如何针对企业产品进行有效分析，看大佬用SQL分析淘宝用户行为

分析背景
淘宝网，是全球最受欢迎的网购零售平台之一，拥有近5亿的注册用户数，每天有超过6千万的固定访客，同时每天的在线商品数已经超过了8亿件，平均每分钟售出4.8万件商品。

作为电商行业的标杆，淘宝网的用户行为数据，一定程度上反映了用户的购买行为规律。本项目利用MySQL对淘宝用户行为数据进行分析，探索不同用户的消费习惯，结合店铺营销策略，以实现精准化运营，减少运营成本，增加店铺营收。

分析目标与思路
探索目标：每日不同时段流量走势，质量如何？用户行为转化情况怎样？如何提高留存、增加复购？如

何判断高价值用户，针对不同用户如何进行个性化营销？

分析思路：

流量指标分析：对比每日每小时的PV（访问量）、UV（访客数）、平均访问量（PV/UV），在不
同时间发布不同的营销活动，寻找更优质的拉新渠道。
行为转化分析：统计用户不同行为的转化情况，简化交易流程，提高转化率。
消费偏好分析：根据热销商品和热销类目，选定营销主题。
用户价值分析：对用户进行价值分层，针对不同层级的用户制定不同的营销策略。
数据准备
1.数据获取

数据集来源于淘宝APP移动端，2014年11月18日至2014年12月18日的用户行为数据。

2.数据理解

表中有7个字段：用户ID、商品ID、商品类目ID、用户行为类型、用户所在地理位置、用户行为时间、金额，一共有12256905条数据。限于电脑性能，仅提取前1048575条记录用作分析。

pv：点击，用户访问商品详情页。必须是商品详情页的流量，淘宝网首页、搜索结果页等页面的点击流量不算在内。
fav：收藏，用户将商品加入收藏夹，便于下次访问。收藏夹中的商品不可直接购买，必须再次发生“点击”行为后，在商品详情页方可购买。
cart：加购，用户将商品添加到购物车。用户可从购物车直接购买商品，无须再次产生“点击”行为。
buy：下单，用户点击提交订单购买商品。
3.数据清洗

3.1建表导数：

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缺失值处理：

查询结果中发现user_geohash字段存在缺失值，缺失比例超过50%。缺失严重的数据在后续分析中意义不大，可做删除处理。

3.3异常值检查

检查发现该数据集中不存在异常值。

3.4重复记录处理

该数据集有86478条重复记录，筛选不重复的记录共962097行。

3.5字段处理：

根据times字段增加计算字段用户行为日期、周和小时，排除后续分析不需要的user_geohash字段，并将筛选后的结果保存到新表。

清洗后的数据集共962097条记录，展示了2014-11-18至2014-12-18这一个月内，8477位用户对7095个类目下701609个商品产生的902050次点击，29016次加购，20930次收藏，10101次购买行为。

数据分析
1.流量指标分析

浏览量PV：页面浏览量或点击量Page View，用户每打开一个网页就记录1次PV，用户多次访问同一页面PV累计多次。
访客数UV：访问页面的独立访客Unique Visitor，用户访问该页面的一台电脑客户端为一个访客，以浏览器的cookie为依据，同一个用户多次访问只计算一个UV。
人均浏览量PV/UV：平均每个独立访客的浏览次数，体现网站对用户的吸引程度。

查询结果中发现浏览量PV、访客量UV和人均浏览量的总体变化趋势是相同的。11月18-29日，PV在25000-28000之间，UV在5800-6200之间，人均浏览量在4.1-4.6之间，成交量在260-320之间，销售额在20000-28000之间；11月30日-12月10日，PV在27000-31000之间，UV在6000-6400之间，人均浏览量在4.4-4.9之间，成交量在280-370之间，销售额在22000-30000之间；12月11日、12日因双12的缘故，PV分别达到了35851、51034，UV分别为6576、7049，人均浏览量分别为5.5、7.2，成交量分别为409、569，销售额分别为32022.71、46100.93；而在双12之后，PV也稳定在28000-30000之间，UV在6000-6200之间，人均浏览量在4.6-4.8之间，成交量在280-340之间，销售额在22000-28000之间，远远优于11月29日之前的数据，说明双12的营销活动对用户行为有显著影响。

同时，在11月21、28日，12月5日，浏览量PV、访客量UV、人均浏览量、成交量和销售额都出现了不同程度的下滑。细查发现以上三天都是周五，观察流量的周期性变化中发现，每周二到周四数据比较稳定，周五到周一会出现小幅度下滑，这跟大部分用户的工作和生活习惯息息相关。

从每天的时间段来看，21点和22点是用户活跃的高峰时间，人均浏览量在10次以上，22点之后一路下降，一直到凌晨4点降到最低值，4点到10点渐渐回温，10点到18点基本稳定，18点之后开始一路攀升，商家可以集中资源，在用户活跃度较高的时间段采取一些引流手段。

2.行为转化分析

浏览人数：点击产品详情页的用户数

收藏人数：收藏产品产品详情页的用户数

加购人数：将产品添加到购物车的用户数

购买人数：下单的用户数

在所有用户行为数据中浏览产品详情页后产生购买行为的用户只有4330人，占浏览用户的51%，也就是说，还有49%的用户行为是没有转化为成交的，用户在浏览商品详情页后出现了大量的流失。那么从浏览到购买，每个环节的转化率是多少？用户主要是在哪个环节流失的呢？

对比发现，从浏览到收藏的转化率仅为38.73%，而浏览到加购的转化率为61.41%。因为收藏和加购行为之间并没有直接的先后关系，且加入收藏后并没有可以下单的入口，如果需要购买必须重新点击商品进入详情页才能下单，所以用户更愿意将感兴趣或有购买意向的商品添加到购物车。

在浏览-加购-购买的购物行为路径中，加购转化率为61.41%，购买转化率为83.21%，也就是说大部分的用户更偏向于将商品添加到购物车后下单，可能是为了凑单参加满减优惠。

分析每天浏览-加购-购买的转化率情况发现，浏览-加购的转化率变化并不明显，双十二之前稳定在10%-13%之间，仅在双十二当天达到17.26%，且在双十二之后转化率明显下降。而加购-购买的转化率波动较大，在感恩节、服饰焕新和双十二活动前后分别达到了45.48%、44.21%、42.81%，而双十二之后的数据表现也明显优于双十二之前，说明部分商品在双十二之后依然有返场活动，促进用户消费。

3.消费偏好分析

根据二八法则即20%的产品贡献了80%的销售额甚至更多，将产品的贡献定量分析，哪些类目的商品贡献了多少的消费额。

在2066个商品类目中，销售额排名前623个类目贡献了646009.09的销售额，可集中人力和财力优化这些类目的商品及渠道。

4.用户价值分析

通过对用户价值的细分，进行差异化的精细运营，从而提升运营效率和用户体验。RFM模型是衡量客户价值和客户创利能力的重要工具，通过客户的消费时间间隔（Recency）、消费频率（Frequency）以及消费金额（Monetary）三项指标来描述客户的价值状况。

– 查询每个用户消费时间间隔、消费频次、消费金额

±----------±-------------±---------±---------±---------+

±----------±-------------±---------±---------±---------+

| 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评分

±----------±------±------±------+

| user_id | R评分 | F评分 | M评分 |

±----------±------±------±------+

| 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评分) | avg(F评分) | avg(M评分) |

±-----------±-----------±-----------+

| 3.5984 | 2.1039 | 2.2051 |

±-----------±-----------±-----------+

– RFM用户价值

±----------±------±------±------±------±------±-----±-----------+

| user_id | R评分 | F评分 | M评分 | R程度 | F程度 | M程度 | 用户价值 |

±----------±------±------±------±------±------±-----±-----------+

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

| 116730636 | 5 | 4 | 4 | 高 | 高 | 高 | 重要价值用户 |

| 104811265 | 4 | 1 | 2 | 高 | 低 | 低 | 一般发展用户 |

| 106230218 | 5 | 3 | 2 | 高 | 高 | 低 | 一般价值用户 |

| 100684618 | 4 | 3 | 3 | 高 | 高 | 高 | 重要价值用户 |

| 103802946 | 5 | 2 | 2 | 高 | 低 | 低 | 一般发展用户 |

| 103891828 | 5 | 5 | 5 | 高 | 高 | 高 | 重要价值用户 |

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

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

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

±----------±------±------±------±------±------±-----±-----------+

对用户进行价值分层后，针对不同价值类型的用户实行不同的营销策略。

一般挽留用户占比34.36%，占比最高，其交易时间间隔长，交易频率低，消费金额低，存在流失风险，可以及时与用户取得联系，明确流失原因或了解用户需求，想办法挽回用户。

一般发展用户占比31.29%，占比排名第二，其交易时间间隔短，但消费频率和消费金额都很低，可以利用推荐系统推荐其平时浏览的同类商品，或与此类客户有相同购买属性人群购买的商品，发送满减优惠券等，避免用户流失。

重要价值客户占比23.86%，其交易时间间隔短，消费频率高，消费金额高，应加强交流与互动，深入了解用户需求，提供个性化服务，增加用户粘性。可以对该类用户提供VIP服务机制，提升用户体验与忠诚度。

总结和建议
根据流量数据指标分析，每天的18-22时是用户活跃高峰期，可集中资源在该时间段进行引流与营销活动，如推送爆款及畅销商品，同时发送商家折扣优惠、直播带货及促销活动消息，提高商品购买率。

从用户行为转化漏斗分析，浏览到加购的转化率远远高于浏览到收藏的转化率，且加购到购买的转化率高达83.21%。交易流程越多，用户流失的可能性就越大，瞬间购买欲望的涌现，往往时效性较短，每多一步流程，就多一份流失率。所以删除不必要的跳转界面，让交易的完成时间更短，不要给用户过多的犹豫时间。例如优惠券的选择，还需要繁琐的领取步骤，满足优惠条件默认领取相应最大的优惠，并在最后付款界面突出优惠券带来的满减信息，促使用户的成交花费时间更短。关于购物车，可以增加一个清理机制，比如加入购物车以后多少天不成交就清除，每隔一段时间就提醒用户购物车内还有什么商品未下单，什么时间商品将被清除。收藏和购物车的功能有一定的同质性，关于这一点，淘宝没有做明显的区分，导致购物车只是简便版的收藏。反观同电商领域的拼多多，没有设置购物车功能，并且成交环节缩短至4步。

根据用户消费偏好分析，将流量更多地聚焦于畅销的商品，通过明星效应/网红推荐，结合主题活动和节日，打造爆款的产品，并利用爆款产品带动整体商品的销售。

根据RFM用户价值分类结果，一般挽留用户存在流失风险，可适当给予折扣或捆绑销售政策，通过一些补贴优惠，培养用户的购买习惯。一般发展用户存在价值潜力，要想办法主动联系客户，如短信、邮件、push提醒等方法，进行好物推荐等，提高用户的复购率。重要价值客户其交易时间间隔短，消费频率高，消费金额高，应加强交流与互动，比如优化个人信息界面，加入成长值系统，到达一定等级，享受一些特权或优惠，可参考腾讯游戏的心悦会员制度。

如何针对企业产品进行有效分析，看大佬用SQL分析淘宝用户行为相关推荐

基于SQL的淘宝用户行为分析报告
一.分析背景国家统计局公布的2014-2019H1中国居民消费相关数据显示,中国社会消费零售总额增速逐步放缓,经过多年来高速增长的电商行业也从之前的野蛮式扩张逐步规范,形成稳定局面. 数字用户红利见 ...
SQL数据分析淘宝用户分析实操
sql也能做分析? 常见的数据清洗,预处理,数据分类,数据筛选,分类汇总,以及数据透视等操作,用SQL一样可以实现(除了可视化,需要放到Excel里呈现).SQL不仅可以从数据库中读取数据,还能通过不 ...
是不是感觉被淘宝监控了！看啥立马就推送过来！用Python对淘宝用户行为进行分析！
一.认识数据 1.1 数据来源及介绍本数据来源于阿里云天池,是其随机选择约100万用户在2017年11月25日至12月3日之间发生的行为记录,具有包括点击.购买.加购物车和收藏商品的行为. 数据集的 ...
案例三：淘宝用户行为分析
一.项目背景本项目基于淘宝app平台数据,通过相关指标对行为进行分析,探索消费者相关行为模式分析方法: 用户行为分析:日pv和日uv分析,时pv和时uv分析,不同行为类型用户的pv分析用户消费行为 ...
【入门数据分析】淘宝用户行为分析
前言分析目的:本文基于淘宝1年的交易数据对其用户行为进行多角度分析,对相关问题进行解释并提供建议. 分析工具:MySQL.excel 主要模型:AARRR模型一.分析问题和思路本文采用淘宝电商的 ...
数据分析项目实战1——淘宝用户购买行为分析（天池）
一.分析背景.数据来源.数据解释 https://tianchi.aliyun.com/dataset/649 由于userbehavior数据集的数据量较大,本次分析使用Navicat将前10万条数 ...
如何用mysql对淘宝用户行为进行分析
一.项目背景和目的项目集中于对淘宝用户行为的分析,如购买时段的分析.热销商品的分析.用户行为转化漏斗分析以及通过RFM模型对用户进行分类等,希望从中探索用户购买的规律,并将这些规律与店铺营销策略相结 ...
【数据分析实战经验】淘宝用户行为分析①-AARRR、RMF模型（数据量：百万级，工具mysql)
电商平台的用户行为分析,能一定程度的推动运营.产品等迭代,提供决策支持. 数据集来源: 阿里云池样本量: 3835331 方法工具: 本文用2017年11月至12月的淘宝用户行为,AARRR模型及R ...
基于AARRR、RMF模型对淘宝用户行为进行分析
文章目录一.分析目的二.数据来源字段说明三.数据处理 1.引入库 2.数据清理及预处理四.用户行为分析(AARRR模型) 活跃度双十二当天活跃度的变化不同用户行为的活跃度变化留存率漏 ...

如何针对企业产品进行有效分析，看大佬用SQL分析淘宝用户行为

如何针对企业产品进行有效分析，看大佬用SQL分析淘宝用户行为相关推荐

最新文章

热门文章