用户行为分析案例——天池数据集User Behavior Data from Taobao

用户行为分析过程

说明
一、数据集与分析目的
- 1、数据集
- 2、分析目的
二、数据处理
- 1、数据预览
- 2、数据处理
三、数据提取与分析
- 1、网站流量分析
- 2、用户分析
- 3、商品销售分析
四、总结
- 1、关于平台流量与转化率：
- 2、关于网站用户粘性以及用户消费习惯
- 3、关于商品销售情况

说明

本次数据分析基于阿里云天池数据集（用户行为数据集），使用转化漏斗，AARRR模型，对常见电商分析指标，包括转化率，PV,UV,留存率，复购率等进行分析，分析过程中使用MySQL以及Navicat进行数据预览与清洗处理，使用Excel进行数据可视化。

一、数据集与分析目的

1、数据集

字段	说明
user_id	整数类型，序列化后的用户ID
item_id	整数类型，序列化后的商品ID
category_id	整数类型，序列化后的商品所属类目ID
behaviortype	字符串，枚举类型，包括(‘pv’, ‘buy’, ‘cart’, ‘fav’)
timestamps	行为发生的时间戳

该数据集记录用户在淘宝网站浏览商品产生的行为信息。由于数据集过大，选取其中10200位用户，共105万条数据。

2、分析目的

1）了解网站流量情况；
2）了解该阶段网站用户粘性以及用户行为习惯；
3）了解网站商品销售情况；
分析逻辑如下：

二、数据处理

1、数据预览

MySQL建表，使用Navicat导入数据

use userbehavior;
create table user(
user_id int not null,
item_id int not null,
category_id int not null,
behavetype varchar(10) not null,
times int not null,
constraint user_behave PRIMARY KEY (user_id,item_id,times))

2、数据处理

（1）日期处理
将行为发生时间转为datetime类型，获取其发生日期及时间

SET SQL_SAFE_UPDATES = 0;
ALTER TABLE user ADD COLUMN datentime TIMESTAMP(0) NULL;
UPDATE user
SET datentime = FROM_UNIXTIME(times);
ALTER TABLE user ADD COLUMN dates CHAR(10) NULL;
UPDATE user
SET dates = SUBSTRING(datentime FROM 1 FOR 10);
ALTER TABLE user ADD COLUMN hours CHAR(10) NULL;
UPDATE user
SET hours = SUBSTRING(datentime FROM 12 FOR 2);

（2）数据清洗

DELETE FROM user
WHERE datentime < '2017-11-25 00:00:00'
OR datentime > '2017-12-04 00:00:00';

三、数据提取与分析

1、网站流量分析

创建用户行为视图

use taobaouser;
create view userbehave as
select user_id,count(behavetype) num,sum(if(behavetype='pv',1,0)) pv,sum(if(behavetype='cart',1,0)) cartbox,sum(if(behavetype='fav',1,0)) favor,sum(if(behavetype='buy',1,0)) buy,dates,hours
from user
group by user_id,dates,hours
order by user_id,dates,hours

（1）用户参与度（pv）分析

SELECT distinct user_id,dates
FROM taobaouser.user
where behavetype='pv'
order by dates

分析：11月25日至12月1日使用用户数变化幅度小，范围在7000到8000之间，从12月2日有较大幅度增加，对比11月25，26（周末）有较大的提升，可能是周末的双12预热营销活动效果。

（2）网站购买转化率（uv）（支付转化率=支付访客数/总访客数)

select activeuser.dates,activeuser.ac,alluser.au,concat(round(activeuser.ac/alluser.au*100,2),'%') conversion
from
(SELECT dates,count(distinct user_id) ac FROM taobaouser.userbehave where buy<>0 group by dates) as activeuser
join
(SELECT dates,count(distinct user_id) au FROM taobaouser.userbehave group by dates) as alluser
on activeuser.dates=alluser.dates

支付转化率在11月30日取得最高值，之后呈大幅下降趋势。

（3）转化漏斗
独立访客转化率能达到69.9%，但是从访客行为来看，浏览到购买转化率只有2.3%，若要了解具体环节的转化率，需要对整个流程接触到的版面进行细化的数据分析。

2、用户分析

（数据有限，用户新增及激活不做分析）

（1）留存
计算新增留存率与活跃留存率，视该时间段内首次登陆为新增用户，购买为活跃用户
新增活跃率：

#计算留存率
select first_login,
concat(round(day_0/day_0*100,2),'%') day0,concat(round(day_1/day_0*100,2),'%') day1,
concat(round(day_3/day_0*100,2),'%') day3,concat(round(day_6/day_0*100,2),'%') day6,concat(round(day_7/day_0*100,2),'%') day7
from
#计算不同留存用户
(select first_login,
sum(if(by_date=0,1,0)) as day_0,sum(if(by_date=1,1,0)) as day_1,
sum(if(by_date=3,1,0)) as day_3,sum(if(by_date=6,1,0)) as day_6,sum(if(by_date=7,1,0)) as day_7
from
#比较浏览时间与第一次浏览时间比较，确定时间差
(select l.user_id,l.dates login_date,f.first_login,timestampdiff(day,f.first_login,l.dates) by_date
from taobaouser.userlogin l join (SELECT user_id,dates first_login FROM taobaouser.userlogin group by user_id order by dates) as fon l.user_id=f.user_id) as b
group by first_login
order by first_login) as retent

将25日登陆用户作为新增用户来看，次日，3日留存率能达到60%以上，7日留存率达到了90%以上，用户粘性很好，高新增留存率可能与处于双十一促销时段有关，说明产品新手引导性很好。
活跃留存率：

活跃留存率在20%上下浮动，同时在12月3日有稍大幅度的上升，由于用户新增时期未知，活跃留存率维持在20%是不错的现象。

（2）变现——复购分析

SELECT user_id,count(*) FROM taobaouser.user where behavetype='buy'
group by user_id

复购次数集中在1-5次，呈长尾分布，该阶段用户消费欲望不大。
（3）用户消费习惯分析
一天中各时段用户行为分析：
使用切片器分别观察每天用户行为：
用户浏览量峰值在晚上20-23点；加购率往往在早间6-7点，晚间22-23点达到峰值；收藏率往往在早间5-7点，下午16-18点达到峰值；夜间3-4点（消费欲望），上午10-11点，下午14-15点，晚上20点22点为购买转化率峰值，其中10-11点转化率最高。
网站可以利用这些时间点进行营销活动安排。
另外总体来看购买转化率更贴近于收藏率，可以适当利用来进行销售量预测。
（4）用户价值分析
借鉴RFM 模型，暂时不考虑M维度，对R（最近一次购买时间）F（购买频率）进行打分，完成用户分层

select allrank.user_id,allrank.recent,allrank.buynum,
concat(CASE WHEN allrank.r_r<=(6718)/4 THEN '4' WHEN allrank.r_r>(6718)/4 AND allrank.r_r<=(6718)/2 THEN '3'WHEN allrank.r_r>(6718)/2 AND allrank.r_r<=6718/4*3 THEN '2'ELSE '1' END,CASE WHEN allrank.f_r<=(7001)/4  THEN '4' WHEN allrank.f_r>(7001)/4  AND allrank.f_r<=(7001)/2 THEN '3'WHEN allrank.f_r>(7001)/2 AND allrank.f_r<=7001/4*3 THEN '2'ELSE '1' END)AS user_value
from(
select recent_value.user_id,recent_value.recent,rank()over(order by recent_value.recent) r_r, frequency_value.buynum,rank()over(order by frequency_value.buynum desc) f_r
from
(select user_id,datediff('2017-12-04',max(dates))  recent
FROM taobaouser.user
where behavetype='buy'
group by user_id) as recent_value join
(select user_id,count(user_id) buynum
FROM taobaouser.user
where behavetype='buy'
group by user_id) as frequency_value
on recent_value.user_id = frequency_value.user_id
) as allrank

3、商品销售分析

（1）商品销售分布

大部分销售来源于销售次数为1的16190个商品，说明该时段销售主要源于长尾部分，而非销售数量较高的畅销品。

（2）畅销品及其品类分析

SELECT category_id,item_id,cartbox,dense_rank() over (order by buy desc) r
FROM taobaouser.onitem
where buy<>0
limit 20

查看销量top20的商品及品类分布：销量为前3的商品为3122135，2964774，3237415，分属1516409，1265358，3231625类

查看浏览top20的商品及品类分布：浏览量为前3的商品为812879，138964，3845702，分属4756105，3607361类

查看收藏top20的商品及品类分布：收藏量为前3的商品为2818406，2308741，3330337，分属982926，4827153，4756105类

查看加购商品top20及品类：加购量为前3的商品为1535294，2331370，3031354，分属3848953，3607361，2735466类

通过分析销量高的品类的商品销量都不低，建议通过调研等方式推出细分市场的商品类型，并跟进后续数据。

（3）商品购买转化率

SELECT item_id,category_id,pv,buy,concat(round(buy/pv*100,2),'%') conversion
FROM taobaouser.onitem
order by conversion  desc
limit 200

对于商品浏览量高，而转化率非常低的，建议商家对商品购买流程使用转化漏斗进行分析并进行改善。

四、总结

1、关于平台流量与转化率：

整体来看从浏览到有购买意愿有6.5%的转化率，从有购买意愿到有购买行为有28%的转化率，说明大多数用户以浏览页面为主而购买转化较少，低购买意愿转化率可能与刚完成的双11大促有关。从9天的趋势来看，前7天转化率处于稳步上升阶段，说明双11之后的消费情况在回升，进入12月之后，浏览量有稍大幅度的提升，加购转化率有小幅提升，购买转化率大幅下降。是否需要提高转化率，可以对比去年同时段转化率情况，使用使用营收目标判断转化率是否达到目标。
提高加购转化率的建议：
——优化搜索引擎，利用用户画像优化商品匹配；
——优化商品界面加购与收藏按键布局，以便用户触达。

2、关于网站用户粘性以及用户消费习惯

网站留存较为稳定，把9天中第一次登录视为用户新增的话，留存率在60%左右，活跃留存率也能达到20%，并且营销活动带来的用户唤醒效果也很明显。
提高用户留存建议:
——分析流失用户特征，进行用户流失预测，结合用户画像，通过各种活动进行用户唤醒。
对于用户复购情况，9天内网站有复购现象的用户数接近60%，但是总体上约30%的用户产生了80%的消费次数，复购次数多的用户偏少，可能与双11刚结束，双12未开始的特殊时段有关，建议拉长分析区间分析复购情况。
-——提高复购率的建议：开展营销活动，比如淘宝的达成金主的条件限制，鼓励用户复购。
对于用户消费习惯的分析，通过了解用户消费的集中时段集中实施各种营销活动，提高投入产出比。

3、关于商品销售情况

分析发现商品售卖主要依靠长尾商品的累积效应，而非爆款商品的带动，这也是双11之后用户的补充采买的特征，同时发现此时用户购买的品类以及商品的浏览量很低，用户的个人喜好特征表现明显，同时浏览量高的商品购买转化率低。
-——针对浏览量高而购买转化率低的商品，建议商家改善商品页面，详情页以及评论区管理。

一起学习，共同进步，欢迎大家评论！