Airbnb（爱彼迎）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

一款产品的发展必然伴随着不断的迭代。在AARRRR模型中，第一个A（用户获取）中，提高新用户获取的数量和质量是不断监测并优化的一个工作，哪些渠道的效果更好，企业就要及时调整和增加此渠道的投入，哪些渠道的效果很差，就要及时查找原因并给出解决。

另外转化漏斗分析也是数据分析环节的重要指标，可以从宏观角度了解整个产品的业务转化情况，企业针对流失率较高的漏斗环节进行改进，可以有效促进业务发展。

针对分析的目的，提出以下三个问题：

airbnb的目标用户群体具有什么样的特征？
airbnb当前的推广渠道有哪些是优质的、有哪些做的还不够好且需要改进？
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、根据问题设立分析维度与分析指标

根据问题，提出来三个分析维度：

将着重从airbnb的用户画像、推广渠道分析、转化漏斗分析三个方面进行分析，去探索和分析airbnb在产品和业务上有哪些可以改进的地方，并给出实际性的建议，以提升和改进airbnb的渠道推广策略和产品设计。

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、推广渠道分析

每月新增用户
不同用户端的注册量
不同推广渠道的注册量
不同营销内容的注册量
不同推广渠道的转化率
不同营销内容的转化率

3、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：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。

数据集量：21w * 15（train_user）、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

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

以下为异常值的处理说明。

date_account_created异常值处理：

date_account_created中最小值为‘0000-00-00 00:00:00’；因为此异常数据只有1条，所以删除此条数据。

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 data.train_users 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 data.train_users WHERE date_first_booking = '0000-00-00 00:00:00';   #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 data.train_users;  #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） SET sql_safe_updates = 1; UPDATE data.train_users SET age = 0 WHERE id NOT IN ( 		SELECT id 		FROM ( 			SELECT id 			FROM data.train_users 			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

执行以上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；

从直方图可以看出：

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美国、然后是法国。除了这两个国家外，样本中其他国家的数量都少于5。

从可视化结果可以看出：

中国用户去国外预定，占比最多的是美国。其余国家占比很小，总和不到20%。

4.1、本章使用的SQL语句

#用户中女性用户的数量。 SELECT COUNT(id) AS '女性用户数量' FROM data.train_users WHERE gender = 'MALE';  #用户中男性用户的数量。 SELECT COUNT(id) AS '男性用户数量' FROM data.train_users WHERE gender = 'FEMALE';  #用户不同年龄的数量。 SELECT age, COUNT(id) FROM data.train_users GROUP BY age HAVING age <> 0 ORDER BY age;  #用户不同语言的分布（通过手机系统语言数据）； SELECT language, COUNT(language) AS lg_num FROM data.train_users 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 data.train_users GROUP BY language, country_destination HAVING language = 'zh' ORDER BY cd_num DESC;

五、流量渠道分析

5.1、每月新增用户

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7～10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。

5.2、不同用户端的注册量

从可视化结果可以看出：

此数据为2014年之前的数据，当时智能手机还没有像现在一样普及，用户的注册设备PC大于移动设备。
苹果设备数量大于其他设备数量。

5.3、不同推广渠道的注册量

不同推广渠道的可视化：

备注：图表中排除了注册量在150以下的渠道

可视化图表中可以看出：

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，及前7个渠道（总共有38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。
另外从执行的SQL结果可以看出：drict（直接应用市场下载注册）的注册量最多，占总注册量的64.38%。我们的分析目的是查看推广渠道的好坏，具体分析中排除了drict。

渠道转化率存在的问题：

主要渠道（注册量在前7名的渠道）中，content_google的转化率异常，明显低于转化率的均值。
主要渠道（注册量在前7名的渠道）中，api_other（其他产品的API对接）渠道的转化率虽然大于30%，单数相较于其他渠道，转化率偏低。
发现content（内容推广）这一种推广方式下各渠道的转化率都很低，其中content_gsp的转化率只有8.2%。
sem-non-brand_bing、sem-non-brand_vast两种SEM渠道的转化率都偏低（35%以下）。

优质渠道（注册量和转化率都比较好）：

seo_google的注册量和转化率表现都很好。
sem_brand_google的注册量可转化率表现很好。

5.5、不同营销内容的注册量和转化率

不同营销内容的可视化：

从可视化图表中可以看出：

从上图可以看出注册量排名第一的营销内容为untracked（未跟踪到），产品的数据跟踪异常。
从统计到的数据来看，linked注册量位居第一。转化率方面，linked和product两个营销内容的的转化率好，在43%以上。local ops的转化率非常低。

5.5、分析过程使用的SQL

#查询每个月（date_account_created）新增注册用户的数量 SELECT date_format(date_account_created, '%Y-%M') AS year_moth, COUNT(id) FROM data.train_users GROUP BY date_format(date_account_created, '%Y-%M') ORDER BY year_moth;  #查询不同设备来源（first_device_type）注册的数量 SELECT first_device_type, COUNT(id) AS fdt_num FROM data.train_users GROUP BY first_device_type ORDER BY fdt_num DESC;  #不同推广方式+渠道的注册数量 SELECT affiliate_channel, affiliate_provider, COUNT(id) AS ac_num FROM data.train_users GROUP BY affiliate_channel, affiliate_provider ORDER BY ac_num DESC;  #不同推广方式+渠道的转化率 SELECT affiliate_channel, affiliate_provider,  SUM(CASE WHEN date_first_booking <> '0000-00-00 00:00:00' THEN 1 ELSE 0 END) / COUNT(id) AS ac_ratio FROM data.train_users GROUP BY affiliate_channel, affiliate_provider ORDER BY ac_ratio DESC;  #不同营销广告内容的注册数量 SELECT first_affiliate_tracked, COUNT(id) AS fat_num FROM data.train_users GROUP BY first_affiliate_tracked ORDER BY fat_num DESC;  #不同营销广告内容的转化率 SELECT first_affiliate_tracked,  SUM(CASE WHEN date_first_booking <> '0000-00-00 00:00:00' THEN 1 ELSE 0 END) / COUNT(id) AS fat_ratio FROM data.train_users GROUP BY first_affiliate_tracked ORDER BY fat_ratio DESC;

六、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。

6.4、漏斗分析过程SQL

#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 ‘用户总数量’ FROM ( 	SELECT user_id 	FROM data.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 ‘活跃用户总数量’ FROM ( 	SELECT user_id 	FROM data.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 ‘注册用户总数量’ FROM ( 	SELECT user_id 	FROM data.sessions 	GROUP BY user_id ) new_sessions 	INNER JOIN data.train_users 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 ‘下单用户总数量’ FROM ( 	SELECT user_id 	FROM data.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 data.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 data.sessions 	WHERE action_detail = 'reservations' 	GROUP BY user_id 	HAVING COUNT(user_id) >= 2 ) re_booking;

七、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。（备注：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。

7.2、流量渠道总结

前期（2011年之前）平缓，之后（2012年1月之后）开始快速增长，并且速度很快。
7～10月是旅行旺季、此时也是airbnb用户增长的旺季。
苹果设备用户居多。
drict（直接应用市场下载注册）的注册量最多，占总注册量的64.38%。
注册量排名7的渠道，占据了产品全部渠道注册来源数量的90%以上。

效果不好的渠道：

主要渠道中，content_google的转化率异常，明显低于转化率的均值。
api_other（其他产品的API对接）渠道的转化率也比较低。
content（内容推广）这一种推广方式下各渠道的转化率都很低，其中content_gsp的转化率只有8.2%。
sem中sem-non-brand_bing、sem-non-brand_vast两种SEM渠道的转化率都偏低

效果好的渠道：

seo_google的注册量和转化率表现都很好。
sem_brand_google的注册量可转化率表现很好，但是是付费渠道。

营销内容方面：

统计功能异常、数据追踪效果差。
linked和product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、local ops的转化率非常低。

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。

八、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：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 > ARPU，建议停止此渠道的投放。
在主要渠道（注册量在前7名的渠道）中api_other（其他产品的API对接）渠道的转化率较低，建议产品设计部查找尾部排名的API对接产品，与对方产品沟通，从产品的流程设计、交互设计角度查找原因。
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。
营销内容的埋点统计效果很差，常见两方面的原因。如果是研发导致的统计功能出错，需要立即修复。如果是运营人员不注重这一块的埋点统计，也就是运营同学没有提出埋点的任务，则需要行政介入，要求之后做好埋点工作。
不通营销内容的拉新和转化效果也不同，优秀营销内容（linked和product）和表现较差的营销内容（local ops），如果在活动过程建议对local ops及时优化内容甚至更换。如果是活动之后、建议运营部门针对不同质量的营销内容做对比分析，总结内容策划上的方法论，便于之后的实践。

建议三：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）。