淘宝APP用户行为数据分析

淘宝APP用户行为数据分析

（一）数据理解
1.数据来源：https://tianchi.aliyun.com/dataset/dataDetail?dataId=46&userId=1

本文从数据集中选取了2014年11月18日至2014年12月18日之间，共802758条行为数据，数据集中每一行代表一条用户行为，共有6个字段。

2.列字段如下：

User_id 用户ID

Item_id 商品ID

behavior_type

用户行为类型（包含点击，收藏，加购物车，购买4中行为，分别用1,2,3,4表示）

User_geohash 地理位置

Item_category 商品种类

Time 用户行为发生时间

（二）提出问题

1、整体用户的购物情况

pv（总访问量）、日均访问量、uv（用户总数）、有购买行为的用户数量、用户的购物情况、复购率分别是多少？

2、用户行为转化漏斗

点击—加购物车—收藏—购买各环节转化率如何？购物车遗弃率是多少？

3、购买率高和购买率为 0 的人群有什么特征

4、基于时间维度了解用户的行为习惯

5、基于RFM模型的用户分析

（三）数据清洗

（三）数据清洗

1.缺失值处理

User_geohash字段表示地理位置信息，由于数据存在大量空值，且对数据分析意义不大，因此不对该列进行处理（三）数据清洗

1.缺失值处理

User_geohash字段表示地理位置信息，由于数据存在大量空值，且对数据分析意义不大，因此不对该列进行处理

2.数据一致化处理

字段time包含（年月日）和小时两种属性，为了方便分析，将该字段分成日期date和小时time 2列

由于behavior_type列的四种行为分别用1，2，3，4表示点击，收藏，加购物车，购买四种行为，为了方便查看数据，将1，2，3，4替换为’pv’, ’fav’ ,’cart’ ,’buy’

查询表结构，发现date列不是日期类型，将其修改为date类型

（四）构建模型和分析数据

1.总体用户购物情况

（1）pv(总访问量)

（2）日均访问量

（3）uv（用户总数）

（4）有购买行为的用户数量

（5）用户的购物情况

（6）复购率：产生两次或者两次以上购买的用户所占比列

2.用户行为转化漏斗

在购物环节中收藏和加购物车没有先后之分，所以将这两个环节放在一起作为购物环节的一步

3.购买率高和低的人群各有什么特征

购买率高的用户特征：

       从结果可以看出，购买率高的用户点击率并不高，他们一般点击不超过5次就直接购买，由此可以推断出这些用户为理智型消费者，有明确的购物目标，很少会被商家广告或者促销吸引

购买率低的用户特征：

       从结果可以看出，购买率低主要有2个因素，其一点击次数少，可能原因是网购欲望不强烈，可以通过广告等加以引导；其二是点击收藏次数较多，但是购买率低，这类用户可能正在为促销活动做准备，价格敏感，购物难度较大

4.基于时间维度了解用户的行为习惯

1.一周中用户活跃时段分布

由于第一周和第五周数据不全。因此这两周的数据不进行分析

       从结果可以看出，每周用户活跃稳定，每周五会有小幅降低，但是周末逐渐回升。其中周五用户活跃度突增，这是有双十二电商活动引起的

2.一天中用户的活跃时段分布

       可以看出，每日0点到5点用户活跃度快速降低，降到一天中的活跃量最低值，6点到10点用户活跃度快速上升，10点到18点用户活跃度较平稳，17点到23点用户活跃度快速上升，达到一天中的最高值。

5.基于RFM模型找出最有价值客户

RFM模型是衡量客户价值和客户创造力的重要工具和手段

R-Recency(最近一次购买时间)

F-Frequency(消费频率)

M-Money(消费金额)

但由于没有相关金额数据，只能通过R，F对客户价值打分

（1）R-Rcency

       统计客户最近发生购买行为的日期距离2014-12-19间隔几天，再对间隔进行排名，间隔越少，客户价值越大

（2）计算F-Frequency

先统计每位用户的购买频率，再对购买频率进行排名，频率越大，客户价值越大，排名就越靠前

（3）对用户进行评分

查询有购买行为的用户的数量

       对3326名有购买行为的用户按照排名进行分组，共划分为四组，对排在前四分之一的用户打4分，排在前四分之一到四分之二（即二分之一）的用户打3分，排在前四分之二到前四分之三的用户打2分，剩余的用户打1分，按照这个规则分别对用户时间间隔排名打分和购买频率排名打分，最后把两个分数合并在一起作为该名用户的最终评分

       通过打分可以了解每位顾客的特性，从而实现差异化营销。比如对于 user_value = 44 的用户，为重点用户需要关注；对于user_value = 41 这类忠诚度高而购买能力不足的，可以可以适当给点折扣或捆绑销售来增加用户的购买频率。对于 user_value = 14 这类忠诚度不高而购买能力强的，需要关注他们的购物习性做精准化营销。还可以通过每个月对用户的评分变化，推测客户消费的异动状况，对于即将流失的客户，通过电话问候、赠送礼品、加大折扣力度等有效的方式挽回客户。

（五）结论及建议

1、总体转化率只有 1%，用户点击后收藏和加购物车的转化率在 5% ，需要提高用户的购买意愿，可通过活动促销、精准营销等方式。

2、购买率高且点击量少的用户属于理智型购物者，有明确购物目标，受促销和广告影响少；而购买率低的用户可以认为是等待型或克制型用户群体，下单欲望较少且自制力较强，购物难度较大。

3、大部分用户的主要活跃时间在10点到23点，在19点到23点达到一天的顶峰。每周五的活跃度有所下降，但周末开始回升。可以根据用户的活跃时间段精准推送商家的折扣优惠或促销活动，提高购买率。

4、通过 R 和 F 的数据对用户行为进行打分，对每位用户进行精准化营销，还可以通过对R 和 F 的数据监测，推测客户消费的异动状况，挽回流失客户。