一数据理解

1.总体介绍

数据来源： User Behavior Data from Taobao for Recommendation-数据集-阿里云天池
数据时间：本数据集包含了2017年11月25日至2017年12月3日之间
约有一百万随机用户的所有行为(行为包括点击,购买,加购,收藏).数据集每一行表示一用户的行为,由用户ID,商品ID,商品类目ID,行为类型和时间戳,并以逗号分割.

2.字段介绍

image.png

image.png

二分析思路

1.提出问题

本次分析主要目标是通过对淘宝的行为数据分析,为以下问题提供解释或改进建议:
1.分析用户使用app过程中的常见电商指标,了解运营现状,查看各个环节流失率,并找到改进的点
2.研究用户在不同维度下的行为规律,了解用户行为特征,优化运营策略
3.研究用户价值,针对不同用户进行精细化运营
4.研究用户生命周期,针对不同周期用户采取不同的运营策

2.数据摸索

数据为电商类型数据,包括用户商品,商品类别,用户行为,时间5个维度.因为是电商类的数据,所以的先了解电商运营基础指标,指标如下:

image.png

了解了电商基础运营指标后,结合本数据看看能做的分析有哪几个方面:item_ID category_ID.timestamp
1.基于user_ID,.behavior_type等字段数据可以分析PV,UV . PV/UV 跳失率.总订单量等整体运营指标。
2.基于 AARRR模型，可以分析用户生命周期，划分不同用户所处周期阶段。
3.基于time字段可以和behavior_type等字段，可以分析用户行为特征。

3.分析思路

可查看本文结构中的模型建立可视化部分

三数据清洗

1.导入数据

通过数据库工具Navicat将数据导入Mysql本地数据库。

2.列新增

表里新建1列 date 存放年-月-

UPDATE userbehavior_test SET date = from_unixtime(timestamp,'%Y-%m-%d');
UPDATE userbehavior_test set timestamp = FROM_UNIXTIME(timestamp,'%H');

把时间戳的数据分别转换成年-月-日和小时 2种格式，方便统计

image.png

3.缺失值处理

因为导入数据的时候都设置NOT NULL,所以是没有缺失值，这里可以用代码验证：

SELECT 
    COUNT(us.user_ID),
    COUNT(us.item_ID),
    COUNT(us.behavior_type),
  COUNT(us.`timestamp`),
    COUNT(us.date)
FROM userbehavior as us；

查询结果.png

4.行为值检测

SELECT DISTINCT u.behavior_type FROM userbehavior as u；

查询结果.png

四.构建模型

1.总体运营指标

1.流量指标

页面访客数（pv），独立访客少（uv），人均点击数（pv/uv）

结构展示.png

现象描述和分析
页面访问量：3833385次，独立访客37376，人均点击102.5627次/人：117/9=11.3，也就是说日人均点击次数大概在11/人/天：
每日流量指标变化趋势：

SELECT
  us.date as 日期,
    COUNT(*) AS 'pv',
    COUNT(DISTINCT us.user_ID) AS 'uv',
    COUNT(*) / COUNT(DISTINCT us.user_ID) AS 'pv/uv'
FROM
userbehavior AS us 
WHERE
us.behavior_type = 'pv'
GROUP BY
us.date

image.png

可视化.png

2.AARRR漏斗转化率

1.按照页面访客计算转化率

查询代码

SELECT
    us.behavior_type,
    COUNT(*)
FROM
    userbehavior AS us
GROUP BY
    us.behavior_type

image.png

计算
因为在购物环节中收藏和加入购物车两个环节没有先后之分，所以将这两个环节可以放在一起做为购物关节的一部，最终的到用户购物行为各个环节转化率。

image.png

image.png

分析：
从转化率来看：浏览>收藏/加购物车转化率购9.46%，总体购买转化率为2.24%，这说明有非常多的用户在浏览后未进行下一步操作，有非常多无效点击：
从占比来看：浏览>收藏/加购物车环节转化率很低，收藏/加购>购买的转化率只有23.62%，说明有很多用户加入购物车/收藏，但并未真正购买。

每日行为分析

SELECT
  us.date as 日期,
    SUM(CASE WHEN us.behavior_type='pv' THEN 1 ELSE 0 END)AS '浏览数',
  SUM(CASE WHEN us.behavior_type='cart' OR us.behavior_type='fav' THEN 1 ELSE 0 END)AS '购物车@收藏',
 
 SUM(CASE WHEN us.behavior_type='buy' THEN 1 ELSE 0 END)AS '付费数'
FROM
    userbehavior AS us
GROUP BY
us.date

查询结果.png

可视化.png

分析
每个月头，点击量和购买力会逐步上升，推测大部分上班族月头发放工资，所以购买力较为强劲，建议活动集中在月头进行。

跳失率

SELECT
    COUNT(*) AS 只停留在详情页
FROM
    (
        SELECT
            a.user_ID,
            COUNT(*)
        FROM
            (
                SELECT
                    us.user_ID
                FROM
                    userbehavior AS us
                GROUP BY
                    us.user_ID,
                    us.behavior_type
            ) AS a
        GROUP BY
            a.user_ID
        HAVING
            COUNT(*) = 1
    ) AS b

image.png

计算
详情页跳失率=之访问一次就离开的人数/总用户数（以知37376）
2217/37376=6%

（4）订单指标

（1）成交量

1.先看总体成交量

SELECT
    COUNT(us.behavior_type)
FROM
    userbehavior AS us
WHERE
    us.behavior_type = 'buy'

image.png

2.每日成交量

SELECT
  us.date,
    COUNT(us.behavior_type)
FROM
    userbehavior AS us
WHERE
    us.behavior_type = 'buy'
GROUP BY
    us.date

image.png

可视化.png

分析
订单处于平稳，12月1-2-3号量有增长，与前面的流量指标走上分析，可以进行相互验证。

人均购买次数

SELECT
  COUNT(us.behavior_type) AS '总单量',
    COUNT(DISTINCT us.user_ID) AS  '总用户数',
    COUNT(us.behavior_type)/COUNT(DISTINCT us.user_ID)
FROM
    userbehavior AS us
WHERE
    us.behavior_type = 'buy'

image.png

再看每日

SELECT
  us.date,
    COUNT(us.behavior_type) AS '总单量',
    COUNT(DISTINCT us.user_ID) AS '总用户数',
    COUNT(us.behavior_type) / COUNT(DISTINCT us.user_ID) AS '人均购买数'
FROM
    userbehavior AS us
WHERE
    us.behavior_type = 'buy'
GROUP BY
    us.date

image.png

image.png

分析
平均一个用户购买了3次，每天的订单量与流量指标的走势也是一致的。

复购率

总体复购率

至少购买一次的用户
SELECT
    COUNT(DISTINCT us.user_ID)
FROM
    userbehavior AS us
WHERE
    us.behavior_type = 'buy'

购买大于一次的用户
SELECT
    COUNT(DISTINCT user_ID)
FROM
    (
        SELECT
            us.user_ID,
            COUNT(us.behavior_type) AS num
        FROM
            userbehavior AS us
        WHERE
            us.behavior_type = 'buy'
        GROUP BY
            us.user_ID
    ) AS a
WHERE
    num > 1

image.png

image.png

复购率= 购买大于1次的人数/至少成交一单的人数 = 16712/25400=65.7%

那些商品被复购次数最多？那些用户进行了更多的重复购买呢？

商品类型复购排行榜

SELECT 
    us.item_ID,
COUNT(us.behavior_type) as '购买次数'
FROM
    userbehavior as us
WHERE 
    us.behavior_type ='buy'
GROUP BY 
    us.item_ID
ORDER BY
    COUNT(us.behavior_type) DESC
LIMIT 10

查询结果.png

分析
因为商品id为数值类型，所以这里无法对商品进一步分析。

用户复购排行榜

SELECT 
    us.user_ID,
COUNT(us.behavior_type) as '购买次数'
FROM
    userbehavior as us
WHERE 
    us.behavior_type ='buy'
GROUP BY 
    us.user_ID
ORDER BY
    COUNT(us.behavior_type) DESC
LIMIT 10

image.png

分析
以上用户对于平台的忠诚度是比较高的，对于平台价值贡献也是最高的，可以开发用户信息库，收集详实的用户质料，追踪记录顾客的交易情况，收集用户画像，或者线上组建VIP客户微信群，短信通知系统等，针对这些用户的购买编好进行更为精准的运营营销。

用户行为特征

用户行为日期的特征

按日期粒度

SELECT 
    us.date,
    COUNT(*) as '行为总数',
    SUM(CASE WHEN us.behavior_type = 'pv' THEN 1 ELSE 0 END) AS '点击次数',
    SUM(CASE WHEN us.behavior_type = 'fav' THEN 1 ELSE 0 END) AS '收藏次数',
    SUM(CASE WHEN us.behavior_type = 'cart' THEN 1 ELSE 0 END) AS '加购次数',
    SUM(CASE WHEN us.behavior_type = 'buy' THEN 1 ELSE 0 END) AS '购买次数',
    COUNT(DISTINCT us.user_ID) AS '总用户数',
    COUNT(*)/COUNT(DISTINCT us.user_ID) as '人均行为次数',
    CONCAT(ROUND(SUM(CASE WHEN us.behavior_type = 'pv' THEN 1 ELSE 0 END)/COUNT(*)*100,2),'%') AS '点击数占比' ,
  CONCAT(ROUND(SUM(CASE WHEN us.behavior_type = 'buy' THEN 1 ELSE 0 END)/COUNT(*)*100,2),'%') AS '成交数占比' 
FROM
    userbehavior as us
GROUP BY 
    us.date
ORDER BY
    us.date asc

image.png

image.png

分析
按日期粒度来看，用户活跃度与总行为属实正相关的广西，大部分走势平稳。

用户行为小时的特征

SELECT 
    us.`timestamp`,
    COUNT(*) as '行为总数',
    SUM(CASE WHEN us.behavior_type = 'pv' THEN 1 ELSE 0 END) AS '点击次数',
    SUM(CASE WHEN us.behavior_type = 'fav' THEN 1 ELSE 0 END) AS '收藏次数',
    SUM(CASE WHEN us.behavior_type = 'cart' THEN 1 ELSE 0 END) AS '加购次数',
    SUM(CASE WHEN us.behavior_type = 'buy' THEN 1 ELSE 0 END) AS '购买次数',
    COUNT(DISTINCT us.user_ID) AS '总用户数',
    COUNT(*)/COUNT(DISTINCT us.user_ID) as '人均行为次数',
    CONCAT(ROUND(SUM(CASE WHEN us.behavior_type = 'pv' THEN 1 ELSE 0 END)/COUNT(*)*100,2),'%') AS '点击数占比' ,
  CONCAT(ROUND(SUM(CASE WHEN us.behavior_type = 'buy' THEN 1 ELSE 0 END)/COUNT(*)*100,2),'%') AS '成交数占比' 
FROM
    userbehavior as us
GROUP BY 
    us.`timestamp`
ORDER BY
    us.`timestamp` asc

image.png

image.png

分析
每日0-5点用户活跃度快速下降，降到一天中的活跃度值最低值，6-11点用户活跃度快速攀升
，11-19点用户活跃度平稳，18-23点用户活跃度快速上升，达到一天中的最高值。

同样也从点击率和成交率的关系对以上结论进行验证

image.png

分析
现象描述：
0-8点点击率下降，成交率跟着下降：
9-16点击率下降：
9-13点点击率下降，成交率上升：
19-23点点击率上升，成交率下降；
结论：晚上用户使用淘宝偏向于浏览，白天中午左右的时段，购买行为的比率为一天中最高，用户使用淘宝用于该买的目的性最强。

用户商品偏好

SELECT  
    us.category_ID,
    SUM(CASE WHEN us.behavior_type = 'pv' THEN 1 ELSE 0 END) AS '点击次数',
    SUM(CASE WHEN us.behavior_type = 'buy' THEN 1 ELSE 0 END) AS '购买次数'
END)/COUNT(us.behavior_type)*100,2),'%') AS '成交数占比' 
FROM
    userbehavior as us
GROUP BY 
    us.category_ID
ORDER BY
    SUM(CASE WHEN us.behavior_type = 'pv' THEN 1 ELSE 0 END) DESC
,SUM(CASE WHEN us.behavior_type = 'buy' THEN 1 ELSE 0 END) DESC

image.png

可视化
按照商品品类区分，根据点击次数和购买次数两个维度将所有商品划分到四个像限：

image.png

现象描述&分析
第一象限：
点击数高，购买数高。说明此类产品的刚需性强，复购率高，用户在较高的需求下也有很多选择的空间。
第二象限：
点击数底，购买高。用户该买决策非常迅速，用户对于该品类的需求量大，说明该类品选择性少，或者几个品牌形成垄断的状态，或者产品的差异性小，价格偏低的原因，用户不愿意花精力去挑选。
第三象限：
点击数底，购买数底，与第一象限成反比。说明此类产品的刚需性底，复购率底。
第四象限：
点击数高，购买数底，该类产品需求高，复购率底，推测是非消耗品

用户行为路径上的特征：

SELECT 
    COUNT(qq.user_ID) AS aaa1
FROM
    (SELECT user_ID
        ,SUM(CASE WHEN behavior_type = 'pv' THEN 1 ELSE 0 END) AS `点击`
        ,SUM(CASE WHEN behavior_type = 'fav' THEN 1 ELSE 0 END) AS `收藏`
        ,SUM(CASE WHEN behavior_type = 'cart' THEN 1 ELSE 0 END) AS `加购`
        ,SUM(CASE WHEN behavior_type = 'buy' THEN 1 ELSE 0 END) AS `购买`
    FROM
        userbehavior    AS us
GROUP BY user_ID    
) as qq
WHERE
    (qq.`点击`=0 AND qq.`收藏`=0 AND qq.`加购`=0 AND qq.`购买`>=1)

从AARRR漏斗转化模型来看，用户购买商品可分类如下几种过程：
浏览收藏购买
浏览加购购买
浏览购买
加购购买
收藏购买
直接购买
通过代码得出以下数据

image.png

可是化展示

image.png

现象描述/分析
现象：浏览收藏购买行为最多，占64.59%，而浏览加购购买的行为第二，占29.27，浏览购买，只占6%
分析：大部分购买者都喜欢，浏览收藏购买。

用户复购率特征

SELECT uo.`购买次数`,COUNT(uo.user_ID)
FROM (SELECT us.user_ID,COUNT(us.behavior_type) as '购买次数' FROM userbehavior as us
                WHERE
                    us.behavior_type = 'buy'
                GROUP BY
                    us.user_ID) as uo
GROUP BY
    uo.`购买次数`

image.png

可视化

image.png

看占比:
由上图可知用户该买次数大部分集中在10次以内，将用户数按购买1次，购买2-6次，购买7-11次，购买12次以上的数据进行分组，结果如下：

image.png

RFM用户价值

统计用户R值和F值

R统计基准日期为 2017-12-5

CREATE VIEW RF AS
SELECT 
    user_ID
    ,DATEDIFF('2017-12-5',max(us.date))AS R
    ,COUNT(us.behavior_type) AS F
FROM userbehavior as us
WHERE us.behavior_type= 'buy'
GROUP BY
    us.user_ID

查询结果.png

给RF分组，给用户打分

SELECT 
MAX(R)
,MIN(R),MAX(F),MIN(F)
    FROM
        rf

查询结果.png

将R/F按四组
R值：0-2，3-5，6-8，9-10分别对应4分·3分·2分·2分
F值：1-6，7-11，11-20，21-84分别对应1分·2分·3分··4分
创建视图 rf_rum

CREATE VIEW rf_rum AS
SELECT  user_ID,(
    CASE WHEN R BETWEEN 0 AND 2 THEN 4
    WHEN R BETWEEN 5 AND 5 THEN 3
    WHEN R BETWEEN 6 AND 8 THEN 2
    WHEN R BETWEEN 9 AND 10 THEN 2
    ELSE 0
    END) AS R_score
    ,(
    CASE WHEN F BETWEEN 1 AND 6 THEN 1
    WHEN F BETWEEN 7 AND 11 THEN 2
    WHEN F BETWEEN 11 AND 20 THEN 3
    WHEN F BETWEEN 21 AND 84 THEN 4
    ELSE 0
    END) AS F_score
FROM rf

image.png

计算R_score和F_score的平均值，确定评分标准
按照RF的平均值打标签，然后将RF的评分跟平均分比较，比如重要价值客户两项评分比较都高于平均分：

SELECT AVG(R_score),AVG(F_score)
FROM rf_rum AS fr

image.png

给不同用户贴上价值标签

CREATE VIEW 用户标签 AS
SELECT rfa.user_ID,(CASE WHEN rfa.R_score  >2 AND rfa.F_score >1.1 THEN '重要价值'
                                            WHEN rfa.R_score  >2 AND rfa.F_score <=1.1 THEN '重要保持'
                                            WHEN rfa.R_score  <=2 AND rfa.F_score >1.1 THEN '重要发展'
                                            WHEN rfa.R_score  <=2 AND rfa.F_score <=1.1 THEN '一般价值'
                                            ELSE 0
                                            END) as  客户类型
FROM fr_rum as rfa

查询结果.png

查看不同价值用户占比

代码

SELECT
    客户类型,
    COUNT(user_ID) AS 数量
FROM
    用户标签
GROUP BY
    客户类型
ORDER BY
    数量

查询结果.png

image.png

现象描述/分析

对不同类型的用户实行不同的营销策略：

重要价值客户；
他们是最优质的用户，需要重点关注并保持，应该提高满意度，增加库存，显然5%的比例很低
重要保持用户；
他们最近有购买，但购买频率不高，可以通过活动等提高，显然32%较高；
一般价值用户
他们最近没有购买，以往购买频率也不高，容易流失，所以应该赠送优惠券或者送活动信息，唤醒购买欲望，他们的比例是59%。

总结

通过对运营指标，用户行为，用户价值的分析，的出以下结论：

(1)、总体运营指标方面:

1、从对流量指标和订单产生效率指标分析可知,促销活动对用户各项指标的影响非常大。

建议:要充分利用好节假日的机会,策划相关营销活动,提升用户活跃度,提高销售转化。

2、用户行为转化率很低但跳失率却不高,这说明用户在首页进行多次点击后并未找到中意的商品,有意向,购买转化率50%,说明有过半数的加购最终也没有成交。

建议:优化产品详情页、收藏页、购物车页面,可以通过活动、优惠券、倒it时购物车等方式增加客户购买紧近感，促进用户下单的利益诱导"。

3、页面访客基准的转化率仅为5%和1%6,而基于独立访客转化率为100%和51%,跳失率也不高,这说明商品还是符合用户需求的,只是"道路不够通畅”

做页面优化,与第2点基本相同

(2)、用户行为特征:

1、时间上的活跃度特征:活动日活跃平日平稳;周末活跃平日平稳;晚间活跃白天一般。

建议:营销活动时间节点选择可根据用户以上活跃规律进行,实现活动效果最大化。

2、商品上的活跃度特征:仅购买一次的用户占479%,购买5次以内占比90%以上,说明留存率很低,结合基于独立访客的转化率来看,运营效果不好。

建议:针对活跃商品和用户提炼其画像,分析其背后的需求逻辑,优化商品结构,建立用户详细信息库,通过合适的渠道,进行精准营销活动推送,提高用户复购率。

3、购买路径上的特征:直接购买占比5896,浏览购占比47%,用户并不会走完每一个步骤,商品品质和首页引导对销量转化非常关键。

建议:优化商品结构,确保商品品质,提升用户满意度,优化首页界面,减少用户购物筛选难度,提升下单概率,提升转化效率。

4、复购率上的特征;总体复购率53%,可针对复购率高的商品和用户,分析其画像,提升复购,增加留存。

建议：建易同2

（3）、用户价值:

1、重要价值客户仅为5%,就是最近有消费目频次高的用户,这说明高价信用户比例少/留存低

建议:提高中药价值客户比例,可通过提升重要保持客户的购买频次等方式实现

2、重要保持客户32%,就是那些最近买过但频率不高,比例较高,需丰富运营活动,刺激消费,让更多的人成为重要价值客户。

建议:通过丰富多彩的活动,刺激消费,转化为重要价值客户

3、重要发展娩回客户仅为4%,就是那些以前消费频率高但已经很久没有消费了,这说明平台流失率低,用户忠诚度较好。

建议:分析历史购买记录,分析用户画像,挖掘需求点,尽可能挽回这部分用户

淘宝用户行为分析（mysql）

一数据理解

1.总体介绍

2.字段介绍

二分析思路

1.提出问题

2.数据摸索

3.分析思路

三数据清洗

1.导入数据

2.列新增

3.缺失值处理

4.行为值检测

四.构建模型

1.总体运营指标

1.流量指标

2.AARRR漏斗转化率

1.按照页面访客计算转化率

每日行为分析

跳失率

（4）订单指标

（1）成交量

人均购买次数

再看每日

复购率

那些商品被复购次数最多？那些用户进行了更多的重复购买呢？

用户复购排行榜

用户行为特征

用户行为日期的特征

用户行为小时的特征

用户商品偏好

用户行为路径上的特征：

用户复购率特征

image.png

RFM用户价值

统计用户R值和F值

给不同用户贴上价值标签

查看不同价值用户占比

现象描述/分析

总结

(1)、总体运营指标方面:

(2)、用户行为特征:

（3）、用户价值:

你可能感兴趣的:(淘宝用户行为分析（mysql）)