淘宝平台数据分析

直接跳转到分析结果

一、问题背景

电商平台每日产生海量的订单，尤其是诸如 “618” 和 “双十一” 等活动期间，巨额的成交量之下，必然产生巨量的数据。面对这些数据，如何提取有用的信息？如何根据业务需求确定 KPQ 和 KAQ ？如何设计相应的指标体系以量化业务流程？如何发掘数据的最大价值？如何通过量化的指标做出决策指导？面对这些“灵魂拷问”，我们还是要从业务入手。

二、分析思路

在电商数据分析中有很多既成的模型、指标体系以及分析方法。虽然的确可以直接套用某个模型进行分析，但是这里为了逻辑更清晰，将从战略到业务、从业务到指标，一步步得出分析模型。

2.1 战略分析

首先把数据分析的服务对象定义为决策者，我们的目标是优化运营策略和用户策略。对于淘宝这样一个成熟的平台，关注的主要问题有客户价值、获客成本、渠道质量，等。但是由于整个平台业务流程深、业务模块复杂，需要先具体化分析问题。这里把关键分析问题定义为：如何提高总成交额？ 例如，通过什么样的运营策略可以提高双十一活动期间的 GMV ？

2.2 理解相关业务

确定了服务的对象和分析的问题，接下来需要分析业务流程。在流程中拆解业务模块，细化出直接或间接影响了 KAQ 的环节，最后用指标对其进行量化。例如我们现在关注的是销量和成交额的问题，则应该从商品销售的过程中进行分析。下图大致总结了淘宝上销售商品的业务流程：

根据业务流程，通过公式化进行拆解，便可以得到详细的指标。在这一例中，成交额可以用公式表示为：

通过不断的拆解，就可以把关键分析问题转化为业务流程中的指标。根据不同的服务对象和业务需求，穷举所有的关键分析问题。例如上文提到的客户价值，渠道比例等问题。再对这些问题进行一一拆解，便可以形成一个完整的数据分析指标体系，部署在业务流程中。

2.3 构建指标体系

为了避免漫无边际地罗列数据，以业务为逻辑来构建分析指标体系尤其重要。按照业务流程中需要量化的内容，可以将数据指标大致分为三个过程五个维度。

以业务流程作为拆解逻辑，可以分为：用户获取 –> 用户行为 –> 业务结果。按指标的不同维度进行拆解，可以分为：用户属性分析、用户质量分析、参与度分析、渠道分析、功能分析。根据这五个维度，分别对应三个过程进行拆解，便可以得到具体的指标。下图为类似于淘宝的电商平台的指标体系示例：

2.4 数据获取

确定了数据指标体系，需要明确定义指标，才能交付部署，收集相关数据。通常的数据收集包括埋点、爬虫，以及寻求第三方提供的数据库。

简单来说，埋点就是在网页、移动端或者服务器中预置的收集数据并存储数据的程序。确定埋点方案主要分为几个步骤：

1. 明确埋点需求：通过分析业务，建立指标体系，根据具体指标确定埋点需求；
2. 明确属性定义：对事件、用户行为以及业务成果进行明确定义；确定在前端收集还是后端收集；
3. 有效性检验：确定数据可得性和来源，初步获取数据，对比预期结果；
4. 生成数据需求文档：将与埋点相关的业务逻辑、属性定义、数据来源等信息，总结为数据需求文档（DRD），在开发过程中部署埋点；
5. 后期的维护与迭代。

2.5 数据分析

数据分析的方法模型有很多，需要根据应用场景确定分析方法和评估模型。进行数据分析时需要基于业务，除了计算相关的指标，还需要输出其他的发现。最大程度挖掘数据的价值，服务于业务的优化。

常用的数据分析方法有两个方面：

• 统计分析：统计学意义上对数据的洞察，包括计算关键指标、不同维度的分布、相关性、联合分布、趋势，等。
• 数据挖掘：通过机器学习方法生成模型，预测数据的趋势，或者发现数据的模式；包括回归分析、分类、聚类，等。

好的数据分析方法，需要在业务层面上产生指导价值。除了计算相关的指标、学习相关的模型，还需要确定分析结果在业务上的意义。常用的方法有：归因查找、漏斗分析、对比分析、行为序列分析、多维度拆解，等。

三、实战分析

3.1 理解数据

按照分析的需求，我们这里需要获取的是淘宝平台上的订单数据、商品数据、用户行为数据，等。下一步，上爬虫！ 由于这些信息没有公开，无法在网上抓取。但是有部分官方数据经过脱敏后公开，作为科研竞赛等用途，可以有限制地获得。以下是阿里天池公开的淘宝用户行为数据：User Behavior Data From Taobao for Recommendation

从上表可以看到，数据包含五个字段和一亿条观测。从数据的内容，我们根据前面的五个分析维度，简单罗列一下从数据源中可能获得的信息：

• 用户属性：用户的行为特征
• 参与度：PV、UV、时间间隔、ARPU，等
• 用户质量：DAU、WAU、TAD、单日留存、周留存，等
• 功能：路径转化率
• 渠道：无信息

3.2 构建数据集

上面的源数据解压后达到 3.5GB，无法直接写进内存进行分析。这里使用 pandas 进行分块，并使用 sqlalchemy 引擎写进数据库，提高后续的处理效率。

首先在数据库中创建一个新的 Table，定义各个字段。这里由于每个用户ID对应多个行为序列，不能作为主键，选取三个字段作为联合主键。

1
2
3
4
5
6
7
8
CREATE TABLE IF NOT EXISTS User_Behaviors(
    user_id INT(20) NOT NULL,
    item_id INT(20) NOT NULL,
    cat_id INT(20) NOT NULL,
    behav_type VARCHAR(20) NOT NULL,
    time_stamp INT(20) NOT NULL,
    PRIMARY KEY (user_id, item_id, time_stamp)
)

然后将数据分块读取存进数据库。由于源数据中没有字段名，这里需要给 DataFrame 手动加上字段名。

1
2
3
4
5
6
7
8
9
10
11
12
13
chunks = pd.read_csv('UserBehavior.csv', chunksize=10000, header=None)
cols = ['user_id', 'item_id', 'cat_id', 'behav_type', 'time_stamp']
engine = sqlalchemy.create_engine(
    f'mysql+pymysql://root:{pw}@localhost:3306/{db}?charset=utf8'
)
for df in chunks:
    df.columns = cols
    df.to_sql(
        'User_Behaviors', 
        con=engine, 
        if_exists='append', 
        index=False
    )

存进数据库后需要进行数据的清洗，主要包括将 UNIX 时间戳转化成 Ymd-HMS 格式的时间、删除一些异常数据。

1
2
3
4
5
6
7
8
9
10
ALTER TABLE user_behaviors ADD COLUMN `datetime` TIMESTAMP(0) NULL;
ALTER TABLE user_behaviors ADD COLUMN `date` CHAR(10) NULL;
ALTER TABLE user_behaviors ADD COLUMN `hour` CHAR(10) NULL;

UPDATE user_behaviors SET `datetime` = FROM_UNIXTIME(time_stamp);
UPDATE user_behaviors SET `date` = SUBSTRING(datetime FROM 1 FOR 10);
UPDATE user_behaviors SET `hour` = SUBSTRING(datetime FROM 12 FOR 2);

DELETE FROM user_behaviors WHERE 
datetime < '2017-11-25 00:00:00' OR datetime > '2017-12-04 00:00:00';

作为分析示例，这里抽取了数据集中前 100 万行观测进行分析。虽然 SQL 的查询高度优化，每条语句的执行还是需要几秒钟。如果处理整个数据集（一亿行），将会达到几分钟，需要再进一步优化，或者使用 mapreduce 程序。

3.3 计算相应指标

（1）用户活跃度

下面计算了每天的活跃用户数量，并以11-26（周日）~12-02（周六）为一周，计算周活跃用户数量。留意到数据源里有记录的用户，均为产生过行为的用户，因此不能以活跃数量来分析用户质量。为了分析用户质量，这里可以计算每个用户的总活跃天数以及活跃时段分布。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
-- 计算每一天的 DAU
SELECT date AS '日期', COUNT( DISTINCT user_id ) AS 'DAU' 
FROM user_behaviors 
GROUP BY date;
-- 类似地计算 WAU
-- SELECT ... FROM ... WHERE date >= '2017-11-26' OR date <= '2017-12-02';
-- 计算每个用户的 TAD，保存为视图
CREATE VIEW TAD AS
SELECT user_id AS '用户ID', COUNT(DISTINCT date) AS 'TAD' 
FROM user_behaviors 
GROUP BY user_id 
ORDER BY TAD DESC;
-- 通过 TAD 视图计算活跃天数的分布
SELECT `TAD`, COUNT(DISTINCT '用户ID') AS '人数' 
FROM TAD 
GROUP BY `TAD` 
ORDER BY `TAD` DESC;
-- 计算不同时段的活跃用户数量
SELECT hour, COUNT(DISTINCT user_id) AS '活跃数量' 
FROM user_behaviors 
GROUP BY hour 
ORDER BY hour;

（2）留存分析

接下来进行留存分析。首先计算新增的用户，由于这里的数据无法计算准确意义上的“新增用户”，这里把“新增”定义为第一次出现购买行为的用户。由于缺乏历史数据，这里的新增数量在前几天存在一定水分，最后稳定到 500~600 之间。以日作为计算留存率的最小单位，默认当天的留存率为 100%。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
-- 创建一个查询过程获取每天的新增用户以及日留存
CREATE DEFINER = CURRENT_USER PROCEDURE `retentRate`(
    base INT(20), day_start VARCHAR(20), day VARCHAR(20)
)
-- base -- 基期新增数量 | day_start --基期日期 | day -- 计算当日日期
BEGIN
    SET @retentNum = 0;
    SELECT COUNT(DISTINCT user_id) INTO @retentNum
    FROM user_behaviors WHERE user_id
    IN(
        SELECT DISTINCT user_id FROM user_behaviors WHERE user_id 
        NOT IN(
            SELECT DISTINCT user_id FROM user_behaviors 
            WHERE date<day_start AND behav_type='buy'
        )
        AND date=day_start AND behav_type='buy'
    )
    AND date=day AND behav_type='buy';    
    SELECT @retentNum / base AS '留存率';
END

-- 计算 2017-11-25 新增用户数量
CALL retentRate(1, '2017-11-25', '2017-11-25');
-- 计算 2017-11-25 新增用户在 2017-11-26 的单日留存率
CALL retentRate(1317, '2017-11-25', '2017-11-26');

-- 计算总留存率
SELECT COUNT(DISTINCT user_id) 
FROM user_behaviors 
WHERE date>@day_start 
AND behav_type='buy'
AND user_id IN(
    SELECT DISTINCT user_id FROM user_behaviors 
    WHERE date=@day_start AND behav_type='buy'
)
AND user_id NOT IN(
    SELECT DISTINCT user_id FROM user_behaviors 
    WHERE date<@day_start AND behav_type='buy'
);

（3）参与度分析

首先计算点击量和独立访客数。然后根据 RFM 模型，计算每位用户的最近一次购买、平均时间间隔、购买次数和复购率。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
-- 创建视图，抽样出具有购买行为的用户，计算每个用户的购买次数
CREATE VIEW buy_times AS
SELECT user_id AS '用户ID', COUNT(behav_type) AS '购买次数' 
FROM user_behaviors 
WHERE behav_type='buy' 
GROUP BY user_id ORDER BY '购买次数' DESC;
-- 计算购买次数分布
SELECT '购买次数', COUNT('用户ID') AS '人数' 
FROM buy_times 
GROUP BY '购买次数' ORDER BY '人数' DESC;
-- 计算最近一次购买
CREATE VIEW recency AS 
SELECT user_id, MAX(date) AS '最近一次购买日期', MAX(time_stamp) AS '时间戳' 
FROM user_behaviors 
WHERE behav_type='buy' GROUP BY user_id;
SELECT COUNT(user_id), '最近一次购买日期' AS `date` 
FROM recency GROUP BY date ORDER BY date DESC;
DROP VIEW buy_times, recency;

计算得 9 日内复购率为 66.2%。由于数据中缺少订单金额，这里将 ARPU 定义为“平均每个用户的购买数量”。可以计算 9 天中的 ARPU 为 每活跃用户 2.1 次购买、ARPPU 为 每付费用户 3 次购买。

接下来计算购买行为时间间隔。先去除单次购买用户，将每个用户的时间戳转化为有序列表，然后计算每个用户购买行为的时间间隔，得出平均时间间隔（亦即购买行为频率；由于数据源时间跨度短，直接用次数除以天数得出的频率不准确）。

（4）其他指标

首先进行功能分析，计算功能访问情况以及路径转化率。根据业务逻辑，将加入购物车与收藏商品归到同一个节点（暂命名为“喜欢”），可计算得结果如下：

接下来对不同商品类别进行分析，计算不同类别的商品的点击量和销售量进行排名。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
-- 创建点击量和销售量视图
CREATE VIEW cat_click AS
SELECT cat_id AS 'clickID', COUNT(*) AS '点击量' 
FROM user_behaviors 
WHERE behav_type='pv' GROUP BY cat_id;
CREATE VIEW cat_sale AS
SELECT cat_id AS 'saleID', COUNT(*) AS '销售量' 
FROM user_behaviors 
WHERE behav_type='buy' GROUP BY cat_id;
-- 对两个视图进行 内连接，并转化为数据表，添加转化率字段
CREATE VIEW click_sale AS
SELECT * FROM cat_click
INNER JOIN cat_sale ON cat_click.clickID = cat_sale.saleID;
-- 计算各类目转化率
ALTER TABLE click_sale ADD COLUMN rate FLOAT(5,4) NULL;
UPDATE click_sale SET rate = '销售量' / '点击量';

3.4 数据挖掘

这里做数据挖掘的意义是，希望获得对用户的行为模式的洞察。实现精准营销，商品推荐等相关功能。由于源数据只有用户的行为特征，而没有我们需要的响应变量，因此使用无监督学习方法对用户进行分群。

（1）构建训练集

根据掌握的数据，首先需要确定从数据可以获取哪些信息。使用 OpenCV 对用户行为数据进行可视化，如下图：

其中每个像素点代表一次用户行为，同一用户行为序列相邻。白色为浏览，绿色为喜欢，红色为购买。将部分放大可以看到，不同用户的行为序列存在特定的模式。接下来需要对数据进行标准化以用于模型训练。为了给离散的分类变量赋予连续的意义，按照业务逻辑，将取值为“cart”与取值为“fav”的观测，合并为“fav”一个节点。最后将行为类型转化为哑变量。

1
2
3
4
5
6
7
8
9
10
""" 构建训练集
"""
# ...
data = pd.DataFrame()
data['user_id'] = df.user_id
data['pv'] = [1 if behav == 'pv' else 0 for behav in df.behav_type]
data['fav'] = [1 if behav in ['cart','fav'] else 0 for behav in df.behav_type]
data['buy'] = [1 if behav == 'buy' else 0 for behav in df.behav_type]
# 求行为序列矢量和
data = data.groupby('user_id').agg(sum)

得到的 DataFrame 包含三个特征变量，每个 user_id 对应三维空间中的多个特征向量。如果用特征向量代表用户的行为序列，将涉及很高的维度，增加模型解析难度。因此只对每个用户的特征向量求矢量和。构建的数据集采样如下：

（2）建模评估

K-Means 算法将包含 N 个样本的变量 X 分成 K 个不相交的聚类 C ，每个聚类用其样本均值 μj 表示，该均值通常称为“质心”。质心可以不是包含在样本集合 X 中的点。使用欧氏距离度量，K-Means 算法旨在最小化每个点距离质心的 l2 范数，对应的损失函数如下：

利用 scikit-learn 进行建模训练与模型评估：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
from sklearn.cluster import KMeans
from sklearn.metrics import silhouette_score
from sklearn.preprocessing import StandardScaler

# ...
# 数据归一化
data = df.copy().drop('user_id', axis=1)
data = StandardScaler().fit(data).transform(data)

# 根据轮廓系数进行模型调优
sh_scores = []
km_models = []
for i in range(9):
    km = KMeans(n_clusters=i+2)
    km.fit(data)
    sh = silhouette_score(data, km.labels_)
    sh_scores.append(sh)
    km_models.append(km)
# ...
# 用户分群标签
df['lables'] = km_models[k-2].labels_

通过下图评估模型质量：左图为轮廓系数，理论上接近 1 越好；右图为质心距离平方和，理论上越小越好。可以看到，由于数据源包含的信息维度较少，聚类趋势并不明显。如果进行进一步的调优，需要增加特征变量，以及在训练集特征变量的权重和尺度缩放等方面进行调整。并且在后期在业务流程中进行跟踪，通过业绩对比以及AB测试等方法确定最优模型。由于可用数据有限，这里仅得出一个较粗糙的结果作为示例。综合两图以及业务上的需求，将 K 值定为 6 ，最后给用户贴上类别标签。

3.5 RFM模型

根据前面计算得到的相关数据指标，建立 RFM 模型对用户价值进行评分。这里 recency 用最近一次购买时间表示；frequency 用购买平均时间间隔表示，只有一次购买的用户的 frequency 取值为所有用户中的最大值；monetary 由于缺少客单价数据，直接用购买次数表示。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
# ...

# 计算 recency
rfm.recency = list(
    df[['user_id', 'time_stamp']].groupby('user_id').agg(max)['time_stamp']
)
# 计算 frequency（日期跨度较短，用平均购买时间间隔表示）
for i in range(len(rfm)):
    try:
        rfm.frequency[i] =  - interval.loc[rfm.user_id[i]].mean_hour
    except Exception as KeyError:   # interval中仅包含购买次数大于一次的用户信息
        rfm.frequency[i] =  - max(interval.mean_hour)
# 计算 monetary（缺少客单价，用购买次数表示）
for i in range(len(rfm)):
    try:
        rfm.monetary[i] = interval.loc[rfm.user_id[i]].buy_times
    except Exception as KeyError:
        rfm.monetary[i] = 1

# 数据归一化转为评分
def scaler(name, df=rfm):
    arr = np.array(df[name])
    m = np.median(arr)      # 使用中位数对价值高低进行划分
    s = np.std(arr)
    return list((arr - m) / s)
rfm.recency = scaler('recency')
rfm.frequency = scaler('frequency')
#去除极端值
rfm.monetary = [10 if i >= 10 else i for i in rfm.monetary]

# 添加分群标签：三位编码分别代表r、f、m，A、B分别代表价值高、低。
label = ['A' if i > 0 else 'B' for i in rfm.recency]
label = [lb+'A' if i > 0 else lb+'B' for i, lb in zip(rfm.frequency, label)]
rfm['label'] = [lb+'A' if i>0 else lb+'B' for i,lb in zip(rfm.monetary, label)]

计算出指标后对其进行归一化作为评分。并在三个维度以中位数为分界，将用户分割为 8 群，用从 “AAA” 到 “BBB” 的 8 个标签表示（取值 A 表示该维度评分高于中位值）。得到的数据如下表所示。最后利用 R 中的 3D 绘图库 scatterplot3d 绘制用户的价值分群图像。

1
2
3
4
5
6
library(scatterplot3d)
fig <- scatterplot3d(
    x=rfm$recency, y=rfm$frequency, z=rfm$monetary, color=rfm$color, 
    xlab='R', ylab='F', zlab='M', 
    angle=45, mar=c(3,3,3,3), pch=22
)

四、分析报告

分析报告是分析结果的最终呈现，决定了数据分析项目的最终价值。报告的一般思路为：以关键分析问题为主题，确定对应结论；以问题的拆解思路为框架，组织结论的阐述。 在此主题框架的基础上，通过具有明确逻辑的图、表、叙述，来阐述数据分析的结论。最后做出在业务上的指导。同时需要注意几个关键问题：逻辑的说服力、图表的洞察力，以及决策指导的有效性。

在本例中由于数据的限制，未能以完整的框架阐述分析结果，仅叙述部分重要结论。以关键分析问题在业务流程中的拆解为思路，主要探讨如何在商品销售过程中提高平台的销售业绩，得出的主要结论包括以下方面。

4.1 营销策略

（1）提高热门商品的点击率和购买转化率

下图将热门商品类别以及具体商品按点击量降序排列，并计算了相应的购买数量和购买转化率。其中，热度最高的类别（ID：4756105）在 9 天内总点击量接近 5 万，但是购买转化率只有 0.6% ；转化率较高的商品类别（ID：1464116）点击量只有 3~4 千。而热度最高的商品转化率只有 0.4%；很多转化率很高的商品根本没有选上热门。

总的来说，热门商品的购买转化率普遍不高。因此，一方面应该通过更多的推荐以及搜索匹配，以及针对用户群体精准推送，提高转化率高的商品的点击量；另一方面，对于一些关注度较高但是转化率低的商品以及商品类别，从各方面提高内容质量以激起用户购买欲望。

（2）充分发掘用户价值

首先看一下用户的活跃情况，通过页面浏览量、独立访客数和日活量，可以看到用户活跃程度较高。并且在 12-02 日用户活跃度有较明显的跳跃。通过用户 TAD 分布可以看到，在所选数据范围中，每天都活跃的用户占约 25%。用户活跃度指标表现优秀，可以使用归因查找方法确定 12-02 日访客增加的原因，利用相关策略进一步提高用户活跃度。

再来看一下用户新增和留存情况，注意到这里的新增和留存都是相对于“购买”行为而言的。由于数据源时间跨度较短，前几天的新增用户数有虚高情况。通过从新增日期开始，到 12-03 的每日日留存计算平均日留存，结果稳定在 20% 左右。可以粗略理解为：每五位新增购买用户中，有一位会在一周内的某一天或多天进行再次购买。通过计算得到 9 天中所有购买用户的复购率为 66.2%，平均每付费用户 3 次购买。

总得来说，用户活跃程度高，平均用户价值也较高。而购买转化率还有一定提升空间。从转化漏斗可以看到，总体的购买转化率只有 2.28%，没有充分利用活跃用户的价值。因此可以通过更多的优惠促销活动，抓紧消费者心理，提高新增、留存和转化率指标，发掘用户更大的价值。

4.2 用户策略

从前面分析可以看到，不同的用户活跃度与价值质量有一定差异。例如，9 天内平均每付费用户 3 次购买，较为可观；而所有活跃用户的购买转化率为 2.28%，仍有提升空间。因此可以挖掘用户的行为模式，以及计算不同用户的价值，通过有针对性的用户策略，提升总体业绩指标。

（1）精准化营销

下面从用户的行为模式对用户的分群。下图显示了用户在不同行为类型构成的三维空间中的分布，并根据行为特征对用户进行了分类。右上图例显示了每一个聚类的中心的位置，右下图例显示了不同类别的数量分布。

图中，每类用户具有差异化的行为特征。例如，浅蓝色类别的用户属于活跃度中等，但是购买数量较多的用户，属于转化率较高的群体。从数量分布可以看到，只有极少用户满足该类特征。因此应该重点提高该类用户的数量以及活跃程度。红色类别的用户属于活跃程度高，而购买力一般的用户，可通过更多的优惠刺激以及精准推荐，增加该类用户购买行为。而绿色用户属于价值一般的群体，应该重点发展和保留。

这里由于数据有限，只从少量维度刻画用户的特征。可以引入更多的用户特征变量，形成更细致的用户画像，并对不同群体实施更精准的营销。

（2）培养高价值用户

下面根据 RFM 模型计算不同用户的价值。这里由于数据有限，用平均购买行为时间间隔表示 Frequency，用购买次数表示 Monetary。下面四个图分别显示了 RFM 三个维度的用户数量分布以及最后的分类结果。

从分布图可以看到，最近一次购买时间分布集中在初始日期附近，大部分用户的购买频率集中在 1~2 天一次，近 6 成用户购买次数为 1~2 次。

最后的图中以中位数为界，从三个维度将用户划分为 8 群。其中红色类别（AAA）为高价值用户群体，可综合该类用户的特征，培养更多高价值用户。橙色类别（BAA） Recency 评分偏低，可通过更多促销活动培养用户习惯。 蓝色类别（BBB）的用户三个维度的评分均偏低，应重点发展避免流失风险。

以上为一个粗略的评估。在长期数据的支持下，结合客单价数据，可以更精确地评估客户价值，并培养更多高价值用户，提高销售业绩。

• Previous
  链家二手房市场分析
• Next
  Jekyll 学习笔记