数据来自https://tianchi.aliyun.com/dataset/649
- 项目背景：为什么要分析淘宝用户行为？ 在电商领域，海量的用户行为数据（点击、收藏、加购、购买）中隐藏着用户决策的关键逻辑。通过对这些行为的深度挖掘，本项目旨在解决以下核心商业问题： 转化瓶颈识别：找出用户在下单路径中流失最严重的环节（漏斗分析）。 用户价值分层：在千万级用户中精准识别核心贡献群体，避免“胡子眉毛一把抓”的低效营销（RFM 模型）。 大促节奏把控：分析双十二期间的流量波动规律，寻找用户唤醒的最佳时点（留存与时间序列分析）。 存量经营诊断：评估平台的忠诚度与复购表现，为长期运营提供数据背书。
- 技术栈 本项目基于 Python 数据分析生态构建，涵盖了从数据处理到高级可视化的全流程： 数据处理：Pandas (核心数据清洗与聚合), NumPy (数值计算) 统计建模：Datetime (时间序列处理), Set/Dictionary (高效集合运算计算留存) 数据可视化： Matplotlib / Seaborn (静态专业图表、留存热力图) Tableau (交互式业务看板输出) 环境管理：PyCharm
- 分析结论预览 通过对 2017 年 11 月 25 日至 12 月 3 日行为数据的分析，本项目提炼出以下核心洞察： 高复购特征：全站复购率高达 65.81%，证明平台具有极强的用户路径依赖和产品信任度。 加购权值高于收藏：加购行为频次是收藏的 2.05 倍，且加购后 4 小时内是转化的黄金窗口，证明“购物车”是比“收藏夹”更强的成交信号。 周末与大促共振：留存分析显示，12 月 2 日（周六）是行为拐点，全员回流率突破 90%，验证了“周末 + 预热”双重驱动的有效性。 二八定律显现：约 34% 的重要价值用户贡献了主要的活跃度，针对该群体的深耕是提升 LTV（用户终身价值）的关键。
