分析背景

淘寶網(wǎng)，是全球最受歡迎的網(wǎng)購零售平臺之一，擁有近5億的注冊用戶數(shù)，每天有超過6千萬的固定訪客，同時每天的在線商品數(shù)已經(jīng)超過了8億件，平均每分鐘售出4.8萬件商品。

作為電商行業(yè)的標桿，淘寶網(wǎng)的用戶行為數(shù)據(jù)，一定程度上反映了用戶的購買行為規(guī)律。本項目利用MySQL對淘寶用戶行為數(shù)據(jù)進行分析，探索不同用戶的消費習慣，結合店鋪營銷策略，以實現(xiàn)精準化運營，減少運營成本，增加店鋪營收。

分析目標與思路

探索目標：每日不同時段流量走勢，質(zhì)量如何？用戶行為轉化情況怎樣？如何提高留存、增加復購？如

何判斷高價值用戶，針對不同用戶如何進行個性化營銷？

分析思路：

• 流量指標分析：對比每日每小時的PV（訪問量）、UV（訪客數(shù)）、平均訪問量（PV/UV），在不
• 同時間發(fā)布不同的營銷活動，尋找更優(yōu)質(zhì)的拉新渠道。
• 行為轉化分析：統(tǒng)計用戶不同行為的轉化情況，簡化交易流程，提高轉化率。
• 消費偏好分析：根據(jù)熱銷商品和熱銷類目，選定營銷主題。
• 用戶價值分析：對用戶進行價值分層，針對不同層級的用戶制定不同的營銷策略。

數(shù)據(jù)準備

1.數(shù)據(jù)獲取

數(shù)據(jù)集來源于淘寶APP移動端，2014年11月18日至2014年12月18日的用戶行為數(shù)據(jù)。

2.數(shù)據(jù)理解

表中有7個字段：用戶ID、商品ID、商品類目ID、用戶行為類型、用戶所在地理位置、用戶行為時間、金額，一共有12256905條數(shù)據(jù)。限于電腦性能，僅提取前1048575條記錄用作分析。

• pv：點擊，用戶訪問商品詳情頁。必須是商品詳情頁的流量，淘寶網(wǎng)首頁、搜索結果頁等頁面的點擊流量不算在內(nèi)。
• fav：收藏，用戶將商品加入收藏夾，便于下次訪問。收藏夾中的商品不可直接購買，必須再次發(fā)生“點擊”行為后，在商品詳情頁方可購買。
• cart：加購，用戶將商品添加到購物車。用戶可從購物車直接購買商品，無須再次產(chǎn)生“點擊”行為。
• buy：下單，用戶點擊提交訂單購買商品。

3.數(shù)據(jù)清洗

3.1建表導數(shù)：

create database taobao;

use taobao;

create table UserBehavior(

user_id int,

item_id int,

item_category int,

behavior_type varchar(10),

user_geohash varchar(10),

times datetime,

amount decimal(5,2)

);

load data infile "C:/ProgramData/MySQL/MySQL Server

8.0/Uploads/UserBehavior.csv"

into table UserBehavior

fields terminated by ','

ignore 1 lines;

3.2缺失值處理：

查詢結果中發(fā)現(xiàn)user_geohash字段存在缺失值，缺失比例超過50%。缺失嚴重的數(shù)據(jù)在后續(xù)分析中意義不大，可做刪除處理。

3.3異常值檢查

檢查發(fā)現(xiàn)該數(shù)據(jù)集中不存在異常值。

3.4重復記錄處理

該數(shù)據(jù)集有86478條重復記錄，篩選不重復的記錄共962097行。

3.5字段處理：

根據(jù)times字段增加計算字段用戶行為日期、周和小時，排除后續(xù)分析不需要的user_geohash字段，并將篩選后的結果保存到新表。

清洗后的數(shù)據(jù)集共962097條記錄，展示了2014-11-18至2014-12-18這一個月內(nèi)，8477位用戶對7095個類目下701609個商品產(chǎn)生的902050次點擊，29016次加購，20930次收藏，10101次購買行為。

數(shù)據(jù)分析

1.流量指標分析

• 瀏覽量PV：頁面瀏覽量或點擊量Page View，用戶每打開一個網(wǎng)頁就記錄1次PV，用戶多次訪問同一頁面PV累計多次。
• 訪客數(shù)UV：訪問頁面的獨立訪客Unique Visitor，用戶訪問該頁面的一臺電腦客戶端為一個訪客，以瀏覽器的cookie為依據(jù)，同一個用戶多次訪問只計算一個UV。
• 人均瀏覽量PV/UV：平均每個獨立訪客的瀏覽次數(shù)，體現(xiàn)網(wǎng)站對用戶的吸引程度。

查詢結果中發(fā)現(xiàn)瀏覽量PV、訪客量UV和人均瀏覽量的總體變化趨勢是相同的。11月18-29日，PV在25000-28000之間，UV在5800-6200之間，人均瀏覽量在4.1-4.6之間，成交量在260-320之間，銷售額在20000-28000之間；11月30日-12月10日，PV在27000-31000之間，UV在6000-6400之間，人均瀏覽量在4.4-4.9之間，成交量在280-370之間，銷售額在22000-30000之間；12月11日、12日因雙12的緣故，PV分別達到了35851、51034，UV分別為6576、7049，人均瀏覽量分別為5.5、7.2，成交量分別為409、569，銷售額分別為32022.71、46100.93；而在雙12之后，PV也穩(wěn)定在28000-30000之間，UV在6000-6200之間，人均瀏覽量在4.6-4.8之間，成交量在280-340之間，銷售額在22000-28000之間，遠遠優(yōu)于11月29日之前的數(shù)據(jù)，說明雙12的營銷活動對用戶行為有顯著影響。

同時，在11月21、28日，12月5日，瀏覽量PV、訪客量UV、人均瀏覽量、成交量和銷售額都出現(xiàn)了不同程度的下滑。細查發(fā)現(xiàn)以上三天都是周五，觀察流量的周期性變化中發(fā)現(xiàn)，每周二到周四數(shù)據(jù)比較穩(wěn)定，周五到周一會出現(xiàn)小幅度下滑，這跟大部分用戶的工作和生活習慣息息相關。

從每天的時間段來看，21點和22點是用戶活躍的高峰時間，人均瀏覽量在10次以上，22點之后一路下降，一直到凌晨4點降到最低值，4點到10點漸漸回溫，10點到18點基本穩(wěn)定，18點之后開始一路攀升，商家可以集中資源，在用戶活躍度較高的時間段采取一些引流手段。

2.行為轉化分析

瀏覽人數(shù)：點擊產(chǎn)品詳情頁的用戶數(shù)

收藏人數(shù)：收藏產(chǎn)品產(chǎn)品詳情頁的用戶數(shù)

加購人數(shù)：將產(chǎn)品添加到購物車的用戶數(shù)

購買人數(shù)：下單的用戶數(shù)

在所有用戶行為數(shù)據(jù)中瀏覽產(chǎn)品詳情頁后產(chǎn)生購買行為的用戶只有4330人，占瀏覽用戶的51%，也就是說，還有49%的用戶行為是沒有轉化為成交的，用戶在瀏覽商品詳情頁后出現(xiàn)了大量的流失。那么從瀏覽到購買，每個環(huán)節(jié)的轉化率是多少？用戶主要是在哪個環(huán)節(jié)流失的呢？

對比發(fā)現(xiàn)，從瀏覽到收藏的轉化率僅為38.73%，而瀏覽到加購的轉化率為61.41%。因為收藏和加購行為之間并沒有直接的先后關系，且加入收藏后并沒有可以下單的入口，如果需要購買必須重新點擊商品進入詳情頁才能下單，所以用戶更愿意將感興趣或有購買意向的商品添加到購物車。

在瀏覽-加購-購買的購物行為路徑中，加購轉化率為61.41%，購買轉化率為83.21%，也就是說大部分的用戶更偏向于將商品添加到購物車后下單，可能是為了湊單參加滿減優(yōu)惠。

分析每天瀏覽-加購-購買的轉化率情況發(fā)現(xiàn)，瀏覽-加購的轉化率變化并不明顯，雙十二之前穩(wěn)定在10%-13%之間，僅在雙十二當天達到17.26%，且在雙十二之后轉化率明顯下降。而加購-購買的轉化率波動較大，在感恩節(jié)、服飾煥新和雙十二活動前后分別達到了45.48%、44.21%、42.81%，而雙十二之后的數(shù)據(jù)表現(xiàn)也明顯優(yōu)于雙十二之前，說明部分商品在雙十二之后依然有返場活動，促進用戶消費。

3.消費偏好分析

根據(jù)二八法則即20%的產(chǎn)品貢獻了80%的銷售額甚至更多，將產(chǎn)品的貢獻定量分析，哪些類目的商品貢獻了多少的消費額。

在2066個商品類目中，銷售額排名前623個類目貢獻了646009.09的銷售額，可集中人力和財力優(yōu)化這些類目的商品及渠道。

4.用戶價值分析

通過對用戶價值的細分，進行差異化的精細運營，從而提升運營效率和用戶體驗。RFM模型是衡量客戶價值和客戶創(chuàng)利能力的重要工具，通過客戶的消費時間間隔（Recency）、消費頻率（Frequency）以及消費金額（Monetary）三項指標來描述客戶的價值狀況。

-- 查詢每個用戶消費時間間隔、消費頻次、消費金額

+-----------+--------------+----------+----------+----------+

| user_id | 最近消費時間 | 間隔天數(shù) | 購買次數(shù) | 消費金額 |

+-----------+--------------+----------+----------+----------+

| 101260672 | 2014-11-20 | 29 | 1 | 72.55 |

| 116730636 | 2014-12-18 | 1 | 4 | 372.04 |

| 104811265 | 2014-12-09 | 10 | 1 | 120.71 |

| 106230218 | 2014-12-16 | 3 | 3 | 132.73 |

| 100684618 | 2014-12-12 | 7 | 3 | 203.67 |

| 103802946 | 2014-12-18 | 1 | 2 | 139.38 |

| 103891828 | 2014-12-15 | 4 | 6 | 496.24 |

| 116678892 | 2014-11-23 | 26 | 1 | 129.20 |

| 106557109 | 2014-11-22 | 27 | 1 | 38.06 |

| 104221274 | 2014-11-30 | 19 | 2 | 138.21 |

+-----------+--------------+----------+----------+----------+

-- RFM評分

+-----------+-------+-------+-------+

| user_id | R評分 | F評分 | M評分 |

+-----------+-------+-------+-------+

| 101260672 | 1 | 1 | 1 |

| 116730636 | 5 | 4 | 4 |

| 104811265 | 4 | 1 | 2 |

| 106230218 | 5 | 3 | 2 |

| 100684618 | 4 | 3 | 3 |

| 103802946 | 5 | 2 | 2 |

| 103891828 | 5 | 5 | 5 |

| 116678892 | 1 | 1 | 2 |

| 106557109 | 1 | 1 | 1 |

| 104221274 | 2 | 2 | 2 |

+-----------+-------+-------+-------+

-- RFM均值

+------------+------------+------------+

| avg(R評分) | avg(F評分) | avg(M評分) |

+------------+------------+------------+

| 3.5984 | 2.1039 | 2.2051 |

+------------+------------+------------+

-- RFM用戶價值

+-----------+-------+-------+-------+-------+-------+------+------------+

| user_id | R評分 | F評分 | M評分 | R程度 | F程度 | M程度 | 用戶價值 |

+-----------+-------+-------+-------+-------+-------+------+------------+

| 101260672 | 1 | 1 | 1 | 低 | 低 | 低 | 一般挽留用戶 |

| 116730636 | 5 | 4 | 4 | 高 | 高 | 高 | 重要價值用戶 |

| 104811265 | 4 | 1 | 2 | 高 | 低 | 低 | 一般發(fā)展用戶 |

| 106230218 | 5 | 3 | 2 | 高 | 高 | 低 | 一般價值用戶 |

| 100684618 | 4 | 3 | 3 | 高 | 高 | 高 | 重要價值用戶 |

| 103802946 | 5 | 2 | 2 | 高 | 低 | 低 | 一般發(fā)展用戶 |

| 103891828 | 5 | 5 | 5 | 高 | 高 | 高 | 重要價值用戶 |

| 116678892 | 1 | 1 | 2 | 低 | 低 | 低 | 一般挽留用戶 |

| 106557109 | 1 | 1 | 1 | 低 | 低 | 低 | 一般挽留用戶 |

| 104221274 | 2 | 2 | 2 | 低 | 低 | 低 | 一般挽留用戶 |

+-----------+-------+-------+-------+-------+-------+------+------------+

對用戶進行價值分層后，針對不同價值類型的用戶實行不同的營銷策略。

一般挽留用戶占比34.36%，占比最高，其交易時間間隔長，交易頻率低，消費金額低，存在流失風險，可以及時與用戶取得聯(lián)系，明確流失原因或了解用戶需求，想辦法挽回用戶。

一般發(fā)展用戶占比31.29%，占比排名第二，其交易時間間隔短，但消費頻率和消費金額都很低，可以利用推薦系統(tǒng)推薦其平時瀏覽的同類商品，或與此類客戶有相同購買屬性人群購買的商品，發(fā)送滿減優(yōu)惠券等，避免用戶流失。

重要價值客戶占比23.86%，其交易時間間隔短，消費頻率高，消費金額高，應加強交流與互動，深入了解用戶需求，提供個性化服務，增加用戶粘性?？梢詫υ擃愑脩籼峁￢IP服務機制，提升用戶體驗與忠誠度。

總結和建議

根據(jù)流量數(shù)據(jù)指標分析，每天的18-22時是用戶活躍高峰期，可集中資源在該時間段進行引流與營銷活動，如推送爆款及暢銷商品，同時發(fā)送商家折扣優(yōu)惠、直播帶貨及促銷活動消息，提高商品購買率。

從用戶行為轉化漏斗分析，瀏覽到加購的轉化率遠遠高于瀏覽到收藏的轉化率，且加購到購買的轉化率高達83.21%。交易流程越多，用戶流失的可能性就越大，瞬間購買欲望的涌現(xiàn)，往往時效性較短，每多一步流程，就多一份流失率。所以刪除不必要的跳轉界面，讓交易的完成時間更短，不要給用戶過多的猶豫時間。例如優(yōu)惠券的選擇，還需要繁瑣的領取步驟，滿足優(yōu)惠條件默認領取相應最大的優(yōu)惠，并在最后付款界面突出優(yōu)惠券帶來的滿減信息，促使用戶的成交花費時間更短。關于購物車，可以增加一個清理機制，比如加入購物車以后多少天不成交就清除，每隔一段時間就提醒用戶購物車內(nèi)還有什么商品未下單，什么時間商品將被清除。收藏和購物車的功能有一定的同質(zhì)性，關于這一點，淘寶沒有做明顯的區(qū)分，導致購物車只是簡便版的收藏。反觀同電商領域的拼多多，沒有設置購物車功能，并且成交環(huán)節(jié)縮短至4步。

根據(jù)用戶消費偏好分析，將流量更多地聚焦于暢銷的商品，通過明星效應/網(wǎng)紅推薦，結合主題活動和節(jié)日，打造爆款的產(chǎn)品，并利用爆款產(chǎn)品帶動整體商品的銷售。

根據(jù)RFM用戶價值分類結果，一般挽留用戶存在流失風險，可適當給予折扣或捆綁銷售政策，通過一些補貼優(yōu)惠，培養(yǎng)用戶的購買習慣。一般發(fā)展用戶存在價值潛力，要想辦法主動聯(lián)系客戶，如短信、郵件、push提醒等方法，進行好物推薦等，提高用戶的復購率。重要價值客戶其交易時間間隔短，消費頻率高，消費金額高，應加強交流與互動，比如優(yōu)化個人信息界面，加入成長值系統(tǒng)，到達一定等級，享受一些特權或優(yōu)惠，可參考騰訊游戲的心悅會員制度。