淘寶用戶分析

隨着網絡的發展，網絡購物成為一種時尚。平時我只關心淘寶里面的商品，活動等，從未關注過淘寶的數據。這次秉着好奇在"天池"中找到由阿里巴巴發布的一個淘寶用戶行為數據，本次分析用SQL語句在MySQL的系統環境下分析淘寶數據。時間節點：2017年11月25日至2017年12月3日。

分析步驟主要有5步：

1、提出問題 2、理解數據 3、數據清洗 4、數據分析（構建模型）5、數據可視化

 

一、提出問題

1、電商數據分析指標

 

2、分析目的

希望通過以下3個問題了解淘寶：

1）、用戶活躍規律（每天不同時段活躍情況和日活躍情況）是怎樣的？

2）、用戶從瀏覽到購買的轉化情況？

3）、用戶復購率是多少？銷量top3 的商品類目有哪些？

根據分析目的，本次分析從用戶行為的用戶數量、商品數量、商品類目數量、所有行為數量維度。結合AARRR模型和分析上述問題。涉及分析指標如下：

 

二、理解數據

1、數據來源：阿里雲天池

2、數據集介紹：

時間節點：2017年11月25日至2017年12月3日之間，有行為的隨機用戶的所有行為。

數據集的每一行表示一條用戶行為，由用戶ID、商品ID、商品類目ID、行為類型和時間戳組成。 總數量約一億條（100,150,80）。本次分析隨機選取該數據中500萬條數據進行分析。數據維度：用戶ID，商品ID，商品類目ID等。

數據詳細詳細介紹：

---

三、數據清洗

1、選擇字段

本次分析所有列字段都需要，所以全部選擇。

2、列名重命名

原數據集沒有列名，導入數據后，給數據對應列添加新列名。

3、刪除重復數據

主鍵設置：user_id，item_id,和timestamp，刪除重復值。

SELECT DISTINCT user_id,item_id,timestamp FROM userbehaviors;

4、檢查是否有缺失值

導入數據時，已設置為NOT NULL。所以無缺失值。

5、格式一致化處理

把時間戳改為可讀的時間形式。新建一個表user，后續操作都將在user表中進行。新添加兩列，Date—日期，Time—時間（表示形式：時）。為便於后續針對不同時段作分析，這里的時間單位為“時”。

CREATE TABLE userbehavior AS 
(SELECT user_id ,item_id,category_id,behavior_type,timestamp,
FROM_UNIXTIME(timestamp,'%Y-%m-%d')AS Date,
FROM_UNIXTIME(timestamp,'%H')AS Time FROM userbehavior)

執行結果：

6、異常值處理

檢查日期時間是否在規定范圍之內。2017年11月25日至2017年12月3日。

SELECT MAX(Date),MIN(Date),MIN(Time),MAX(Time)
FROM userbehavior;

執行結果：發現日期中有不在規定范圍內的數據。接下來，刪除異常數據。

異常數據的刪除：

發現一共2459行日期不再規定范圍內的數據，現已全部刪除這些異常數據。

DELETE FROM userbehavior
WHERE Date<'2017-11-25' OR Date>'2017-12-03';

attention:需要解除mysql的的安全輸入模式：執行命令SET SQL_SAFE_UPDATES = 0;修改下數據庫模式，再進行異常值的刪除

檢查日期，看是否正確。核對日期在規定時間內。

 

四、構建模型（數據分析）

問題1：用戶活躍規律（每天不同時段活躍情況和日活躍情況）是怎樣的？（有用戶行為的都為活躍用戶）

在2017.11.25-2017.12.03這段時間里，活躍用戶數為：37376。

SELECT COUNT(DISTINCT user_id)AS'活躍用戶數'
FROM userbehavior;

•  日活躍用戶:

SELECT Date,COUNT(DISTINCT user_id)AS'日活躍用戶數'
FROM userbehavior
GROUP BY Date;

分析發現：從2017.12.1開始，整個淘寶用戶活躍數據陡增，數據的峰值出現在2017.12.2。對比 上周末2017.11.25和2017.11.26的數據，發現2個周末數據相差很大。那么為什么2017.12.2和2017.12.3這兩天的用戶活躍數會高出這么多？

查看2017.12.2和2017.12.3兩天點擊商品頁(瀏覽商品)的用戶數目：

 

 

•  訪問量

 這9天里PV(瀏覽量)，返回結果是：3431904

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

 

 

 這9天里UV(用戶數)，返回結果是：37376

平均訪問量是： 3431904/37376 = 91.8

即每個用戶平均訪問了91個頁面。

• 每天訪問量情況

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

 

 

 

 

•  每個時段訪問量/訪客數對比

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

 

 

 

SELECT COUNT(DISTINCT user_id)AS'用戶數'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv';

 

數據顯示：2017.12.2，2017.12.3這兩天瀏覽過商品的用戶數是37001，占總活躍用戶數的98.89%，也就是說在2017.12.02到2017.12.03這段時間里，有98.89%的用戶瀏覽過商品頁。

推測：平台是否在做什么活動？了解到，12月臨近“雙12”活動。是否是因為很多商家在12月1號開始做“雙12”的活動預熱，從而吸引大量用戶活躍起來呢？如果在做活動，那么在這期間哪些商品類目（category_id）點擊瀏覽量排名top10？

SELECT category_id AS'商品類目ID',COUNT(user_id)AS'用戶瀏覽次數',
--concat()連接%,*100加%，round()取兩位小數，1157642
CONCAT(ROUND(COUNT(user_id)*100/950323,2),'%') AS'瀏覽占比'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv'
GROUP BY category_id
ORDER BY 用戶瀏覽次數 DESC LIMIT 10;

 

分析結果：發現瀏覽量前10 的商品類目ID為：4756105，4145813，2355072，3607361，982926，2520377，4801426，1320293，3002561，2465336

 瀏覽占比平均在1.66%，淘寶用戶基數大，1.66%%是一個非常大的占比了。說明在2017.12.2，2017.12.3這些商品類目是最受用戶關注的。

 attetion：求取瀏覽平均占比的方法：

select AVG(瀏覽占比) FROM 
(SELECT category_id AS'商品類目ID',COUNT(user_id)AS'用戶瀏覽次數',
CONCAT(ROUND(COUNT(user_id)*100/950323,2),'%') AS'瀏覽占比'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv'
GROUP BY category_id
ORDER BY 用戶瀏覽次數 DESC ) as b ;

 

attention：求取12-2和12-3兩天的瀏覽次數的方法(即對應1157642)

select sum(用戶瀏覽次數) as '用戶瀏覽總次數' FROM 
(SELECT category_id AS'商品類目ID',COUNT(user_id)AS'用戶瀏覽次數',
CONCAT(ROUND(COUNT(user_id)*100/950323,2),'%') AS'瀏覽占比'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv'
GROUP BY category_id
ORDER BY 用戶瀏覽次數 DESC ) as b ;

 

 

• 時活躍點擊量及用戶數

從整體分析用戶在一天中的活躍情況。

SELECT Time AS'時間',COUNT(*)AS'時活躍量',COUNT(DISTINCT user_id)AS'時活躍用戶數'
FROM userbehavior
GROUP BY Time
ORDER BY Time ASC;

 

 

發現：點擊量和活躍用戶主要集中在兩個時段，11：00~17:00和20：00~00：00。這兩個時間段的總訪問量要明顯高於其它任何時段。其中兩個時段又以14:00和21:00為中心點，其中21：00是一天中活躍的峰值。

為什么用戶在晚上21:00是最活躍？可能的原因是這個時候的用戶忙完了一天的事情，有更多的時間躺在家里玩手機，逛淘寶了。數據有限，不能深入分析。

 

晚上21:00是用戶最活躍的時候，他們的成交量是否也是最高的呢？

SELECT Time AS'時間', count(*) AS '成交量'
FROM userbehavior
where behavior_type='buy' 
GROUP BY Time
ORDER BY Time ASC;

分析發現，成交量走勢和時活躍量走勢相似，成交量在一天也有兩個黃金時段：10:00-17:00和20:00-00:00，21:00的成交量達到一天中的最高峰。這和時活躍的峰值一樣，都是在21:00.說明晚上21:00，用戶特別活躍，商品更容易成交。

 

問題2：用戶從瀏覽到購買的轉化情況？

• 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 date,count(behavior_type) as 成交量 from UserBehavior
where behavior_type='buy'
group by date
order by date asc;

 

 

 

• 瀏覽商品詳情頁的跳失率？

跳失率=瀏覽商品詳情頁即退出的次數/該頁面總訪問數（瀏覽即退出：瀏覽頁面后就退出，未進行其他任何行為)=92643/3431903=2.69%

attetion: user_id僅瀏覽（pv），沒有其它操作視為退出的次數；總的訪問數不包括其它行為（buy，fav，cart）

SELECT COUNT(user_id)AS'瀏覽即退出的次數',COUNT(DISTINCT user_id)AS'瀏覽即退出的用戶數'
FROM userbehavior
WHERE user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type='fav')
AND user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type='cart')
AND user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type='buy');

SELECT COUNT(user_id)AS'瀏覽次數'
FROM usebehavior
WHERE  behavior_type='pv';

 

商品詳情頁的跳失率為2.69%，也就是說500萬的行為數據中有134500次會在瀏覽商品詳情頁后流失退出。那么由此推理1億的用戶行為數據，134500*20=2690000次會瀏覽即退出。說明用戶對商品詳情頁的關注很大，商品詳情頁的商品描述，細節等吸引點不足，是流失用戶的的重要原因之一。具體造成用戶在瀏覽商品詳情頁后流失的原因，要根據實際情況分析，建議可以采用在線問卷調查的方式get用戶的痛點，針對性調整。

 

• 用戶行為分析

SELECT behavior_type AS'用戶行為',COUNT(*)AS'用戶行為數'
FROM userbehavior
GROUP BY behavior_type
ORDER BY 用戶行為數 DESC;

 

 

 

分析顯示，在整體用戶行為數據中，購買行為只有76707/3833385約2%。說明98%的用戶行為是沒有成交購買商品的，嚴格來說，沒有成交的用戶行為都屬於流失行為。用戶在瀏覽商品詳情頁后出現大量的流失。

點擊瀏覽商品詳情頁到購買的轉化率是怎樣的呢？

• 購物車_購買轉化率=加入購物車購買的用戶數/加入購物車用戶數=8503/28122

約為30%。說明加入購物車的用戶，有30%的用戶都會去購買商品。

-- 加入購物車的用戶數量/加入購物車購買的用戶數量=轉化率
SELECT COUNT(DISTINCT a.user_id)AS'加入購物車數量',COUNT(DISTINCT b.user_id)AS'加入購物車后購買數量'
FROM (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='cart')AS a
LEFT JOIN (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='buy')AS b
-- 連接條件是user_id,item_id,category_id均相等，說名是同一個用戶加入同一件商品進入購物車，但是timestamp時間不同
ON a.user_id=b.user_id AND a.item_id=b.item_id AND a.category_id=b.category_id AND a.timestamp<b.timestamp;

 

• 商品瀏覽_加入購物車轉化率和購物車_購買轉化率同時得出

select * from
-- 瀏覽商品用戶數量
(select count(distinct user_id)as'瀏覽商品用戶數目' from UserBehavior where behavior_type='pv') as b,
-- 加入購物車用戶數量
(SELECT * FROM data.conversion_buy) as a
)

 

 商品瀏覽_加入購物車轉化率=28122/37223=75.56%

數據結果顯示，從用戶點擊瀏覽商品詳情頁到購買商品，用戶瀏覽商品詳情頁—加入購物車的轉化率很高，達75.56%，說明很多用戶購買前有加入購物車的習慣；在加入購物車-購買環節，用戶流失非常大，轉化率30%，也就是說有約70%的用戶加入購物車后流失了。在此購物流程中，購物車—購買環節是用戶流失的關鍵節點。是什么原因造成用戶流失的呢？

有可能的原因：加入購物車代表用戶正在處於比較商品的階段，或者等待平台活動，或者放在一起准備支付購買等等。

建議：1、在購物車環節，顯示領券，降價等提示；2、向用戶推送消息，如店鋪活動，類似產品等

 

• 收藏-購買轉化率

收藏_購買轉化率=收藏商品購買用戶數/收藏的用戶數=3233/14949約為21.63%。

select * from(
-- 瀏覽商品用戶數量
(select count(distinct user_id)as'瀏覽商品用戶數目' from UserBehavior where behavior_type='pv') as c,
-- 收藏后購買的轉化率
(SELECT COUNT(DISTINCT a.user_id)AS'用戶收藏數量',COUNT(DISTINCT b.user_id)AS'收藏后購買數量'
FROM (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='fav')AS a
LEFT JOIN (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='buy')AS b
ON a.user_id=b.user_id AND a.item_id=b.item_id AND a.category_id=b.category_id AND a.timestamp<b.timestamp)as d)

 

 

數據顯示，用戶收藏商品后，轉化支付購買率為21.63%，78.37%的收藏用戶流失了。從購物車-購買和收藏-購買兩個購買流程來看，相比之下，用戶購物習慣更偏向加入購物車購買。為什么呢？

推測：加入購物車可以直接統一下單，而收藏頁面沒有下單頁面，必須點進商品頁面才能下單。具體是什么原因，暫不確定，這里數據不足，不予分析。

 

 3、用戶復購率是多少？銷量top3 的商品類目有哪些？

• 用戶復購率

-- 用戶購買次數
SELECT buy_times,COUNT(*) AS '人數'FROM
(SELECT COUNT(user_id) AS buy_times 
FROM userbehavior
WHERE behavior_type='buy'
GROUP BY user_id)as a
GROUP BY buy_times
ORDER BY buy_times ASC;

 

 

購買總人數：25400，總購買次數：76707。人均購買次數：=76707/25400約為3.02次。

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 UserBehavior
where behavior_type='buy';

 

復購率=一定周期內下單次數在兩次及兩次以上的人數/總下單人數=(25400-8688)/25400約為65.80%。

在淘寶平台購物后，有65.80%的用戶都會復購行為，淘寶平台和用戶的粘性很高。有的用戶購買次數高達到84次（圖幅部分沒有截圖）。9天里有84次的購買行為，平均一天有9次購買行為，這不符合常理，為什么他們的購買次數如此高呢？是否存在刷單現象？進一步分析驗證購買次數較高的用戶平時購買情況，以及賬戶，購物，物流等信息才能判斷。這里數據有限，不深入探究其原由。

 

• 商品類目的銷量情況

總商品類目有：7106種

SELECT COUNT(DISTINCT category_id) AS '商品類目數'
FROM userbehavior;

• 商品類目的瀏覽top3情況

在這9天內用戶銷量排名前三的商品類目分別是：4756105（瀏覽次數187540）,4145813（瀏覽次數123887），2355072（瀏覽次數121627）

select 商品類目ID,用戶點擊瀏覽次數,(@rank := @rank + 1)AS 'rank' from
(SELECT category_id AS '商品類目ID',COUNT(user_id)AS'用戶點擊瀏覽次數'
FROM userbehavior
WHERE behavior_type='pv'
-- and Date in('2017-12-02','2017-12-03')
GROUP BY category_id
ORDER BY 用戶點擊瀏覽次數 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 用戶點擊瀏覽次數 desc;

 

• 商品類目的銷量top3情況

在這9天內用戶銷量排名前三的商品類目分別是：1464116（銷量1211）,2735466（銷量1148）和4145813（銷量1124）。

select 商品類目ID,購買次數,(@rank := @rank + 1)AS 'rank' from
(SELECT category_id AS '商品類目ID',COUNT(DISTINCT user_id)AS'購買次數'
FROM userbehavior
WHERE behavior_type='buy'
-- and Date in('2017-12-02','2017-12-03') 
GROUP BY category_id
ORDER BY 購買次數 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 購買次數 desc;

是否是用戶瀏覽越多，購買越多呢？商品類目的瀏覽和購買排名一致嗎？

 

 

分析發現：“購買”排名前三的商品類目和“瀏覽”的排名並不一致。用戶瀏覽越多，購買卻少，為什么呢？（可根據前面列出的用戶在詳情頁流失分析思路進行分析）。“購買”和“瀏覽”均在前三的是商品類目是4145813.

那么商品類目category_id=4145813的商品銷量情況又是怎樣的呢？

select 商品ID,購買次數,(@rank := @rank + 1)AS 'rank' from
(SELECT item_id AS '商品ID',COUNT(user_id) AS '購買次數'
FROM userbehavior
WHERE behavior_type='buy'
GROUP BY item_id
ORDER BY 購買次數 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 購買次數 desc;

 

 在category_id=4145813中，商品銷量排名前三名的是3122135,3031354和2964774。

 

問題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。

 

• 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
-- max(date)就是購買該商品的最近一天距離11-25日的天數差，可能會出現同一件商品不同--- 日期多次購買的情況
(select user_id,datediff(max(date),'2017-11-25')as 購買天數
from UserBehavior
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84次。所以，我們將1-84從低到高，划分為4個檔次。1-18，19-36，37-54，55-84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 84 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 UserBehavior
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)as '平均購買天數得分' from score_01;
select avg(購買頻率得分)as '平均購買頻率得分'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;

 

•  用戶類型計數：

-- 不同用戶類型計數
SELECT distinct 用戶類型,count(用戶類型) as'用戶數量'
FROM data.users_classify
group by 用戶類型;

 

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。

五、總結和建議

• 總結

1）從2017.12.1開始，活躍用戶數驟增，推測是因為臨近“雙12”活動，很多商家在開始做活動預熱，瀏覽量top3的商品類目分別是4756105（瀏覽次數187540）,4145813（瀏覽次數123887），2355072（瀏覽次數121627）。

日訪問量和成交量的黃金時間段：11：00~17:00和20：00~0：00。晚21:00是用戶全天最活躍的時段，在這個時候成交量也最高。可能的原因是這個時候的用戶忙完了一天的事情，有更多的時間躺在家里玩手機，逛淘寶了。

2）淘寶平台與用戶的黏度很高，人均每天瀏覽頁面約11次。但根據用戶行為的轉化情況，用戶在瀏覽商品詳情頁后大量流失，用戶點擊瀏覽商品詳情頁后的跳出率2.69%。淘寶用戶基數很大，推測一個億的用戶行為數據，有2690000次跳出。

3） 大部分用戶在購買商品前有加入購物車的習慣，對比瀏覽-加購物車-購買和瀏覽-收藏-購買兩條線，加入購物車購買的機率更大，購買轉化率高8.37%。在購物車中可以一鍵全部下單，收藏夾需要單個下單和找“相似”端口，增加了流失的風險。

4）用戶經常使用淘寶購物，淘寶整體復購率約為65.80%。這九天中最高購買頻次達到72次，不符合常理，需要進一步驗證。商品類目4145813在購買”和“瀏覽”均排名前三，在此期間很多用戶對此類商品很感興趣。

• 建議（結合AARRR模型）

1）建議商家在用戶行為黃金時段內，經常更新產品信息，黃金展位，活動推薦商品等 。 在活動前，增加發布產品數，優化產品關鍵詞設置等方式增加曝光率。（AARRR第一環節：獲取用戶）

2）建議優化商品的詳情頁（打開速度，商品細節描述等），從語言和視覺傳達角度打動用戶，提高用戶體驗度。可以從參考競品的優秀做法。（AARRR第二環節：激活用戶）。

3）建議建立積分商城，通過積分體系提高用戶的生命周期，如：購買積分，簽到積分等，並可用積分兌換優惠券或購買商品。（AARRR第三環節：提高留存）

4）建議在“購物車”頁面，顯示出優惠券，減價，剩余庫存或者已有多少人購買等信息，刺激用戶購買商品。建議在“收藏”頁面增設價格變動，顯示有多少人收藏，剩余庫存等信息，刺激用戶下單購買。

建立用戶畫像，通過行為數據，查看用戶最近列表頁、搜索欄、收藏頁、購物車都有看過或添加過哪些商品，針對用戶自有屬性進行定向推送，有效引導客戶潛在的消費需求，全面提升復購率。（AARRR第四環節：增加收入）

5）建議優化產品，保證產品的質量，提高服務（售前，售后服務）質量，提高購物車—購買和收藏——購買的轉化率。（AARRR第五環節： 推薦）

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。