Airbnb产品数据分析

一、分析背景与目的
1.1、分析背景
Airbnb成立于2008年，短短9年时间成为了短租民宿行业的巨头，并且强烈的冲击着传统酒店行业的格局。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？
1.2、提出分析问题
针对分析的目的，提出以下三个问题：
1.airbnb的目标用户群体具有什么样的特征？
2.当前的转化率和流失率中哪里哪一个环节存在问题，或者有较大的改进空间？

二、分析维度
2.1、根据问题，提出两个分析维度：
1、用户画像分析
-用户性别的分布特征；
-用户年龄的分布特征；
-用户地区的分布分布；
-中国地区去国外预定的地区占比；
2、转化漏斗分析
-注册用户占比
-活跃用户（非僵尸用户）占比
-下单用户占比
-实际支付用户占比
-复购用户占比

三、数据清洗3.1、数据集描述数据集名称：Airbnb顾客预订数据数据集来源：kaggle Airbnb产品数据集 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_users_2表中为用户数据，sessions表中为行为数据。数据集量：21w * 15（train_users_2）、104w * 6（sessions）

3.1、列名称理解原数据表的字段的列名非常规范，无需对列名称进行重命名，数据分析之前需要理解每个列名称的含义。
数据表一：数据表名称：train_users_2

id：用户ID
date_account_created：帐户创建日期date_first_booking：首次预订的日期
gender：性别
age：年龄
signup_method：注册方式
signup_flow：用户注册的页面
language：语言偏好
affiliate_channel：营销方式
affiliate_provider：营销来源，例如google，craigslist，其他
first_affiliate_tracked：在注册之前，用户与之交互的第一个营销广告是什么
signup_app：注册来源
first_device_type：注册时设备的类型
first_browser：注册时使用的浏览器名称country_destination：目的地国家

数据表二：数据表名称：sessions

user_id：与users表中的“id”列连接
action：埋点名称
action_type：操作事件的类型
action_detail：操作事件的描述
device_type：此次会话所使用的设备

3.2、重复值的处理
-train_users为用户表中主键，所以每个用户只生成一条记录，所以如果train_users中id存在重复值，则需要处理。
-sessions 为用户会话记录表，存在一个用户多条记录结论：只需要排查train_users中是否存在重复值。
执行SQL后得出：count_id = 0。说明train_users_2数据表中不存在重复值。

3.3、缺失值处理数据缺失数量较多，以下为存在缺失值的列：
date_first_booking(首次预定时间)存在缺失值数量：124544个。
gender（性别）存在缺失值数量：95688个。
age（年龄）存在缺失值数量：87991个。first_affiliate_tracked（用户通过那个营销广告注册）存在缺失值数量：6065个。
first_browser（注册时浏览器）存在缺失值数量：27266个。
action_type（埋点的操作类型）存在缺失值数量：1126204个。
action_detail（用户操作行为的描述）存在缺失值数量：1126204个。

缺失原因推测及处理
date_first_booking(首次预定时间)数据如果缺失，在业务上可以理解为此用户为“未预定用户”，也就是没有下单的用户。
性别、年龄由于客户端中这部分信息选填，空值为用户未填写。
其他四个数据是由于前端统计时数据没有统计到。

处理：实际分析中需要在where条件排除掉空数据，再进行分析。

3.4异常值处理
age（年龄）异常值处理：
age（年龄）的异常数据非常多；0～150之间的数值都有，并且包含了2014、2015等数值。推测这些"脏数据"产生的原因是用户在客户端随意填写造成。

3.5数据清洗中使用的SQL

# 检查数据中是否包含重复值
SELECT id, COUNT(id) AS count_id
FROM mysql.train_users_2
GROUP BY id
HAVING count_id > 1;

#通过以下SQL对每一列进行查询，通过替换where之后的条件，查询每一列包含的空值数量。
SELECT date_first_booking, COUNT(date_first_booking)
FROM mysql.train_users_2
WHERE date_first_booking IS NULL;

#通过查看数据的极值（极大值、极小值）是否符合实际情况，来判断数据中是否存在异常值。
SELECT min(age), max(age) 
FROM mysql.train_users_2;

#异常值处理：对于年龄不在7～75区间的数据删除（设置为0-空值）
UPDATE mysql.train_users_2
SET age = 0
WHERE id NOT IN (
		SELECT id
		FROM (
			SELECT id
			FROM mysql.train_users_2
			WHERE age <= 75
				AND age >= 7
		) a
	);

四、用户画像分析
4.1、用户的性别分布特征
执行以下SQL得出：女性用户数量=54440；男性用户数量=63041

从以上可视化可以看出：
airbnb的男女用户占比差别不大，其中男性用户多于女性用户。

4.2、用户的年龄分布

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75后。

4.3、用户不同地区的分布
SQL执行的结果可以看出：使用最多的语言排名前5的分别是英文、中文、法文、西班牙文、朝鲜文。

从可视化结果可以看出：

-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。

4.4、中国用户去国外预定的地区占比

从SQL执行的结果可以看出，中国人去国外预定民宿最主要集中在韩国、然后是美国。

从可视化结果可以看出：
中国用户去国外预定，占比最多的是韩国，其次是美国。其余国家占比很小，总和不到20%。

4.5用户画像分析使用的SQL语句

# 女性用户数
SELECT COUNT(id) AS '女性用户数'
FROM mysql.train_users_2
WHERE gender = 'MALE';

# 男性用户数
SELECT COUNT(id) AS '男性用户数'
FROM mysql.train_users_2
WHERE gender = 'FEMALE';

# 用户不同年龄的数量
SELECT age, COUNT(id)
FROM mysql.train_users_2
GROUP BY age
HAVING age <> 0
ORDER BY age;

# 用户不同语言分布
SELECT language, COUNT(language) AS lg_num
FROM mysql.train_users_2
GROUP BY language
ORDER BY lg_num;

# 中国用户去国外预定的地区
SELECT language, country_destination, COUNT(country_destination) AS cd_num
FROM mysql.train_users_2
GROUP BY language, country_destination
HAVING language = 'zh'
ORDER BY cd_num DESC;

五、转化漏斗分析

执行SQL得出：用户总数量 = 135484。

6.1、活跃用户（非僵尸用户）占比

执行SQL得出：活跃用户总数量 = 114002。

计算可得：活跃用户占比 = 活跃用户总数量/用户总数量 = 84.144%

6.2、注册用户占比
-执行SQL得出：注册用户总数量 = 73815。
-计算可得：注册用户占比 = 注册用户总数量 / 用户总数量 = 54.482%

6.3、下单用户占比
-执行SQL得出：下单用户总数量 = 10367。
-计算可得：下单用户占比 =下单用户总数量 / 用户总数量 = 7.651%

6.4、实际支付用户占比
-执行SQL得出：实际支付用户总数量 = 9019。
-计算可得：付款用户占比 =实际支付用户总数量/用户总数量 = 6.656%6.5、
复购用户占比
-执行SQL得出：复购用户总数量 = 5447。
-计算可得：复购用户占比 = 复购用户总数量 / 用户总数量 = 4.0204%

airbnb的漏斗模型：

从可视化图表中可以看出：
-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。

6.5、SQL漏斗分析过程

#用户总数量：对sessions表中的user_id进行group by，再统计数量，得出sessions表中所有的用户数量。
SELECT COUNT(*) AS '用户数量'
FROM (
			SELECT user_id
			FROM mysql.sessions
			GROUP BY user_id
) new_sessions;

#活跃用户的定义：按照用户的操作总次数，如果用户操作产品大于等于10次，就可以说明用户为偏活跃的用户，另一方面说明此用户不是僵尸用户。
SELECT COUNT(*) AS '活跃用户数'
FROM (
			SELECT user_id
			FROM mysql.sessions
			GROUP BY user_id
			HAVING COUNT(user_id) >= 10
) active

#注册用户：通过sessions表中的用户与注册用户表进行内关联，统计出sessions表中已注册用户数量
SELECT COUNT(*) AS '注册用户总数'
FROM (
			SELECT user_id
			FROM mysql.sessions
			GROUP BY user_id
) new_sessions
			INNER JOIN mysql.train_users_2 tu
			ON new_sessions.user_id = tu.id;

#下单用户：用户行为中“reservations”为预定（下单）操作，通过统计进行了“reservations”的用户（group by去重），得出下单用户的数量
SELECT COUNT(*) AS '下单用户数'
FROM (
			SELECT user_id
			FROM mysql.sessions
			WHERE action_detail = 'reservations'
			GROUP BY user_id
) booking

#实际支付用户：用户行为中“payment_instruments”为支付操作，通过统计进行了“payment_instruments”的用户（group by去重），得出实际支付用户的数量
SELECT COUNT(*) AS ‘实际支付用户总数量’
FROM (
	SELECT user_id
	FROM mysql.sessions
	WHERE action_detail = 'payment_instruments'
	GROUP BY user_id
) payed;

#复购用户：通过统计进行了“payment_instruments”操作次数大于1次的用户（group by去重），得出实际复购用户的数量
SELECT COUNT(*) AS ‘复购支付用户总数量’
FROM (
	SELECT user_id
	FROM mysql.sessions
	WHERE action_detail = 'reservations'
	GROUP BY user_id
	HAVING COUNT(user_id) >= 2
) re_booking;

六、分析结论汇总

7.1、用户画像总结
-用户性别中，男性用户多于女性用户，但是差别不大（7.3%的差距量）
-用户年龄以中青年为主，用户数量最多的是80后～（29岁～39岁），其次为90后，然后为75后。
-用户分布地区最多的为欧美地区，其次是中国，但欧美占比达到了90%以上。（截止2014年）
-中国用户预订的最多的其他国家是美国，占比高达90%以上。

7.3、转化漏斗总结

-airbnb转化漏斗中流失率最高的一个环节是“用户下单”，仅有14%的注册用户下单。
-下单用户中有大约13%的用户最终没有支付成功。
-注册率有待提高。
-活跃和复购环节表现的好，说明airbnb的产品和服务做的非常好。

七、业务和产品上的建议
建议一：用户画像

根据年龄分布特征，建议SEO或者付费广告投放时，投放对象细化至年龄在29～39岁的男性。

建议二：转化漏斗方面

-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%的注册用户真正下单，此环节作为企业营收的主要来源之一，建议围绕提高下单率做更多的工作。例如针对活跃用户的用户轨迹定期推送（产品push+短信邮件）优质房源，此外提高下单转化率是一项长期工作、需要结合多种策略并行。
-下单用户中有大约13%的用户最终没有支付，需要排查具体原因（为什么已经下单啦，还是十分之一的用户没有结算），建议进行用户调研、或者在产品上统计用户未支付原因（是用户自身决策导致、还是产品流程的原因、还是支付类型不满足个别地区等）。