一、項目目的及數據來源
該項目基於現代電商行業---以淘寶作為分析標的，多維度分析用戶行為。數據來源於https://tianchi.aliyun.com/dataset/dataDetail?dataId=46&userId=1。
二、分析維度
基於現有的數據以及分析方法，分為四個維度進行分析：
1.時間維度分析
以淘寶用戶發生行為的時間，由大到小細化：月份--星期--日--小時，分析行為發生的深層含義，了解用戶在何時會產生大的‘’行為-經濟”效應。
2.轉化漏斗維度分析
計算瀏覽-支付轉化率、收藏-支付轉化率、添加購物車-支付轉化率，從用戶的瀏覽到支付行為進行漏斗分析。
3.商品購買情況分析
從商品的復購率、平均購買次數、平均購買商品數量等，了解商品在銷售的過程中的數量情況。
4.對用戶進行分類，利用FRM模型，提高銷售的核心，精准營銷客戶群體。
三、分析項目
項目分析流程線：提出問題-分析數據含義-數據清洗-建立模型-數據可視化
1.提出問題
（1）研究用戶在不同時段的行為規律，找到在不同的周期下的活躍度
（2）用戶不同行為之間的轉化
（3）用戶對那些商品分類以及下級商品的購買偏好
（4）區分核心價值客戶，調整營銷策略
2.分析數據含義
本項目數據來源於阿里巴巴2014年11月18日至12月18日淘寶用戶的真實的商品、行為數據，約有100萬條隨機用戶的行為數據，行為類型包括瀏覽（PV）、收藏、添加購物車、支付。
數據集字段的含義如下：
user_id：用戶id
item_id：商品id
behavior_type：行為類型（1表示PV，2表示收藏，3表示添加購物車，4表示支付）
user_geohash：用戶地理位置
item_category：商品分類
date：日期
buy_hour：行為發生時間
3.數據清洗
數據庫采用MYSQL，通過Navicat導入數據。
在Navicat環境下對一系列數據以多維度處理分析，主要分為用戶信息表、重復購買表、用戶行為類型時間點分布表，分別導出到Excel，采用powerquery和powerpivot對數據再次進行二次整合、處理。
注意：由於user_geohash缺失值較多，會對整體項目產生誤導性，故不分析該維度。
4.建立模型和可視化
（1）PV：訪問量，指在網站的頁面瀏覽量或點擊量，每刷新一次就自動疊加。
上圖可以明顯看出，在12月12日出現了訪問量激增，出現了峰值，明顯與雙十二的活動有關。可以在活動的前幾天加大投入商品的上架數量和廣告的投入，降低客戶獲取成本。
（2）UV：獨立訪客量，指一台電腦的IP地址就算一個訪客。
利用powerpivot 的discount函數對用戶進行不重復計算，結果如下：
同時，采用數據透視表對不同的行為類型分組，得出在不同的行為下用戶的人數，結果如下：
采用powerpivot建立各個表的鏈接關系，計算得出單個用戶支付次數：
上圖可以看到購買次數最多為22次，通過計算，用戶的復購率62%，超過一半的用戶有2次或2次以上的購買行為。
（3）用戶行為類型之間的轉化漏斗關系
i.由於收藏和添加購物車沒有相應的承接關系，所以視為平行關系。
對於用戶來說，當選擇一件商品收藏或者添加到購物車，都是同等的行為，在順序上是不分先后的，所以在此項目上我們是作為一個相加的階段。由漏斗圖可以明顯的看到，在PV向收藏和添加購物車的數量所占的比例不高，只有5.10%左右的轉化率。同時也有用戶沒有通過收藏和添加購物車直接購買，但比例所占較低。瀏覽頁面的次數較多，但是使用收藏和購物車的功能較少。另一方面，通過收藏和添加購物車的功能實現支付的轉化率高達20.31%，表明了這兩項功能是實現最終轉化的重要環節，商家可在這兩個功能上多做活動，促使用戶成交。
ii.因為支付是最終目的，從PV、收藏、添加購物車三種前期行為，可以得出每種行為與支付的轉化率。
從計算得出的數據來看，購物車的轉化率最高，收藏的轉化率最低。前面表示這兩張行為是相等的，但是對於用戶消費而言，添加到購物車意味着購買傾向更高，尤其在有活動的時候，用戶直接支付，減少競爭購買時間。
iii.不同行為的轉化時間
上圖所示，瀏覽到支付的平均轉化時間是最短的，期間少了收藏或者添加購物車的功能，但是所占的比例低。購物車平均轉化時長在27小時左右，比收藏的平均轉化時長還短，結合轉化率，購物車轉化是作為商品成交的一個重要的關鍵點。
（4）基於時間維度分析用戶的行為規律
i.基於行為的不同時點分布
由上圖可以看出，每天的零點到早上的5點，各種行為數量都是快速下降，達到一天中的最低值。6點到10點處於快速攀升階段，隨后達到一個平穩階段。在下午17點開始，用戶的活躍度快速上升，在晚上的21、22點達到全天的最高值。商家活動可以根據用戶的活躍時間展開。
ii.基於行為的不同日期分布
上圖所示，在12月12日出現峰值，明顯與雙十二活動有關，添加購物車的行為數量激增，與活動的性質有關。由此可表明，添加購物車是實現支付的重要手段之一。
iii.用戶行為一周中的時間分布
每周的活躍度相對穩定，由於雙十二活動是星期五，出現了支付增加的現象，雙十二前3天出現了添加購物車的行為增多，導致總體的數量比星期五的總量還多。周末的用戶活躍度較為穩定。
iv.不同月份的用戶行為規律
由於數據有超過一半的日期在12月，其次12月還有大型的消費活動，導致11月的各方面行為數據都要比12月低。
（5）RFM模型：找到核心，精准營銷
通過RFM模型，實現差異化營銷。數據基本上集中一個月內，所以在客戶分類上處於聯系緊密的。對於價值高的客戶，作為重點客戶關注，保持高質量的服務。價值偏低的客戶，商家可以定期發送相應的優惠信息告知以保持較高的黏度，提高銷售的捆綁率，增加購買的頻率。
5.結論
本項目結合MYSQL，Excel，PowerBI多種數據處理方法展現，整個數據集的數據量大約100萬，在數據分析上，針對整個流程做總結，結合業務指標，我們可以借用AAARR模型讓項目更加清晰體現。
（1）獲取客戶（Aquisition）：2014年12月12日是全年特有的大型消費活動，提前一個月推廣大量活動，吸引用戶，電商平台眾多，商家需要做到讓用戶移情到淘寶。同時，我們在時間點上可以看到，晚上21、22點是消費的高峰期，平台展開活動可以選定在這個時間段。
在用戶獲取上，國內用淘寶的用戶基數龐大，獲取成本降低。老客戶帶動新客戶，利用轉發鏈接加快活動推廣速度，商家通過折扣優惠吸引用戶提前預定商品，利用口碑信譽獲取新客戶。
（2）提高活躍度（Activation）:很多用戶點擊瀏覽的次數很多，但是至關重要的添加購物車和支付所占的比例很低。另一方面是商品本身，比如頁面制作粗糙，在頁面搜索的功能不夠智能，分類不明確等原因會讓用戶喪失使用軟件的興趣。
改善建議：提高使用頁面的智能化；增加多義詞的搜索；提供同類商品的頁面投放，增加選擇的多樣化；優化商品頁面的關鍵詞提示，讓用戶的第一印象更好。
（3）提高留存率（Retention）：對於一個軟件而言，怎么讓用戶經常使用，最好做到離不開。根據數據分析，可以將客戶分類，重點針對不同類型的客戶做相應的營銷策略。商家可以多利用優惠折扣來留住客戶，再推出新的產品，捆綁銷售，售后服務質量要提高。大多數商家的客服因為與用戶有摩擦使得以后拉入購物黑名單。潛在客戶可以進行信息拜訪，提高用戶的印象度。
（4）獲取收入（Revenue）：根據每周/每月/每季度的復購率，留存率，流失率，廣告投入等因素，對比同類商品的價格，合理定制價格。用戶的購買金額，購買次數，購買偏好在頁面推薦相應的商品。采用適合平台的策略促使用戶有“這個平台有”的觀念。
（5）傳播（Refer）:渠道是傳播的通道，國內有微博、抖音、網上直播等快速傳播渠道，病毒性是一個平台或者是一件商品快速被用戶或者消費者所知的。同時，用戶主動推送給新用戶，新用戶再推送給新用戶，實現快速傳播。