数据介绍

本次数据为淘宝一个月的数据。该数据已进行脱敏处理。总数据量为1200万条，包含的字段如下：

user_id	item_id	behavior_type	user_geohash	item_category	time
0	98047837	232431562	1	NaN	4245	2014-12-06 02
1	97726136	383583590	1	NaN	5894	2014-12-09 20
2	98607707	64749712	1	NaN	2883	2014-12-18 11
3	98662432	320593836	1	96nn52n	6562	2014-12-06 10
4	98145908	290208520	1	NaN	13926	2014-12-16 21

本次选择的分析工具为python以及tableau。数据需要进行数据清洗，但在此就不进行展示。

PV和UV的分布情况

每一天的分布

通过日期的聚合，来查看每天的PV和UV的变化情况，最后把结果导出。

v_d=pd.DataFrame()
v_d['pv_d']=data.groupby(by='date')['user_id'].count()
v_d['uv_d']=data.groupby(by='date')['user_id'].apply(lambda x:x.drop_duplicates().count())v_d.to_csv(r'C:/Users/mi/Desktop/v_d.csv')

双十二购物节

要特别注意，PV和UV的Y坐标是不同的，因为PV和UV不是一个数量级，所以在此对PV和UV分别绘图。结果如下图所示：

通过图表，可以得出以下规律：

1. 12月8号到12月13号之间，PV，UV，以及平均每人每天操作次数(PV/UV)，都有一个突然增大的趋势，然后有迅速的滑落到正常水平。从时间点上看，不难推测出，这主要是因为双十二购物节，商家通过各种手段来刺激消费。
   从PV看，而从8号开始，商家就开始铺垫了。12号达到顶峰，然后出现了一次断崖式的下滑，回到了正常水平。
2. 对比UV和PV，UV的变化趋势比较平缓，其一个月最高与最低相差25%，而PV达到了119%！这将近是UV的5倍。由此能得到，商家的活动大幅度刺激了消费
3. 通过平均每人每天操作次数，可以得出，商家的活动提高了活跃度，刺激了消费。
4. 对于双十二的推广活动，能提高了用户的粘度。这里采用的统计量为日UV/月UV，月UV为10000，也就是说这一个月中有10000用户访问过。

通过以上四点分析，能看出双十二对于消费的刺激力度还是很大的。

每小时分布

但如果不考虑双十二的推广活动，只看8号之前的状况。不管PV还是UV都呈现出周期性波动。如下图所示：

前三个低点，包括了两个完整的周期，而且前三个最低点都是星期五。第四个星期五就是12月12号。所以在星期五的时候，人们的活跃度是比较低的。估计上班，上了一周，身心俱疲，想好好休息一下。

时间维度

通过时间的聚合，来查看这个月中，每小时PV和UV的变化情况，最后导出结果。

v_h=pd.DataFrame()
v_h['pv_h']=data.groupby(by='hour')['user_id'].count()
v_h['uv_h']=data.groupby(by='hour')['user_id'].apply(lambda x:x.drop_duplicates().count())
v_h['p/u']=v_h['pv_h']/v_h['uv_h']

总体分析

绘制每小时的PV和UV的变化图

从图中我们不难发现：

1. 在凌晨4、5点，不管是PV还是UV，都是较低的状态；
2. 从PV和UV角度看，5点到9点用户是大幅度增加，到9点达到稳定，持续到下午5点。接着PV和UV就有比较大的差别了。晚上6点到10点，PV快速增加，UV则缓慢增长一点;
3. 从每个人的操作次数可以看出，5点到9点快速增加，9点到下午6点比较稳定，6点以后快速增加，10点以后，快速回落。

以上三点是数据规律的描述，从中可以得到：
凌晨4、5点是人们活跃度最低的时候，这也很好理解，大部分人还在睡觉呢！
9点到下午6点钟，人们活跃度比较稳定，因为大部分人需要上班或者上学，不可能一直刷手机。从6点开始，人们开始下班、放学，活跃度开始逐步攀升，在晚上10点中达到了顶峰。

不同的操作类型

对于用户的操作分成4类，点击、加购、收藏和购买。如下图所示：

点击占比最大，达到整个操作的90%以上，但更有价值的是后三种类型。毕竟商家是希望你买它的东西，而不是做一个吃瓜群众。所以我们看看后三种类型的变化如何。

通过上图，也能够之前我们所得到的结论，在9点10点的时候用户是比较活跃的，购买的商品次数也是比较多，在此不过多赘述。

最后是三者的面积图占比，能很好的说明商品的转化率变化情况。在此不考虑商品的点击情况。

从面积图看，凌晨商品的购买率最低，这也是人们活跃度最低的时候。但购买率最高的却不是，人们最活跃的时候，而是在吃午饭的时候。
猜测是，晚上人们更多的是选择自己感兴趣的商品，但还没有下决心到底剁不剁手。到了中午，一方面经过了一夜的思考，坚定了决心，剁手！另一方面赶上午休，所以转化率相对来说要高一点。