DASHBOARD · OVERVIEW
电商用户行为
E-commerce分析平台
基于 Kaggle 电商用户行为数据集，涵盖漏斗、RFM、ML预测、异常检测、关联规则等多维度分析
分析模块
07
覆盖完整用户生命周期
交互图表
09
Plotly 全交互式可视化
最优模型 AUC
0.82
XGBoost · 购买预测
01
漏斗分析
转化率与流失识别
整体转化率仅 4.69%，浏览→加购是最大流失节点
02 · 03
RFM + KMeans 聚类
用户价值评分与群体划分
用户分为 VIP · 潜力 · 普通 三类群体
04
路径 + 留存分析
行为轨迹与留存追踪
首周留存是关键窗口，留存率快速下降
05
ML 购买预测
XGBoost + SHAP 可解释
加购物车 (cart_count)贡献84% 预测力，AUC 0.82
06
异常检测
风控异常用户识别
异常用户总消费金额是正常用户的 12.1倍
07
关联规则分析
Apriori 商品关联挖掘
跨品类同购仅 19%，建议加强配件捆绑推荐
PART 3 · FUNNEL ANALYSIS
漏斗分析
追踪用户从浏览到购买的完整转化路径，定位关键流失节点
USER CONVERSION FUNNEL
分析结论
整体转化率仅4.69%，浏览→加购是最大流失节点，流失率超过95%。大量用户在浏览阶段即已离开
加购→购买转化率相对较高，加购意图强的用户最终转化概率大
建议优化浏览→加购环节，如商品推荐算法、详情页改版
整体转化率 4.69%
PART 4-5 · RFM + CLUSTERING
RFM 分析 + 用户聚类
基于 Recency、Frequency、Monetary 对用户价值评分，结合 KMeans 划分用户群体
ELBOW METHOD · K VALUE SELECTION
分析结论
Elbow Method 显示 K=3 为最优，此后误差下降趋缓，增加聚类收益递减
K 值代表将用户分成几个群体，K=3 意味着把所有用户分成3类，每类行为特征相似
最终分为高价值(VIP) · 潜力 · 普通三类，VIP 用户购买频次和消费金额远高于其他群体
VIP用户仅 79人，潜力用户 976人，普通用户 6307人。VIP应重点维护，潜力用户通过精准运营提升价值，普通用户以低价引流激活。
KMeans 聚类
RFM USER CLUSTERING
PART 6-7 · PATH + RETENTION
用户路径 + 留存分析
追踪用户行为路径序列，分析不同时间维度的用户留存情况
USER PATH / RETENTION
分析结论
用户行为路径以浏览为主导，加购和购买呈明显阶梯式递减
留存率随时间快速下降，首周留存是关键窗口期
建议针对新用户前7天设计专项留存激励策略
留存分析
PART 8-11 · ML PREDICTION
机器学习购买预测
使用 XGBoost 预测用户购买行为，结合 SHAP 解释特征重要性
模型结论
XGBoost AUC 达到 0.82，三个模型中表现最优
加购物车 (cart_count)贡献约 84% 预测力，是最核心特征
SHAP 分析显示高浏览次数用户购买概率显著提升
AUC · 0.82
ROC CURVE · MODEL COMPARISON
XGBOOST FEATURE IMPORTANCE
特征解读
cart_count：加购是购买最直接的前置信号
view_count：浏览次数越多，购买意图越强
price 特征：价格区间对购买决策有显著影响
XGBoost + SHAP
SHAP FEATURE IMPACT ANALYSIS
PART 12 · ANOMALY DETECTION
异常检测
识别用户行为中的异常模式，辅助平台风控与运营决策
ANOMALY DETECTION RESULT
分析结论
异常用户总消费金额是正常用户的 12.1倍，存在高价商品异常刷单行为
浏览次数是正常用户的 8.3倍，行为模式极度异常
建议结合设备指纹和 IP 对异常用户进行人工复核
Isolation Forest
PART 15 · ASSOCIATION RULES
关联规则分析
基于 Apriori 算法挖掘商品品类间的共购关联，指导捆绑推荐策略
分析结论
仅 19% 的用户购买了2件以上商品，跨品类同购行为较少
手机单品购买占主导（support 69%），所有规则 lift < 1
建议加强手机配件（耳机、保护壳等）的捆绑推荐策略
Apriori · confidence > 0.3
SUPPORT vs CONFIDENCE