Data-Driven Marketing: Wie die kundenzentrierte Ansprache in Zukunft gelingt, Teil 3¶

Neukunden erfolgreich binden: Analyse des Verhalten nach dem Erstkauf¶

Zur Blog-Serie https://www.shi-gmbh.com/herausforderung-customer-centricity/

Inhalt:¶

Grundlegendes Verhalten der Wiederkäufer¶

1. Wie viele Besuche mit Kauf macht ein Kunde im Durchschnitt?¶

2. Wie viel Zeit vergeht zwischen zwei Transaktionen eines Wiederkäufers?¶

3. "Churn"- oder Abwanderungsrate¶

Verhalten nach dem Erstkauf - Kohortenanalyse¶

1. Über welchen Kanal kommen meine Kunden zurück?¶

2. Wann werden Erstkäufer wieder aktiv?¶

3. Welche Produkte bewegen zum Zweitkauf?¶

Merkmale von Wiederkäufer¶

1. Used Device¶

2. Browser¶

3. Herkunftsland¶

import findspark
findspark.init('/usr/local/Cellar/apache-spark/2.3.2/libexec/')

import pyspark
from pyspark.sql import SparkSession
from pyspark.sql.functions import *
from pyspark.sql.window import Window

import plotly.plotly as py
import plotly.graph_objs as go
import pandas as pd
import requests
from plotly.offline import iplot, init_notebook_mode
from plotly import tools
init_notebook_mode()

sc = SparkSession.builder.appName("TestGA").getOrCreate()

ga_data = sc.read.json('/Users/eduardoschumann/Documents/Projekte/E-CommerceAnalytics/ga_data/ga_sessions_*.json.gz')

Grundlegendes Verhalten der Wiederkäufer¶

1. Wie viele Besuche mit Kauf macht ein Kunde im Durchschnitt?¶

Wir generieren zunächst eine Sicht der Daten, der alle Besuche mit einer Transaktion (Kauf) darstellt und mitteln dann

transactions = ga_data.select('fullVisitorId', to_date("date", "yyyyMMdd").alias("pdate"), expr("totals.transactions").cast('integer')).fillna(0).filter("transactions > 0")

transactions.groupBy('fullVisitorId').count().agg(avg(col("count"))).show()

+------------------+
|        avg(count)|
+------------------+
|1.1526641388944323|
+------------------+

2. Wie viel Zeit vergeht zwischen zwei Transaktionen eines Wiederkäufers?¶

Hierfür nutzen wir eine Window-Funktion, um alle Besuche eines Nutzers zu betrachten und die Anzahl der Tage zu berechnen, die zwischen zwei aufeinanderfolgenden Käufe vergehen. Dafür setzen wir die Funktion lag ein.

timeintertrans = transactions.withColumn("time_intertrans",datediff(transactions.pdate, lag(transactions.pdate, 1).over(Window.partitionBy("fullVisitorId").orderBy("pdate")))).fillna(0).filter("time_intertrans > 0")
timeintertrans.show()

+-------------------+----------+------------+---------------+
|      fullVisitorId|     pdate|transactions|time_intertrans|
+-------------------+----------+------------+---------------+
|6332431001963915083|2016-08-15|           1|             14|
|8851822767477687842|2016-09-07|           1|              6|
|8851822767477687842|2016-09-27|           1|             20|
|8851822767477687842|2016-09-30|           1|              3|
|2086918960702630134|2017-04-24|           1|             14|
|2864376493455301677|2017-04-08|           1|            155|
|2864376493455301677|2017-05-02|           1|             24|
| 419161784882208907|2017-03-14|           1|             88|
|5149788969578895545|2017-02-26|           1|             61|
| 768998327849146700|2016-12-11|           1|              6|
|4286676770640078553|2016-12-02|           1|             21|
|9657742098396819155|2017-04-11|           1|             28|
|0608915197735218105|2017-01-10|           1|             62|
|0608915197735218105|2017-01-13|           1|              3|
|0608915197735218105|2017-01-26|           1|             13|
|0608915197735218105|2017-03-13|           1|             46|
|0608915197735218105|2017-03-15|           1|              2|
|0608915197735218105|2017-03-17|           1|              2|
|0608915197735218105|2017-03-31|           1|             14|
|0608915197735218105|2017-04-11|           1|             11|
+-------------------+----------+------------+---------------+
only showing top 20 rows

timeintertrans.agg(avg(col("time_intertrans"))).show()

+--------------------+
|avg(time_intertrans)|
+--------------------+
|   27.72128851540616|
+--------------------+

3. "Churn"- oder Abwanderungsrate¶

Die Abwanderungsrate gibt an, wie viele Kunden am Ende eines Zeitintervalls, bspw. der Vertraugslaufzeit oder eines Zeifensters, verloren gehen. Da bei dem Shop keine Verträge mit fester Laufzeit abgeschlossen werden, betrachten wir Kalendermonate für die Berechnung der Abwanderungsrate

Mathematische Definition:

Churn(Zeitintervall) = 1 - ( Kunden(Ende) / Kunden(Beginn) )

Kunden(Beginn): Anzahl der Kunden, die im lezten Zeitintervall was gekauft haben

Kunden(Ende): Anzahl der Kunden, die zu Kunden(Beginn) zählten und im aktuellen Zeitintervall was gekauft haben (keine reine Neukunden)

buyersInPeriod = transactions.withColumn("month", month("pdate")).withColumn("year", year("pdate")).select("fullVisitorId",  expr( "month + ((year - 2016)*12)").alias("period")).distinct().withColumn("previousPeriod", expr("period  - 1"))
buyersInPeriod.show()

+-------------------+------+--------------+
|      fullVisitorId|period|previousPeriod|
+-------------------+------+--------------+
|4061971552460255356|     8|             7|
|0155890066027533778|     8|             7|
|6236875467673822779|     8|             7|
|5241810559534801001|     8|             7|
|8885298272066714457|     9|             8|
|3924372865099736100|     8|             7|
|7180222975879135190|     8|             7|
| 627462873100311863|     8|             7|
| 051257374560700342|     8|             7|
|0097216552247524030|     9|             8|
|2174401229555413552|     9|             8|
| 589967396396729491|     8|             7|
|4499382041484859324|     8|             7|
|0363878417378060116|    19|            18|
|8719867302995619824|    19|            18|
|2522954230696043073|    19|            18|
|4180896449051062828|    11|            10|
|2981325201816358942|    19|            18|
|2377126524987232945|    19|            18|
|4930078129398561333|    12|            11|
+-------------------+------+--------------+
only showing top 20 rows

totBuyersPeriod = buyersInPeriod.groupBy("period").count().orderBy("period")
totBuyersPeriod.show()

+------+-----+
|period|count|
+------+-----+
|     8| 1046|
|     9|  793|
|    10|  818|
|    11|  864|
|    12| 1318|
|    13|  662|
|    14|  666|
|    15|  809|
|    16|  870|
|    17| 1055|
|    18|  878|
|    19|  964|
|    20|   42|
+------+-----+

current = buyersInPeriod.select("fullVisitorId", expr("previousPeriod").alias("current"))
previous = buyersInPeriod.select("fullVisitorId", expr("period").alias("current"))

comparePeriods = previous.join(current, ["fullVisitorId", "current"])
comparePeriods.show()

+-------------------+-------+
|      fullVisitorId|current|
+-------------------+-------+
|7184569784224376022|      9|
|2969957690756250633|     15|
|7284466025557220497|     13|
|2402527199731150932|     16|
|2193251253036865639|     11|
| 803888563485194008|     12|
|5954999562906219668|      8|
|0608915197735218105|     16|
|4116720743881459837|     15|
|2252819581596939503|      8|
|1956307607572137989|     11|
|3891707253957252733|     19|
|1160204963389257110|     18|
|8197879643797712877|     12|
|0014262055593378383|     18|
|6820200829240883942|     17|
|9952616174324085427|     10|
|2402527199731150932|     12|
|3857043812510146001|     17|
|9029794295932939024|     13|
+-------------------+-------+
only showing top 20 rows

totRemainingBuyersPeriod = comparePeriods.groupBy("current").count().orderBy("current").withColumnRenamed("current","period").withColumnRenamed("count","remaining")
totRemainingBuyersPeriod.show()

+------+---------+
|period|remaining|
+------+---------+
|     8|       46|
|     9|       34|
|    10|       48|
|    11|       52|
|    12|       44|
|    13|       29|
|    14|       45|
|    15|       51|
|    16|       54|
|    17|       40|
|    18|       45|
|    19|        6|
+------+---------+

totBuyersPeriod.join(totRemainingBuyersPeriod, "period").select(expr("period").alias("afterPeriod"), expr("1 - (remaining / count)").alias("churnRate")).show()

+-----------+------------------+
|afterPeriod|         churnRate|
+-----------+------------------+
|          8|0.9560229445506692|
|          9| 0.957124842370744|
|         10| 0.941320293398533|
|         11|0.9398148148148148|
|         12|0.9666160849772383|
|         13|0.9561933534743202|
|         14|0.9324324324324325|
|         15|0.9369592088998764|
|         16|0.9379310344827586|
|         17|0.9620853080568721|
|         18|  0.94874715261959|
|         19|0.9937759336099585|
+-----------+------------------+