Airbnb产品运营分析报告

​目前Airbnb作为一款社区平台类产品，其业务遍布了191个国家，并且经常出现在商业分析的优秀案例中。Airbnb在做好了产品体验、房源美感、民宿共享服务之后，这款产品和背后的业务是否存在可以改进的地方？

我们用用户画像，推广渠道，转化漏斗三个方面来分析

 

 

•数据集名称：Airbnb顾客预订数据•数据集来源：https://www.kaggle.com/c/airbnb-recruiting-new-user-bookings/data

•数据集简介：此数据集是kaggle上的一个竞赛项目，主要用来制作目的地信息的预测模型。此数据聚集包含两张数据表，其中train_user表中为用户数据，sessions表中为行为数据。

train_users_ = pd.read_csv("train_users_2.csv")
train_users =train_users_.drop(["country_destination"],axis =1)
#去除掉train表中目的地的一列。
all_users = pd.concat([train_users,test_users])
#聚合train和test两张表的所有数据。
all_users["gender"].value_counts()

airbnb的男女用户占比差别不大，女性用户要比男性用户占总用户人数多：6.4%。

all_users.loc[((all_users["age"]<7)|(all_users["age"]>75)),"age"]=0
#选取岁数小于7岁，大于75岁的用户，并将异常数据置0。
age = all_users.loc[all_users["age"]!=0,"age"]
#统计时只统计非零岁数的用户。
age = age.dropna()
age_counts = age.value_counts()
age_counts_sort = age_counts.sort_index()

airbnb的用户主要为“中青年群体”，其中用户数量最多的是80后(29岁～39岁），其次为90后，然后为70后。

all_users["first_device_type"].value_counts()
#直接统计。

airbnb用户登陆电脑端Mac比windows多，移动端iPhone，iPad比Android多。

 

train_users_no_NDF = train_users_.loc[train_users_["country_destination"]!="NDF"]
#train_users_no_NDF
lan = train_users_no_NDF.groupby("language")["country_destination"].value_counts()
lan

airbnb的产品真的很国际化，用户遍布多个地区。有超过90%的用户是英语国家（欧美）；airbnb是2013年开始进入中国市场的（此数据集止于2014年），所以此时中文用户数量虽然排名第二，但是占比却非常小。

 

 

Airbnb毕竟还是欧美国家用户使用得多，中国用户去最多的国家是美国。

 

all_users["y-m"] = train_users["date_account_created"].str[:7]
#日期只取前7位，取到月，日期不管。
date_account_created = all_users.groupby("y-m")["id"].count()
date_account_created

从可视化结果可以看出：

airbnb的用户增长曲线健康，前期（2011年之前）平缓，2012年2月之后开始快速增长。2012年之后的增长速度很快。

此产品新用户的增加存在季节性规律：每年的1～7月，产品都会迎来用户增长的高峰，推测为夏季（北半球）是旅行的旺季，而短租产品本身就是旅行消费的一种。

 

all_users["channel-provider"] = all_users["affiliate_channel"].str.cat(all_users["affiliate_provider"],sep ="-")
#把渠道和推广方式用“-”连接起来。
visit = all_users.groupby(["channel-provider"])["id"].count()
#访问统计
booking = all_users.groupby(["channel-provider"])["date_first_booking"].count()
#注册统计
rate = booking/visit
#转化计统计

渠道注册量方面：

•airbnb的整体渠道转化率表现很好，多数渠道的转化率都在30%以上。

•表现最好的为谷歌竞价（SEM）,其中品牌竞价注册量大于非品牌竞价的注册量。

•渠道注册量符合二八定律，前7个渠道（总共有40个渠道推广）的注册量已经占据了产品总的渠道来源的90%以上。

•content-google14.82%的转化率低于其它渠道。

 

visit = all_users.groupby(["first_affiliate_tracked"])["id"].count()
#统计不同内容的访问量
booking = all_users.groupby(["first_affiliate_tracked"])["date_first_booking"].count()
#统计不同内容的注册量
v_b = pd.merge(visit,booking,on = "first_affiliate_tracked" )
v_b["rate"] = v_b["booking"]/v_b["visit"]
#统计转化率
v_b = v_b.sort_values("booking",ascending = False)
v_b

营销内容方面：

统计功能异常、数据追踪效果差。

linked和omg两个营销内容的的转化率好。

相比较其他营销内容的转化率、localops的转化率非常低。

 

#统计总人数
users_sum = sessions.groupby(["user_id"])["user_id"].count()
users_sum.shape
#所有用户中的活跃用户数
user_active = user_action_count[user_action_count>=10]
user_active.shape
#注册用户数
pd_all = pd.merge(sessions,all_users,left_on="user_id",right_on="id")
pd_all.groupby(["user_id"])["user_id"].count().shape
#下单用户 用户行为中“reservations”为预定（下单）用户数
reser = sessions.loc[sessions["action_detail"]=="reservations"]
reser.groupby("user_id")["user_id"].count().shape
#实际支付用户 用户行为中“payment_instruments”为支付用户数
payment = sessions.loc[sessions["action_detail"]=="payment_instruments"]
payment.groupby("user_id")["user_id"].count().shape
#复购用户 统计进行了“payment_instruments”操作次数大于1次的用户
repay = sessions.loc[sessions["action_detail"]=="payment_instruments"]
repay_count = repay.groupby("user_id")["user_id"].count()
repay_count[repay_count>=2]

从可视化结果可以看出：

•注册用户到下单用户是airbnb转化漏斗中流失率最高的一个环节。仅有14%的注册用户下单、仅占全部用户的7.651%。

•活跃和复购环节表现的好，其中有60%的下单用户复购，说明airbnb的产品和服务做的非常好。

•下单用户中有大约13%的用户没有最终支付，需要产品研发介入排查。

关于推广渠道上的改进

•7～10月是业务的旺季，建议运营部门在每年的7～10月加大活动营销的力度，同时加大渠道广告的投放力度。

•在主要渠道（注册量在前7名的渠道）中content_google转化率非常低（只有15%），建议运营部门计算此渠道的*ROI和ARPU（每客户平均收入），如果ROI过低，建议停止此渠道的投放。

•SEO推广下各渠道的拉新和转化都好，SEO作为一种较低成本的获客方式（主要为人力成本），建议企业管理层日常要更加支持SEO相关的资源投入，甚至考虑扩大SEO的团队。

备注：整个分析过程有借鉴知乎上周贰毛https://zhuanlan.zhihu.com/p/77558304的分析过程，他用的是sql写的，我用的是pandas,图像上他用的是tableau,我用的是pyecharts。

*ROI=转化率*ARPU值/CPC