Airbnb產品分析報告

​目前Airbnb作為一款社群平臺類產品，其業務遍佈了191個國家，並且經常出現在商業分析的優秀案例中。Airbnb在做好了產品體驗、房源美感、民宿共享服務之後，這款產品和背後的業務是否存在可以改進的地方？

我們用使用者畫像，推廣渠道，轉化漏斗三個方面來分析

•資料集名稱：Airbnb顧客預訂資料•資料集來源：

https：//www。

kaggle。com/c/airbnb-rec

ruiting-new-user-bookings/data

•資料集簡介：此資料集是kaggle上的一個競賽專案，主要用來製作目的地資訊的預測模型。此資料聚集包含兩張資料表，其中train_user表中為使用者資料，sessions表中為行為資料。

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兩張表的所有資料。

all_users

［

“gender”

］

。

value_counts

（）

airbnb的男女使用者佔比差別不大，女性使用者要比男性使用者佔總使用者人數多：6。4%。

all_users。loc［（（all_users［“age”］<7）|（all_users［“age”］>75）），“age”］=0

#選取歲數小於7歲，大於75歲的使用者，並將異常資料置0。

age = all_users。loc［all_users［“age”］！=0，“age”］

#統計時只統計非零歲數的使用者。

age = age。dropna（）

age_counts = age。value_counts（）

age_counts_sort = age_counts。sort_index（）

airbnb的使用者主要為“中青年群體”，其中使用者數量最多的是80後（29歲～39歲），其次為90後，然後為70後。

all_users［“first_device_type”］。value_counts（）

#直接統計。

airbnb使用者登陸電腦端Mac比windows多，移動端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的產品真的很國際化，使用者遍佈多個地區。有超過90%的使用者是英語國家（歐美）；airbnb是2013年開始進入中國市場的（此資料集止於2014年），所以此時中文使用者數量雖然排名第二，但是佔比卻非常小。

Airbnb畢竟還是歐美國家使用者使用得多，中國使用者去最多的國家是美國。

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

從視覺化結果可以看出：

airbnb的使用者增長曲線健康，前期（2011年之前）平緩，2012年2月之後開始快速增長。2012年之後的增長速度很快。

此產品新使用者的增加存在季節性規律：每年的1～7月，產品都會迎來使用者增長的高峰，推測為夏季（北半球）是旅行的旺季，而短租產品本身就是旅行消費的一種。

all_users［“channel-provider”］ = all_users［“affiliate_channel”］。str。cat（all_users［“affiliate_provider”］，sep =“-”）

#把渠道和推廣方式用“-”連線起來。

visit = all_users。groupby（［“channel-provider”］）［“id”］。count（）

#訪問統計

booking = all_users。groupby（［“channel-provider”］）［“date_first_booking”］。count（）

#註冊統計

rate = booking/visit

#轉化計統計

渠道註冊量方面：

•airbnb的整體渠道轉化率表現很好，多數渠道的轉化率都在30%以上。

•表現最好的為谷歌競價（SEM），其中品牌競價註冊量大於非品牌競價的註冊量。

•渠道註冊量符合二八定律，前7個渠道（總共有40個渠道推廣）的註冊量已經佔據了產品總的渠道來源的90%以上。

•content-google14。82%的轉化率低於其它渠道。

visit = all_users。groupby（［“first_affiliate_tracked”］）［“id”］。count（）

#統計不同內容的訪問量

booking = all_users。groupby（［“first_affiliate_tracked”］）［“date_first_booking”］。count（）

#統計不同內容的註冊量

v_b = pd。merge（visit，booking，on = “first_affiliate_tracked” ）

v_b［“rate”］ = v_b［“booking”］/v_b［“visit”］

#統計轉化率

v_b = v_b。sort_values（“booking”，ascending = False）

v_b

營銷內容方面：

統計功能異常、資料追蹤效果差。

linked和omg兩個營銷內容的的轉化率好。

相比較其他營銷內容的轉化率、localops的轉化率非常低。

#統計總人數

users_sum = sessions。groupby（［“user_id”］）［“user_id”］。count（）

users_sum。shape

#所有使用者中的活躍使用者數

user_active = user_action_count［user_action_count>=10］

user_active。shape

#註冊使用者數

pd_all = pd。merge（sessions，all_users，left_on=“user_id”，right_on=“id”）

pd_all。groupby（［“user_id”］）［“user_id”］。count（）。shape

#下單使用者 使用者行為中“reservations”為預定（下單）使用者數

reser = sessions。loc［sessions［“action_detail”］==“reservations”］

reser。groupby（“user_id”）［“user_id”］。count（）。shape

#實際支付使用者 使用者行為中“payment_instruments”為支付使用者數

payment = sessions。loc［sessions［“action_detail”］==“payment_instruments”］

payment。groupby（“user_id”）［“user_id”］。count（）。shape

#復購使用者 統計進行了“payment_instruments”操作次數大於1次的使用者

repay = sessions。loc［sessions［“action_detail”］==“payment_instruments”］

repay_count = repay。groupby（“user_id”）［“user_id”］。count（）

repay_count［repay_count>=2］

從視覺化結果可以看出：

•註冊使用者到下單使用者是airbnb轉化漏斗中流失率最高的一個環節。僅有14%的註冊使用者下單、僅佔全部使用者的7。651%。

•活躍和復購環節表現的好，其中有60%的下單使用者復購，說明airbnb的產品和服務做的非常好。

•下單使用者中有大約13%的使用者沒有最終支付，需要產品研發介入排查。

關於推廣渠道上的改進

•7～10月是業務的旺季，建議運營部門在每年的7～10月加大活動營銷的力度，同時加大渠道廣告的投放力度。

•在主要渠道（註冊量在前7名的渠道）中content_google轉化率非常低（只有15%），建議運營部門計算此渠道的*ROI和ARPU（每客戶平均收入），如果ROI過低，建議停止此渠道的投放。

•SEO推廣下各渠道的拉新和轉化都好，SEO作為一種較低成本的獲客方式（主要為人力成本），建議企業管理層日常要更加支援SEO相關的資源投入，甚至考慮擴大SEO的團隊。

備註：整個分析過程有借鑑知乎上週貳毛

https：//

zhuanlan。zhihu。com/p/77

558304

的分析過程，他用的是sql寫的，我用的是pandas，影象上他用的是tableau，我用的是pyecharts。

*ROI=轉化率*ARPU值/CPC