作者 | SAI
邮箱 | aishjun@icloud.com
微信 | aishjun

如有转载，请先联系。
如有讨论，随时骚扰。
如有纠错，热烈欢迎。

关键词 = [MySQL, Python, Excel, KKBox, 音乐, 数据分析, 用户研究]
总字数 = 24940(包括代码)
阅读时长 ≈ 30min

导语

数据能让人信服，也容易变成忽悠。说它能让人信服，因为“事实胜过雄辩”，在没法实地调研的情况下，用数据说话可以替代杂乱的逻辑推理（特别是公说公有理，婆说婆有理的情况），并提供可量化的指标。而说它是忽悠，因为数据本身以及分析手段都存在着各种各样的陷阱。而展示数据的人可能运用了片面分析，将数据结果朝着利于自己观点的方向发展而已。

打个比方，假设某公司分析了全国的泳衣线上购买情况，结果发现新疆的泳衣总购买量比海南的还大，于是得出“新疆的游泳人口比海南多”的结论。从数据看，证据确凿，但是用常识一想，这怎么可能呢？正好我从小在海南长大，到大街上一逛就明白了：海南人买泳衣犯不着网购，因为满大街到处都有卖泳衣的店。而正是因为新疆泳衣的需求量少，实体店几乎不卖，所以消费者只能求于网购。如果这家公司相信了大数据，试图采购大量泳衣在新疆卖，则后果可想而知。

因此，了解数据分析，有些时候是为了不受“大数据”的忽悠。而对于一款产品来说，确定目标受众，明确自身的优势，并极力通过提高用户的体验来实现产品更高的租值（即品牌价值），永远是最重要的。数据可以帮助产品团队发现问题，促进迭代，但在接受数据之前，以防受忽悠，不妨多问一句“为什么”。

而还有一种观点，则是说“数据本身没有好坏，是用数据的人引导受众向不同方向发展”。因此，在使用数据之前，“预判性”也很重要。假设说，某短视频APP的运营团队通过数据分析，发现平台上一个主题为“从10楼跳下来都没摔死”的视频A最火爆，于是疯狂给所有用户推荐视频A。那作为产品的经营者，我想问一句，它现在很火爆，现在能带来流量，那以后呢？会不会因为这个视频A，把你的品牌带到一个无底洞去，引发品牌危机？或者因为有了视频A，你以后如果不推荐同类型的视频，日活量就会下降10%以上？在面对用户之前，自己不妨做做“预言家”。我相信最好的产品，不仅能在当下为人们生活提供便利，而且能预判到产品上线一段时间之后，企业品牌的租值也会因为这款产品而提升。

带着这样一些思考，本次小项目被分成了4个部分：第一部分介绍数据来源。第二部分是数据清洗的记录。第三部分是在自己提出了共8个问题的基础上，运用Excel、Mysql（Navicat）和Python（Notebook），对数据集做探索性的分析。第四部分则是关于用户分析的一些方法论总结。

1 数据来源

KKBox官网简介
KKBox是2005 年创立的品牌，以独创的云端技术提供音乐串流服务，让用户透过网络即可播放储存在云端的歌曲；并以技术加密媒体文件 (Digital Rights Management, DRM)，成功地为在线音乐和知识产权取得完美的平衡与保护，打开了在线音乐合法授权的版权观念，更在亚洲市场首度以此商业模式成为标竿品牌。至今，KKBOX 拥有超过 4000 万首曲目，服务地区包括台湾、香港、日本、新加坡及马来西亚。

而截至2017年初，KKBox在台湾的月活达到300万，在香港则是60万。所有用户中，年龄基本成类正态分布，其中大约40%的用户集中在25-34岁（可惜大陆用户好像下不了，反正我的电脑和手机都下失败了）。

该数据集来自Kaggle竞赛：KKBox’s Music Recommendation Challenge，记录这从04-17年在该平台的部分歌曲、用户信息。KKBOX提供了4个csv文件，分别存入了用户收听记录、歌曲信息、用户信息、以及歌曲名称的信息。

Kaggle竞赛题目：KKBox’s Music Recommendation Challenge
注：本数据集只是从KKBox的数据系统中的一部分数据而已，下文做的任何分析，仅针对数据集，与真实世界无关。

数据信息

recommendation.csv
• msno: 用户id
• song_id: 歌曲id
• source_system_tab: 触发收听事件的选项卡的名称。系统选项卡用于对KKBOX移动应用程序功能进行分类。 例如，tab我的库包含操作本地存储的功能，而tab搜索包含与搜索相关的功能
• source_screen_name: 用户见到的页面名称
• source_type: 用户首先在移动应用上播放音乐的入口点。 入口点可以是专辑，在线播放列表，歌曲等
• target: 这是目标变量。target = 1表示在用户的听完一首歌后的一个月内重复收听，否则target = 0

songs.csv
• song_id
• song_length: in ms
• genre_ids: 歌曲类型的id。 有些歌曲有多种类型，它们被 | 符号分开
• artist_name：表演者名字
• composer：作曲家
• lyricist：作词家
• language：语言的id

members.csv
• msno：用户id
• city：用户所在城市的id
• bd: 年龄（注意有异常值）
• gender：性别
• registered_via: 注册方法
• registration_init_time: 注册时间，格式为 %Y%m%d
• expiration_date: 过期时间，格式为 %Y%m%d

songs_name.csv
• song_id：歌曲id
• song_name：歌曲名称
• isrc - 国际标准录音代码，理论上可以用作歌曲的标识，但是可能有错误

展示一下4个表格的开头，其中有几个要注意的地方：

1. msno为user id，应该是被加密过
2. recommendation表格（也就是用户日志）里并没有关于时间的信息
3. 图中表格已被清洗
4. 但是并不知道如何清洗genre_id一列（有个别的歌曲不止一个genre_id）

members.csv

recommendation.csv

songs.csv

songs_name.csv

2 数据处理

在这一部分，主要记录从csv中录入数据、清洗数据遇到的坑。

2.1 录入数据

--在终端中进入Mysql
mysql -u root -p--试图创建数据库
create database music;
show databases;
use music;
create table members (msno varchar(255) not null auto_increment primary key,city int(11),bd int(11),gender varchar(50), registered_via int(11),registration_init_time int(11),expiration_date int(11));--试图导入csv文件
load data infile '/Users/apple/Downloads/kkbox_data/members.csv' into table members;报错：
ERROR 1290 (HY000): The MySQL server is running with the secure-file-priv option so it cannot execute this statement
--结果报错，并且无法解决（不知道是系统版本问题还是Mysql版本问题，网上各种解决方案在本机上免疫。两天无进展后，遂转战Navicat）

2.2 数据类型

（1）msno更改为string
（2）char，varchar与text类型的区别
（3）日期(Date)更改
（4）Key键设置
（5）缺失值、异常值

--更改数据类型
create database music;
use music;
alter table members modify column msno varchar(255)
;--更改日期：用select先看语句是否生效
SELECT DATE_FORMAT(STR_TO_DATE(a.registration_init_time, '%m/%d/%Y'), '%Y-%m-%d') AS registration_init_time
FROM members a
;--更改日期：确定语句生效后，update整个表格
UPDATE members
SET registration_init_time = DATE_FORMAT(STR_TO_DATE(registration_init_time, '%m/%d/%Y'), '%Y-%m-%d')
;--或者直接用date_format
UPDATE members
SET
registration_init_time =  date_format(registration_init_time, '%Y-%m-%d')
;--更改日期：再将数据类型改为date
DESCRIBE members;
ALTER TABLE members MODIFY registration_init_time date
;--Key键设置:关键是看设置的key是否能使每一行数据“独一无二”。比如，在表格recommendation中，记录的是每次用户对歌曲的行为，单个用户可能对多个歌曲有不同行为操作，不同用户也可能对单个歌曲有操作，所以key键应该为msno、song_id两列。--缺失值和异常值的观察，只需要count()函数来检验，比如对于表格members，用下列语句可得出19902，57.85%的gender缺失率; 得出19956，58.01%的bd(age)缺失率：
select a.null_count as null_count, concat(round(a.null_count/b.total_count*100,2),'%') as null_rate
from (select count(msno) as null_countfrom memberswhere gender is null) a
join (select count(msno) as total_countfrom members) b
;

null_count	null_rate
19902	57.85%

由于缺失率实在太高，用填补方法的准确率也定不会高。“宁愿粗略的对，不愿精确的错”，因此暂时先不动这一块数据。

--异常值去除
--bd中小于1岁和大于100岁的去掉
select bd, count(*)
from members
group by bd
order by bd
;
update members
set bd = null
where bd < 1 or bd > 100
;--发现有一些Null值写成了'null'，遂删除
select distinct source_system_tab
from recommendation
;
update recommendation
set source_system_tab = null
where source_system_tab = 'null'
;--同理，有缺失值被填充为'Unknown'，删除
select distinct source_screen_name
from recommendation
;
update recommendation
set source_screen_name = null
where source_screen_name = 'Uknown'
;--注意到相当多的曲目在5秒以内（可能是音效），先不删除。
select *
from songs a
join songs_name b on a.song_id = b.song_id
where song_length < 10000
order by song_length
;

相关链接

• char，varchar与text类型的区别：varchar能索引，但是占位多
• 日期更改：主要有date_format和str_to_date两种方法

3 探索性分析

3.1 MySQL+Excel

这一部分主要是为了锻炼实操技术。因此我针对数据集自己头脑风暴，提出了5个问题，然后用Mysql+Excel解答。

（注：文章截图为查询结果的部分截图）

3.1.1 每年3月最先注册的前100名用户的id、排名、注册时间、过期时间、城市、注册渠道，有什么发现？

-- 首先按照“YYYY-MM”显示日期
select date_format(registration_init_time, '%Y-%m')
from members
;

--其次选出所有在3月份注册的用户，并排序
select @ctr := @ctr+1, msno, city, registration_init_time, expiration_date
from members
join (select @ctr := 0) as a
where date_format(registration_init_time, '%m') = 03
order by date_format(registration_init_time, '%Y'), date_format(registration_init_time, '%d')
;

--再者以月份为小组，在小组内部按照用户的注册时间先后排名
--注意：实战中如果把@rn写成@row_number，即带有“_”的符号，就报了错
select msno, registration_init_time,@rn := IF(@previous = date_format(registration_init_time, '%Y-%m'), @rn+1, 1) as ranking,@previous := date_format(registration_init_time, '%Y-%m')
from members
join (select @previous := null, @rn := 0) as a
where date_format(registration_init_time, '%m') = 3
order by date_format(registration_init_time, '%Y-%m')
;

--将信息补充完整
select ranks.msno as user_id, ranks.ranking as ranking, ranks.registration_init_time as registration_date, ranks.expiration_date as expiration_date, ranks.city as city, ranks.registered_via as registered_via
from (select msno, registration_init_time, expiration_date, city, registered_via,@rn := IF(@previous = date_format(registration_init_time, '%Y-%m'), @rn+1, 1) as ranking,@previous := date_format(registration_init_time, '%Y-%m')from membersjoin (select @previous := null, @rn := 0) as variableswhere date_format(registration_init_time, '%m') = 3order by date_format(registration_init_time, '%Y') DESC, date_format(registration_init_time, '%d'), expiration_date) ranks
where ranks.ranking <= 100
;

经过Excel分析，结果如下图：

3.1.2 找出至少连续3个月注册人数均不少于50的月份？

--- 先列出每个月的注册人数
select date_format(registration_init_time, '%Y-%m') as register_month, count(msno)
from members
group byregister_month
order byregister_month
;

--加上排名序列
--经验：variable所在的select语句中，不能有运算（比如count，date_format），否则导致ranking混乱。所以用了subquery
select  @ranking := @ranking+1, t1.register_month, t1.user_number
from (select date_format(registration_init_time, '%Y-%m') as register_month, count(msno) as user_numberfrom membersgroup byregister_monthorder byregister_month) as t1
join (select @ranking := 0) as variable
;

--用两种ranking方式叠加，再设置限制条件，得到符合条件的序号 9,13,17,19,23，而序号代表的就是所有符合条件的月份（一个序号代表连续3个月份及以上）
select count(ttt1.register_month) as month_count, ttt1.ranking
from (select tt1.ranking,@ranking2 := if(tt1.user_number < 50, 0, 1) as ranking2,tt1.register_month, tt1.user_numberfrom (select   @ranking := casewhen t1.user_number < 50 and @previous < 50 then @rankingwhen t1.user_number >= 50 and @previous < 50 then @ranking + 1when t1.user_number >= 50 and @previous >= 50 then @rankingwhen t1.user_number < 50 and @previous >= 50 then @ranking + 1end as ranking,@previous := user_number as previous,t1.register_month, t1.user_numberfrom (select date_format(registration_init_time, '%Y-%m') as register_month, count(msno) as user_numberfrom membersgroup byregister_monthorder byregister_month) as t1join (select @ranking := 0, @previous := 0) as variable) as tt1join (select @ranking2 := 0) as variable2) as ttt1
where ttt1.ranking2 = 1
group by ttt1.ranking
having count(ttt1.register_month) >= 3
;

下图为最后的限定语句(where,groupby, having)之前的查询结果

--但是很奇怪，用where in (subquery) 或者是 inner join就没有显示，只能将前面query所得的序号记下，用在 where in语句中
select ttt1.register_month, ttt1.user_number
from (select tt1.ranking,@ranking2 := if(tt1.user_number < 50, 0, 1) as ranking2,tt1.register_month, tt1.user_numberfrom (select   @ranking := casewhen t1.user_number < 50 and @previous < 50 then @rankingwhen t1.user_number >= 50 and @previous < 50 then @ranking + 1when t1.user_number >= 50 and @previous >= 50 then @rankingwhen t1.user_number < 50 and @previous >= 50 then @ranking + 1end as ranking,@previous := user_number as previous,t1.register_month, t1.user_numberfrom (select date_format(registration_init_time, '%Y-%m') as register_month, count(msno) as user_numberfrom membersgroup byregister_monthorder byregister_month) as t1join (select @ranking := 0, @previous := 0) as variable) as tt1join (select @ranking2 := 0) as variable2) as ttt1
where ranking in (9,13,17,19,23)
;

3.1.3 显示单月的注册人数与月均注册人数的正负10%（包含）相比 same/higher/lower？

--先求出单月注册人数
select date_format(registration_init_time, '%Y-%m') as register_month,count(msno) as monthly_count
from members
group by register_month
order byregister_month
;

--再求出月均注册人数 221.95
select avg(t1.monthly_count) as avg_count
from (select date_format(registration_init_time, '%Y-%m') as register_month,count(msno) as monthly_countfrom membersgroup by register_monthorder byregister_month) as t1
;

--用case when连接
select a.register_month,a.monthly_count,case when a.monthly_count > round(b.avg_count * 1.1, 0) then 'higher'when a.monthly_count < round(b.avg_count * 0.9, 0) then 'lower'else 'same' end as comparison
from (select date_format(registration_init_time, '%Y-%m') as register_month,count(msno) as monthly_countfrom membersgroup by register_monthorder byregister_month) as a
join (select avg(t1.monthly_count) as avg_countfrom (select date_format(registration_init_time, '%Y-%m') as register_month,count(msno) as monthly_countfrom membersgroup by register_monthorder byregister_month) as t1) as b
;

3.1.4 每个城市每年的注册总人数，但是不包括最近的月份？

--先查出每个城市注册总人数
select city, date_format(registration_init_time, "%Y-%m") as monthly_count,count(msno) as city_count
from members
group by city, monthly_count
order bycity, monthly_count desc
;

--在单个城市内部按照时间排序
select t1.city,t1.monthly_count,t1.city_count,@ranking := if(@previous = city, @ranking + 1, 1) as ranking,@previous := city
from (select city, date_format(registration_init_time, "%Y-%m") as monthly_count,count(msno) as city_countfrom membersgroup by city, monthly_countorder bycity, monthly_count desc) as t1
join(select @ranking := 0, @previous := 0) as variable
;

--编号1代表最近的月份。去掉编号1，再用sum搞定
select tt1.city, sum(tt1.city_count) as user_count, tt1.monthly_count as months
from (select t1.city,t1.monthly_count,t1.city_count,@ranking := if(@previous = city, @ranking + 1, 1) as ranking,@previous := cityfrom (select city, date_format(registration_init_time, "%Y-%m") as monthly_count,count(msno) as city_countfrom membersgroup by city, monthly_countorder bycity, monthly_count desc) as t1join(select @ranking := 0, @previous := 0) as variable) as tt1
where tt1.ranking > 1
group by tt1.city, tt1.monthly_count
order by city, months
;

3.1.5 每种语言的歌曲按照歌曲时长由长到短的中位数分别是多少？

---训练三种ranking方式：12345，12234，12245
--基本排列，1 2 3 4 5
select song_id, song_length, songs.`language`,@rn := IF(@previous = songs.`language`, @rn+1, 1) as ranking,@previous := songs.`language`
from songs
join (select @previous := null, @rn := null) as variables
order by songs.`language`, song_length DESC
;

--排列， 1 2 2 3 4 5 5
elect song_id, song_length, songs.`language`,@rn := casewhen @lang = songs.`language` and @leng = songs.song_length then @rnwhen @lang = songs.`language` and @leng := songs.song_length then @rn := @rn+1when @leng := songs.song_length and @lang := songs.`language` then 1end as ranking,@lang := songs.`language`,@leng := songs.song_length
from songs
join (select @lang := null, @rn := null, @leng := null) as variables
order by songs.`language`, song_length DESC
;

--ranking1 - 1 2 3 4 5
--ranking2 - 1 2 2 4 5
--如果把上面的ranking也加进来(1 2 2 3 4)，ranking一列就没有显示了;
--如果再JOIN别的表（比如songs-name），ranking排序也会出错
select song_id, song_length, songs.`language`,@rn := if(@lang = songs.`language`, @rn+1, 1) as ranking1,@rk := casewhen @lang = songs.`language` and @leng = songs.song_length then @rkwhen @lang = songs.`language` and @leng := songs.song_length then @rk := @rnwhen @leng := songs.song_length and @lang := songs.`language` then 1end as ranking2,@lang := songs.`language`,@leng := songs.song_length
from songs
join (select @lang := null, @leng := null, @rn := 1, @rk := 1) as variables
order by songs.`language`, song_length DESC
;

--找中位数
--注意最后两步关于奇数偶数的中位数的逻辑
select t1.song_id, round(t1.song_length / 60000, 2) as song_min, t1.`language`, t1.genre_ids, t1.ranking
from (  select songs.song_id, songs.song_length, songs.`language`,songs.genre_ids,@rn := if(@lang = songs.`language`, @rn+1, 1) as ranking,@lang := songs.`language`from songsjoin (select @lang := null, @rn := 1) as variablesorder by songs.`language`, songs.song_length DESC) as t1
join (select count(song_id) as total_rank, `language`from songsgroup by `language`) as t2
on t1. `language` = t2.`language`
where t1.ranking = floor((total_rank+1)/2) or t1.ranking = floor((total_rank+2)/2)
;

3.2 MySQL+Python

这一部分则提出了3个问题，然后用Mysql+Python解答。

---基本查询
---由于导出时间问题，我只选择了1-10分钟的歌曲
select r.msno, r.song_id, sn.song_name, r.source_system_tab, r.source_screen_name, r.source_type, s.`language`, s.genre_ids, m.city, round(s.song_length/60000, 2) as song_length_min, r.target
from recommendation r
join songs s on r.song_id = s.song_id
join members m on m.msno = r.msno
join songs_name sn on s.song_id = sn.song_id
wheres.song_length between 60000 and 600000
order bys.`language`, song_length_min
;

#导出文件csv文件有1.2GB，Excel带不动了
#环境 Anaconda Jupyter Notebook 5.5.0
#python调包
%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt#导入数据为dataframe
kkbox_file_path = '/Users/apple/Downloads/kkbox_data/4.csv'
kkbox_data = pd.read_csv(kkbox_file_path)#首先看看数据完不完整
#由于本篇文章并不涉及机器学习算法，因此目前来看缺失值的影响不大，因此不动
null_values_col = kkbox_data.isnull().sum()
null_values_col = null_values_col[null_values_col != 0].sort_values(ascending = False).reset_index()
null_values_col.columns = ["feature", "number of missing"]# 因为city、language、target三列的数据为ID代号，并不是int类型，因此更改三列的数据类型(from int to str)
kkbox_data['language'] = kkbox_data['language'].apply(str)
kkbox_data['city'] = kkbox_data['city'].apply(str)
kkbox_data['target'] = kkbox_data['target'].apply(str)# 增加新列，以歌曲时长为[1.0,2.5), [2.5,4.0),[4.0,5.5),[5.5,7.0),[7.0,8.5),[8.5,10.0]为分组
condition = [(kkbox_data['song_length_min'] < 2.5),(kkbox_data['song_length_min'] < 4.0),(kkbox_data['song_length_min'] < 5.5),(kkbox_data['song_length_min'] < 7.0),(kkbox_data['song_length_min'] < 8.5),(kkbox_data['song_length_min'] >= 8.5)]
choice = ['2.5below', '4.0below', '5.5below', '7.0below', '8.5below', '10.0below']
kkbox_data['song_len_class'] = np.select(condition, choice, default=3)#看看每个group的听歌次数
print(kkbox_data.song_len_class.value_counts())
print(kkbox_data.language.value_counts())
"""
结果
5.5below     3061822
4.0below     3016256
7.0below      170282
2.5below      144555
8.5below       25958
10.0below      11358
Name: song_len_class, dtype: int643     3493438
52    1656983
31     581559
-1     262473
17     213373
10     151374
24      65014
59       3736
45       2095
38        186
Name: language, dtype: int64
"""

#为了解决下面三个问题，决定建一个class
class Users(object):def __init__(self, feature, data):"""feature是指想要比较的feature，比如歌曲时长的差异，那song_len_min一列就是featuredata在这里是指kkbox_data"""self.feature = feature self.data = data def choice(self):"""看这一列有多少唯一值并删除nan值"""choice = self.data[self.feature].unique().tolist()choice = [x for x in choice if str(x) != 'nan']return choicedef preference(self, df): """df是指需要比较的features&target所在的列choice里的都是这一列的唯一值当target一列为1，则表示30天内用户反复听过，表明喜欢，反之为不喜欢"""pre_dic = {}choice = self.choice()for i in choice:class_data = df[df[self.feature] == i]pre_class_data = class_data[class_data['target'] == '1']pre_data = pre_class_data[['target']]total_data = class_data[['target']]pre_count = len(pre_data)     total_count = len(total_data)pre_rate = pre_count / total_countpre_dic[i] = pre_ratereturn pre_dicdef listen_len(self, df):"""与self.preference()类似，不过这里算的是听歌总时长"""len_dic = {}choice = self.choice()for i in choice:class_data = df[df[self.feature] == i]len_data = class_data[['song_length_min']]sum_data = float(len_data.sum()) len_dic[i] = sum_datareturn len_dicdef single_plot(self, dic, ylabel, rot=0): """rot=0要写到最后，比如def example(a, b, c=None, r="w" , d=[], *ae,  **ab)"""plt.bar(range(len(dic)), list(dic.values()), align='center')plt.xticks(range(len(dic)), list(dic.keys()), rotation=rot)plt.xlabel(str(self.feature))plt.ylabel(ylabel)return plt.show()def double_plot(self, dic1, dic2, label1, label2, ylabel):"""为了比较两组数据而创立，比如3.2.1问语言3和语言10两组数据在听歌时长的比较推荐网站 https://htmlcolorcodes.com，里面记录各种颜色的RGB、HEX值"""barWidth = 0.3bar1 = list(dic1.values())bar2 = list(dic2.values())pos1 = np.arange(len(bar2))pos2 = [x + barWidth for x in pos1]keys = list(dic1.keys())plt.bar(pos1, bar1, width = barWidth, color = '#12A4EF', edgecolor = 'black', capsize=7, label=label1)plt.bar(pos2, bar2, width = barWidth, color = '#F75E2A', edgecolor = 'black', capsize=7, label=label2)plt.xticks([r + barWidth for r in range(len(bar1))], keys)plt.ylabel(ylabel)plt.xlabel(str(self.feature))plt.legend()return plt.show()

3.2.1 比较语言3和语言10的歌曲长短与用户喜好情况？

#先定义df
len_data = kkbox_data[['language', 'song_len_class', 'target']]
language3_data = len_data[len_data['language'] == '3']
language10_data = len_data[len_data['language'] == '10']#安装User类
user1 = Users('song_len_class', kkbox_data)
lan3_pre_dic = user1.preference(language3_data)
lan10_pre_dic = user1.preference(language10_data)#调用类
user1.double_plot(lan3_pre_dic, lan10_pre_dic, 'language3', 'language10', 'preference_rate')

单从此图，似乎可以得出“语言3在短时间歌曲（8.5min一下）上比语言10更加受用户青睐。然而在得出这个结论后，不妨问自己一些问题：
（1）如果这个结论是符合事实的，那为什么会这样呢？和语言本身有关系吗？比如说语言3是台湾少数民族语言，而语言10是英语。听少数民族歌曲的人大多数是属于或者认同这个民族的，喜好度当然高，反之听英文歌的人偏大众化？
（2）如果这个结论不符合事实，那图中的结果又是怎么回事呢？是样本量太小或是图中的差异性不显著吗？

3.2.2 比较通过不同界面听歌的用户的喜爱偏好情况？

#定义df
source_data = kkbox_data[['source_type', 'target']]#安装类
user2 = Users('source_type', kkbox_data)
source_pre_dic = user2.preference(source_data)#调用画图
user2.single_plot(source_pre_dic, 'preference_rate', rot=90)

而我们如果单从此图得出了“如果用户从local-library和local-playlist听歌，对歌曲的喜好度更高”的结论，仔细一想，这不等于没说吗？都在本地播放了，那当然是喜欢这首歌的呀。这就属于因果关系搞反了，用户是因为喜欢歌，才在local-playlist播放的。

那我们可以得出什么有意义的结论呢？就我个人而言，我比较关注“artist”和“my-daily-playlist”两个界面。从图上可以得出，从“artist”界面听到的歌，用户的喜好率更高，这说明用户更倾向于听自己喜欢的歌手的其他歌（与追星现象吻合）。因此，我们的推荐系统“my-daily-playlist”是否应该考虑将“artist”的权重增加呢？亦或者说，虽然我们在推荐系统里增加了很多用户喜好歌手的其他歌曲，但是这真的是用户在推荐系统中想听到的吗？“猜我喜欢什么歌”真的是推荐系统的价值所在吗？

3.2.3 比较不同城市的用户听歌时长情况？

#定义df
city_data = kkbox_data[['city', 'song_length_min']]#安装类
user3 = Users('city', kkbox_data)
city_listen_dic = user3.listen_len(city_data)#调用画图
user3.single_plot(city_listen_dic, 'listen_length')

与之前的分析相一致，城市1果然是KKBox的“大头”用户聚集地。然而看到了听歌总时长的差异后，我们也要想一想，会不会是因为城市1的用户多，而其实单个用户的听歌时间并不长呢？为什么其他城市的用户使用黏性上不来呢？是我们的marketing本地化策略不够好吗？还是我们的产品本身在当地的竞争性不够强？

4 用户分析

分析完了以上数据集，在这一部分中稍微聊一聊自己对与用户相关的体会。下文中如有观点浅薄部分，欢迎指正。

听音乐和吃穿住行一样，也是一种消费方式。支付出去的是时间、精力，或是购买音乐的使用权，得到的大多数是精神享受。而我个人认为，听音乐与看电影、打游戏有不同的地方，就是消费大部分音乐的时候并不会消耗你的注意力。比如说，你可以边听歌边打球，边听歌边写作业，边听歌边上班。但是如果是看电影、打游戏的话，如果不投入精力，你很难从中获得乐趣。而这也是我喜欢音乐的一个重要原因。

4.1 “听音乐”的本质

要做用户分析，要意识到听音乐是用户在特定局限条件下的特定行为。这句话有3层意思：

1. 喜好的歌曲是不固定的，也许今天喜欢这首歌，明天就有可能拉入黑名单。
2. 喜好的种类也是不固定的，也许今天在上班没精神，就听了一下午的摇滚，但是明天在家里宅着，就放了一整天的贝多芬交响曲。
3. 喜好的APP也是不固定的，假如某个用户特别喜欢歌曲A，而在你的曲库里也有。但是在别的APP里它是免费下载的，而你需要会员，用户就有可能就在短时间内和你说分手了。但是如果下一次，你有了别的APP没有的歌，正好用户又喜欢，他可能又回来了。所以一般用户的手机里都有多个音乐类APP。

4.2 发现问题

意识到了这3点之后，为了了解用户，就要学会准确抓住用户所处局限条件。而在分析的过程中，可以对用户的行为做“三部曲”，即发现与定义问题，使用逻辑推理，并进行逻辑与事实验证。而对于音乐平台来说，问题有：

为什么用户选择了我们这个APP而不是别的APP呢？为什么用户昨天还听歌，今天就不听了呢？为什么上个月他开通了会员，这个月就取消了呢？为什么昨天的日活量还正常，今天就下降了20%呢？

在这里，我引用并修改了包包的一篇文章提出的问题《产品经理，如何真正的实现数据驱动》。今天做报表，发现了日活量下降之后，就要进一步定义问题：到底是谁的日活量下降了？是新/老，还是城市A/城市B用户？这些都是可以通过数据可视化帮助团队准确察觉到的现象。

4.3 分析问题

通过数据准确感知到了问题之后，就要针对问题做分析了。为什么新用户的日活量会下降？因为用户体验下降。而为什么体验下降？开始想象一些潜在的局限条件，并进一步抓住关键的局限条件（即原因）。

• 是新版界面对用户不友好？- 那为什么老用户没有下降？
• 对于新用户的推送太过频繁？- 那为什么昨天没有下降，只有今天下降了？
• 还是想要的歌找不到？ - 看起来好像有点道理，因为我们今天正好失去了Eason的版权

在采取措施之前，先要做验证。是不是真的因为Eason版权而使得日活下降？事实验证可以包括亲身体验、用户访谈、控制变量等方法，证明是不是真的因为只是版权问题（假设现在是3条/天）而导致了20%的日活下降。而逻辑验证包括反证法等方法（假如明天的日活开始回升，而Eason的版权依然没有得到，说明至少不完全是因为版权问题导致日活下降）。在这里，我认为其实是没有100%把握确定真的只是因为“Eason版权”这一唯一因素而导致日活下降的，可是在力所能及排查到的因素中，它的可能性最大（无论是数据表现、用户访谈、以及历史经验来看）。

4.4 解决问题

一旦有了把握是因为版权问题而导致的日活下降，那么在预期事态继续扩大（可能明天日活下降更多，如果被媒体放大，再严重一点就变成了危机公关事件）之前，要想办法怎么解决。之前网易云音乐因为周杰伦版权事件而导致用户口碑遭遇滑铁卢。因此在对待版权、音乐人权益的问题上，千万不能掉以轻心。

如何解决这个问题呢？这个问题就像是去医院看病，结果你需要的药，医院正好没有，作为医院方该怎么办呢？首先，最能满足消费者的方案一定是尽可能想办法（从别的分院或者其他合法途径）以平常价弄到这个药。那如果不行呢？退而求其之，如果有一种途径，能高价弄到这个药，这也不失为一种给消费者的选择。然而还有另一种选择，就是在消费者能接受的同等价位上，选择其他有相同效果的药。但是正好这两天医院病人暴增，这类药短缺了呢？那只能在挂号门口贴上招牌“如得XX病，请前往XX医院就诊。联系电话是：138XXXXXXXX”。作为类比，在音乐版权时间上，平台方的做法可以是：

• 想办法按照原来的成本，弄到Eason的版权。
• 如果相同的成本弄不来，估算一下需求量与增加的边际成本，如果能接受，可以高价回收版权，并想办法在价格上做文章。
• 如果不划算，那看看有没有替代品。对于喜欢Eason的用户，是否可以通过推荐系统推荐与Eason类似的歌手，以及好听的歌，以分散用户对Eason的注意力。
• 而当没有Eason版权之时，千万不能犯“想要满足用户需求而侵犯版权”的错误。
• 如果上述活动效果均不佳，只能像医院一样了，向用户阐明失去版权的原因，并真诚地向用户提供选择：选择留下，我们一定早日争取版权；选择离开，我们知道在目前哪些APP上有Eason版权，但是不久之后我们也会争取。

总的来说，用户都是“利己”的，也是随时流动的。在哪个APP有什么版权方面，用户与市场的嗅觉都特别灵敏。虽然在最后一招之后，很可能暂时挽回不了用户，但是也不至于造成品牌危机。而对于品牌来说，暂时的用户日活、收听量、付费率，是不如你的“品牌”租值来得重要的。

这也应了句老话，留得青山在，不怕没柴烧。而怕的就是有柴的时候，没地方烧了。

完结。

KKBOX音乐——数据分析，用户研究与填坑指南相关推荐

1. Redmine3.3.3 搭建与不完全填坑指南

   为什么80%的码农都做不了架构师?>>>    Redmine3.3.3 搭建与不完全填坑指南 [TOC] 概要 Redmine3.3.3 搭建.不完全填坑指南.不联网安装.Wind ...

2. 第二篇：salt-api使用填坑指南

   前言 salt-api在使用时,有些坑欲哭无泪,一路趟雷过后,总结了一趟salt-pai使用填坑指南,保君一路畅通. salt-api 安装 #本文的安装版本 2018.3.2-1.el6 yum i ...

3. 开发工具总结（4）之Android Studio3.0填坑指南

   序言 Android Studio 3.0 上篇讲了: 全面总结Android Studio2.X的填坑指南 这篇讲一下AS3.0的坑.. 作为这个世界上走在最前沿的生物"猿",怎 ...

4. Android Studio 填坑指南

   前几天发布了一篇名为<Android Studio 安装.配置及第一个程序演示>的博文,有不少童鞋都认真阅读过并照步骤一步一步操作了一遍,有滴如期成功地装好了,然鹅有滴反映说这不对呀,为森 ...

5. alert点击确定后跳转_公众号/h5 跳转到小程序填坑指南

   公众号/h5 跳转到小程序填坑指南 本文介绍的是使用微信开放标签 wx-open-launch-weapp 实现微信浏览器内网页跳转到任意合法合规的小程序里,官方要求微信版本为:7.0.12 及以上, ...

6. 开发工具总结（2）之全面总结Android Studio2.X的填坑指南

   前言:好多 Android 开发者都在说Android Studio太坑了,老是出错,导致开发进度变慢,出错了又不知道怎么办,网上去查各种解决方案五花八门,有些可以解决问题,有些就是转来转去的写的很粗 ...

7. NW.JS填坑指南（解决Flash插件、视频播放等故障）

   目录 NW.JS填坑指南 NW.js是什么? NW.js 和 electron的选择 开发工具IDE 下载nwjs 版本信息 简单的实例 改图标 改合成exe的图标 改图标第二种方案是 播放不了视频 ...

8. MIPS环境填坑指南

   0x00前言: 今年来IoT安全火热,2019年公众号发了一篇<QEMU搭建树莓派环境>,算是给研究ARM平台下的漏洞分析.漏洞挖掘以及熟悉ARM指令等打下了基础. 合天网安实验室也开设了 ...

9. 安卓超快数据库ObjectBox使用及填坑指南

   博客: 安卓之家 掘金: jp1017 微博: 追风917 CSDN: 蒋朋的家 简书: 追风917 每日一景 ObjectBox是什么 前几天升级 EventBus的时候, 看到了 ObjectBo ...

最新文章

1. 到底是先更新数据库还是先更新缓存？
2. 数据挖掘经典算法——先验算法
3. 深入理解 js 之继承与原型链
4. Kubernetes 新玩法：在 yaml 中编程
5. JVM 调优实战--jvisualvm远程连接使用教程
6. 精通Spring Boot——第十一篇：使用自定义配置
7. mysql 重启_mysql重启的问题
8. 放苹果（信息学奥赛一本通-T1206）
9. iPhone ARC 宏定义
10. mysql容器重启数据是否丢失_docker容器重启 数据会丢吗
11. canvas js 绘图插件_快速入门前端图表插件Echart
12. python面试问题_Python面试问题
13. 教你一步步实现bibibi弹幕功能。
14. 虚拟机没有显示ip地址
15. 使用PIL和OpenCV在PC上模拟动画OLED / LCD显示器
16. CSDI2018广州关于《Nginx》的分享（附文字速录与PPT）
17. ArcGis Engine 符号
18. 2020 年博客总结
19. js使用在指定数据前面或后面插入数据，对List数据排序
20. GitHub · 如何创建文件夹

热门文章

1. 蓝牙快速连接 android,Android智能设备快速连接蓝牙的方法与流程
2. 蜂窝移动的架构 以及省电的方法
3. EAS BOS：BOS工具导入解决方案失败常见问题分析
4. 寻找250（非数组求法）
5. 程序员，这些跨年姿势已就位，请查收~
6. STM32-SPI资料整理
7. php 如何实现心跳包,Socket心跳机制-JS+PHP实现
8. 复旦大学计算机学院教师简介,复旦大学计算机科学技术学院导师教师师资介绍简介-危辉...
9. Unreal中的Cross Product（向量积）方向定义
10. workbench导入excel