电商用户行为数据分析项目 用户行为 数据分析

1. 背景与目的

该重构项目对京东的运营数据集的用户购买行为进行分析，研究用户过程中的行为特点、购物偏好、以及在购物过程中的转化率和流失情况，为精准营销提供高质量的目标群体。

2. 分析思路

用户行为分析目的（根据目的拆解）：促进用户购买商品、精准营销。

根据第3节数据集特点，从以下五个角度分析：
1） 京东用户整体行为信息
2） 用户行为漏斗分析
3） 留存分析
4） 用户购物行为偏好
5） 用户价值分析

3 数据概述

3.1 数据来源

数据集来源：https://jdata.jd.com/html/detail.html?id=8 该数据集采用京东用户行为数据表（jdata_action），数据集构成如下：

各字段的含义如下：

3.2 数据处理

1. 选择子集
   截取2018-03-30至2018-04-15之间的数据完成本次分析。
2. 整理列字段
   去掉与本次分析无关的列module_id；
   将用户行为转化为字符串表示；
   处理日期和时间格式；
3. 删除重复值
4. 缺失值处理
   检查是否有缺失值
5. 异常值处理

处理完后的数据预览

4 结论与建议（结论先行）

1. 可以增加渠道推广投入，进行精准人群推广，推出新用户福利，吸引新用户。推出分享有礼等活动促进老拉新，实现社交裂变；并且，定期进行促销活动保持老用户的活跃度。
2. 根据每小时用户使用京东app时间特点，结合用户商品偏好，来开展营销活动。如在早上9点和晚上21点时候，进行整点秒杀等活动。在用户访问高峰期，进行活动与通知推送，并推送用户感兴趣的商品吸引用户眼球，促进用户参与率与转化率。
3. 结合用户购买行为路径，可以不断优化商品搜索功能与推荐功能，提高商品搜索与推荐准确度，提高用户下单转化率；优化首页布局与详情页展示页展现效果，促进用户下单；并且根据用户行为漏斗分析的结论，商品浏览->下单购买的转化率最高，因此提供一键购物等来简化购物步骤流程，提高用户下单率。另外，通过加购再消费的用户也很多，因此也可以进一步优化购物车下单体验，降低购物复杂度，并且结合用户购物车中的商品进行精准推荐。另外，大部分用户不是很热衷对购物体验进行反馈，可以设置一些奖励制度提高用户评论数，增大用用户粘性。
4. 目前用户留存率情况相对稳定、健康，为了进一步提高留存率，可以推出定期秒杀活动、专享优惠券、签到有奖环节，并建立合理的用户积分体系，增加用户浏览时长和深度。
5. 用户留存率情况稳定，但用户的复购率较低，说明平台的用户体验存在问题，需要进一步找出用户槽点，提高用户购物满意度，并优化售后体验；加强老用户召回机制，给老用户推送消息通知，给予老用户福利和购物补贴等，来换回用户。
6. 通过RFM对用户进行分层，将用户分成不通过消费特点的用户群体，从而进行精细化营销，不同的客户群体使用不同的营销方法和策略。用有限的资源优先服务最重要的客户。

5 分析与指标构建

5.1用户整体行为分析

用户行为要素
用户行为过程：访问、加购、下单、消费、关注、评论
用户行为属性：是否会员、是否付费、
时间范围：15天、天、周、时
时间变化趋势

根据第3节数据集特点，指标选择
增长类：用户数、消费用户数、跳失率、复购率
行为类：PV/UV、行为时间
交易类：订单数、下单人数、人均订单数、ARPPU

分析思路
1） 会员与非用户群体访问情况分析
2） 会员与非用户群体消费情况分析
3）会员与非用户群体访问、消费行为随着时间变化情况

5.1.1 京东用户基本行为数据

总体用户行为情况
PV：6229177
UV：728959
日均访问量：389323.562
人均访问量：8.545
消费用户数：395874
消费用户数占比：54.307%
消费用户访问量：3918000
消费用户人均访问量：9.897%
消费访问量占比：62.898%

用户整体行为分布情况

结论：用户整体行为中，有82.6%行为为浏览，实际支付操作仅占6.4。除此之外，用户评论及关注的行为占比也较低，说明大部分用户不是很热衷对购物体验进行反馈，应当增强网站有用户之间的互动，并且可以根据用户购物车内商品进行精准推送。提高评论数量和关注率，增大用户粘性。

跳失率：22.3%（2018年3月30日-2018年4月14日）
结论：相对健康。可以调整首页页面布局、优化用户产品体验，提高产品的吸引力。

用户消费行为

消费频次：

用户消费频次前10的客户：

单个用户消费频次分析

结论：可以看出绝大多数的用户消费次数为1次。可以增加推广、给予用户补贴优惠、完善购物体验等来提高用户消费次数。

复购率
2018年3月30日-2018年4月14日期间这两周时间的复购率：
(消费过2次及2次以上的购买次数 / 所有购买次数)*100%=13.4%

结论
1） 从数值来看，用户的复购率不高。结合上面的用户消费频次分布可以看出，很多用户购买了一次商品后就没有再进行消费。因此应该加强老用户召回机制，如给老用户发送推送通知、给予购物补贴等，并提升用户购物体验来促进用户消费。
2） 复购率水平要和相应同比、环比周期相比，也要与业内其他公司的复购率水平比较。

5.1.2 用户行为随时间的变化情况

随天数变化
每日浏览量

每日访客数

结论：每日访客数和每日浏览量曲线表现相符，都在4月4日这一天有所下降。经查发现4月4日这天为清明节前一天，因此各数据在当天有所下降。但是之后就逐渐回升。在清明节假期结束后，访客数量和浏览量继续升高。日消费人数占比

简单地把有过一次操作的用户都视为活跃用户，则日消费人数占比 = 日消费次数 / 日活跃人数

结论：可以看出，日消费人数都在20%以上。但在4月4日的时候消费人数骤减，通过时间查看可知这天是清明节，这一天消费人数占比降低。用户操作随小时变化情况

PV随小时变化

UV随小时变化

用户其他操作随小时变化情况

结论

1）访客数和浏览量随小时变化情况基本保持一致。在1点到5点之间，用户都在休息，因此整体活跃度很低。当用户逐渐醒来后，活跃度逐渐提升。在10点达到最高，之后略微回落趋于平稳。在18点的时候大多数人时间开始空闲，因此又迎来第二次增长，在晚上21点的时候达到高峰。因此可以在早上9点和晚上20点左右的时候进行一些活动与通知推送等，吸引用户眼球、促进用户参与率与转化率。

2）加入购物车和付款两条曲线贴合比比较紧密，说明大部分用户习惯加入购物车后直接购买。

3) 关注数相对较少，因此可以根据用户购物车内商品进行精准推送。评论数也相对较少，说明大部分用户不是很热衷对购物体验进行反馈，可以设置一些奖励制度提高用户评论数，增大用用户粘性。

5.2 行为漏斗分析

考虑不同用户操作路径之间的转化率。
用户操作抽象出以下路径：
浏览->付款
浏览->加购->付款
浏览->收藏->付款
浏览->收藏->加购->付款

则不同用户路径的转化率为：

浏览->购买

浏览-加购-付款

浏览-关注-付款

浏览-关注-加购-付款

结论

1）比较四种不同的转化方式，最有效的转化路径为浏览直接付款转化率为21.46%，其次为浏览加购付款，转化率为12.47%。可以发现随着结算方式越来越复杂转化率越来越低。加购的方式比关注后购买的方式转化率要高，推其原因为购物车接口进入方便且可以做不同商家比价用，而关注则需要更繁琐的操作才可以查看到商品，因此转化率较低。

2）可以优化商品搜索功能，提高商品搜索准确度、易用性，减少用户搜索时间。根据用户喜好在首页进行商品推荐，优化重排商品详情展示页，提高顾客下单欲望，提供一键购物等简化购物步骤的功能，客服也可以留意加购及关注用户，适时推出优惠福利及时解答用户问题，引导用户购买以进一步提高转化率。

5.3 留存分析

留存行为分析要点
时间范围：选择次日、7日、14日
起始行为：3月30日起该天有过操作的用户数
回访行为：又有过操作的用户数

分析思路

1. 新增用户在次日、7日、14天的留存率
2. 不同用户群体整体留存率
3. 判断高留存率用户行为特征
4. 根据特征调整策略

时间范围：次日、7日、14天留存

结论

留存率反应了产品健康程度和保留用户的能力。当前次日留存率是24.87%,7日留存率是18.55%，14日留存率是16.74%。

参考Facebook的留存率“40–20–10”规则，因平台是电商平台，次日留存率离40%具有一定举例，但可以看出次日留存率、周留存率和14日留存率较为稳定和健康，用户对于平台具有一定依赖性。

因平台发展已经到达稳定阶段，用户保留率不会发生较大波动，数据量足够的情况下可以以年为单位，计算按月的留存率。另外，可以合理安排消息推送来唤醒流失用户。还日常维护好用户积分体系，推出签到有奖等机制提高用户粘性，进一步提高留存率。

5.4 商品偏好

商品类别总数： 239007种商品。

销量最高的商品种类：

结论：在计算周期内超过1000次以上的共有13种商品。可以增加这13种商品的库存与在线数，并针对这13种商品做相应的推广与活动，吸引用户购买。

5.5 用户价值分析模型RFM

由于缺少M（金额）列，仅通过R（最近一次购买时间）和F（消费频率）对用户进行价值分析：

RF	用户类型
11	重要价值客户
10	重要发展客户、新客户
01	重要保持客户
00	一般挽留客户

通过计算，得到以下结果：

结论：

1） 不同类型的用户占比差异较小，应首先提升重要价值客户占比。

2） 对于重要价值用户来说，他们是最优质的的用户，应该给予资源倾斜，这部分用户群体占最高的27.6%，表现还不错。需要加强该用户群体粘性，通过提高该用户群体使用京东app的满意度，发放一些特别福利回馈他们来维系。另一方便，需要从其他类型的用户转化而来。

3） 对于重要发展客户，他们最近消费过，但消费频次低，这部分客户占26.19%，是第二多的群体，另外他们也可能是新用户。这部分用户忠诚度较高但购买力度不足，因此需要提高该用户群体的使用时间与消费频次。可以针对改群体设计调查问卷，了解痛点不断优化产品体验提升留存率。在消费上，可以通过交叉销售、更精确的商品推荐、发放优惠券、赠品和促销信息等方式提升消费频次，将他们转化为重要价值用户。

4） 对于重要保持客户，他们消费频率高，但最近一段时间没有使用app，有流失的风险。需要都关注该类型用户的购物习惯做精准营销，并通过消息推送系列活动、上新等方式唤醒和召回用户，提升用户的留存率，减少用户流失。

5） 对于一般挽留用户，可以定期发送邮件或短息换回，争取将他们转化为重要保持客户和重要招呼客户。

6 代码实现与附录

6.1 用户整体行为分析

# 总访问量
pv = df[df['type'] == 'pv']['user_id'].count()
# 总访客数
uv = df['user_id'].nunique()
# 消费用户数
user_pay = df[df['type'] == 'pay']['user_id'].unique()
# 日均访问量
pv_per_day = pv / df['date'].nunique()
# 人均访问量
pv_per_user = pv / uv
# 消费用户访问量
pv_pay = df[df['user_id'].isin(user_pay)]['type'].value_counts().pv
# 消费用户数占比
user_pay_rate = len(user_pay) / uv
# 消费用户访问量占比
pv_pay_rate = pv_pay / pv
# 消费用户人均访问量
pv_per_buy_user = pv_pay / len(user_pay)

# 跳失率
attrition_rates = sum(df.groupby('user_id')['type'].count() == 1) / (df['user_id'].nunique())
print('跳失率为 %.3f%%'  %(attrition_rates * 100) )

用户消费

# 单个用户消费总次数
total_buy_count = (df[df['type']=='pay'].groupby(['user_id'])['type'].count()
                   .to_frame().rename(columns={'type':'total'}))
# 消费次数前10客户
topbuyer10 = total_buy_count.sort_values(by='total',ascending=False)[:10]
# 复购率
re_buy_rate = total_buy_count[total_buy_count>=2].count()/total_buy_count.count()

# 消费频次前10
topbuyer10.reset_index().style.bar(color='skyblue',subset=['total'])


# 单用户消费次数分布
tbc_box = total_buy_count.reset_index()
fig, ax = plt.subplots(figsize=[16,6])
ax.set_yscale("log")
sns.countplot(x=tbc_box['total'],data=tbc_box,palette='Set1')
for p in ax.patches:
        ax.annotate('{:.3f}%'.format(100*p.get_height()/len(tbc_box['total'])), (p.get_x() - 0.1, p.get_height()))
plt.title('用户消费总次数')

随时间变化
消费

# 日活跃人数（有一次操作即视为活跃）
daily_active_user = df.groupby('date')['user_id'].nunique()
# 日消费人数
daily_buy_user = df[df['type'] == 'pay'].groupby('date')['user_id'].nunique()
# 日消费人数占比
proportion_of_buyer = daily_buy_user / daily_active_user
# 日消费总次数
daily_buy_count = df[df['type'] == 'pay'].groupby('date')['type'].count()
# 消费用户日人均消费次数
consumption_per_buyer = daily_buy_count / daily_buy_user

# 可视化
# 柱状图数据
pob_bar = (pd.merge(daily_active_user,daily_buy_user,on='date').reset_index()
           .rename(columns={'user_id_x':'日活跃人数','user_id_y':'日消费人数'})
           .set_index('date').stack().reset_index().rename(columns={'level_1':'Variable',0: 'Value'}))
# 线图数据
pob_line = proportion_of_buyer.reset_index().rename(columns={'user_id':'Rate'})

fig1 = plt.figure(figsize=[16,6])
ax1 = fig1.add_subplot(111)
ax2 = ax1.twinx()

sns.barplot(x='date', y='Value', hue='Variable', data=pob_bar, ax=ax1, alpha=0.8, palette='Oranges')

ax1.legend().set_title('')
ax1.legend().remove()

sns.pointplot(pob_line['date'], pob_line['Rate'], ax=ax2,markers='D', linestyles='--',color='sienna')

# 打印出数值
x=list(range(0,16))
for a,b in zip(x,pob_line['Rate']):
    plt.text(a+0.1, b + 0.001, '%.2f%%' % (b*100), ha='center', va= 'bottom',fontsize=12)

fig1.legend(loc='upper center',ncol=2)
plt.title('日消费人数占比')

浏览与访问

#每日浏览量
pv_daily = df[df['type'] == 'pv'].groupby('date')['user_id'].count()
#每日访客数
uv_daily = df.groupby('date')['user_id'].nunique()

# 可视化每日浏览
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(pv_daily.index, pv_daily.values,markers='D', linestyles='--',color='limegreen')
x=list(range(0,16))
for a,b in zip(x,pv_daily.values):
    plt.text(a+0.1, b + 2000 , '%i' % b, ha='center', va= 'bottom',fontsize=14)
plt.title('每日浏览量')

# 可视化每日访问
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(uv_daily.index, uv_daily.values, markers='H', linestyles='--',color='darkgoldenrod')
x=list(range(0,16))
for a,b in zip(x,uv_daily.values):
    plt.text(a+0.1, b + 500 , '%i' % b, ha='center', va= 'bottom',fontsize=14)
plt.title('每日访客数')

每小时访问情况

#每时浏览量
pv_hourly = df[df['type'] == 'pv'].groupby('hour')['user_id'].count()
#每时访客数
uv_hourly = df.groupby('hour')['user_id'].nunique()

# 用户操作行为随每小时变化

# PV随每小时变化
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(pv_hourly.index, pv_hourly.values, markers='H', linestyles='--',color='turquoise')
for a,b in zip(pv_hourly.index,pv_hourly.values):
    plt.text(a, b + 10000 , '%i' % b, ha='center', va= 'bottom',fontsize=12)
plt.title('浏览量随小时变化')

# UV随每小时变化
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(uv_hourly.index, uv_hourly.values, markers='H', linestyles='--',color='y')
for a,b in zip(uv_hourly.index,uv_hourly.values):
    plt.text(a, b + 1000 , '%i' % b, ha='center', va= 'bottom',fontsize=12)
plt.title('访客数随小时变化')


# 用户各操作随小时变化
type_detail_hour = pd.pivot_table(columns = 'type',index = 'hour', data = df,aggfunc=np.size,values = 'user_id')

tdh_line = type_detail_hour.stack().reset_index().rename(columns={0: 'Value'})
tdh_line= tdh_line[~(tdh_line['type'] == 'pv')]
# 可视化
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(x='hour', y='Value', hue='type', data=tdh_line, linestyles='--', palette='muted')

plt.title('用户操作随小时变化')

6.2 用户行为漏斗

df['action_time'] = pd.to_datetime(df['action_time'],format ='%Y-%m-%d %H:%M:%S')

# 用户行为整体分布
type_dis = df['type'].value_counts().reset_index()
type_dis['rate'] = round((type_dis['type'] / type_dis['type'].sum()),3)
type_dis.style.bar(color='skyblue',subset=['rate'])

# 不同行为之间的转化率
df_con = df[['user_id', 'sku_id', 'action_time', 'type']]

df_pv = df_con[df_con['type'] == 'pv']
df_fav = df_con[df_con['type'] == 'fav']
df_cart = df_con[df_con['type'] == 'cart']
df_pay = df_con[df_con['type'] == 'pay']

df_pv_uid = df_con[df_con['type'] == 'pv']['user_id'].unique()
df_fav_uid = df_con[df_con['type'] == 'fav']['user_id'].unique()
df_cart_uid = df_con[df_con['type'] == 'cart']['user_id'].unique()
df_pay_uid = df_con[df_con['type'] == 'pay']['user_id'].unique()
pv_pay_df1 = pd.merge(left=df_pv, right=df_pay, how='inner', on=['user_id', 'sku_id'],
                     suffixes=('_pv', '_pay')) # 浏览和加够行为的合并表

浏览->关注->加购->付款的转化率漏斗

# 浏览->关注->加购->付款的转化率漏斗
pv_fav = pd.merge(left=df_pv, right=df_fav, how='inner', on=['user_id', 'sku_id'],
                     suffixes=('_pv', '_fav'))
pv_fav = pv_fav[pv_fav['action_time_pv'] < pv_fav['action_time_fav']]
pv_fav_cart = pd.merge(left=pv_fav, right=df_cart, how='inner', on=['user_id', 'sku_id'])
pv_fav_cart = pv_fav_cart[pv_fav_cart['action_time_fav']<pv_fav_cart['action_time']]
pv_fav_cart_pay = pd.merge(left=pv_fav_cart, right=df_pay, how='inner', on=['user_id', 'sku_id'],
                     suffixes=('_cart', '_pay'))
pv_fav_cart_pay = pv_fav_cart_pay[pv_fav_cart_pay['action_time_cart']<pv_fav_cart_pay['action_time_pay']]

# 计算
uv = df['user_id'].nunique()
pv_fav_n = pv_fav['user_id'].nunique()
pv_fav_cart_n = pv_fav_cart['user_id'].nunique()
pv_fav_cart_pay_n = pv_fav_cart_pay['user_id'].nunique()
pv_fav_cart_pay_data = pd.DataFrame({'type':['浏览','关注','加购','付款'],'num':[uv,pv_fav_n,pv_fav_cart_n,pv_fav_cart_pay_n]})
pv_fav_cart_pay_data['conversion_rates'] = (round((pv_fav_cart_pay_data['num'] / pv_fav_cart_pay_data['num'][0]),4) * 100)

# 画图
attr4 = list(pv_fav_cart_pay_data.type)
values4 = list(pv_fav_cart_pay_data.conversion_rates)
data4 = [[attr4[i], values4[i]] for i in range(len(attr4))]

pv_fav_buy=(Funnel(opts.InitOpts(width="600px", height="300px"))
            .add(
            series_name="",
            data_pair=data4,
            gap=2,
            tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%"),
            label_opts=opts.LabelOpts(is_show=True, position="inside"),
            itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1)
        )
        .set_global_opts(title_opts=opts.TitleOpts(title="用户行为转化漏斗图"))
        )
pv_fav_buy.render_notebook()

6.3 用户留存分析

#留存率
#留存率
first_day = datetime.date(datetime.strptime('2018-03-30', '%Y-%m-%d'))
the_1_day = datetime.date(datetime.strptime('2018-04-01', '%Y-%m-%d'))
the_7_day = datetime.date(datetime.strptime('2018-04-07', '%Y-%m-%d'))
the_14_day = datetime.date(datetime.strptime('2018-04-14', '%Y-%m-%d'))

#第一天新用户数
user_num_first = df[df['date'] == first_day]['user_id'].to_frame()
#次日留存用户数
user_num_1 = df[df['date'] == the_1_day ]['user_id'].to_frame()
#7日留存用户数
user_num_7 = df[df['date'] == the_7_day]['user_id'].to_frame()
#14天留存用户数
user_num_14 = df[df['date'] == the_14_day]['user_id'].to_frame()

#次日留存率
the_1_day_retention_rate = round((pd.merge(user_num_first, user_num_1).nunique())
                                 / (user_num_first.nunique()),4).user_id  # 第一天和第二天都有登陆的人
#7日留存率
the_7_day_retention_rate = round((pd.merge(user_num_first, user_num_7 ).nunique())
                                 / (user_num_first.nunique()),4).user_id
#14日留存率
the_14_day_retention_rate = round((pd.merge(user_num_first, user_num_14).nunique())
                                     / (user_num_first.nunique()),4).user_id

retention_rate = pd.DataFrame({'n日后留存率':['次日留存率','7日留存率','14日留存率'],
                               'Rate':[the_1_day_retention_rate, the_7_day_retention_rate, the_14_day_retention_rate]})


# 可视化
fig, ax = plt.subplots(figsize=[6,5])
sns.barplot(x='n日后留存率', y='Rate', data=retention_rate,
             palette='Paired')
x=list(range(0,3))
for a,b in zip(x,retention_rate['Rate']):
    plt.text(a, b + 0.001, '%.2f%%' % (b*100), ha='center', va= 'bottom',fontsize=12)
plt.title('用户留存率')

6.4 商品销量分析

df['sku_id'].nunique()
# 商品销量排行
sku_num = (df[df['type'] == 'pay'].groupby('sku_id')['type'].count().to_frame()
                                            .rename(columns={'type':'total'}).reset_index())
# 销量大于1000的商品
topsku = sku_num[sku_num['total'] > 1000].sort_values(by='total',ascending=False)

# 可视化
topsku.set_index('sku_id').style.bar(color='skyblue',subset=['total'])

6.5 RFM 分析

buy_group = df[df['type']=='pay'].groupby('user_id')['date']
#将2018-04-13作为每个用户最后一次购买时间来处理
final_day = datetime.date(datetime.strptime('2018-04-14', '%Y-%m-%d'))

#最近一次购物时间
recent_buy_time = buy_group.apply(lambda x:final_day-x.max())
recent_buy_time = recent_buy_time.reset_index().rename(columns={'date':'recent'})
recent_buy_time['recent'] = recent_buy_time['recent'].map(lambda x:x.days)

#近十五天内购物频率
buy_freq = buy_group.count().reset_index().rename(columns={'date':'freq'})

RFM = pd.merge(recent_buy_time,buy_freq,on='user_id')

RFM['R'] = pd.qcut(RFM.recent,2,labels=['1','0'])
#天数小标签为1天数大标签为0
RFM['F'] = pd.qcut(RFM.freq.rank(method='first'),2,labels=['0','1'])
#频率大标签为1频率小标签为0
RFM['RFM'] = RFM['R'].astype(int).map(str) + RFM['F'].astype(int).map(str)

dict_n={'01':'重要保持客户',
        '11':'重要价值客户',
        '10':'重要发展客户',
        '00':'一般挽留客户'}


#用户标签
RFM['用户等级'] = RFM['RFM'].map(dict_n)
RFM_pie = RFM['用户等级'].value_counts().reset_index()
RFM_pie['Rate'] = RFM_pie['用户等级'] / RFM_pie['用户等级'].sum()

fig, ax = plt.subplots(figsize=[16,6])
plt.pie(RFM_pie['Rate'], labels = RFM_pie['index'], startangle = 90,autopct="%1.2f%%",
        counterclock = False,colors = ['yellowgreen', 'gold', 'lightskyblue', 'lightcoral'])
plt.axis('square')
plt.title('RFM用户分层')

7 参考

参考来源2——知乎：https://zhuanlan.zhihu.com/p/298385597