數據分析-淘寶用戶行為分析

一、項目背景和目的

項目數據來源於https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1，通過此項目學習電商數據分析的指標與數據分析的基本方法。

二、分析維度

根據現有數據及分析目的，從四個維度進行分析：

第一個維度：用戶購物情況整體分析

以PV、UV、平均訪問量、跳失率等指標，分析用戶最活躍的日期及活躍時段，了解用戶行為習慣

第二個維度：商品購買情況分析

從成交量、人均購買次數、復購率等指標，探索用戶對商品的購買偏好，了解商品的銷售規律

第三個維度：用戶行為轉化漏斗分析

從收藏轉化率、購物車轉化率、成交轉化率，對用戶行為從瀏覽到購買進行漏斗分析

第四個維度：參照RFM模型，對用戶進行分類，找出有價值的用戶

三、分析正文

分析步驟如下：

提出問題------理解數據------數據清洗------構建模型------數據可視化

（一）提出問題

• 用戶最活躍的日期及時段
• 用戶對商品有哪些購買偏好
• 用戶行為間的轉化情況
• 用戶分類，哪些是有價值的用戶

（二）理解數據

 用戶行為類型又分為四種：

pv：商品詳情頁pv，等價於點擊

buy：商品購買

cart：商品加入購物車

fav：收藏

(三）數據清洗

包含數據導入（采用Navicat）、缺失值處理、一致化處理、異常值處理（2017.11.25到2017.12.3日內的數據）

（四）構建模型

1.用戶購物情況整體分析

 1.1 這9天里PV(瀏覽量)，返回結果是：2027221

select count(behavior_type) as 瀏覽量 from User_Behavior
where behavior_type='pv';

1.2 這9天里UV(用戶數)，返回結果是：22099

select count(distinct user_id)as 用戶數 from User_Behavior;

1.3 平均訪問量是： 2027221/22099 = 91.7

即每個用戶平均訪問了91個頁面。

1.4 跳失率計算：

跳失率：只有點擊行為的用戶/總用戶數

select count(distinct user_id) from User_Behavior
where user_id not in 
(select distinct user_id from User_Behavior where behavior_type='fav')
and user_id not in
(select distinct user_id from User_Behavior where behavior_type='cart')
and user_id not in 
(select distinct user_id from User_Behavior where behavior_type='buy');

只有點擊行為的用戶數量為1253，故跳失率 = 1253/22099 = 0.0567，跳失率不高，說明店鋪的商品詳情頁還是能吸引到用戶的進行下一步行為。

1.5 每天訪問量/訪客數情況

select dates,count(behavior_type)as 訪問量 from User_Behavior
where behavior_type='pv'
group by dates;

 

1.6 每天的訪客數情況：

select dates,count(distinct user_id) as 訪客數 from User_Behavior
group by dates;

 

 

1.7 每個時段訪問量/訪客數

alter table User_Behavior add column hours varchar(25) not null;
update User_Behavior set hours=left(times,2);

select a.hours,a.訪問量,b.訪客數 from
(select hours,count(behavior_type)as 訪問量 from User_Behavior
where behavior_type='pv'
group by hours)a
inner join 
(select hours,count(distinct user_id) as 訪客數 from User_Behavior
group by hours)b
on a.hours=b.hours;

 

可以看出訪客數與訪問量趨勢大致一致，17 - 22時達到訪客高峰，猜測是下班后進行購物放松。1-7時大多數人處於睡眠休息階段故訪客與訪問量較少。

1.8 不同時段成交量

select hours,count(behavior_type)as 成交量 from User_Behavior
where behavior_type='buy'
group by hours
order by hours;

 

 

2.商品購買情況分析

2.1 成交量

用戶行為中，只要用戶行為為“buy”,即是完成了一次購買，形成一個訂單。下面對訂單進行分析

select dates,count(behavior_type) as 成交量 from User_Behavior
where behavior_type='buy'
group by dates;

 

2.2 人均購買次數

select count(behavior_type)as 訂單量,count(distinct user_id)as 用戶數,count(behavior_type)/count(distinct user_id)as 人均購買次數
from User_Behavior
where behavior_type='buy';

 

2.3 復購率

復購率=購買2次及以上用戶數/總購買用戶數

#總購買用戶數
select count(distinct user_id) as 用戶數 from User_Behavior
where behavior_type='buy';

得到總購買人數 15082

#購買次數>1次的 用戶數     
select count(*) from 
(select count(user_id) as 重復購買用戶數 from User_Behavior
where behavior_type='buy'
group by user_id)a
where a.重復購買用戶數>1;

購買兩次及以上用戶數 9953

復購率 = 9953/15082 =0.659 = 66%

#重復被購買得最多次的商品
select item_id,count(behavior_type)被購買次數 from User_Behavior
where behavior_type='buy'
group by item_id
order by count(behavior_type) desc
limit 10;

 

#重復購買次數最多的客戶
select user_id,count(user_id)as 購買次數 from User_Behavior
where behavior_type='buy'
group by user_id
order by count(user_id) desc
limit 10;

用戶107932購買次數達到72次，對於這類忠實的用戶需要開發用戶信息庫，建立完善的用戶資料庫，記錄客戶購物情況。

3.用戶行為轉化漏斗分析

#用戶行為情況：
select behavior_type,count(behavior_type) from User_Behavior
group by behavior_type
order by count(behavior_type) desc;

 

 

可見真正轉化為購買的只有2%，用戶在瀏覽商品詳情頁后出現了大量的流失。

那么，從瀏覽到購買，每一個環節的轉化率是多少呢？因為加入購物車和收藏商品並沒有行為的先后性，也就是說，購物路線可以有兩條：

第一條線路：瀏覽—加入購物車—購買

又或者是

第二條線路：瀏覽—添加收藏—購買

按照線路一來購買的話，從瀏覽到加入購物車到購買之間的轉化率是多少呢？

購物車轉化率=加入購物車后購買的用戶數/加入購物車的用戶數

select count(distinct a.user_id)as 加入購物車用戶數,count(distinct b.user_id)as 加入后購買用戶數 from
(select distinct user_id,item_id,item_category, time_stamp from User_Behavior where behavior_type='cart')a
left join
(select distinct user_id,item_id,item_category,time_stamp from User_Behavior where behavior_type='buy')b
on a.user_id=b.user_id and a.item_id=b.item_id and a.item_category=b.item_category and a.time_stamp<b.time_stamp;

由查詢結果可知，

加入購物車的用戶數為：16638

加入購物車后購買的用戶數：5023

所以，購物車轉化率為：5023/16638 = 30.18%，約為30%

也就是說，加入購物車的用戶中，有30%會進行購買。

#有多少用戶進行了瀏覽
select count(distinct user_id) from User_Behavior where behavior_type='pv';

  瀏覽的用戶數是：22009

 

從圖表中可以看出，從用戶點擊瀏覽到購買商品，用戶瀏覽到加入購物車的轉化率是很高的，達到了75.5%，說明大部分用戶在瀏覽后有購買意向，加入了購物車；但是，在加入購物車到購買的環節里，只有30%左右的用戶進行了真正的購買，而70%的用戶是沒有進一步購買的。為什么用戶加入購物車后卻並沒有購買呢？

推測原因可能是：

1.加入購物車是為了與不同店鋪的同種產品進行比價；

2.為了湊單，進行滿減；

3.先放着，過幾天再購買；

4.等活動優惠

考慮第二條線路，進行分析

收藏轉化率=添加收藏后購買的用戶數/添加收藏的用戶數

#從收藏到購買的轉化：
select count(distinct a.user_id)as 收藏用戶數,count(distinct b.user_id)as 收藏后購買用戶數 from 
(select distinct user_id,item_id,item_category,timestamp from User_Behavior where behavior_type='fav')a
left join
(select distinct user_id,item_id,item_category,timestamp from User_Behavior where behavior_type='buy')b
on a.user_id=b.user_id and a.item_id=b.item_id and a.item_category=b.item_category and a.timestamp<b.timestamp;

 

瀏覽的用戶數是：22009

加入收藏的用戶數為：8900

加入收藏后購買的用戶數：1910

所以，收藏轉化率為：1910/8900 = 21.4%，約等於21%

與線路一的購買流程來看，用戶在瀏覽后，相對於收藏行為，會更傾向於添加到購物車。而且購物車轉化率為30%，收藏轉化率為21%，購物車轉化率比收藏轉化率高，也就是說，用戶更偏向於購物車購買。

這是為什么呢？

推測原因：加入購物車后可以直接下單購買，而加入收藏后並沒有可以下單的頁面，如果需要購買必須重新點擊商品進入詳情頁才能下單，多了一個步驟，所以，在這個步驟里可能用戶就流失了部分。

4.參照RFM模型，對用戶進行分類找出有價值的用戶

RFM模型是衡量客戶價值和客戶創利能力的重要工具。該模型通過客戶的最近交易行為（Recency）、交易頻率（Frequency）以及交易金額（Monetary）三項指標來描述該客戶的價值狀況。一般來說，會將這三項指標分成幾個區間進行評分，通過計算評分找到有價值的用戶，並對用戶進行分類。

最近一次消費(Recency)：是指最近一次消費距離上一次消費之間的時間長短。它反映了客戶對產品的態度以及對品牌價值的信任度，它關乎消費者的存留狀況。

消費頻率(Frequency)：是指某個特定時間內消費的次數。它直接反映了客戶的忠誠度，消費頻率越高，忠誠度就越高；忠誠度越高的客戶數量越多，公司的競爭優勢越強，市場份額越大。

消費金額(Monetary)：是指一定時間內消費某產品金額。它反映的是客戶的價值，價值越高，給公司創造的利益就更大。

因為數據源里沒有金額相關的信息，所以只通過R和F來對客戶價值進行評分。

R(Recency)最近的購買行為：

數據集里時間范圍是從11月25到12月3日，我將11月25日，設為參數對照日期，即以距離11月25日的天數划分區間，其中0-2天，3-4天，5-6天，7-8天，分別對應為1-4分。

#按購買天數評分：
create view score_01 as
select user_id,
(case when 購買天數 between 0 and 2 then 1
when 購買天數 between 3 and 4 then 2
when 購買天數 between 5 and 6 then 3
when 購買天數 between 7 and 8 then 4 else 0 end
)as 購買得分
from
(select user_id,datediff(max(dates),'2017-11-25')as 購買天數
from User_Behavior
where behavior_type='buy'
group by user_id)as a
order by 購買得分;

F(Frequency）購買頻率：

從上面對復購用戶的分析中，我們也得知，有購買行為的用戶，購買頻率最高的能達到72次。所以，我們將1-72從低到高，划分為4個檔次。1-18，19-36，37-54，55-72分別對應為1-4分。

#按購買頻率評分：
create view score_02 as
select user_id,
(case when 購買次數 between 1 and 18 then 1
when 購買次數 between 19 and 36 then 2
when 購買次數 between 37 and 54 then 3
when 購買次數 between 55 and 72 then 4 else 0 end 
)as 購買頻率得分
from
(select user_id,count(behavior_type)as 購買次數
from User_Behavior
where behavior_type='buy'
group by user_id)b
order by 購買頻率得分 desc;

 通過上面兩個步驟，從兩個維度：最近購買時間及購買頻率，分別給用戶進行了評分。接下來用這兩項的每一項平均值作為判斷高於還是低於，比如重要價值用戶，必須是兩項的分值都比平均值要高，才能作為重要價值的用戶。

下面對用戶進行分類

求兩項評分的均值：

#求評分的均值 
select avg(購買得分) from score_01;
select avg(購買頻率得分)from score_02;

將獲得的兩項評分分別和它們的均值進行比較，對客戶進行分類：

#對用戶進行分類：
create view users_classify as
select user_id,
(case when R>3 and F>1 then '重要價值用戶'
when R>3 and F<=1 then '重要保持用戶'
when R<=3 and F>1 then '重要發展用戶'
when R<=3 and F<=1 then '一般價值用戶' else 0 end 
)as 用戶類型
from
(select a.user_id,a.購買得分 as R,b.購買頻率得分 as F
from score_01 as a inner join score_02 as b
on a.user_id=b.user_id)c;

 （暫時無法打開users_classify表格）

 用戶類型計數：

#對用戶類型計數：
select count(用戶類型)  from users_classify where 用戶類型='重要價值用戶';
select count(用戶類型)  from users_classify where 用戶類型='重要保持用戶';
select count(用戶類型)  from users_classify where 用戶類型='重要發展用戶';
select count(用戶類型)  from users_classify where 用戶類型='一般價值用戶';

對於重要價值用戶，他們是最優質的用戶，需要重點關注並保持， 應該提高滿意度，增加留存；

對於重要保持用戶，他們最近有購買，但購買頻率不高，可以通過活動等提高其購買頻率；

對於重要發展用戶，他們雖然最近沒有購買，但以往購買頻率高，可以做觸達，以防止流失；

對於一般價值用戶，他們最近沒有購買，以往購買頻率也不高，特別容易流失，所以應該贈送優惠券或推送活動信息，喚醒購買意願。

四、結論及建議

1.12月2日與12月3日，相對於其他日期，流量增長明顯，推測和搞活動有關；

2.大部分用戶在18時到21時會比較活躍，其中21到22時，是一天當中最活躍的時段，成交量也是這一時段最高。建議可以在用戶活躍的時段進行推廣以使運營效果最大化。

3.這段時間，人均購買次數為3，復購率達到66%，說明店鋪產品對用戶吸引力比較大。

4.被重復購買得比較頻繁的商品是item_id為3122135等商品，對於復購率高的商品，建議可以建立自己的忠實粉絲群，實行更精准的人群管理。

5.用戶ID為107932 等的用戶是重復購買次數最多的用戶。建議對於這些忠實用戶，建議要更全面地了解，開發用戶信息庫，建立詳實的用戶資料數據庫，追蹤記錄顧客的交易情況。或者線上組建VIP客戶微信群等，針對這些用戶的購買偏好推送更精准的銷售方案。

6.用戶行為轉化率只有2%，有98%的用戶行為是沒有轉化為成交的，用戶在瀏覽商品詳情頁后出現了大量的流失。建議通過活動、優惠券、產品詳情頁的改進等提高轉化。

7.從瀏覽到加入購物車的轉化有75.5%，大部分用戶在瀏覽后有購買意向；加入購物車到真正購買的，只有30%，有70%的用戶加入購物車后卻並沒有進一步購買。

建議在用戶加入購物車后能有促進用戶下單的利益“誘導”，如贈送優惠券或采用倒計時購物車增加客戶購買緊近感。

8.從收藏到購買的轉化率為21%。相對於購物車30%的轉化率，收藏轉化率稍低。

同樣建議在用戶添加收藏后能提示優惠或促銷等時限信息，促使用戶盡早下單。

9.用RFM模型對用戶進行分類后，可知重要價值用戶比較少，用戶類型主要還是集中於重要保持用戶和一般價值用戶。建議根據用戶類型，進行有針對性的精准營銷。

參考文獻：

1.https://zhuanlan.zhihu.com/p/76267568