# bishe

**Repository Path**: YKiMeng/bishe

## Basic Information

- **Project Name**: bishe
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-05
- **Last Updated**: 2026-03-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 淘宝用户行为数据 - 消费趋势分析与需求预测

## 项目背景

随着电子商务的快速发展，淘宝作为中国最大的电商平台，积累了海量的用户行为数据。这些数据包含了用户的购买记录、商品偏好、消费习惯等重要信息。通过对这些数据进行深入分析，我们可以：

- 了解用户消费行为模式
- 识别销售趋势和季节性规律
- 预测未来商品需求
- 识别潜在的复购用户
- 为商家提供精准的营销策略建议

本项目基于淘宝用户行为数据，通过数据清洗、特征工程、可视化分析和机器学习建模，实现了消费趋势分析和需求预测功能。

## 数据来源

本项目使用的数据集为淘宝用户购物行为数据，包含以下字段：

- `invoice_no`: 发票编号
- `customer_id`: 用户ID
- `gender`: 性别
- `age`: 年龄
- `category`: 商品类别
- `quantity`: 购买数量
- `price`: 商品单价
- `payment_method`: 支付方式
- `invoice_date`: 发票日期
- `shopping_mall`: 购物中心

## 项目结构

```
bishe/
├── 01_原始数据/             # 原始数据集
│   └── customer_shopping_data.csv
├── 02_处理后数据/           # 处理后的数据集
│   └── processed_customer_shopping_data.csv
├── 03_代码文件/             # 分析和预测代码
│   ├── 01_数据清洗.py
│   └── 02_消费趋势分析与需求预测.py
├── 04_结果图表/             # 分析和预测结果图表
└── 05_可视化界面/           # 可视化展示界面
    └── index.html
```

## 分析方法

### 1. 数据清洗与预处理

在 `01_数据清洗.py` 中，我们对原始数据进行了以下处理：

- 数据加载与探索
- 缺失值处理
- 异常值检测与处理
- 数据类型转换
- 特征工程（如年龄分组、月份提取等）
- 数据标准化

### 2. 消费趋势分析

在 `02_消费趋势分析与需求预测.py` 中，我们从以下维度进行了分析：

#### 用户维度
- 年龄分布分析
- 性别分布分析
- 年龄与消费金额关系
- 性别与消费金额关系
- 不同性别对商品类别的偏好
- 不同年龄组对商品类别的偏好

#### 时间维度
- 月度销售趋势
- 月度消费金额趋势
- 年度销售对比

#### 商品维度
- 商品类别分布
- 商品类别销售额分布
- 商品类别平均价格
- 商品类别与总消费金额关系
- 月度商品类别销售情况

#### 转化漏斗分析
- 用户购买转化漏斗
- 支付方式分布

### 3. 需求预测

#### Prophet模型 - 商品销量预测
- 考虑节假日、促销等因素
- 采用乘法模型，考虑年度和周季节性
- 预测未来30天的商品销量

#### 随机森林模型 - 用户复购预测
- 提取购买次数、总消费金额、客单价等特征
- 基于总消费金额和客单价定义潜在复购用户
- 使用准确率、F1分数和混淆矩阵评估模型性能

## 结果与发现

### 数据分析结果

1. **用户特征**：
   - 年龄分布主要集中在20-40岁
   - 性别分布相对均衡
   - 不同年龄组和性别对商品类别的偏好存在差异

2. **时间趋势**：
   - 月度销售存在明显的季节性波动
   - 年度销售呈现增长趋势

3. **商品特征**：
   - 某些商品类别占据较大的市场份额
   - 不同商品类别的平均价格差异较大

4. **转化漏斗**：
   - 支付方式分布相对集中

### 预测模型结果

1. **Prophet销量预测**：
   - 成功捕捉到销售的季节性模式
   - 考虑了节假日和促销因素的影响
   - 预测未来30天的销量趋势

2. **随机森林复购预测**：
   - 基于购买行为特征识别潜在复购用户
   - 模型准确率和F1分数均为1.0
   - 提供了特征重要性分析

## 如何运行项目

### 1. 环境准备

确保安装了以下Python库：

```bash
pip install pandas numpy matplotlib seaborn scikit-learn prophet
```

### 2. 数据清洗

```bash
cd 03_代码文件
python 01_数据清洗.py
```

### 3. 消费趋势分析与需求预测

```bash
python 02_消费趋势分析与需求预测.py
```

### 4. 查看可视化结果

打开 `05_可视化界面/index.html` 文件，在浏览器中查看分析结果和预测模型输出。

## 可视化界面

项目提供了一个美观的可视化界面，展示了所有分析结果和预测模型输出。界面使用Bootstrap和Chart.js构建，包含以下部分：

- 项目概述
- 用户分析
- 时间分析
- 商品分析
- 转化漏斗分析
- 需求预测
- 模型评估

## 技术栈

- **数据处理**：Python, pandas, numpy
- **数据可视化**：matplotlib, seaborn
- **机器学习**：scikit-learn, Prophet
- **前端展示**：HTML, CSS, Bootstrap, Chart.js

## 结论

本项目通过对淘宝用户行为数据的深入分析，成功实现了消费趋势分析和需求预测功能。分析结果揭示了用户消费行为的模式和规律，预测模型为商家提供了有价值的决策支持。

通过本项目的实施，我们可以：

1. 帮助商家更好地了解目标用户群体
2. 优化库存管理和商品定价策略
3. 制定更精准的营销策略
4. 提高用户复购率和客户忠诚度

未来，我们可以考虑引入更多数据源，如用户浏览行为、评价数据等，进一步提升分析和预测的准确性。