用户行为分析（Python）

用户8949263

发布于 2022-04-08 13:54:37

4.6K0

发布于 2022-04-08 13:54:37

电商、互联网、金融这三驾马车是对数据分析应用最为广泛的行业，同时也占据了就业市场上绝大多数的数据分析岗位，只因日常业务产生的海量数据蕴含着无尽的价值。本次就通过电商角度，选取阿里天池项目中的淘宝App用户行为数据利用Python进行数据分析。

一、理解需求

1. 明确分析目标及其方向

通过对用户关键行为的埋点获取的日志数据，包含用户、商品、行为、时间等信息，而看似简单的几个维度，通过数据分析手段，便能从不同角度挖掘蕴含的价值。本次主要通过以下四个方向探索淘宝用户行为：

1.1 用户行为时间模型

PV、UV随时间变化。留存率模型。

1.2 用户消费行为分析

各周期内消费次数统计。各行为转化模型。复购率模型。回购率模型。

1.3 用户价值分析

RFM模型。各价值类别用户分布、购买力等。

1.4 商品分析

商品和行为关系。 TOP商品分析。

二、理解数据

数据中包含了淘宝App由2019年11月28日至2019年12月3日之间，有行为的随机用户的所有行为（行为包括点击、购买、加购、收藏）。由user_id（用户ID）、goods_id （商品ID）、cat（商品类目ID）、behavior（行为类型）、time（时间戳）、sex（性别）、addr（城市）、device（访问设备）、price（商品单价）、amount（商品销量）组成，并以逗号分隔。

1.数据处理

源数据如图

1.1 数据信息


******************** 基本信息
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 757565 entries, 0 to 757564
Data columns (total 10 columns):
user_id     757565 non-null int64
goods_id    757565 non-null int64
cat         757565 non-null int64
behavior    757565 non-null object
time        757565 non-null int64
sex         757565 non-null int64
addr        757565 non-null object
device      757565 non-null object
price       757565 non-null float64
amount      757565 non-null int64
dtypes: float64(1), int64(6), object(3)
memory usage: 57.8+ MB
None
******************** 空值
user_id     0
goods_id    0
cat         0
behavior    0
time        0
sex         0
addr        0
device      0
price       0
amount      0
dtype: int64
******************** 行为项
pv      679668
cart     42714
fav      20601
buy      14582
Name: behavior, dtype: int64
******************** 重复值
False    757565
dtype: int64

数据很干净，只是有些数据类型需要转换，之后随用随改吧。

1.2 添加时间相关列

df["time"]=df["time"].apply(lambda x:datetime.datetime.fromtimestamp(x))
df['date'] = df['time'].dt.date
df['week'] = df['time'].dt.dayofweek+1
df['hour'] = df['time'].dt.hour

三、数据分析及可视化

1. 用户行为时间模型

1.1 pv uv每日变化趋势

pv、uv 按天分析，观察其访问走势

puv_pivot = pd.pivot_table(df, index=['date'], values=['user_id'], aggfunc='count')
uv = df[['user_id','date']].drop_duplicates()['date'].value_counts()
puv_pivot = puv_pivot.join(uv)
puv_pivot.columns = ['pv','uv']
puv_pivot['avg_pv'] = puv_pivot['pv']/puv_pivot['uv']

grid = Grid()
bar = Bar()
grid.theme = ThemeType.PURPLE_PASSION
line = Line()
line.add_xaxis([str(i)[:10] for i in puv_pivot.index.tolist()])
line.add_yaxis("pv", puv_pivot["pv"].tolist(), label_opts=opts.LabelOpts(is_show=False))
line.extend_axis(yaxis=opts.AxisOpts(type_="value",name="uv人数",position="right", axislabel_opts=opts.LabelOpts(formatter="{value}")))
line.set_global_opts(yaxis_opts=opts.AxisOpts(
                                            name="pv人数",
                                            type_="value",
                                            axislabel_opts=opts.LabelOpts(formatter="{value}")
                                            ), 
                    xaxis_opts=opts.AxisOpts(name="",axislabel_opts={"rotate":45}), 
                    title_opts=opts.TitleOpts("pv uv 变化趋势"),
                    tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
                   ) # 交叉指向工具
line.add_xaxis([str(i)[:10] for i in puv_pivot.index.tolist()])
line.add_yaxis("uv", puv_pivot["uv"],yaxis_index = 1,label_opts=opts.LabelOpts(is_show=False))
line.render_notebook()

可以发现，PV与UV的每日变化趋势大致相同：工作日维持在低值，12月2日PV与UV有较大幅度地提升，检索可知正值“双十二”前夕，各类预热活动促进用户访问增长。

1.2 各行为变化

behavior_pivot = pd.pivot_table(df,index='date',columns='behavior',values='user_id',aggfunc='count')

构图方式同 pv uv每日变化趋势，这里只展示可视化结果

由于浏览量与其他行为不在同一个量级，故将浏览量置于次坐标轴展示。从变化趋势来看，12月第一天迎来了各类行为的峰值。

1.3 各时段访问量

gp_hour = df.groupby('hour')['user_id'].count()
line = (
        Line()
        .add_xaxis(gp_hour.index.tolist())
        .add_yaxis("访问量", gp_hour.values.tolist(),label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="各时段访问量"),
            tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
            yaxis_opts=opts.AxisOpts(name="访问量"),
            xaxis_opts=opts.AxisOpts(name="时段",axislabel_opts={"rotate":0})
            )
        )
line.render_notebook()

晚上（19-23时）是用户访问淘宝App的活跃时段，早上（6-10时）是用户访问淘宝App的增长迅速时段。

1.4 各时段行为变化趋势

behavior_pivot_h = pd.pivot_table(df,index='hour',columns='behavior',values='user_id',aggfunc='count')
line = Line()
line.add_xaxis([str(i)[:10] for i in behavior_pivot_h.index.tolist()])
line.add_yaxis("buy",behavior_pivot_h["buy"].tolist(),label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis("cart",behavior_pivot_h["cart"].tolist(),label_opts=opts.LabelOpts(is_show=False))
line.add_yaxis("fav",behavior_pivot_h["fav"].tolist(),label_opts=opts.LabelOpts(is_show=False))
line.extend_axis(yaxis=opts.AxisOpts(type_="value",
                                     name="pv人数",
                                     position="right",                    
                                     axislabel_opts=opts.LabelOpts(formatter="{value}"),
                                     ))
line.set_global_opts(yaxis_opts=opts.AxisOpts(
                                            name="buy cart fav 人数",
                                            type_="value",
                                            axislabel_opts=opts.LabelOpts(formatter="{value}")
                                            ), 
                    xaxis_opts=opts.AxisOpts(name="",axislabel_opts={"rotate":0}),
                    title_opts=opts.TitleOpts("各时段行为变化趋势"),
                    tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
                   ) # 交叉指向工具
line.add_xaxis([str(i)[:10] for i in behavior_pivot_h.index.tolist()])
line.add_yaxis("pv",
               behavior_pivot_h["pv"],
               yaxis_index = 1,
               label_opts=opts.LabelOpts(is_show=False))
line.render_notebook()

1.用户从0点到6点处于一个休息状态，而从6点开始，到10点活跃的人数越来越多，10点达到了一个巅峰，然后又逐渐回落，预测是用户起床上班，利用路上通勤时间进行浏览以及购买，而到了上班时间，则只能抽空购物； 2.晚上6点到9点用户数量又开始激增，成交率也增加，证明用户下班，吃饭等等有较多的空闲时间进行购物了；10点之后用户浏览慢慢下降，是准备要休息了。

所以我们能看出来，利用用户的空闲时间进行营销，比如早上通勤时间，中午吃饭时间，晚上6-9点，能够提升用户成交率。

1.5 获客分析

观察每日新增用户情况。新用户的定义：第一次访问网站

new_visitor=df.groupby('user_id')['date'].min().value_counts()
new_visitor
# last_visitor=df.groupby('user_id')['date'].max().value_counts()
# last_visitor
bar = (Bar()
            .add_xaxis(new_visitor.index.tolist())
            .add_yaxis("",new_visitor.values.tolist() )
            .set_global_opts(
            title_opts=opts.TitleOpts(title="每日新增用户量"),
            yaxis_opts=opts.AxisOpts(name="人数"),
            xaxis_opts=opts.AxisOpts(name="日期",axislabel_opts={"rotate":30})
        )
    )
bar.render_notebook()

1.6 留存分析

留存用户：在某段时间开始使用产品，经过一段时间后仍然继续使用产品的用户，即为留存用户。
留存率=仍旧使用产品的用户量/最初的总用户量。根据时间维度进行分类，留存率经常分为次日留存、3日留存、7日留存以及30日留存等。

程序逻辑:

识别出指定日期的新用户集合，记用户量为b
得到第n天用户集合
识别、计算指定日期新用户在第n天仍使用产品的数量，记用户量为a
留存率=a/b

def Retention(x, n):
    user = []
    date = pd.Series(x.date.unique()).sort_values()[:-n]
    print(date)
    keep_rates = []  
    for i in date:
#         print(i)
        new_user = set(x.loc[x.date==i].user_id.unique()) - set(user)
        user.extend(new_user)   
        user_n_day = x.loc[x.date==i + datetime.timedelta(n)].user_id.unique()
#         print(user_n_day)
        a=0
        for user_id in user_n_day:
            if user_id in new_user:
                a += 1
        rates = a/len(new_user)
#         print(keep_rates)
        keep_rates.append(rates)
    data_retention=pd.Series(keep_rates,index=date)
    return data_retention
data_retention=Retention(df,1)      
print(data_retention)

line = (
        Line()
        .add_xaxis(data_retention.index.tolist())
        .add_yaxis("留存率", data_retention.values.tolist(),label_opts=opts.LabelOpts(is_show=False))
        .set_global_opts(
            title_opts=opts.TitleOpts(title="留存变化"),
            tooltip_opts=opts.TooltipOpts(trigger="axis", axis_pointer_type="cross"),
            yaxis_opts=opts.AxisOpts(name=""),
            xaxis_opts=opts.AxisOpts(name="时间",axislabel_opts={"rotate":0})
            )
        )
line.render_notebook()


0    2019-11-28
1    2019-11-29
2    2019-11-30
3    2019-12-01
4    2019-12-02
dtype: object
2019-11-28    0.791853
2019-11-29    0.668347
2019-11-30    0.666667
2019-12-01    0.954301
2019-12-02    0.960784
dtype: float64

不同间隔的留存率均呈现同一种变化状态：整体呈逐日递减趋势，但是均在倒数第二天迎来小高峰，对应的现实场景则为12-2这一天的表现使得整体留存率得到大幅度的提升。

2. 用户消费行为分析

2.1 转化率计算（漏斗分析）

通过漏斗分析，我们可以发现在一个多步骤过程中每一步的转化和流失情况。本案例的漏斗中，流程顺序为点击-加入购物车-收藏-支付（假设以上步骤只能依次进行或中断，不能跳过中间过程到下个节点）。程序逻辑：分别计算进入各个环节的用户量，再分别比较。

def cal_funnel(data,timetype):
    gp_day_beh = df.groupby([timetype,'behavior']).user_id.count().reset_index()
    date = pd.Series(gp_day_beh[timetype].unique())
    rates=[]
    for day in date:
        print(day)
        gp_day = gp_day_beh[gp_day_beh[timetype]==day]
#         print(gp_day.head(1))
#         pv = gp_day[gp_day.behavior=='pv'].reset_index().loc[0,'user_id']
        pv=1
        pv_to_cart = gp_day[gp_day.behavior=='cart'].reset_index().loc[0,'user_id']/gp_day[gp_day.behavior=='pv'].reset_index().loc[0,'user_id']
#         print(pv_to_cart)
        cart_to_fav = gp_day[gp_day.behavior=='fav'].reset_index().loc[0,'user_id']/gp_day[gp_day.behavior=='cart'].reset_index().loc[0,'user_id']
        fav_to_buy = gp_day[gp_day.behavior=='buy'].reset_index().loc[0,'user_id']/gp_day[gp_day.behavior=='fav'].reset_index().loc[0,'user_id']
        rate = [pv,pv_to_cart,cart_to_fav,fav_to_buy]
        print(rate)
        rates.append(rate)
    funnel = pd.DataFrame(rates,index=date,columns=['pv','pv_to_cart','cart_to_fav','fav_to_buy'])
    return funnel

day_funnel = cal_funnel(df,'date')
day_funnel
# hour_funnel = cal_funnel(df,'hour')
# hour_funnel

gp_behavior = df.groupby(['behavior'])['user_id'].count()
index = gp_behavior.index.tolist()
values = gp_behavior.values.tolist()
data = [[index[i], 
         int(values[i])*100/max(values)] for i in range(len(index))]

funnel=(
    Funnel(init_opts=opts.InitOpts(width="800px", height="600px"))
    .add( series_name="", data_pair=data, gap=2,
        tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{a} <br/>{b} : {c}%"),
        label_opts=opts.LabelOpts(is_show=True, position="inside"),
        itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1),)
    .set_global_opts(title_opts=opts.TitleOpts(title="总体行为转化", subtitle=""))
)
funnel.render_notebook()

从上图可以发现用户从浏览点击商品，然后加入购物车，收藏等等，最后到下单购买，而用户收藏和加入购物车并没有必然的联系，不存在上下级，所以把它当做是购物中的一环，由上面的计算我们能看到用户的从点击到收藏和加入购物车，转化率只有6.2%，而到了购买仅有2.15%，转换率非常之低，说明淘宝推荐的商品不是用户喜欢的，或者是用户想要的商品，所以才导致了这么低的转换率。所以接下来，淘宝能够做的就是优化商品的推荐机制，优化用户搜索商品的效率，提升用户从点击到收藏和加入购物车这一环的转化率，这样才能够最终提升用户购买的比例。

2.2 复购率分析

复购率是自然周期内，购买多次的用户占比复购率统计口径：有复购行为的用户数 / 有购买行为的用户数

df_buy = df.loc[df.behavior=='buy']
pivot_life = df_buy.pivot_table(index='user_id',columns = 'date',values='time',aggfunc='count').fillna(0)
pivot_life.head()

repurchase = pivot_life.applymap(lambda x:1 if x>1 else np.NAN if x ==0 else 0)
repurchase.head()
(repurchase.sum()/repurchase.count()).plot(figsize = (10,4))

复购率稳定在 28% 左右

2.3 回购率

pivot_buy_back =  pivot_life.applymap(lambda x: 1 if x>0 else 0)
def buy_return(data):
    status = []
    for i in range(len(pivot_buy_back.columns)-1):
#         print(i)
        if data[i] == 1:
            if data[i+1] ==1:
                status.append(1)
            if data[i+1] == 0:
                status.append(0)
        else:
            status.append(np.NaN)
    status.append(np.NaN)
    return pd.Series(status,pivot_buy_back.columns)
pivot_buy_return = pivot_buy_back.apply(buy_return,axis=1)
pivot_buy_return.head()

1 为回购用户， 0 为前一日没购买当天购买过，NaN 为连续两日都没购买

plt.figure(figsize=(20,4))
plt.subplot(211)
(pivot_buy_return.sum() / pivot_buy_return.count()).plot()
plt.title('用户回购率图')
plt.ylabel('百分比%')

plt.subplot(212)
plt.plot(pivot_buy_return.sum(),label='当日消费人数')
plt.plot(pivot_buy_return.count(),label='当日回购人数')
plt.xlabel('month')
plt.ylabel('人数')
plt.legend()
plt.show()

由回购率图可以看出，用户回购率略低于复购率，约在 24% 左右，波动性较强。由人数分布图发现，回购人数在前4天趋于稳定，波动产生的原因可能由于“双十二”前夕，各类预热活动导致。

2.4 生命周期分析

pivot_life = df_buy.pivot_table(index='user_id',columns = 'date',values='time',aggfunc='count').fillna(0)
pivot_life.head()

df_buy_count = pivot_life.applymap(lambda x: 1 if x>0 else 0)
def active_status(data):
    status = []
    for i in range(len(df_buy_count.columns)):
        #若该日没消费
        if data[i] == 0:
            if len(status) > 0:
                if status[i-1] == '未消费': 
                    status.append('未消费')
                else:
                    status.append('不活跃') 
            else:
                status.append('未消费')             
        #若该日消费
        else:
            if len(status) == 0:
                status.append('第一次消费')
            else:
                if status[i-1] == '不活跃':
                    status.append('回流') 
                elif status[i-1] == '未消费':
                    status.append('第一次消费') 
                else:
                    status.append('活跃') 
    # 这里需要对返回的值进行转换，将列表转为Series
    return pd.Series(status, index = df_buy_count.columns)
purchase_stats = df_buy_count.apply(active_status,axis=1)
purchase_stats.head()

purchase_status_ct  = purchase_stats.replace('未消费',np.nan).apply(lambda x:pd.value_counts(x))
# purchase_status_ct
purchase_status_ct.fillna(0).T.head()

主要分为两部分的判断，以当日是否消费为界。当日没有消费，还要额外判断他是不是新客，因为部分用户是11-30日才消费成为新客，那么在前2天他连新客都不是，用未消费表示。如果是老客，则为不活跃。

purchase_status_ct.fillna(0).T.plot.area()

newuser_per = purchase_status_ct.fillna(0).T.apply(lambda x: x/x.sum(),axis= 1 )

line.render_notebook()

3. 用户价值分析

3.1 RFM模型

RFM模型在客户管理中常被用来衡量客户的价值和创新能力，主要考量三个指标：最近一次消费（Recency）、消费频率（Frequency）、消费金额（Money）。根据以上三个维度对客户做细分：假定每个维度划分五个等级，得到R值（1-5）、F值（1-5）、M值（1-5)。客户可以被分作125个细分群，可以根据客户的交易行为差异针对不同的群体做不同的推荐。

RFM模型分析前提条件:

最近有过交易行为的客户,再次发生交易的可能性高高于最近没有交易行为的客户
交易频率较高的客户比交易频率较低的客户,更有可能再次发生交易行为
过去所有交易金额较多的客户,比交易金额较少的客户,更有消费积极性。

df_buy = df.loc[df.behavior=='buy']
rfm_pivot = df_buy.pivot_table(index="user_id",
                             values = ['price','date','behavior'],
                             aggfunc = {'date':'max',
                                        'behavior':'count',
                                        'price':'sum'})
rfm_pivot['r'] = (rfm_pivot.date.max()-rfm_pivot.date)/np.timedelta64(1,'D')
rfm_pivot.rename(columns={'behavior':'f','price':'m'},inplace=True)
rfm_pivot = rfm_pivot
rfm_pivot

R表示客户最近一次交易时间的间隔，客户在最近一段时间内交易的金额。 F表示客户在最近一段时间内交易的次数,F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。 M表示客户在最近一段时间内交易的金额。M值越大，表示客户价值越高，反之则表示客户价值越低。

def rfm_func(x):
    level = x.apply(lambda x:'1' if x>=0 else '0')
    label = level.r + level.f + level.m
    d = {
        '111':'重要价值客户', 
        '011':'重要保持客户',
        '101':'重要挽留客户',
        '001':'重要发展客户',
        '110':'一般价值客户',
        '010':'一般保持客户',
        '100':'一般挽留客户',
        '000':'一般发展客户'
        }
    result = d[label]
    return result

rfm_pivot['label'] = rfm_pivot[['r', 'f', 'm']].apply(lambda x:x-x.mean()).apply(rfm_func,axis=1)
rfm_pivot.head()

rfm_pivot.groupby('label').sum()

use_c = rfm_pivot.groupby('label').count()
use_c.head()

pie_rosetype().render_notebook()

之前重要保持客户的累计消费金额最高，这里重要保持客户的消费人数排名第3，离一般挽留用户差距较大，一般挽留用户有2008人，重要保持客户1167人。

重要挽留客户占比很小，对于这类客户，最近消费时间间隔较远，并且消费频次低，我们需要主动联系客户，调查清楚哪里出现了问题，比如通过短信，邮件，APP推送等唤醒客户。重要价值的用户也比较少，但是却是一个比较优质的客户，所以可以有针对性地给这类客户提供 VIP服务，比如现在的淘宝VIP会员卡等等。对于重要发展客户，消费频次低，我们需要提升他的消费频率，可以通过优惠券叠加等活动来刺激消费；而重要保持客户，消费时间间隔较远，但是消费频次高，有可能就是需要买东西的时候，就高频购买，不需要就不再购物，对于这类客户，需要主动联系，了解客户的需求，及时满足这类用户的需求。

3.2 重要保持客户所在地

imp_keeper = df_buy_rfm[df_buy_rfm.label=='重要价值客户']
imp_keeper
gp_city_rfm = imp_keeper.groupby(['addr'])['label'].count().sort_values(ascending=False)
gp_city_rfm

bar.render_notebook()

3.3 各类别客户时段消费趋势

gp_label_hour = df_buy_rfm.groupby(['label','hour'])['user_id'].count()
gp_label_hour = gp_label_hour.unstack().T.fillna(0)

line.render_notebook()

3.4 各类型用户性别差异

gp_label_sex = df_buy_rfm.groupby(['label','sex'])['user_id'].count()
gp_label_sex = gp_label_sex.unstack()#
gp_label_sex.columns=['w','m']

bar_base().render_notebook()

4. 商品分析

4.1 Top10销量商品

goods_top10 = df_buy['goods_id'].value_counts().head(10)

c = (
    Bar()
    .add_xaxis(goods_top10.index.tolist())
    .add_yaxis("销售量", goods_top10.values.tolist(), category_gap="60%")
    .set_series_opts(itemstyle_opts={
        "normal": {
            "color": JsCode("""new echarts.graphic.LinearGradient(0, 0, 0, 1, [{
                offset: 0,
                color: 'rgba(0, 244, 255, 1)'
            }, {
                offset: 1,
                color: 'rgba(0, 77, 167, 1)'
            }], false)"""),
            "barBorderRadius": [30, 30, 30, 30],
            "shadowColor": 'rgb(0, 160, 221)',
        }})
    .set_global_opts(title_opts=opts.TitleOpts(title="top10商品销量"))
)
c.render_notebook()

4.2 商品浏览排名前10

goods_pv_top = df.loc[df.behavior=='pv']['goods_id'].value_counts().head(10)

bar.render_notebook()

4.3 商品收藏排名前10

goods_pv_top = df.loc[df.behavior=='fav']['goods_id'].value_counts().head(10)

bar.render_notebook()

4.4 城市购买力

gp_city_top = df_buy[['addr','price']].groupby("addr").sum().sort_values('price',ascending=False)

bar.render_notebook()

4.5 各行为男女对比

gp_sex_PB = df.groupby(['sex','behavior'])['date'].count()
gp_sex_PB = gp_sex_PB.unstack().T
gp_sex_PB.columns = ['w','m']

bar_base().render_notebook()

4.6 不同性别购买力

sex_buy = df_buy[['sex','price']].groupby('sex').sum()

time_list = [list(z) for z in zip(['女','男'],
                                  [round(i,2) for i in sex_buy.price.tolist()])]

pie.render_notebook()

四、结论和建议

本项目从4个方面分析了用户的行为，并且利用 RFM 模型对用户进行了分类

1、时间维度：在用户的休闲时间段，比如通勤时间7-10点，午饭时间12-13点，以及晚上6-10点之间做促销活动，以及一些相关的营销，这样能够大大增加用户购买的转化率。根据留存监控用户的持续用户行为，防止用户流失。

2、消费行为：根据高流失率环节，给予引导与提示，提高转化率。考虑在客户发生首购行为后，发放特殊优惠，以提高复购率。对于点击量高的商品，要重点分析，优化商品的推荐机制，让用户做到点击即想购买。

3、用户价值：通过RFM模型分析得到的不同类型的用户，应该采取不同的激励方案。对于占比最高的保持和发展的客户（忠诚度较高，购买能力不足），适当给予折扣或施行捆绑销售销售政策。对于重要挽留的客户，通过发短信和邮件，或者APP客户端推送等，让客户重新回来消费，此外可以通过一些节日优惠等再次召回客户。对于重要价值的用户，需要给其提供VIP服务，比如VIP可以得到饿了么优惠券等等。

4、商品分析：对于高浏览量商品，可以将重心转移至定价上，实行差异化定价，以提高购买量。高购买率商品，建议提高曝光率，结合多平台宣传，提高浏览量。明星商品，建议平台给予表扬与内部公开，以保证持续的优质。

本文参与腾讯云自媒体同步曝光计划，分享自微信公众号。

原始发表：2022-02-11，如有侵权请联系 cloudcommunity@tencent.com 删除

数据分析

tcp/ip

本文分享自 Python数据分析实例微信公众号，前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体同步曝光计划，欢迎热爱写作的你一起参与！

数据分析

tcp/ip

登录后参与评论

0 条评论

热度