一、前言

个性化推荐是电商平台提升用户体验和转化率的重要工具。
通过推荐系统数据分析，企业可以：

• 了解用户兴趣偏好

• 精准推荐商品或活动

• 提高点击率、购买率和复购率

本文将展示从数据准备到推荐策略优化的完整流程。

---

二、数据准备

1. 数据来源

• 用户行为数据（浏览、点击、加购、购买）

• 商品信息数据（商品ID、类别、价格、库存）

• 用户属性数据（用户ID、年龄、性别、注册渠道）

1. 导入数据

import pandas as pd users = pd.read_csv('users.csv') logs = pd.read_csv('user_logs.csv') products = pd.read_csv('products.csv')

1. 数据清洗

users.drop_duplicates(inplace=True) logs.drop_duplicates(inplace=True) logs['timestamp'] = pd.to_datetime(logs['timestamp']) products.drop_duplicates(inplace=True)

• 去重处理

• 时间字段标准化便于分析

---

三、用户行为分析

1. 用户活跃度分析

active_users = logs.groupby('user_id')['event_type'].count() active_users.describe()

• 统计用户行为次数

• 区分高活跃用户和低活跃用户

1. 行为偏好分析

top_categories = logs.merge(products[['product_id','category']], on='product_id') top_categories.groupby('category')['user_id'].nunique().sort_values(ascending=False)

• 分析用户对商品类别的兴趣

• 作为推荐策略依据

---

四、个性化推荐策略

1. 协同过滤推荐

• 基于用户相似性推荐用户未购买但可能感兴趣的商品

from surprise import Dataset, Reader, KNNBasic from surprise.model_selection import train_test_split data = Dataset.load_from_df(logs[['user_id','product_id','event_type']], Reader(rating_scale=(1, 5))) trainset, testset = train_test_split(data, test_size=0.25) algo = KNNBasic() algo.fit(trainset)

1. 基于内容推荐

• 根据用户历史购买或浏览商品特征推荐相似商品

• 可结合商品类别、价格区间、品牌等属性

1. 混合推荐策略

• 协同过滤 + 内容推荐结合

• 提升推荐覆盖率和准确率

---

五、推荐效果评估

1. 指标定义

• 点击率（CTR）

• 转化率（CVR）

• 平均订单金额（AOV）

• 用户留存率

1. 效果分析

recommendations = logs.merge(products[['product_id','category']], on='product_id') click_rate = recommendations[recommendations['event_type']=='click'].groupby('user_id')['event_type'].count() / recommendations.groupby('user_id')['event_type'].count() click_rate.describe()

• 统计推荐点击率和转化率

• 找出效果较好的推荐策略

---

六、可视化支持

import matplotlib.pyplot as plt top_categories['category'].value_counts().head(10).plot(kind='bar', color='orange') plt.title('Top 10 Categories Users Interacted With') plt.xlabel('Category') plt.ylabel('Number of Users') plt.show()

• 可视化用户兴趣热点

• 辅助推荐策略调整