数据分析实战 | 探寻销售额下降的原因
大家好,我是丁小杰。
本文案例的来源为《数据分析实战》一书,书中使用的是 R
语言,接下来一段时间,我会用 Python + Tableau
尽可能的将案例复现出来,以供大家学习。
场景描述
某公司经营的一款 APP 小游戏,每月销售额稳定上涨,但是在 7 月却突然下降,无论从市场环境或是游戏本身的环境来看,这个游戏的销售额都还有继续增长的空间
,影响该游戏销售额的主要影响因素可能有两点:
- 游戏活动上新
- 商业宣传力度更改
经了解发现
- 游戏活动与上月活动并无较大改变
- 由于预算紧缺,宣传力度有所下降
接下来我们会根据数据分析来证实上述结论,并提出恢复销售额的方法。
数据描述
DAU(Daily Active User)
每天至少来访 1 次的用户数据,139112
行。
字段 | 类型 | 含义 |
---|---|---|
log_date | str | 访问时间 |
app_name | str | 应用名 |
user_id | numpy.int64 | 用户 ID |
DPU(Daily Payment User)
每天至少消费 1 日元的用户数据(0.056 元),884
行。
字段 | 类型 | 含义 |
---|---|---|
log_date | str | 访问时间 |
app_name | str | 应用名 |
user_id | numpy.int64 | 用户 ID |
payment | numpy.int64 | 消费金额 |
Install
记录每个用户首次登录游戏的时间,29329
行。
字段 | 类型 | 含义 |
---|---|---|
install_date | str | 首次登录时间 |
app_name | str | 应用名 |
user_id | numpy.int64 | 用户 ID |
数据分析
数据读取
读取三个数据集。
import pandas as pdDAU_data = pd.read_csv('DAU.csv')
DPU_data = pd.read_csv('DPU.csv')
install_data = pd.read_csv('install.csv')
显示 DAU
数据集前五行。
DAU_data.head()
显示 DPU
数据集前五行。
DPU_data.head()
显示 Install
数据集前五行。
install_data.head()
数据合并
将每日活跃用户数据 DAU
与用户首次登录数据 Install
进行合并,将 user_id
与
app_name
作为参照 key
。这样就可以得到用户的首次登录时间。
all_data = pd.merge(DAU_data,install_data,on=['user_id', 'app_name'])
all_data.head()
得到用户首次登录时间后,再与每日消费用户数据 DPU
进行合并,使用左连接的方式,保留 all_data
中的所有数据,缺失值默认为 NaN
。
all_data = pd.merge(all_data,DPU_data,on=['log_date', 'app_name', 'user_id'],how='left')
all_data.head()
数据处理
将 payment
列中的空值填充为 0。
all_data['payment'] = all_data['payment'].fillna('0')
all_data
将 payment
列的单位转换为元,log_date
与 install_date
都只保留月份即可。
all_data['payment'] = all_data['payment'].astype(float)
all_data['payment'] = all_data['payment'] * 0.056
all_data['log_date'] = pd.to_datetime(all_data['log_date']).map(lambda x : x.strftime("%m")[1] + '月')
all_data['install_date'] = pd.to_datetime(all_data['install_date']).map(lambda x : x.strftime("%m")[1] + '月')
all_data.head()
新老用户划分
将 登录月份 > 首次登录月份
的用户定义为老用户,其他则定义为新用户。
all_data['user'] = all_data['log_date'] > all_data['install_date']
all_data['user'] = all_data['user'].map({False: '新用户', True: '老用户'})
all_data.head()
按照 log_date
, user
分组对 payment
求和,统计各月新老用户的带来的销售额。
user_category = all_data.groupby(['log_date', 'user'])['payment'].sum().reset_index()
user_category.head()
可以看到 6 月和 7 月的老用户带来的销售额基本相同,但 7 月新用户带来的销售额明显少于 6 月。
将销售额划分区域,看看哪个层次的用户消费在减少。
import numpy as npsale_df = all_data.loc[all_data['payment'] > 0, ['log_date', 'payment']].copy()
bins = list(range(0, 101, 30)) + [np.inf]
labels = [str(n) + '-' + str(n + 30) for n in bins[:-2]] + ['>90']
sale_df['payment_cut'] = sale_df['payment'].apply(lambda x : pd.cut([x], bins=bins, labels=labels)[0])
sale_df.head()
根据上面柱状图可以看出,和 6 月相比,7 月消费额在 60 元以下的用户数量减少了一部分。
到此我们就可以得到一些结论。
结论
新用户中的产生消费的用户发生了减少,特别是消费金额较少的小额消费用户。因此,公司需要再次开展商业宣传活动并恢复到之前的水平,这样才有可能提升潜在用户对公司产品的认知度,增加新的用户。
案例参考
[1]《数据分析实战》 [日] 酒卷隆志 里洋平/著 肖峰/译
对于刚入门 Python
或是想要入门 Python
的小伙伴,可以通过下方小卡片联系作者,一起交流学习,都是从新手走过来的,有时候一个简单的问题卡很久,但可能别人的一点拨就会恍然大悟,由衷的希望大家能够共同进步。另有整理的近千套简历模板,几百册电子书等你来领取哦!
数据分析实战 | 探寻销售额下降的原因相关推荐
- 数据分析实战 | A/B测试探寻哪种广告点击率更高?
大家好,我是丁小杰. 本篇是<数据分析实战>系列第三篇,案例来源为<数据分析实战>一书,书中使用的是 R 语言,接下来一段时间,我会用 Python + Tableau/Pye ...
- Python数据分析实战基础 | 初识Pandas
这是Python数据分析实战基础的第一篇内容,主要是和Pandas来个简单的邂逅.已经熟练掌握Pandas的同学,可以加快手速滑动浏览或者直接略过本文. 01 重要的前言 这段时间和一些做数据分析的 ...
- 在线教育数据分析实战项目案例
数据分析实战项目案例 数据分析概览 数据分析经常遇到的问题 解决思路 常规产品指标 在线教育产品指标 市场效果广告指标 搭建指标系统流程 渠道的分类 针对搜索引擎,信息流广告如何稳定提高ROI 利用M ...
- 《数据分析实战》--用R做交叉列表
<数据分析实战>–用R做交叉列表 本文参考的是<数据分析实战>第四章. 背景:针对某公司的产品,发现当月的用户使用量减少了很多,但是和上月相比,本月的商业宣传和月度活动并无大的 ...
- 《数据分析实战:基于EXCEL和SPSS系列工具的实践》——3.3 耗时耗力的数据整理过程...
本节书摘来自华章计算机<数据分析实战:基于EXCEL和SPSS系列工具的实践>一书中的第3章,第3.3节,作者 纪贺元,更多章节内容可以访问云栖社区"华章计算机"公众号 ...
- 《数据分析实战 基于EXCEL和SPSS系列工具的实践》一3.4 数据量太大了怎么办
本节书摘来自华章出版社<数据分析实战 基于EXCEL和SPSS系列工具的实践>一书中的第3章,第3.4节,纪贺元 著,更多章节内容可以访问云栖社区"华章计算机"公众号查 ...
- 《数据分析实战 基于EXCEL和SPSS系列工具的实践》一第2章 数据分析的理论、工具、模型...
本节书摘来自华章出版社<数据分析实战 基于EXCEL和SPSS系列工具的实践>一书中的第2章,第2.1节,纪贺元 著,更多章节内容可以访问云栖社区"华章计算机"公众号查 ...
- 大数据分析实战-信用卡欺诈检测(四)-正则化惩罚
大数据分析实战-信用卡欺诈检测(一) 大数据分析实战-信用卡欺诈检测(二)-下采样方案和交叉验证 大数据分析实战-信用卡欺诈检测(三)- 模型评估 文章目录 正则化惩罚 正则化惩罚 正则化惩罚,这个名 ...
- 大数据分析实战-信用卡欺诈检测(二)-下采样方案和交叉验证
第一部分已经写到这里了,看完第一部分再看这一部分:大数据分析实战-信用卡欺诈检测 文章目录 下采样方案 交叉验证 下采样方案 下采样方案的实现过程比较简单,只需要对正常样本进行采样,得到与异常样本一样 ...
最新文章
- Google发布“多巴胺”开源强化学习框架,三大特性全满足
- MPB:林科院袁志林组-​栎类外生菌根形态学特征描述
- c++与java中子类中调用父类成员的方法
- mysql行转列和列转行_mysql 行转列和列转行实例详解
- ES业界优秀实践案例汇总
- Linux下的iwpriv(iwlist、iwconfig)的简单应用
- Windows WMIC命令使用详解(附实例)
- 三相同步电机怎么接线图_三相电度表怎么看倍数
- 一文入门区块链相关知识
- dubbo mysql_Dubbo学习系列之六(微服务架构实战)
- 《概率论基础教程》总结2 随机变量、期望、方差
- 常用符号大全 特殊符号
- 使用CSS实现图片叠加效果
- Unity Shader LOD详解
- 如何去掉“Picked up JAVA_TOOL_OPTIONS: -Djava.vendor=“Sun Microsystems Inc.“” 提示
- oracle10g数据库复制,Oracle10g中Duplicate复制数据库
- mysql根据出生日期,查询年月日,并且拼接
- java-net-php-python-jspm零担快跑物流管理系统计算机毕业设计程序
- leetcode 322. Coin Change-硬币交换|动态规划
- traffic-filter