MC公司购物网站用户行为分析

项目背景

MC公司原是传统零售行业，随着电子商务发展，为了拓展公司业务，推出网购业务。为了平台创造出更多的利润,并且能够合理的投放广告,使用网站18个月后数据进行分析,根据复够率、回购率、高额消费用户等指标以及消费模型得到高价值的用户进行有针对的客户管理和维护。

一、提出问题

本次数据分析主要想解决以下问题

用户各个行为之间的转化率是多少？如何提升用户各个行为转化率。
用户在不同时间尺度下的行为规律，找到用户在不同时间周期下的活跃规律。
用户分类，哪些是核心用户。

（1）结构化分析指标体系
根据现有数据及分析目的，从四个维度进行分析：

用户购物情况整体分析
商品购买情况分析
用户行为转化漏斗分析
参照RFM模型，对用户进行分类，找出有价值的用户

数据整理

（1）数据源

MC电子商务网站大约有100万用户，本次数据源选取了2019年11月17日到2019年12月5日随机用户的300万条数据。
数据源包含

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

数据总数统计

用户数	产品数	商品类目
29211	810419	6875

（2）数据清洗

把时间戳数据变为时间格式
缺失值处理
删除重复值
一致化处理

用户行为

（1）总体情况

（1.1）用户转化
只有10%的用户在浏览商品后加入购物车或收藏。也就是说只有10%的用户有购买意愿。加入购物车或收藏的商品只有23%实现最后的支付。

CREATE view Total
AS
select SUM(CASE WHEN "Behavior"='pv' THEN 1 ELSE 0 END) AS "点击数",
SUM(CASE WHEN "Behavior"='fav' THEN 1 ELSE 0 END)AS "收藏数",
SUM(CASE WHEN "Behavior"='cart' THEN 1 ELSE 0 END)AS "加购数",
SUM(CASE WHEN "Behavior"='buy' THEN 1 ELSE 0 END) AS "购买数",
SUM(CASE WHEN "Behavior"='buy' and "Behavior"<cart>''THEN 1 ELSE 0 END)AS "加购数",
COUNT("Behavior") as 总数
from "User"

（1.2）跳出率
跳出率为只浏览一个页面就离开的访问次数/页面全部访问次数
9天页面跳出率为12.7%，跳出率过高，应深入探究用户体验不好的原因，是否和页面布局，广告，或者商品有关，进而有针对性调整页面，降低跳出率。

CREATE view "ti
as
SELECT "date",userid
from "User"
GROUP BY "date","userid"
HAVING count("Behavior")=1;
select A.date,A.sumT,b.tiao
from （select "date", count(DISTINCT "userid") as "sumT"
from "User"
group by "date") as A,（select "date", count("userid") AS "tiao"
from "tiao"
group by "date") AS b
where A.date=b.date

（2）用户行为时间规律

(2.1)用户活跃日统计

11月25、26日和12月2、3日是周末日，可以看出周周末访问量较工作日有明显上升，可见网站在周末时访问量高，是否可以利用该时间段做相应营销活动和增加新品曝光率。
虽网站商品点击率高，但工作日的有效访问率比较高，11月27日购买率较周末高0.4%，因深入分析是否与网站页面布局、商品陈列、个性化推荐等等因素有关，以便后期提升用户购买率做准备。

CREATE VIEW  Behavior
as
SELECT "date",
SUM(CASE WHEN "Behavior"='pv' THEN 1 ELSE 0 END) AS "点击数",
SUM(CASE WHEN "Behavior"='fav' THEN 1 ELSE 0 END) AS "收藏数",
SUM(CASE WHEN "Behavior"='cart' THEN 1 ELSE 0 END) AS "加购数",
SUM(CASE WHEN "Behavior"='buy' THEN 1 ELSE 0 END) AS "购买数",
count("Behavior") AS "行为总数"
FROM "User"
GROUP BY "date";

（2.2）用户活跃时间段统计

由图可知20-22点是用户登录高峰，该时间段用户习惯加入购物车或收藏商品，但购买率并不高。因该是以浏览为主，可针对该时间段用户特征做针对性的个性化推荐，增加用户购买率。
中午10-14点期间，用户登录购买意愿较强烈，故该时间段购买率高。

CREATE view Timesum
AS
SELECT "substring"("text"("time"), 1, 2) as "时间",
SUM(CASE WHEN "Behavior"='pv' THEN 1 ELSE 0 END) AS "点击数",
SUM(CASE WHEN "Behavior"='fav' THEN 1 ELSE 0 END) AS "收藏数",
SUM(CASE WHEN "Behavior"='cart' THEN 1 ELSE 0 END) AS "加购数",
SUM(CASE WHEN "Behavior"='buy' THEN 1 ELSE 0 END) AS "购买数"
FROM "User"
GROUP BY "时间"

用户价值规律

（1）用户留存

本次使用1周数据，计算出网站一周用户登录留存率为98%，一周复购率为89%。可见网站客户忠诚度较高，因继续做好用户管理，提升用户购买率。

（2）用户行为

参考二八法则和RFM模型。把用户分为四个层级，各层级占比和分类方法如下：

用户类型	用户数	用户占比	贡献占比	定义
普通用户	29211	100%	100%	所有登录用户
活跃用户	22877	78%	87%	9天内浏览页面超过30
价值用户	13208	45%	80%	购买量占总量80%的用户数
高价值用户	5960	20%	57%	9天内销量Top20%人

由图可知用户活跃度还是比较高的，后期工作因重点关注用户行为转换，从商品品类、价格、样式、网页布局、营销方式、客服等各个方面分析影响用户购买率的因素，通过活动，打造爆品，商品管理等等方式提高用户购买率。
对于高价值用户，建议要更全面地了解，开发用户信息库，建立详实的用户资料数据库，追踪记录顾客的交易情况。或者线上组建VIP客户微信群等，针对这些用户的购买偏好推送更精准的销售方案。

总结

9天内浏览页面数用户活跃度较高，但用户总体收藏率只有3%和加只有6%，最后购买的只有2%，可见用户总体购买意愿较低。用户在浏览商品详情页后出现了大量的流失。建议通过活动、优惠券、产品详情页的改进等提高转化。
周末相对于工作日，流量增长明显。20时到22时用户比较活跃，建议可以在周末这个时段进行推广以使运营效果最大化。
45%的用户，创造80%的利润，我们把这45%的用户定义为价值用户。20%的用户，创造57%的利润，我们把这部分用户定义为高价值用户。价值用户集中度高，建议开发用户信息库，建立详实的用户资料数据库，追踪记录顾客的交易情况。或者线上组建VIP客户微信群等，针对这些用户的购买偏好推送更精准的销售方案。