系统说明

本系统是基于Flask构建的电商数据分析平台，集成了多种机器学习算法（RFM、协同过滤、K-means、Apriori、随机森林）与ECharts可视化技术，为电商企业提供全面的用户行为分析与决策支持。系统通过整合真实电商CSV数据，实现了用户行为追踪、流量来源分析、转化漏斗优化、客户分群、商品推荐、流失预警等核心功能，帮助商家深入理解用户需求，提升运营效率和转化率。前端采用Bootstrap 5框架，后端使用SQLite数据库存储数据，支持实时数据更新和交互式图表展示。


代码文件下载请点击这

功能说明

用户行为概览

分析用户活跃度、访问深度与停留时长等核心指标。支持按7天、14天、30天筛选时间范围，展示活跃用户数、平均停留时长、平均访问深度等统计数据。提供用户活跃度趋势图、行为类型分布图、设备类型分布图，以及用户行为详细数据表格，帮助商家全面了解用户行为特征。

流量分析

分析网站流量来源与访问时段分布。统计直接访问、搜索引擎、社交媒体、推荐链接等不同来源的访问量占比，识别主要流量渠道。展示24小时流量分布趋势，发现用户访问高峰时段。结合地域分布TOP10数据，为精准营销和内容优化提供数据支持。

转化漏斗

可视化展示用户从浏览到购买的转化路径。统计浏览、点击、加购、购买等各环节的用户数量，计算各环节转化率和整体转化率。通过漏斗图直观识别转化瓶颈环节，帮助商家优化购物流程，提高转化效率。

RFM分群

基于RFM模型（最近购买时间、购买频率、消费金额）对用户进行分群分析。自动计算每个用户的RFM得分，划分为重要价值客户、重要保持客户、重要发展客户等8类客户群体。支持分页查询和筛选，为精细化客户运营和精准营销提供科学依据。

商品分析

分析商品浏览、点击、加购、购买等行为数据，计算各商品转化率。展示热销商品TOP10排行榜，识别高价值商品。统计商品类目分布，优化商品策略。支持商品画像分析，了解用户对不同商品类型的偏好，辅助选品决策。

协同过滤推荐

基于用户-商品交互矩阵实现个性化商品推荐。采用基于用户的协同过滤算法，为用户推荐与其偏好相似的其他用户购买的商品。支持输入用户ID生成推荐列表，提升用户购物体验和订单转化率。

K-means聚类

使用K-means算法对用户进行无监督聚类分析。基于用户行为特征（浏览量、点击量、购买量等）将用户划分为不同群体，发现潜在的用户细分市场。支持自定义聚类数量，可视化展示聚类结果，辅助制定差异化营销策略。

关联规则挖掘

应用Apriori算法挖掘商品间的关联规则。分析商品组合购买模式，发现频繁项集，生成支持度、置信度等指标。识别"购买A商品的用户也会购买B商品"等关联关系，为商品捆绑销售和交叉推荐提供数据支撑。

随机森林流失预警

基于随机森林算法预测用户流失概率。分析用户行为特征（最近登录时间、购买频率、停留时长等），构建流失预测模型。为每个用户计算流失概率和风险等级（低/中/高），提前识别高流失风险用户，制定挽留策略，降低用户流失率。

技术栈

• 后端框架: Flask 3.0.0
• 数据库: SQLite
• 数据处理: Pandas 2.1.3, NumPy 1.26.2
• 机器学习: Scikit-learn 1.3.2, mlxtend 0.23.0
• 前端框架: Bootstrap 5.3.0
• 可视化: ECharts 5.4.2