淘宝用户行为分析

目录

  • 环境
  • 正文
    • 1. 项目背景
    • 2. 明确分析思路和目的
      • 2.1 what 什么是用户行为分析？
      • 2.2 why 为什么进行用户行为分析？
      • 2.3 how 如何进行用户行为分析?
    • 3. 数据概览
      • 3.1 读取数据
      • 3.2 查看数据信息
      • 3.3 描述性统计
    • 4. 数据预处理
      • 4.1 重复值处理
      • 4.2 缺失值处理
      • 4.3 异常值处理
      • 4.4 数据清洗
    • 5. AARR模型分析
      • 5.1 获取用户
      • 5.2 提高活跃度
      • 5.3 提高留存率
      • 5.4 获取营收
    • 6. 转化漏斗模型分析
    • 7. RF模型分析
  • 总结

环境

window8.1，python3.7，Tableau2019.1

正文

1. 项目背景

该项目的数据集来源于天池，是由阿里巴巴提供的一个淘宝用户行为数据集，其中包含了2017年11月25日至2017年12月3日之间，一百万个随机用户的所有用户行为（行为包括点击、购买、加购、收藏）数据，有关每个字段的介绍如下所示：

其中，用户行为类型共有四种，具体的说明见下表：

2. 明确分析思路和目的

--分析思路：从what、why和how这三个角度对用户行为进行分析，即什么是用户行为分析？为什么进行用户行为分析？如何进行用户行为分析？而其中的why作为我们的重点解释对象。
--分析目的：通过对淘宝用户的点击、加购、收藏、购买行为进行深入研究，让企业或者店铺更好地了解用户行为习惯，为网络营销提供指导意义，也为取得新成绩打下坚实的基础。

2.1 what 什么是用户行为分析？

用户行为分析，可以看做是分析用户行为，而用户行为包括5w2h，即时间、地点、人物、起因、经过、结果和金钱，也就是说分析用户行为则是分析这7个要素产生的数据，基于这些数据进行统计、分析，从中发现用户使用产品的规律，并将这些规律与产品、渠道、价格和促销等相结合，从而发现当前所存在的问题，并为后续进一步改进和优化提供依据，这将有助于企业提高平台转化率，进而提升企业的收益。

2.2 why 为什么进行用户行为分析？

从时间的维度来看，通过对用户行为路径的分析可以帮助企业发现：用户从哪里来？用户做了什么操作？用户从哪里流失的？用户为什么流失？
从空间的维度来看，根据用户的行为特征构建用户画像，进而实现精准营销和提升用户体验，达到提升企业盈利的目的。

2.3 how 如何进行用户行为分析?

此环节正是我们这次项目的重中之重，我们主要通过以下三种模型进行用户行为分析：

3. 数据概览

3.1 读取数据

数据总容量为1亿多，我这里选择了500万来进行分析.

import pandas as pd
df = pd.read_csv(r'D:\Data\UserBehavior.csv', nrows=5000000, header=None,
                 names=['用户ID','商品ID','商品类目ID','行为类型','时间戳'])

3.2 查看数据信息

df.info()

<class ‘pandas.core.frame.DataFrame‘>
RangeIndex: 5000000 entries, 0 to 4999999
Data columns (total 5 columns):
用户ID int64
商品ID int64
商品类目ID int64
行为类型 object
时间戳 int64
dtypes: int64(4), object(1)
memory usage: 190.7+ MB
数据维度500万×5，1个字符串类型和4个64位整型数据，500万数据大小190.7MB

3.3 描述性统计

df.describe()
df.describe(include=['O'])


由于该数据集中会出现一个用户ID多次浏览的情况，因此这里“用户ID”的count数和max值不代表用户数量，“商品ID“和“商品类目ID“类似

用户行为类型分为4种，其中浏览量pv最多，达到4475232次

4. 数据预处理

4.1 重复值处理

对于重复值，直接采用删除的方式处理。

df.drop_duplicates(keep='last',inplace=True)

4.2 缺失值处理

在处理缺失值之前，先查看有多少缺失值

df.isnull().sum()

用户ID 0
商品ID 0
商品类目ID 0
行为类型 0
时间戳 0
dtype: int64
可以看到没有缺失值，因此也就不用处理了

4.3 异常值处理

根据数据介绍，可知道数据的日期包含在2017年11月25日至2017年12月3日之间，因此可根据这条规则对数据进行异常处理

import time
start_time = time.mktime(time.strptime("2017-11-25 00:00:00",'%Y-%m-%d %H:%M:%S'))
end_time = time.mktime(time.strptime("2017-12-03 23:59:59",'%Y-%m-%d %H:%M:%S'))
df = df[(df.时间戳 >=int(start_time)) & (df.时间戳<= int(end_time))]

4.4 数据清洗

将时间戳转换为datetime格式

df['时间戳'] = df.时间戳.apply(lambda x: datetime.datetime.fromtimestamp(x))

提取出日期和时间

df['日期'] = df.时间戳.dt.date
df['时间'] = df.时间戳.dt.time
df['小时'] = df.时间戳.dt.hour

截止目前，我们的数据预处理工作就完成了，可查看处理结果

df.head()

5. AARR模型分析

5.1 获取用户

1.日pv、日人均pv和日uv

import numpy as np
from pyecharts import Line, Overlap
pv_day = df[df.行为类型 == 'pv'].groupby('日期')['行为类型'].count()
uv_day = df[df.行为类型 == 'pv'].drop_duplicates(['用户ID','日期']).groupby('日期')['用户ID'].count()
attr = pv_day.index
v1 = pv_day.values
v2 = uv_day.values
line1 = Line('日pv、日人均pv和日uv对比图')
line1.add('日pv（单位：万次）', attr, np.around(v1/10000,decimals=2), mark_point=["max", "min"],
          mark_line=['average'], legend_pos='right')
line1.add('日人均pv（单位：次）', attr, np.around(v1/v2, decimals=2), mark_point=['max','min'],
          mark_line=['average'], yaxis_max=100, yaxis_name='pv', yaxis_name_pos='end',
          yaxis_name_gap=15, legend_pos='right', legend_top='3%')
line2 = Line()
line2.add('日uv（单位：万人）', attr, np.around(v2/10000, decimals=2), mark_point=["max",'min'],
          mark_line=['average'], yaxis_name='uv', yaxis_name_pos='end', yaxis_name_gap=15)
overlap = Overlap()
overlap.add(line1)
overlap.add(line2, is_add_yaxis=True, yaxis_index=1)
overlap.render()


--日pv和日uv两者走势相类似，也进一步说明日人均pv波动较平缓，其平均水平为13.34；
--日pv和日uv均呈现上升趋势，且均在12月2日突然升高至九日内最高水平，而12月2日是周六，但11月25日也是周六，可能不是周末的原因，或许是因为商家进行了宣传、促销活动。
2.日新增uv和日新增uv的pv

from pyecharts import Bar, Line, Overlap
from copy import deepcopy
import datetime
df_pv = df[df.行为类型 == 'pv']
s = set()
days = []
nums = []
add_pv = []
for date in df_pv['日期'].unique():
    num1 = len(s)
    s1 = deepcopy(s)
    ids = df_pv[df_pv.日期 == date]['用户ID'].values.tolist()
    for i in ids:
        s.add(i)
    add_users = s - s1
    add_users_pvs = df[(df.用户ID.isin(add_users)) & (df.行为类型 == 'pv')].groupby('日期', as_index=False)['行为类型'].count()
    add_users_pv = int(add_users_pvs[add_users_pvs.日期 == date]['行为类型'].values)
    num2  = len(s)
    add_pv.append(add_users_pv)
    days.append(date)
    nums.append(num2-num1)
df_new_uv = pd.DataFrame({'日期': days, '新增访客数': nums, '新增访客的浏览量': add_pv})

attr = df_new_uv.日期
v = df_new_uv.新增访客数
w = df_new_uv.新增访客的浏览量
bar = Bar('日新增uv和日新增uv的pv对比图')
bar.add('日新增uv', attr, v, is_label_show=True, yaxis_formatter=" 人", legend_pos='right', legend_top='3%', label_pos='outside')
line = Line()
line.add('日新增uv的pv', attr, w, yaxis_formatter=" 次",is_label_show=True, yaxis_max=700000, label_pos='inside')
overlap = Overlap()
overlap.add(bar)
overlap.add(line, is_add_yaxis=True, yaxis_index=1)
overlap.render()


日新增uv和日新增uv的pv均呈现明显下降趋势，且在12月2日新增uv的人均pv为627/62=10.11（低于日人均pv的平均水平），说明日pv的突然升高不是由12月2日当日新增的uv带来的，而是由老uv带来的。

5.2 提高活跃度

1.时活跃用户数

hour_active = df.drop_duplicates(['用户ID', '小时']).groupby('小时')['用户ID'].count()
line = Line('时活跃用户折线图')
line.add('', hour_active.index, hour_active.values, mark_point=['max', 'min'],
         mark_line=['average'], yaxis_formatter=' 人')
line.render()


19时~22时为用户活跃高峰期， 而2时~5时则为用户活跃低峰期，可在用户活跃高峰期加大活动宣传力度。
2.日活跃用户数

day_active = df.drop_duplicates(['用户ID', '日期']).groupby('日期')['用户ID'].count()
day_active
line = Line('日活跃用户折线图')
line.add('', day_active.index, day_active.values, is_label_show=True, yaxis_formatter=' 人')
line.render()


日活跃用户数呈现明显的增长趋势，且在12月2日取得最大值，也说明此次活动在用户活跃方面有明显效果。

5.3 提高留存率

from datetime import timedelta
def get_nday_retention_rate(df, n):
    users2 = set()
    days = []
    nday_retentions = []
    dates = df.日期.unique()[:-n]
    for date in dates:
        users1 = deepcopy(users2)
        ids = df[df.日期 == date].用户ID.values.tolist()
        for i in ids:
            users2.add(i)
        users = users2 - users1
        nday_users = df[df.日期 == date + timedelta(days=n)].用户ID.unique()
        counts = 0
        for nday_user in nday_users:
            if nday_user in users:
                counts += 1
        nday_retention_rate = counts / len(users)
        nday_retentions.append(nday_retention_rate)
        days.append(date)
    df_retention_rate = pd.DataFrame({'日期': days, 'n日留存率': nday_retentions})
    return df_retention_rate

retention_rate1 = get_nday_retention_rate(df, 1)
retention_rate2 = get_nday_retention_rate(df, 2)
retention_rate3 = get_nday_retention_rate(df, 3)
retention_rate4 = get_nday_retention_rate(df, 4)
retention_rate5 = get_nday_retention_rate(df, 5)
retention_rate6 = get_nday_retention_rate(df, 6)
retention_rate7 = get_nday_retention_rate(df, 7)
line = Line('留存率对比分析图')
line.add('7日留存', retention_rate7.日期, retention_rate7.n日留存率)
line.add('6日留存', retention_rate6.日期, retention_rate6.n日留存率)
line.add('5日留存', retention_rate5.日期, retention_rate5.n日留存率)
line.add('4日留存', retention_rate4.日期, retention_rate4.n日留存率)
line.add('3日留存', retention_rate3.日期, retention_rate3.n日留存率)
line.add('2日留存', retention_rate2.日期, retention_rate2.n日留存率)
line.add('次日留存', retention_rate1.日期, retention_rate1.n日留存率, legend_pos='right')
line.render()


--就时间窗口来说，次日留存和3日留存均表现出先减后增的趋势，而7日留存则相比之前略有减少；
--就某一天来说，11月25日新增的活跃用户3日留存<次日留存<7日留存，11月26日新增的活跃用户次日留存<3日留存<7日留存，且其他日期3日留存均大于次日留存。
总体来说，留存呈现增长的趋势，也反映出用户粘性在上升。

5.4 获取营收

1.时购买行为

hour_buy_user_num = df[df.行为类型 == 'buy'].drop_duplicates(['用户ID', '小时']).groupby('小时')['用户ID'].count()
hour_active_user_num = df.drop_duplicates(['用户ID', '小时']).groupby('小时')['用户ID'].count()
hour_buy_rate = hour_buy_user_num / hour_active_user_num
attr = hour_buy_user_num.index
v1 = hour_buy_user_num.values
v2 = hour_buy_rate.values
line1 = Line('时购买行为分析')
line1.add('购买人数', attr, v1, mark_point=['max', 'min'], yaxis_formatter=' 人')
line2 = Line()
line2.add('购买率', attr, np.around(v2, 3), mark_point=['max', 'min'])
overlap = Overlap()
overlap.add(line1)
overlap.add(line2, is_add_yaxis=True, yaxis_index=1)
overlap.render()


购买人数和购买率的走势大致相似，且均呈现明显的双峰走势，其中21时购买人数最多，而10时购买率最高，应当继续保持10时的活动力度，加大21时的活动力度。
2.日购买行为

day_buy_user_num = df[df.行为类型 == 'buy'].drop_duplicates(['用户ID', '日期']).groupby('日期')['用户ID'].count()
day_active_user_num = df.drop_duplicates(['用户ID', '日期']).groupby('日期')['用户ID'].count()
day_buy_rate = day_buy_user_num / day_active_user_num
attr = day_buy_user_num.index
v1 = day_buy_user_num.values
v2 = day_buy_rate.values
line1 = Line('日购买行为分析')
line1.add('购买人数', attr, v1, mark_point=['max', 'min'], yaxis_formatter=' 人')
line2 = Line()
line2.add('购买率', attr, np.around(v2, 3), mark_point=['max', 'min'])
overlap = Overlap()
overlap.add(line1)
overlap.add(line2, is_add_yaxis=True, yaxis_index=1)
overlap.render()


在12月1日之前，购买人数和购买率走势相类似，而在12月1日之后购买人数有所增加，但与之前相比购买率却在减少，商家应当优化产品本身以及加大宣传推广。
3.九日复购率

df_rebuy = df[df.行为类型 == 'buy'].drop_duplicates(['用户ID', '时间戳']).groupby('用户ID')['时间戳'].count()
df_rebuy[df_rebuy >= 2].count() / df_rebuy.count()

0.6323078771856036
如果以0.6作为标准的话，说明是用户忠诚度是合格的，不过还应当继续提升，争取突破0.7。
4.三日复购率和回购率

#计算复购率
for m, n in zip(range(1, 10), df.日期.unique()):
    if m % 3 == 0:
        df.loc[(df.日期 + timedelta(days=0) <= n) & (df.日期 + timedelta(days=2) >= n), '日期1'] = n
df.日期1.unique()
df_rebuy = df[df.行为类型 == 'buy'].drop_duplicates(['用户ID', '时间戳']).groupby(['日期1', '用户ID'], as_index=False)['行为类型'].count()
df_rebuy_rate = df_rebuy[df_rebuy.行为类型 >= 2].groupby('日期1')['用户ID'].count() / df_rebuy.groupby('日期1')['用户ID'].count()
#计算回购率
days = []
back_buy_rates = []
for i in range(0, 2):
    df_buy_users = df[df.行为类型 == 'buy'].drop_duplicates(['用户ID', '时间戳']).groupby(['日期1'])['用户ID'].unique()
    users_id = df_buy_users[i]
    counts = 0
    for user in users_id:
        if user in df_buy_users[i+1]:
            counts += 1
    df_back_buy_rate = counts / len(df_buy_users[i])
    back_buy_rates.append(df_back_buy_rate)
    days.append(df_buy_users.index[i])
df_back_buy = pd.DataFrame({'日期': days, '回购率': back_buy_rates})
#绘制折线图
line = Line('用户每三日复购和回购行为分析')
line.add('回购率', df_back_buy.日期, np.around(df_back_buy.回购率, 3), is_label_show=True)
line.add('复购率', df_rebuy_rate.index, np.around(df_rebuy_rate.values, 3), is_label_show=True)
line.render()


--用户回购率整体高于复购率，其波动性也明显强于复购率；
--用户复购率呈现先减后增的趋势，而用户回购率则是增加趋势 , 即第二周期购买用户的忠诚度较第一期高，整体说明用户忠诚度在增加。

6. 转化漏斗模型分析

from pyecharts import Funnel
pv_users = df[df.行为类型 == 'pv']['用户ID'].count()
fav_users = df[df.行为类型 == 'fav']['用户ID'].count()
cart_users = df[df.行为类型 == 'cart']['用户ID'].count()
buy_users = df[df.行为类型 == 'buy']['用户ID'].count()
attr = ['点击', '加入购物车', '收藏', '购买']
values = [np.around((pv_users / pv_users * 100), 2),
         np.around((cart_users / pv_users * 100), 2),
         np.around((fav_users / pv_users * 100), 2),
         np.around((buy_users / pv_users * 100), 2)]
funnel = Funnel("用户行为转化漏斗", title_pos='center')#width=600, height=400,
funnel.add(
    "",
    attr,
    values,
    is_label_show=True,
    label_formatter = '{b} {c}%',
    label_pos="outside",
    is_legend_show = False,
)
funnel.render()


--总的点击量中，有6.25%加入购物车，有3.24%收藏，而到最后只有2.24%购买，整体来看，购买的转化率最低，有很大的增长空间；
--就颜色来看，红色部分的变化最大，即“点击-加入购物车“这一环节的转化率最低，按照“点击-加入购物车-收藏-购买”这一用户行为路径，我们可通过优化“点击-加入购物车”这一环节进而提升购买的转化率。

7. RF模型分析

R：Recency（最近一次消费），F：Frequency（消费频次），M：Monetary（消费金额）
由于我们的数据集中没有消费金额相关数据，因此这里就R和F对客户价值进行分析

from datetime import date
nowdate = date(2017, 12, 5)
recent_buy_date = df[df.行为类型 == 'buy'].groupby('用户ID')['日期'].apply(lambda x: x.sort_values().iloc[-1])
recent_buy_time = (nowdate - recent_buy_date).map(lambda x: x.days)
fre_buy = df[df.行为类型 == 'buy'].drop_duplicates(['用户ID', '时间戳']).groupby('用户ID')['日期'].count()
rf_module = pd.DataFrame({'用户ID': recent_buy_time.index,
                          'recency': recent_buy_time.values,
                          'frequency': fre_buy.values})
rf_module['recency_avg'] = rf_module.recency.mean()
rf_module['frequency_avg'] = rf_module.frequency.mean()
rf_module.to_excel(r'E:\Data\data2.xlsx')

保存至Excel文件，然后通过Tableau绘制波士顿矩阵如下所示：

--第一象限（重要价值用户）：该象限用户消费频次高、最近一次消费近，应当继续保持并给予支持；
--第二象限（重点保持用户）：该象限用户消费频次高、最近一次消费远，可通过电话、短信等方式主动联系促进最近消费；
--第三象限（重点挽留用户）：该象限用户消费频次低、最近一次消费远，可通过赠送礼品、加大折扣等方式进行挽回；
--第四象限（重点发展用户）：该象限用户消费频次低、最近一次消费近，可通过发放优惠券、捆绑销售等方式增加用户购买频次。

总结

1.对比12月2日~12月3日与上一个周末的日pv、日uv和日活跃用户数，均发现有明显的上升趋势，且上升均是由老用户带来的，反映出老用户忠诚度表现不错，同时也说明了这两天的活动产生了效果；
2.在每天的19时~22时为用户活跃高峰期，购买人数也最多；在10时用户活跃度较低，购买人数也略低，用户购买率却最高，因此就购买率来说，10时活跃用户产生的价值较高。
3.在“点击-加入购物车-收藏-购买”转化漏斗中：就整体来说，购买转化率为2.24%表现最差，有很大的增长空间；就各环节来说，“点击-加入购物车”环节的转化率为6.25%表现最低，可以通过优化这一环节的转化率，来提升整体的购买转化率。
4.商家可根据RF模型的分析结果，对不同群体的用户进行精准营销，达到利益最大化。

声明：本文仅用于学习交流，未经允许禁止转载!

原文地址：https://www.cnblogs.com/star-zhao/p/10532034.html

时间： 2024-11-14 10:42:00

淘宝用户行为分析的相关文章

淘宝网质量分析

淘宝网质量分析,质量属性的六个场景(quality attribute scenario): 可用性(availability):淘宝网在我使用的时候没有出现崩溃现象,但是有时会在访问量过多时不能正确显示界面,会提示页面出现错误,需要刷新一下. 刺激源:用户 刺激:网站登录用户过多,不能显示出相应页面 制品:商品页面 环境:超载环境 响应:请用户刷新页面,来显示正确的网页 响应度量:刷新一下,在2s以内即可恢复网页 可修改性(modifiability):淘宝网店家经常换一些商品 刺激源:淘宝店

淘宝店铺装修教程之下载淘宝视频及分析视频地址中的高逼格信息

摘要: 关于淘宝视频方面的教程,艺灵已写过好几篇了,唯独没有下载的教程,然后群内小伙伴也一直问这个问题,所以特写此教程,内含信息量巨大,看官慎入...... 一.起因 还是因为刚有群友在群里问这个问题,已会的神人请无视这篇基础教程. 在讲如何下载淘宝视频之前,不得不把之前写的几篇教程拿出来,要不然那谁又该问:怎么上传淘宝视频.怎么获取淘宝视频链接.店铺中怎么安装淘宝视频.详情页中怎么放淘宝视频等等问题.如果看官对刚提的几点有疑惑,请先看完下面几篇教程文章后再回来继续看这篇文章. 二.淘宝视频相关

淘宝网系统架构分析以及数据库架构简介

一个成熟的大型网站(如淘宝.京东等)的系统架构需要考虑诸多复杂的因素,因为像淘宝这种大型网站数据量比一般的网站要大的多,所以在设计架构方面也要复杂的多,既要考虑成本因素也要考虑访问速度安全性等.这里我简单的对淘宝的网站系统架构进行一个简单的分析. 淘宝作为一个大型购物网站,其数据量是很大的,所以不像一般网站,淘宝需要用各种方法来保证服务器的正常运行以及用户购买时的良好体验.主要由以下方式:1.应用.数据.文件分离 2.利用缓存改善网站性能 3.使用CDN和反向代理提高访问速度 4.使用分布式文件

利用淘宝IP库分析web日志来源分布

web访问日志中含有来访IP,通过IP查看归属地,最后统计访问的区域分布,可细化到省.市 淘宝接口地址:http://ip.taobao.com/service/getIpInfo.php?ip=14.215.177.38,后面的IP按需修改 例如要查看14.215.177.38这个地址的相关信息,返回的信息如下: {"code":0,"data": {"country":"\u4e2d\u56fd", "count

淘宝网架构分析——反向代理

一 .概述 反向代理方式是指以代理服务器来接受Internet上的连接请求,将该请求转发给内部网络上的服务器,之后将内部服务器的结果返回给客户端. 通常的代理服务器,只用于代理内部网络对Internet的连接请求,需要在Internet上搜寻多个不确定的服务器.因此,客户机必须指定代理服务器,并将本来要直接发送到Web服务器上的http请求发送到代理服务器中. 反向代理服务器能够代理外部网络上的主机,针对Internet上多个客户机的请求访问某一个固定的服务器.  二 .反向代理服务器模型 反向

淘宝Diamond架构分析

花了两天的时间研究了下Diamond,因为写得比较急,而且并没有使用过,只是单纯的做逆向建模,所以难免会有细节缺失,后面会时不时过来看看,然后做些补充. 背景知识 比较早的时候,应用一般都是单体的,配置修改后,只要通过预留的管理界面刷新进行reload即可. 慢慢的,应用都主动或被动被拆分,从单一系统拆分成多个子系统,每个子系统还会对应多个运行实例.此时就面临多个问题: 1. 配置分散在多个业务子系统里,对同一配置的翻译在多个子系统里经常不一致.比如订单和购物车都有货币类型的配置,如果购物车上了

《淘宝网》质量属性分析

以<淘宝网>为例,描绘质量属性的六个常见属性场景. 1.可用性分析 可用性分析所关注的方面包括:如何检测系统故障,系统故障发生的频度,出现故障时会发生什么情况,允许系统有多长时间非正常运行,什么时候可以安全地出现故障,如何防止故障的发生以及发生故障时要求进行哪种通知. 场景:双十一时期导致淘宝用户猛增 刺激源:淘宝用户 刺激:登录人数过多,导致淘宝无法响应,网页瘫痪,无法继续进行 制品:淘宝的处理器.通信通道.存储器.进程 环境:用户的正常浏览操作,淘宝的服务器运行: 响应:淘宝服务器检测到故

基于《淘宝网》的六个常见属性场景的架构分析

[可用性] 场景部分  可能部分 刺激源 系统数据 刺激 网络故障 制品 网站平台 环境 正常地运行网站 响应 检测故障并进行修复 响应度量 2小时内恢复数据并且保证用户不会有损失 [可修改性] 场景部分 可能部分 刺激源 淘宝商家 刺激 修改店铺商品信息 制品 网站平台 环境 可以正常修改内容 响应 对数据库进行相应的修改 响应度量 修改完了能够立即显示 [性能] 场景部分 可能部分 刺激源 淘宝用户 刺激 上线购买物品 制品 网站平台 环境 多人在线系统正常运行 响应 响应用户请求 响应度量

淘宝APP用户行为数据分析之一 —— 数据集介绍

UserBehavior是阿里巴巴提供的一个淘宝用户行为数据集,用于隐式反馈推荐问题的研究. 数据来源? 传送门 数据情况介绍: UserBehavior.csv 本数据集包含了2017年11月25日至2017年12月3日之间,有行为的约一百万随机用户的所有行为(行为包括点击.购买.加购.喜欢). 数据集的每一行表示一条用户行为,由用户ID.商品ID.商品类目ID.行为类型和时间戳组成,并以逗号分隔. 关于数据集中每一列的详细描述如下: 列名称 说明 用户ID 整数类型,序列化后的用户ID 商品