Airbnb产品运营分析报告

目前Airbnb作为一款社区平台类产品，其业务遍布了191个国家，并且经常出现在商业分析的优秀案例中。Airbnb在做好了产品体验、房源美感、民宿共享服务之后，这款产品和背后的业务是否存在可以改进的地方？

我们用用户画像，推广渠道，转化漏斗三个方面来分析

•数据集名称：Airbnb顾客预订数据•数据集来源：https://www.kaggle.com/c/airbnb-recruiting-new-user-bookings/data

•数据集简介：此数据集是kaggle上的一个竞赛项目，主要用来制作目的地信息的预测模型。此数据聚集包含两张数据表，其中train_user表中为用户数据，sessions表中为行为数据。

train_users_ = pd.read_csv("train_users_2.csv")
train_users =train_users_.drop(["country_destination"],axis =1)
#去除掉train表中目的地的一列。
all_users = pd.concat([train_users,test_users])
#聚合train和test两张表的所有数据。
all_users["gender"].value_counts()

airbnb的男女用户占比差别不大，女性用户要比男性用户占总用户人数多：6.4%。

all_users.loc[((all_users["age"]<7)|(all_users["age"]>75)),"age"]=0
#选取岁数小于7岁，大于75岁的用户，并将异常数据置0。
age = all_users.loc[all_users["age"]!=0,"age"]
#统计时只统计非零岁数的用户。
age = age.dropna()
age_counts = age.value_counts()
age_counts_sort = age_counts.sort_index()

airbnb的用户主要为“中青年群体”，其中用户数量最多的是80后(29岁～39岁），其次为90后，然后为70后。

all_users["first_device_type"].value_counts()
#直接统计。

airbnb用户登陆电脑端Mac比windows多，移动端iPhone，iPad比Android多。

train_users_no_NDF = train_users_.loc[train_users_["country_destination"]!="NDF"]
#train_users_no_NDF
lan = train_users_no_NDF.groupby("language")["country_destination"].value_counts()
lan

airbnb的产品真的很国际化，用户遍布多个地区。有超过90%的用户是英语国家（欧美）；airbnb是2013年开始进入中国市场的（此数据集止于2014年），所以此时中文用户数量虽然排名第二，但是占比却非常小。

Airbnb毕竟还是欧美国家用户使用得多，中国用户去最多的国家是美国。

all_users["y-m"] = train_users["date_account_created"].str[:7]
#日期只取前7位，取到月，日期不管。
date_account_created = all_users.groupby("y-m")["id"].count()
date_account_created

从可视化结果可以看出：

airbnb的用户增长曲线健康，前期（2011年之前）平缓，2012年2月之后开始快速增长。2012年之后的增长速度很快。

此产品新用户的增加存在季节性规律：每年的1～7月，产品都会迎来用户增长的高峰，推测为夏季（北半球）是旅行的旺季，而短租产品本身就是旅行消费的一种。

all_users["channel-provider"] = all_users["affiliate_channel"].str.cat(all_users["affiliate_provider"],sep ="-")
#把渠道和推广方式用“-”连接起来。
visit = all_users.groupby(["channel-provider"])["id"].count()
#访问统计
booking = all_users.groupby(["channel-provider"])["date_first_booking"].count()
#注册统计
rate = booking/visit
#转化计统计

渠道注册量方面：

•airbnb的整体渠道转化率表现很好，多数渠道的转化率都在30%以上。

•表现最好的为谷歌竞价（SEM）,其中品牌竞价注册量大于非品牌竞价的注册量。

•渠道注册量符合二八定律，前7个渠道（总共有40个渠道推广）的注册量已经占据了产品总的渠道来源的90%以上。

•content-google14.82%的转化率低于其它渠道。

visit = all_users.groupby(["first_affiliate_tracked"])["id"].count()
#统计不同内容的访问量
booking = all_users.groupby(["first_affiliate_tracked"])["date_first_booking"].count()
#统计不同内容的注册量
v_b = pd.merge(visit,booking,on = "first_affiliate_tracked" )
v_b["rate"] = v_b["booking"]/v_b["visit"]
#统计转化率
v_b = v_b.sort_values("booking",ascending = False)
v_b

营销内容方面：

统计功能异常、数据追踪效果差。

linked和omg两个营销内容的的转化率好。

相比较其他营销内容的转化率、localops的转化率非常低。

#统计总人数
users_sum = sessions.groupby(["user_id"])["user_id"].count()
users_sum.shape
#所有用户中的活跃用户数
user_active = user_action_count[user_action_count>=10]
user_active.shape
#注册用户数
pd_all = pd.merge(sessions,all_users,left_on="user_id",right_on="id")
pd_all.groupby(["user_id"])["user_id"].count().shape
#下单用户 用户行为中“reservations”为预定（下单）用户数
reser = sessions.loc[sessions["action_detail"]=="reservations"]
reser.groupby("user_id")["user_id"].count().shape
#实际支付用户 用户行为中“payment_instruments”为支付用户数
payment = sessions.loc[sessions["action_detail"]=="payment_instruments"]
payment.groupby("user_id")["user_id"].count().shape
#复购用户 统计进行了“payment_instruments”操作次数大于1次的用户
repay = sessions.loc[sessions["action_detail"]=="payment_instruments"]
repay_count = repay.groupby("user_id")["user_id"].count()
repay_count[repay_count>=2]

从可视化结果可以看出：

•注册用户到下单用户是airbnb转化漏斗中流失率最高的一个环节。仅有14%的注册用户下单、仅占全部用户的7.651%。

•活跃和复购环节表现的好，其中有60%的下单用户复购，说明airbnb的产品和服务做的非常好。

•下单用户中有大约13%的用户没有最终支付，需要产品研发介入排查。

关于推广渠道上的改进

•7～10月是业务的旺季，建议运营部门在每年的7～10月加大活动营销的力度，同时加大渠道广告的投放力度。

•在主要渠道（注册量在前7名的渠道）中content_google转化率非常低（只有15%），建议运营部门计算此渠道的*ROI和ARPU（每客户平均收入），如果ROI过低，建议停止此渠道的投放。

•SEO推广下各渠道的拉新和转化都好，SEO作为一种较低成本的获客方式（主要为人力成本），建议企业管理层日常要更加支持SEO相关的资源投入，甚至考虑扩大SEO的团队。

备注：整个分析过程有借鉴知乎上周贰毛https://zhuanlan.zhihu.com/p/77558304的分析过程，他用的是sql写的，我用的是pandas,图像上他用的是tableau,我用的是pyecharts。

*ROI=转化率*ARPU值/CPC

Airbnb产品运营分析报告相关推荐

如何写好一份竞品运营分析报告？
网络上关于写产品竞品分析的文章很多,做运营类竞品分析的文章比较少,所以今天抛砖引玉和大家分享一下,我在分析竞品运营中的思考和心得. 每天发生在我们APP里各种变化都是值得运营学习的最好材料,尤其是竞品 ...
【产品人生】＜基础认知＞产品分析方法产品体验分析报告撰写
目录一.什么是好的产品: 1.产品的定义: 2.好产品必备要素: 3.如何做好产品: 二.项目开发流程: 三.产品的声明周期: 四.产品常用方法论: 产品矩阵图谱: 三级火箭: SWOT分析法: 5 ...
Airbnb产品运营数据分析
一.产品背景和分析总结 1. 项目背景 Airbnb是一个空闲房屋短期租赁的双边平台,屋主可以通过平台发布闲置短租民宿信息,旅游者可以在网页或程序在线预定目的地的民宿.Airbnb不仅改变了旅行者的租 ...
关于原型设计在高等教育行业中的运营分析报告
导读: 摹客RP主要是针对ToC进行运营,单纯只是从RP工具来讲确实是这样的.针对ToC的运营模式都已经非常成熟.而且对于我本热来讲ToC的运营并没有那么专业,就不班门弄斧了. 这篇报告主要从高等教 ...
【运营】0-1搭建自媒体用户运营分析报告——以B站为例
目录导读一.前期调研 1.平台选择 2.用户定位 3.内容生产 4.用户增长二.数据分析 1.分析方法 1.1[漏斗分析法](https://zhuanlan.zhihu.com/p/56102 ...
Portal产品对比分析报告
目录 1概述 2Portal相关产品介绍 2.1商业Portal 2.1.1Bea weblogic portal 2.1.2IBM websphere portal 2.1.3Oracle port ...
“T3出行”产品体验分析报告
一.体验环境产品名称 T3出行版本信息 T3出行1.0.15 手机型号 iPhone X 操作系统 iOS11 网络环境 WiFi 体验时间 2020/3/15 二.产品概况 2.1 产品定位 T ...
【软件工程】产品调研分析报告
为了更好地设计紫荆之声微信平台票务管理系统,我们小组详细的调研了5种类似的产品,分别是微信蜘蛛网服务号,微信自带的电影票购票系统,国家大剧院.万达电影院.北京人艺票务系统.让票的种类完全覆盖了电影票. ...
如何撰写数据运营分析报告
数据分析报告是根据数据分析原理和方法,运用数据来反映.研究和分析事物的现状.问题.原因.本质和规律,并得出结论,提出解决办法的一种分析应用文体. "金字塔原理" 一份数据分析报告, ...
国际主流商业BI产品对比分析报告
分享 MSTR.BO.BIEE.Cognos产品功能对比主要从安装部署.兼容性.数据容量.产品闲完整程度.产品集成.SDK开放程度.快速开发.二次开发.模型或报表的数据源.支持的数据库和OLAP.元 ...

Airbnb产品运营分析报告

Airbnb产品运营分析报告相关推荐

最新文章

热门文章