電商用戶行為數(shù)據(jù)分析

1、電商戶為數(shù)據(jù)分析前本針對淘寶app的運(yùn)營數(shù)據(jù)，以業(yè)常見指標(biāo)對戶為進(jìn)分析，包括UV、PV、新增戶分析、漏流失分析、留存分析、戶價(jià)值分析、復(fù)購分析等內(nèi)容；本使的分析具以MySQL為主，涉及分組匯總，引變量，視圖，關(guān)聯(lián)查詢等內(nèi)容。1.本次分析的業(yè)務(wù)問題以及分析邏輯本次想通過對淘寶戶為數(shù)據(jù)的分析，為以下問題提供解釋和改進(jìn)建議：1）基于AARRR漏模型，使常見電商分析指標(biāo)，從新增戶數(shù)量、各環(huán)節(jié)轉(zhuǎn)化率、新戶留存率三個(gè)進(jìn)分析，確定影響新增戶數(shù)量的因素，找到需要改進(jìn)的轉(zhuǎn)化環(huán)節(jié)，發(fā)現(xiàn)留存現(xiàn)存問題2）研究戶在不同時(shí)間尺度下的為規(guī)律，找到戶在不同時(shí)間周期下的活躍規(guī)律3）找出最具價(jià)值的核付費(fèi)戶群，對這部分戶的為進(jìn)分析

2、4）找到戶對不同種類商品的偏好，制定針對不同商品的營銷策略以下為本次分析邏輯：電商分析通常從四個(gè)展開，即流程效率分析、流量/戶分析、商品分析、產(chǎn)品分析，通過流程效率拆解追蹤問題產(chǎn)環(huán)節(jié)，通過戶粘性、價(jià)值、滿意度分析來進(jìn)戶分層及流失預(yù)警，通過商品命周期及關(guān)聯(lián)分析來劃分商品等級，通過產(chǎn)品分析提升戶瀏覽-購買過程體驗(yàn)；本通過常的電商數(shù)據(jù)分析指標(biāo)，采AARRR漏模型拆解戶進(jìn)APP后的每步為；并使RFM模型，對戶價(jià)值進(jìn)評價(jià)，找到最有價(jià)值的戶群，針對這部分戶進(jìn)差異化營銷。數(shù)據(jù)集包含了2017年11252017年123之間，約百萬隨機(jī)戶的所有為（為包括點(diǎn)擊、購買、加購、喜歡）。數(shù)據(jù)集情況為：戶數(shù)量約100萬（

3、987,994），商品數(shù)量約410萬（4,162,024），商品類數(shù)量9,439以及總的淘寶戶為記錄數(shù)量為1億條（100,150,807）。原數(shù)據(jù)集共有1億條數(shù)據(jù)記錄，數(shù)據(jù)量龐，本次分析選取了約100萬條記錄進(jìn)分析，數(shù)據(jù)整體情況參考如下表格。1.選擇集數(shù)據(jù)集的每個(gè)字段都有效，此處全部選擇。2.列名重命名原數(shù)據(jù)集沒有表頭，sql語句創(chuàng)建表及6個(gè)字段，把淘寶戶為數(shù)據(jù)導(dǎo)Mysql數(shù)據(jù)庫。3.刪除重復(fù)值數(shù)據(jù)導(dǎo)時(shí)，將主鍵定義為：user_id，item_id，timestamps，保證沒有重復(fù)數(shù)據(jù)。4.缺失值處理在創(chuàng)建表格的時(shí)候，5個(gè)字段均定義為NOT NULL，數(shù)據(jù)導(dǎo)保證沒有缺失值。致化處理轉(zhuǎn)換時(shí)間數(shù)

4、據(jù)類型，并添加datentime，dates，hours三個(gè)字段，將轉(zhuǎn)換好的數(shù)據(jù)放進(jìn)去SET hours = SUBSTRING(datentime FROM 12 FOR 2);6.數(shù)據(jù)異常值處理檢查期是否在規(guī)定范圍內(nèi)：2017年11252017年123。FROM UserBehavior;檢查時(shí)間是否正確，并將不符合規(guī)定的數(shù)據(jù)刪除DELETE FROM UserBehaviorWHERE datentime 2017-12-04 00:00:00;共刪除了509數(shù)據(jù)，再次驗(yàn)證期時(shí)間的準(zhǔn)確性，結(jié)果符合要求。完成清洗后的數(shù)據(jù)：四、構(gòu)建模型分析戶為的漏模型數(shù)據(jù)主要涉及每新增戶數(shù)，戶購買轉(zhuǎn)化環(huán)節(jié)從

5、瀏覽到最終購買整個(gè)流程的流失情況（包括瀏覽、收藏、加購、購買），戶次、3、7留存情況，以及戶在研究時(shí)段內(nèi)的復(fù)購次數(shù)和復(fù)購率1）獲客：每新增戶情況此處選取2017年1125為APP啟的天，并定義新增戶為出現(xiàn)第次購買為的戶。如下圖所，2017年11252017年123期間，每天都有新增戶，但是新增戶在遞減，在122當(dāng)天有幅回漲，故周末推出的營銷活動(dòng)或正在預(yù)熱的雙營銷活動(dòng)能夠吸引新戶。2）轉(zhuǎn)化：轉(zhuǎn)化及流失情況 AAP在9天內(nèi)的各項(xiàng)指標(biāo)情況如下訪問戶總數(shù)（UV）：9768頁總訪問量（PV）：897293SELECT COUNT(DISTINCT(user_id) AS UV,(SELECT count

6、(behavior) FROM UserBehaviorWHERE behavior = pv) AS PV,FROM UserBehavior; 跳失率=只點(diǎn)擊次瀏覽的戶數(shù)量/總戶訪問量當(dāng)統(tǒng)計(jì)時(shí)長為9天時(shí)，有586個(gè)瀏覽了個(gè)頁就離開了APP，占總訪問量的0.65%，乎可以忽略不計(jì)，說明淘寶有夠的吸引讓戶停留。WHERE user_id NOT IN(SELECT DISTINCT user_id FROM UserBehavior WHERE behavior = fav)AND user_id NOT IN(SELECT DISTINCT user_id FROM UserBehavior

7、 WHERE behavior = cart)AND user_id NOT IN(SELECT DISTINCT user_id FROM UserBehavior WHERE behavior = buy); 戶為轉(zhuǎn)化漏計(jì)算在購物環(huán)節(jié)中收藏和加購物車都是確定購物意向的為，沒有先后之分，所以將這兩個(gè)環(huán)節(jié)合并為購物環(huán)節(jié)中的步。由下圖可以看到，從瀏覽到確定購買意向只有9%左右的轉(zhuǎn)化率，夾點(diǎn)出現(xiàn)在點(diǎn)擊-收藏或加購這過程中，可能原因是戶花了量時(shí)間尋找合適的產(chǎn)品，可以針對性的優(yōu)化平臺的篩選功能，讓戶能夠更容易的找到合適產(chǎn)品，并將流程指標(biāo)再細(xì)化后進(jìn)分析，找出影響戶流失的關(guān)鍵問題點(diǎn)。# 先創(chuàng)建戶為視圖CR

8、EATE VIEW user_behaviorASSELECT user_id, count(behavior),GROUP BY user_idORDER BY COUNT(behavior) DESC;# 再計(jì)算轉(zhuǎn)化率SELECT CONCAT(ROUND(SUM()/SUM()*100,2),%) AS pv,CONCAT(ROUND(SUM()+SUM()/SUM()*100,2),%) AS pv_to_favcart,CONCAT(ROUND(SUM()/SUM()*100,2),%) AS pv_to_buyFROM user_behavior; 獨(dú)訪客漏計(jì)算APP約有68%的付

9、費(fèi)戶，戶付費(fèi)轉(zhuǎn)化率相當(dāng)。ORDER BY COUNT(DISTINCT user_id) DESC;3）留存：新增戶的留存情況由下表數(shù)據(jù)，次、3、7留存率均維持在20%左右，數(shù)據(jù)作為周留存率來看，表現(xiàn)還是常優(yōu)秀的，但作為次留存來看，就不是很理想了，可以結(jié)合產(chǎn)品設(shè)計(jì)和新戶轉(zhuǎn)化路徑來分析戶的流失原因，通過不斷的修改和調(diào)整來降低戶流失，提升次留存率；另外，122、3的留存率相較之前有2%-8%的上漲，故促銷活動(dòng)能為提升留存帶來定正向的影響。注：本次研究把2017年1125當(dāng)天的戶全作為新戶，與實(shí)際情況不符，考慮實(shí)際情況進(jìn)分析，淘寶APP的留存已經(jīng)過了流失期和蒸餾期，進(jìn)穩(wěn)定期，在這樣的條件下，若留存率

10、達(dá)到20%還是很可觀的。4）變現(xiàn)：復(fù)購分析下圖展了不同復(fù)購次數(shù)對應(yīng)的戶數(shù)量，發(fā)現(xiàn)復(fù)購5次以上的戶僅占有購買為戶數(shù)的10%，我們發(fā)現(xiàn)復(fù)購次數(shù)的戶很少，商家可以從商品質(zhì)量、服務(wù)質(zhì)量、物流體驗(yàn)三尋找原因，定位所在問題點(diǎn)，尋求復(fù)購率突破。經(jīng)下代碼塊計(jì)算，復(fù)購率為65%，淘寶APP的整體復(fù)購率相對可觀，應(yīng)將經(jīng)營重點(diǎn)轉(zhuǎn)化為培養(yǎng)戶的忠誠度上，勵(lì)戶更頻次的消費(fèi)。SELECT CONCAT(ROUNDFROM user_behavior;2.不同時(shí)間尺度下的戶為模式分析分別以研究全時(shí)段（9天，此處覺得再研究單周意義不），為單位，分析戶購買為，找出活躍戶規(guī)律。1）分析2017年1125123 9天中每天的戶為由圖

11、可見在研究期范圍內(nèi)戶活躍度較為平穩(wěn)，僅在122、3有明顯增長，該期和1125、26同為周末，故除特別營銷活動(dòng)外，周末能為提升戶活躍度帶來的影響較；另外，項(xiàng)指標(biāo)在122點(diǎn)擊數(shù)漲幅最，收藏?cái)?shù)漲幅最，可能是雙促銷活動(dòng)剛開始預(yù)熱，戶開始量瀏覽商品；加購物車是戶在批量購買商品時(shí)的前置動(dòng)作，因此加購物車的為發(fā)次數(shù)同樣幅增加。ORDER BY dates;2）分析天中每時(shí)的戶為這SQL提取每天的數(shù)據(jù)，Excel繪成動(dòng)態(tài)圖表，觀察發(fā)現(xiàn)每各項(xiàng)為數(shù)據(jù)變化趨勢相同，這我們僅選擇個(gè)周五2017年121進(jìn)分析；觀察下圖發(fā)現(xiàn)，121這天共有兩個(gè)峰期，分別是晚上20點(diǎn)22點(diǎn)和上午10點(diǎn)下午13點(diǎn)，對應(yīng)了許多上班族中午和晚上

12、休息的時(shí)間，符合部分的作息規(guī)律；另外，我們發(fā)現(xiàn)加購和收藏量的峰值出現(xiàn)在晚上20-22點(diǎn)，購買量的峰值則在早上10點(diǎn)，部分喜歡晚上收藏加購，早晨購買，說明收藏和購買是異步的戶為，收藏的峰值通常發(fā)在購買為的前段時(shí)間，加購則是購買的前置動(dòng)作，其峰值也會發(fā)在購買為前。3.戶價(jià)值分析1）戶價(jià)值分層(RFM模型)由于數(shù)據(jù)缺少M(fèi)（消費(fèi)額）列，暫且通過R（最近次購買時(shí)間）和F（消費(fèi)頻率）的數(shù)據(jù)對客戶價(jià)值進(jìn)打分。通過打分可以了解每位顧客的特性，從實(shí)現(xiàn)差異化營銷。例如對于user_value=44的戶，可劃分為VIP戶重點(diǎn)關(guān)注，并且投放活動(dòng)時(shí)不要引起反感；對于user_value=14這類戶粘性不強(qiáng)消費(fèi)時(shí)間間隔較

13、短，運(yùn)營活動(dòng)可以重點(diǎn)針對這部分戶，提戶使產(chǎn)品的頻率，可以通過拼團(tuán)打折、積分兌換、捆綁銷售等活動(dòng)喚起戶注意；對于user_value=41這類忠誠度不購買能強(qiáng)的戶，則需要關(guān)注他們的購物習(xí)慣做精準(zhǔn)化營銷。)AS user_valueFROMWHERE r.user_id=f.user_id;商品銷售分析1）商品銷售情況統(tǒng)計(jì)所有商品的購買次數(shù)，同時(shí)找到購買次數(shù)、瀏覽次數(shù)、收藏次數(shù)和加購物車次數(shù)最多的商品。本次分析的商品共有392778中，戶購買的商品共有16743種，卻沒有出現(xiàn)購買數(shù)量常集中的商品；在本次統(tǒng)計(jì)的數(shù)據(jù)中，只購買次的商品有14817種，占戶購買商品數(shù)的88.5%，說明商品售賣主要依靠長尾

14、商品的累積效應(yīng)，爆款商品的帶動(dòng)。GROUP BY item_id) AS product_buypoolGROUP BY product_buytimesORDER BY product_buytimes ASC; 商品銷量top20列出銷量前20位的商品，item_ID為3122135的商品銷量最，為15次，那么是否瀏覽次數(shù)最的商品銷量也最呢？ 商品瀏覽top20我們看到瀏覽數(shù)最的商品為812879，瀏覽次數(shù)最的商品甚沒有進(jìn)銷量前20，說明這些吸引戶更多注意的商品沒有很好的轉(zhuǎn)化為實(shí)際銷量。 商品收藏top20下圖為收藏?cái)?shù)前20的商品，可以看到排在收藏前1、15、20位的商品在瀏覽top20中

15、也有出現(xiàn)，分別排名2、10、4，說明收藏和瀏覽的同步率更。 商品加購top20在加購物車次數(shù)最多的前20個(gè)商品中，可以看到銷量第3、4、10位的商品在加購數(shù)中排第1、10、8，說明加購數(shù)與銷量的關(guān)系更為直接。2）商品類銷售情況商品類銷售情況中有較為明顯的集中趨勢，top20如下表所，可根據(jù)暢銷類優(yōu)化商品展、加強(qiáng)商品捆綁，進(jìn)提銷量。WHERE behavior = buyGROUP BY category_idORDER BY cat_count DESC;五、結(jié)論與建議本分析了淘寶APP戶為數(shù)據(jù)共100萬條，從四個(gè)不同度提出業(yè)務(wù)問題，使AARRR模型和RFM模型分析數(shù)據(jù)給出如下結(jié)論和建議。通過

16、AARRR模型分析戶使的各個(gè)環(huán)節(jié)1）獲取戶由于數(shù)據(jù)中沒有給出每個(gè)戶第次的登陸的時(shí)間，我們暫且把2017年1125作為每個(gè)戶的第次登陸時(shí)間來處理。在研究時(shí)段內(nèi)，每天都有新增戶，但是新增戶在遞減，僅在推出營銷活動(dòng)的周末有幅回升，故推出的營銷活動(dòng)能夠?qū)π聭舢a(chǎn)吸引，營銷活動(dòng)的推渠道或許是戶量增長多少的關(guān)鍵。2）激活戶在購物環(huán)節(jié)中收藏和加購物車都是確定購物意向的為，沒有先后之分，所以將這兩個(gè)環(huán)節(jié)合并為購物環(huán)節(jié)中的步。從瀏覽到有購買意向只有9%的轉(zhuǎn)化率，當(dāng)然有部分戶是直接購買，但也說明多數(shù)戶以瀏覽頁為主購買轉(zhuǎn)化較少，此處為轉(zhuǎn)化漏中需要改善和提的環(huán)節(jié)。針對這環(huán)節(jié)改善轉(zhuǎn)化率的建議有：優(yōu)化電商平臺的搜索匹配度和

17、推薦策略，主動(dòng)根據(jù)戶喜好推薦相關(guān)的商品，優(yōu)化商品搜索的準(zhǔn)確度和聚合能，對搜索結(jié)果排序優(yōu)先級進(jìn)優(yōu)化；給客戶提供同類產(chǎn)品較的功能，讓戶不需要多次返回搜索結(jié)果反復(fù)查看，便于戶確定怡產(chǎn)品；在商品詳情頁的展上突出戶關(guān)注的重點(diǎn)信息，精簡信息流的呈現(xiàn)式，減少戶尋找信息的成本；優(yōu)化加購物車和收藏按鍵的觸達(dá)，戶在滑屏?xí)r也能便觸達(dá)，增加功能使的次數(shù)。3）提留存留存分析同樣把2017年1125作為每個(gè)戶的第次登陸時(shí)間來處理。淘寶APP的留存相對較為穩(wěn)定，周留存表現(xiàn)優(yōu)秀，但次留存略顯不理想，可以結(jié)合產(chǎn)品設(shè)計(jì)和新戶轉(zhuǎn)化路徑來分析戶的流失原因，通過不斷的修改和調(diào)整來降低戶流失，提升次留存率；另外，122、3的留存率相較之

18、前有2%-8%的上漲，故營銷活動(dòng)能為提升留存帶來定正向的影響，可以多推出些營銷活動(dòng)，讓戶提使淘寶電商平臺的頻率。4）增加收使APP的戶中有61%的付費(fèi)戶，付費(fèi)轉(zhuǎn)化率相當(dāng)。有購買為的戶中，概有65%的戶會重復(fù)購買，淘寶APP的整體復(fù)購率相對可觀，應(yīng)將經(jīng)營重點(diǎn)轉(zhuǎn)化為培養(yǎng)戶的忠誠度上，勵(lì)戶更頻次的消費(fèi)。復(fù)購次數(shù)的戶少，商家可以從商品質(zhì)量、服務(wù)質(zhì)量、物流體驗(yàn)三尋找原因，定位所在問題點(diǎn)，尋求復(fù)購率突。5）戶推薦淘寶本戶基數(shù)龐，知名度，個(gè)認(rèn)為在線城市的戶基本已經(jīng)達(dá)到飽和，傳播作需要針對三四線城市的渠道下沉，在這些地區(qū)針對戶價(jià)格敏感度的特性開展類似拼多多的拼團(tuán)轉(zhuǎn)發(fā)和打折促銷活動(dòng)，擴(kuò)這部分戶的使率。研究戶在不同時(shí)間尺度下的為規(guī)律，找到戶在不同時(shí)間周期下的活躍規(guī)