數據分析案例之淘寶用戶行為分析完整報告
一、項目背景
UserBehavior為淘寶用戶行為的數據集，數據集包括了有大約82萬隨機用戶的用戶行為(行為包括點擊pv，購買buy，加購物車chart，收藏fav)數據。
二、項目目標
通過對用戶行為的分析，主要實現下面兩個目的：
1、為客戶提供更精準的隱式反饋，幫助用戶更快速找到商品;
2、為提高公司的交叉銷售能力，提高轉化率，銷售額，提升公司業績。
三、分析思路
主要從以下四個維度對用戶行為進行分析和建議：
1、用戶行為間的轉化情況分析： 利用 漏斗模型
分析用戶從商品瀏覽到購買整個過程中，常見的電商分析指標，確定各個環節流失率，提出改善轉化率的建議。
2、用戶的行為習慣分析： 利用pv、uv等指標，找出用戶活躍的日期以及每天的活躍時間段。
3、用戶類目偏好分析：
根據商品的點擊、收藏、加購、購買頻率，探索用戶對商品的購買偏好，找到針對不同商品的營銷策略(購買率較高的類目和產品，優化產品推薦)。
4、用戶價值分析： 找出最具有價值的核心用戶群，針對這個群體推送個性化推送，優惠券或者活動。
邏輯如下：
四、數據處理
主要使用工具：Navicat for MySQL，MySQL, power BI。
(一)準備數據
1 、數據來源
阿里云天池：
https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
2 、將數據導入MySQL
使用Navicat導入功能，導入后結果如下圖，這里會出錯卡在導入步驟的5/8位置。
使用代碼直接導入，結果如下圖，未出現上述卡住現象。
3 、數據理解
本數據主要包含了大概82萬條數據，每一行分別表示一個用的行為，由用戶ID(User_ID)、產品ID(Item_ID)、類目ID(Category_ID)、行為類型(Behavior_type)、時間戳(Timestamp)，行為類型又分為點擊(pv)、收藏(fav)、加購物車(chart)、購買(buy)。
(二)數據清洗
1 、Timestamp一致化處理
Timestamp列，無法直接分析，需要將其劃分為三列，分別為時間，日期，小時。
–添加新列，根據Date_time返回日期時間
–添加新列，根據Date返回日期時間
–添加新列，根據Time返回小時
2 、挑出目標數據集
由于項目背景是需要對2017年11月25日至2017年12月3日之間用戶行為數據集進行隱式反饋推薦問題的研究，所以需要對不在這個時間內的數據進行刪除。
–先檢查是否有在2017-11-01和2017-11-20之間的時間值。
–刪除掉這段時間以外的行
3 、刪除重復值
使用SQL語句發現，有出現重復字段。
全字段重復有兩行，下面去重方法并不對全字段的奏效，我采用的是直接刪除，刪除數據僅4行針對現有的380萬行數據影響較小。
4 、缺失值處理
對所有列進行了計數查詢后，發現‘Timestamp’字段有null值，然后我們刪除空值所在的列。
數據清洗完畢。
導入數據集大小預覽：
(三)數據分析
結果均為先使用sql分析數據，獲得分析結果，然后將分析結果導出到excel或者power BI中進行可視化。
1 、數據整體情況概述
a、總體uv、pv、人均瀏覽次數、成交量
b、日均uv、pv、人均瀏覽次數、成交量
使用power BI處理數據后將其導出后分析對應的每個指標與時間之間的關系。
c.用戶整體行為數據
d、用戶的復購率和跳失率
2017年11月25日至2017年12月3日之間，用戶的復購率為66.4%且流失率為0.說明淘寶對用戶有較大的吸引力使用戶停留且用戶的忠誠度非常高。可以進一步提高復購率，鼓勵用戶更高頻次的購物。
2 、用戶轉化情況分析
a、用戶轉化率及流失分析
上圖統計了各個行為的總數量，點擊后，到加購物車或者收藏概率在3%-6%之間，而最后真正購買的概率降到了2.4%，說明用戶的行為在瀏覽了商品詳情頁后出現了大量的流失。但是用戶是否也是在點擊后產生了大量的流失呢?
對此，對各個用戶行為類型的用戶數進行了統計，并使用漏斗轉化模型進行了處理，建立了用戶轉化漏斗圖。
上圖可以看出，用戶并未點擊后就大量流失，并且最后付費用戶比例達到了69%，購買率達到了7成，說明用戶的購買意愿較為理想。結合用戶行為數統計推斷用戶的點擊行為遠遠超過了收藏和加購物車的行為，說明用戶有較大的可能在購物時有“貨比三家”的習慣。
所以針對大部分點擊后轉化到加購物車和收藏的概率較低有較大的提升空間，APP可以通過優化推薦商品的功能和篩選商品的功能，讓用戶不用瀏覽較多的網頁獲得心儀的商品。
那么再回到用戶轉化漏斗圖，從瀏覽到購買每個環節的轉化率又是多少?為什么收藏比加入購物車少?
由于用戶點擊后到最后購買有四條不同的路徑，分別為：
點擊——購買(用戶留存)
點擊——收藏——購買(用戶留存)
點擊——加購物車——購買(用戶留存)
點擊——收藏和加購物車——購買(用戶留存)
從四種購買行為的留存，可以看出用戶點擊后，若存在后續行為則主要是加入購物車，其次是收藏和加購物車，再接下來是收藏，除此之外還與一部分用戶是點擊后直接購買的。可以著重研究一下各類路徑用戶購買的什么產品以及用戶的標簽，通過優化商品推薦和精準運營加強這部分的轉化。
推斷在收藏的用戶轉換率較低的原因在于用戶在點擊時較為喜歡此商品或者說活動時間還未開始，通過提醒用戶等方式精準運營提高這部分用戶的購買率。
最后，對用戶從收藏到購買，加購物車到購買和收藏和加購物車到購買的轉化分析來看，加購物車到購買的轉化率最高達到了34.79%，說明直接加入到購物車最后購買的概率較高，故引導客戶加入購物車及時購買可以提高購買轉化率。
3 、用戶行為習慣分析
這里主要是對用戶購買時間點進行分析，找出用戶活躍的時間段規律。
a、行為習慣分布(日均)
上圖可以看出，在研究日期范圍內，用戶活躍度均比較平穩，但是在12月2日和12月3日出現小幅度的增長，其中點擊量和收藏，尤其是加購物車增幅增大，但是購買沒有較大增幅，分析其原因是由于周末空余時間較多，用戶流量增大;再加上雙12很多活動預熱導師用戶提前添加收藏和加購物車，是雙12批量購買的前置動作，符合常規預期。
b、一天內用戶行為習慣的分布
對一天內的用戶行為分析可以看出在每天的1點至5點用戶活躍度驟減，6點至10點迅速攀升，10點到18點趨勢平穩，然后快速上升，在21點時達到高峰，到23點開始下降，這與大部分人的作息規律相一致，據此可以考慮在20點至23點間舉行促銷活動或者上架新商品來提高轉化率和曝光率。
4 、用戶類目偏好分析
統計所有商品的購買次數，同時找到購買次數、瀏覽次數、收藏次數和加入購物車次數最多的商品。
a、商品銷售情況分析
上圖看出，用戶購買的商品總共有4001種，購買次數在1次的商品占絕大部分，其次是購買次數為2商品，未出現購買次數集中的商品，說明商品的售賣主要是依靠商品的長尾效應，而非爆款商品。
b、商品品類瀏覽的top20
上圖可以看出，4756105這類商品的瀏覽次數是最高的。
c、商品品類收藏top20
上圖發現收藏的次數最多的商品品類與瀏覽次數最多的商品品類相同都是4756105.說明點擊和收藏同步幾率很大。
d、商品品類加購物車top20
商品加購物車的品類中有15種在點擊top20中，有14種在收藏top20中，這些商品都具有較高的吸引力。
e、商品品類購買top20
通過以上四個樹狀圖對比發現，點擊、收藏、加購的top5中均均有一個商品品類即4145813.在商品購買同屏以內，說明點擊、收藏、加購所吸引的用戶注意力和流量并不能很好的轉化為實際的商品銷量，這是銷量增長的突破點。
此外， 我們發現商品銷量的主要集中在幾個品類，所以可以根據商品的銷量來優化商品的展示，提高商品銷售額。
5 、用戶價值分析(RFM模型)
在本次分析中由于沒有提供金額，所以這次分析主要以R、F兩個維度對用戶群進行分析。
首先，定義一下本次分析用戶群的分類標準：
F(3-4)
|
重要保持客戶
|
重要價值用戶
—|---|—
F(1-2)
|
重要挽留客戶
|
重要發展用戶
|
R(1-2)
|
R(3-4)
由于數據集的時間僅有9天，設定一下規則，對每個用戶最近一次購買時間和12月03日之間的間隔設立等級：
間隔>7天為1;
間隔在5-7天為2;
間隔在3-4天為3;
間隔在0-2天為4;
同樣對購買頻次設定以下規則，對每個用戶購買次數設立等級：
購買次數在1-10之間為1;
購買次數在10-20之間為2;
購買次數在20-300之間為3;
購買次數在>30之間為4.
根據上面最后一次購買時間和購買次數的等級規則，用四象限法劃分出來的用戶群如下：
根據用戶群體劃分，可以群體數最多的是最重要發展客戶，針對這部分用戶可采取針對性營銷策略提高其復購率，增加購買頻次。
五、結論
(一)通過用戶轉化情況分析
總體來看用戶從點擊到購買的的轉化率達到了69%，達到了比較高的水平;細分來看，對用戶從收藏到購買，加購物車到購買和收藏和加購物車到購買的不同路徑轉化分析來看，加購物車到購買的轉化率最高達到了34.79%，說明直接加入到購物車最后購買的概率較高，故引導客戶加入購物車及時購買可以提高購買轉化率。而從點擊直接到購買的轉化率較低，僅為7.2%，故這部分轉化率是一個提高的重點。針對這一環節的建議有：
1、優化平臺的搜索匹配度和推薦策略，提高篩選精度，對搜索和篩選的結果排序的優先級進行優化。
2、可以給用戶提供同類產品比較的功能，讓用戶不需要多次的返回搜索結果點擊查看，方便用戶確定心儀的產品，增加點擊
后續行為的轉化率。
3、優化收藏到購買的擦操作過程，增加用戶收藏并加購的頻率，提高轉化率。
(二)通過用戶行為分析
1、用戶活躍度最高的時間段是每天的21點-23點，因此可以將促銷活動安排在每周的晚上這個時間段，此時流量最高，通過引流并轉化。
2、在研究9天內共有2個周末，第一個周末用戶活躍度未有明顯變化，推測雙11活動剛過去，用戶的消費需求和意愿不高;第二個周末用戶活躍度有明顯變化，尤其是加購物車變化最為明顯，推測與雙12活動預熱有關，故建議擴大時間范圍對周末對用戶活躍度的影響，來進一步確定周末推出營銷活動是否奏效。
(三)通過用戶的商品偏好分析
可以看出目前商品主要靠長尾效應來增加銷量，而不是爆款帶動銷量。但是通過對商品品類的分析可以看出吸引用戶注意力的商品用戶購買轉化率并不高，這是一個提高銷量的突破口，建議可從以下幾方面著手：
1、商品在詳情頁突出展示用戶感興趣的信息，優化信息呈現的方式，減少用戶的時間成本。
2、從商品本身考慮，根據客戶反饋對商品進行改進優化，增加點擊后的購買率。
3、對客戶購買率較高的商品優先顯示，滿足用戶的購買需求。
4、對某些點擊量較高但是購買率不高的的商品可采取直播帶貨的方式進行講解促銷，增加客戶購買欲望。
(四)通過RFM模型對用戶群分析
對不同類型的用戶群可采取不同的營銷策略，達到高效率精準營銷的效果。
1、對重要價值客戶，需要重點關注，提高用戶的滿意度，增加留存;
2、對重要發展客戶和重要保持用戶，可以采取適當的折扣或者捆綁銷售來增加用戶的購買頻率;
3、對重要挽留客戶，需要關注他們的購物習慣做精準營銷，換醒其購物欲望。
六、結語
在整個分析過程中，不管選取多少維度數據，畫多么精美的圖形，得出多么精妙的結論，歸根結底還是要有最后真正落地解決問題的措施，而這也是本次數據分析報告最大的不足，但是需要經驗需要一個累積的過程，希望下一個數據分析報告能夠取長補短，查缺補漏，內容更加充實，繼續加油!!!
樂發網超市批發網提供超市貨源信息,超市采購進貨渠道。超市進貨網提供成都食品批發,日用百貨批發信息、微信淘寶網店超市采購信息和超市加盟信息.打造國內超市采購商與批發市場供應廠商搭建網上批發市場平臺,是全國批發市場行業中電子商務權威性網站。
本文來源： 數據分析案例之淘寶用戶行為分析完整報告
