶放貸數(shù)"] / pt_1["新用戶申請數(shù)"]
# pt_1 = pt_1.reset_index()
# pt_1.head()
  • 對老用戶數(shù)據(jù)透視計算放貸率
pt_0 = dt_check_0.groupby('申請日期')['是否放貸'].agg(['sum','count']).reset_index()
pt_0.rename(columns={'count':'老用戶申請數(shù)','sum':'老用戶放貸數(shù)'},inplace=True)
pt_0["老用戶放貸率"] = pt_0["老用戶放貸數(shù)"] / pt_0["老用戶申請數(shù)"]
pt_0.head()
image.png
  • 計算復(fù)借率

這里需要計算老用戶復(fù)借率镜雨,所以需要知道每天的老用戶數(shù)目嫂侍,這里做簡單化處理,
這里的老用戶定義是:前一天的放款的新用戶第二天繼續(xù)借款就是老用戶
對存量老用戶我們暫時不考慮荚坞,就看前一天貸款的人第二天是否還繼續(xù)貸款挑宠,貸款的就認為是老用戶復(fù)借
取新用戶放貸透視表的前29天數(shù)據(jù)+4月30日的人(分析5月1日-5月30日的復(fù)借率)構(gòu)成老客戶數(shù)量,我們看這些客戶是否還繼續(xù)貸款

old=list(pt_1.iloc[0:-1,1])
# # 假設(shè)4月30日有24個人
old.insert(0,24)
dt_old=pd.DataFrame({'申請日期':list(pt_1["申請日期"]),'老客戶數(shù)':old})
pt_0_m=pd.merge(pt_0, dt_old, how='left', on=["申請日期"])
pt_0_m["老客戶復(fù)借率"] = pt_0_m["老用戶申請數(shù)"] / pt_0_m["老客戶數(shù)"]
pt_0_m.head()
image.png

3颓影、計算各節(jié)點路徑轉(zhuǎn)化率并繪圖

  • pd.merge連接平臺流量表各淀,組成一張用戶路徑總表,計算各節(jié)點轉(zhuǎn)化率诡挂。
dt = pd.merge(dt_flow,pt_1,how='left',left_on='日期',right_on='申請日期')
dt_1 = pd.merge(dt, pt_0_m, how='left',left_on="日期", right_on="申請日期" )
dt_1.drop(['申請日期_x', '申請日期_y'],axis=1)
dt_1.head()
#計算轉(zhuǎn)化漏斗碎浇。 計算匯總數(shù)據(jù)
# dt_2 = dt_1.drop(['日期'], axis=1)
# #匯總求和
# dt_2.loc['Row_sum'] = dt_2.apply(lambda x: x.sum())

# dt_3 = dt_2[dt_2.index == "Row_sum"][["PV","UV","注冊數(shù)","激活數(shù)","新用戶申請數(shù)","新用戶放貸數(shù)"]]
# dt_3_s = pd.DataFrame(dt_3.stack()).reset_index().iloc[:,[1,2]]
# dt_3_s.columns = ["指標","匯總"]

# dt_3_s
image.png
from plotly import graph_objects as go
trace = go.Funnel(
    y = dt_3_s["指標"],
    x = dt_3_s["匯總"],
    textinfo = "value+percent initial",
    marker=dict(color=["deepskyblue", "lightsalmon", "tan", "teal", "silver", "yellow"]),
    connector = {"line": {"color": "royalblue", "dash": "solid", "width": 3}})
    
data =[trace]

fig = go.Figure(data)

fig.show()
image.png
?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末临谱,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子奴璃,更是在濱河造成了極大的恐慌悉默,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,817評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件苟穆,死亡現(xiàn)場離奇詭異抄课,居然都是意外死亡,警方通過查閱死者的電腦和手機雳旅,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,329評論 3 385
  • 文/潘曉璐 我一進店門剖膳,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人岭辣,你說我怎么就攤上這事〉楸ィ” “怎么了沦童?”我有些...
    開封第一講書人閱讀 157,354評論 0 348
  • 文/不壞的土叔 我叫張陵,是天一觀的道長叹话。 經(jīng)常有香客問我偷遗,道長,這世上最難降的妖魔是什么驼壶? 我笑而不...
    開封第一講書人閱讀 56,498評論 1 284
  • 正文 為了忘掉前任氏豌,我火速辦了婚禮,結(jié)果婚禮上热凹,老公的妹妹穿的比我還像新娘泵喘。我一直安慰自己,他們只是感情好般妙,可當我...
    茶點故事閱讀 65,600評論 6 386
  • 文/花漫 我一把揭開白布纪铺。 她就那樣靜靜地躺著,像睡著了一般碟渺。 火紅的嫁衣襯著肌膚如雪鲜锚。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 49,829評論 1 290
  • 那天苫拍,我揣著相機與錄音芜繁,去河邊找鬼。 笑死绒极,一個胖子當著我的面吹牛骏令,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播集峦,決...
    沈念sama閱讀 38,979評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼伏社,長吁一口氣:“原來是場噩夢啊……” “哼抠刺!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起摘昌,我...
    開封第一講書人閱讀 37,722評論 0 266
  • 序言:老撾萬榮一對情侶失蹤速妖,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后聪黎,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體罕容,經(jīng)...
    沈念sama閱讀 44,189評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡,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...
    茶點故事閱讀 36,519評論 2 327
  • 正文 我和宋清朗相戀三年稿饰,在試婚紗的時候發(fā)現(xiàn)自己被綠了锦秒。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 38,654評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡喉镰,死狀恐怖旅择,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情侣姆,我是刑警寧澤生真,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布,位于F島的核電站捺宗,受9級特大地震影響柱蟀,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜蚜厉,卻給世界環(huán)境...
    茶點故事閱讀 39,940評論 3 313
  • 文/蒙蒙 一长已、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧昼牛,春花似錦术瓮、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,762評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至霎烙,卻和暖如春撬讽,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背悬垃。 一陣腳步聲響...
    開封第一講書人閱讀 31,993評論 1 266
  • 我被黑心中介騙來泰國打工游昼, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人尝蠕。 一個月前我還...
    沈念sama閱讀 46,382評論 2 360
  • 正文 我出身青樓烘豌,卻偏偏與公主長得像,于是被迫代替她去往敵國和親看彼。 傳聞我的和親對象是個殘疾皇子廊佩,可洞房花燭夜當晚...
    茶點故事閱讀 43,543評論 2 349

推薦閱讀更多精彩內(nèi)容

  • 最近在搞訂單漏斗這個東西囚聚,這里簡單整理下。 一開始的需求是用戶目標路徑标锄,就以用戶訂單為例子顽铸,看了下各個頁面的轉(zhuǎn)化情...
    橘貓吃不胖閱讀 1,605評論 0 52
  • 一、用戶行為路徑分析 1. 什么是用戶行為路徑分析料皇? 用戶行為路徑分析是一種監(jiān)測用戶流向谓松,從而統(tǒng)計產(chǎn)品使用深度的分...
    數(shù)有余閱讀 929評論 0 11
  • 本文目錄如下: 用戶行為路徑漏斗轉(zhuǎn)化計算分析 單變量分析 用戶群組分析 一 用戶行為路徑漏斗轉(zhuǎn)化計算分析 在開始分...
    胖波波玻璃球閱讀 1,167評論 0 0
  • 一、單變量分析——用戶首逾率增高問題二践剂、用戶群組分析——對相同生命周期階段的用戶進行垂直分析三鬼譬、用戶行為路徑漏斗轉(zhuǎn)...
    chen_5614閱讀 1,470評論 0 3
  • 推薦指數(shù): 6.0 書籍主旨關(guān)鍵詞:特權(quán)、焦點逊脯、注意力优质、語言聯(lián)想、情景聯(lián)想 觀點: 1.統(tǒng)計學(xué)現(xiàn)在叫數(shù)據(jù)分析军洼,社會...
    Jenaral閱讀 5,705評論 0 5