02 小紅書海外用戶數量統計(小紅書從用戶畫像到社區運營怎么做的)

要5分鐘，且不支持搜索)。

首先筆記部分，如果統計一下用戶瀏覽屏數的分布，猜想一定是遠遠低于首頁的，用戶不可能瀏覽完這么多筆記，這個數字本身就會讓大家望而卻步了。而品牌部分，用戶選它很有可能是有目標的品牌，而這么多個品牌，沒有搜索實在是有點累。

其實可以看出來，專題這個場景下最有價值的功能。上線初期，小紅書靠高質量目的地購物專題瘋狂吸粉，可以見的專題內容的吸引力，所以我認為可以考慮把專題放在默認的位置。同時有必要去優化筆記和品牌的展示機制。

(2)熱門推薦是整個產品的重要補充，但會隨著產品的逐步成熟而漸漸弱化。熱門內容發現很難作為產品的核心功能出現。豆瓣2.0版本時，曾將「發現」作為戰略級功能，希望通過帶來驚喜提升用戶使用頻次。

最終的結果我無法評判，但從豆瓣3.0拋棄「發現」功能這一事實上來看，它應該沒有達到期望的效果。用戶打開一個應用，要么是有訪問某個功能(一般為核心功能)目的，要么是形成了特定的使用習慣。在產品初期階段，整體筆記數量和用戶平均關注內容數量都不是那么充足的時候，熱門推薦可以幫助他們發現新鮮的東西。而當產品逐漸成熟，用戶養成了一套固有的信息獲取機制后(關注豐富的賬戶和主題)，熱門推薦的重要性會慢慢降低。

8. 購買板塊的交互創新

2015年，電商領域出現了兩類讓人眼前一亮的產品，第一類是小眾領域的垂直電商，在產品設計、商品設計和運營上都極盡突出領域特色，例如窩牛裝修、東家;第二類是社交(或社區)與購物的結合，例如小紅書、堆糖、下廚房。

對于后者而言，最具革新性的設計，就是將社區內容，作為商品評論引入到商品詳情頁中。傳統的電商網站，評論低質量化是一大痛點，淘寶京東蘇寧們的商品評價區中，充斥著大量無效甚至虛假評論。評論區本質上不是一個完整的社區，無法有效激勵用戶寫出高質量評論。而社交與電商結合的模式恰恰解決了這一痛點。

但是社交+購物的模式也有痛點。傳統電商產品體系中，評價對于用戶而言是一種制衡商家的工具。購物過程中，有任何對于服務和商品本身的不滿，都可以通過低分評價來激勵商家解決。而在小紅書、堆糖的商品詳情頁中，只能看到少量編輯挑選出的購物筆記。雖然小紅書使用了很多非福利社購物筆記鏈入商品詳情頁，單用戶還是只知道這件商品多么好，而對物流、售后服務質量無從知曉。這是這個模式的一大弱點，我暫時沒有想到解決的辦法。

從整個購物流程上看，小紅書盡量做到簡化。在商品詳情頁，只有加入購物車按鈕;只有一個購物車，收獲地址信息放在收銀臺，而傳統大型電商一般邏輯為購物車1-購物車2-收銀臺。在這樣的簡化流程下，用戶從選種商品到購買，只需四步，非常簡單便捷。

在安卓4.1.1版本中，原「福利社」tab更名為「購買」。名稱變更的背后，代表著戰略的變化，電商平臺正逐步成為小紅書的戰略核心。但任何一個產品，其主功能只可有一個，發展電商必然意味著筆記社區會被削弱，如何在過程中尋找平衡，將會是很大的挑戰。

小紅書營銷渠道效果預測分析

分析背景

說到小紅書，是目前非常熱門的電商平臺，和其他電商平臺不同，小紅書是從社區起家。在小紅書社區，用戶通過文字、圖片、視頻筆記的分享，記錄了這個時代年輕人的正能量和美好生活。

小紅書通過機器學習對海量信息和人進行精準、高效匹配，已累積海量的海外購物數據，分析出最受歡迎的商品及全球購物趨勢，并在此基礎上把全世界的好東西，以最短的路徑、最簡潔的方式提供給用戶。

本項目協助小紅書分析不同的業務決策所帶來的銷售額變化。

分析目標

根據用戶數據以及消費行為數據

使用Python建立線性回歸模型預測用戶的消費金額變化找到對用戶消費影響較大的因素分析流程

數據概況分析（數據行列數量，缺失值分布，數據清洗）--單變量分析（數字型變量的描述指標、類別型變量（多少分類，各自占比））--相關和可視化（按類別交叉對比，變量之間的相關性分析，散點圖/熱力圖）--回歸模型（模型建立、模型評估和優化）

一、數據概況分析1.1數據概覽

先導入數據：

#導入數據#調包importpandasaspdimportnumpyasnp#讀取數據xhs=pd.read_csv(r'c:\Users\LENOVO\Desktop\項目數據\小紅書數據.csv')xhs.info()

gender\age\engaged_last_30存在空值

gender、engaged_last_30數據類型錯誤：應該為object類型

數據共29452行

xhs.head()

數據共8列

數據字典如下：

xhs.describe()

可以看出revenue和previous_order_amount的標準差都較大，數據或許有離群值

1.2數據清洗#統計數據空值xhs.isnull().sum()#缺失情況xhs.isna().sum()/xhs.shape[0]

缺失值占比約為40%，不能直接刪除缺失值，否則會損失非常多的數據

1.2.1類別型變量缺失值處理#gender（類別型變量）#先把缺失值填充為unknownxhs['gender']=xhs['gender'].fillna('unknown')#engaged_last_30（是否參加重要活動）（類別型變量）#把缺失值填充為unknownxhs['engaged_last_30']=xhs['engaged_last_30'].fillna('unknown')xhs.info()

gender和engaged_last_30已變成object類型

1.2.2數字變量缺失值處理#處理數字變量缺失值age——均值填補xhs=xhs.fillna(xhs.mean())#所有空值均值填充xhs.describe()

均值填充完畢

1.2.3數字變量離群值處理

離群值：一般地，我們認定超過75%分位數的1.5倍的四分位差的數值為離群值

#revenue離群值計算diff=xhs.revenue.describe()['75%']-xhs.revenue.describe()['25%']new_max=xhs.revenue.describe()['75%']+1.5*diff#previous_order_amount離群值計算diff1=xhs.previous_order_amount.describe()['75%']-xhs.previous_order_amount.describe()['25%']new_max1=xhs.previous_order_amount.describe()['75%']+1.5*diff1

revenue離群值：（>=輸出的數據)

previous_order_amount離群值：（>=輸出的數據)

要去除的離群值行占所有數據行的比例約為13%，較為合理：

(xhs.shape[0]-xhs[np.logical_and(xhs['previous_order_amount']<6286,xhs['revenue']<=1135)].shape[0])/xhs.shape[0]

去除離群值：

xhs=xhs[np.logical_and(xhs['previous_order_amount']<6286,xhs['revenue']<=1135)]xhs.describe()二、單變量分析importmatplotlib.pyplotaspltimportseabornassns%matplotlibinline2.1數字型變量2.1.1用戶下單金額revenuesns.distplot(xhs['revenue'])

集中分布在0-200之間

2.1.2用戶以往累積購買金額previous_order_amountsns.distplot(xhs['previous_order_amount'])

用戶以往累積金額為0-100的頻數較高

2.1.3年齡agesns.distplot(xhs['age'])xhs['age'].value_買粉絲unts()用戶年齡分布在14-45歲之間，用戶年齡平均值為29.4歲，用戶年齡中位數為29.4歲，用戶年齡在平均值兩側呈對稱分布絕大部分用戶年齡集中在27-32歲之間10380個用戶的年齡為29.419286歲，29歲或是小紅書的默認年齡選項2.1.4用戶最近一次下單距今的天數days_since_last_order#查看xhs的列名xhs.買粉絲lumns

發現'days_since_last_order'前后各有一個空格

#修改列名xhs.rename(買粉絲lumns={ 'days_since_last_order':'days_since_last_order'},inplace=True)sns.distplot(xhs['days_since_last_order'])用戶最近一次下單距今的天數分布在0-23.7天之間，可見所有的用戶在本月內都有下單行為用戶最近一次下單后平均7.7天后會再次下單用戶最近一次下單距今0-1天的頻數較高2.2類別型變量2.2.1生命周期lifecycle

不同生命周期(lifecycle)對應的revenue(銷售額)是怎樣的

生命周期，分類為A,B,C（分別對應注冊后6個月內，1年內，2年內）

xhs.groupby(['lifecycle'])['revenue'].describe()#不同生命周期計數xhs['lifecycle'].value_買粉絲unts(dropna=False).plot(kind='bar')#不同生命周期的銷售額平均值sns.barplot(x='lifecycle',y='revenue',data=xhs,order=['C','B','A'])#不同生命周期的銷售額總和sns.barplot(x='lifecycle',y='revenue',data=xhs,order=['C','B','A'],estimator=sum)C(注冊后兩年)的用戶最多C(注冊后兩年內的)用戶銷售額平均值最高，為267.5；其次是B(注冊后一年內的)用戶，銷售額平均值為253.7；銷售額平均值最低的是A(注冊后6個月內的)用戶，銷售額平均值為245.5.總銷售額大部分由C(注冊后兩年)的用戶創造2.2.2性別gender

不同性別(gender)對應的revenue(銷售額)是怎樣的

xhs.groupby(['gend

很赞哦!（124）