美文网首页SQL
电商用户行为分析(二)

电商用户行为分析(二)

作者: 让数据告诉你 | 来源:发表于2021-03-21 14:22 被阅读0次

    3、RFM模型分析:

    由于数据没有购买金额相关指标,因此本文只分析R和F两个指标:

    R(Recently): 最近一天的购买时间差(以2014-12-18为基准)
    F(Frequency): 近期的购买频率

    R F

    根据R和F的情况,将R/F分为四组:
    R值0-5、6-15、16-23,、24-30分别对应4、3、2、1分
    F值1-5、6-10、11-20、21以上分别对应1、2、3、4分

    (1)、计算R和F的判断值:

    计算R和F的判断值:
    
    步骤:
    1、统计用户R值和F值
    2、给RF分组,给用户打分(数值分组、
    3、计算R_score和F_score的平均值,确定评分标准
    
    select avg(R_score),avg(F_score)          #R、F的平均分
    from
            (select 
                a.user_id
                ,R
                ,(case WHEN R BETWEEN 0 AND 5 THEN 4
                 WHEN R BETWEEN 6 AND 15 THEN 3
                 WHEN R BETWEEN 16 AND 23 THEN 2
                 WHEN R BETWEEN 24 AND 30 THEN 1
                 ELSE 0
                 END) R_score                         #给R按价值打分
                ,F
                ,(case WHEN F BETWEEN 1 AND 5 THEN 1
                 WHEN F BETWEEN 6 AND 10 THEN 2
                 WHEN F BETWEEN 11 AND 20 THEN 3
                 WHEN F BETWEEN 21 AND 82 THEN 4
                 ELSE 0
                 END) F_score                          #给F按价值打分
            from 
                (select user_id,
                DATEDIFF('2014-12-18',max(date)) as R,    #R的分数
                count(*) as F                             #F的分数
                from user1 where behavior_type='buy'
                group by user_id)
            as a)
        as b;
    
    
    RFM评分
    RF平均值

    (2)给不同价值用户贴上价值标签

    给不同价值用户贴上价值标签
    
    SELECT
            c.用户分类
            ,count(c.用户分类)
    FROM
            (
            SELECT
                    user_id
                    ,(case when R_score>2.92 AND F_score>1.08 THEN '重要价值客户'
                                 when R_score>2.92 AND F_score<1.08 THEN '重要深耕客户'
                                 when R_score<2.92 AND F_score>1.08 THEN '重要唤回客户'
                                 when R_score<2.92 AND F_score<1.08 THEN '重要挽留客户'
                                 END)用户分类
            FROM
                (select 
                        a.user_id
                        ,R
                        ,(case WHEN R BETWEEN 0 AND 5 THEN 4
                         WHEN R BETWEEN 6 AND 15 THEN 3
                         WHEN R BETWEEN 16 AND 23 THEN 2
                         WHEN R BETWEEN 24 AND 30 THEN 1
                         ELSE 0
                         END) R_score                         #给R按价值打分
                        ,F
                        ,(case WHEN F BETWEEN 1 AND 5 THEN 1
                         WHEN F BETWEEN 6 AND 10 THEN 2
                         WHEN F BETWEEN 11 AND 20 THEN 3
                         WHEN F BETWEEN 21 AND 82 THEN 4
                         ELSE 0
                         END) F_score                          #给F按价值打分
                    from 
                        (select user_id,
                        DATEDIFF('2014-12-18',max(date)) as R,    #R的分数
                        count(*) as F                             #F的分数
                        from user1 where behavior_type='buy'
                        group by user_id)
                    as a)
                as b)
                as c
    GROUP BY c.用户分类
    
    
    客户分类 用户分类

    用户分层结果分析:

    重要深耕用户的比例最高,这部分用户粘性比较大,可以派发大额度优惠券、大促活动或超低价商品来吸引用户,提高消费频率;

    重要挽留用户占比较大,这种用户有即将流失的危险,需要主动联系用户,对用户进行调研,调查清楚哪里出了问题,可以通过短信,邮件,APP推送等唤醒客户,尽可能减少流失;

    对于重要价值用户,消费频率高且最近消费距离现在时间短,需要倾斜更多资源,给其提供VIP服务或个性化服务;

    对于重要唤回用户,这类用户忠诚度比较高,可以根据用户的购买记录推送用户偏好的品牌或品类,提高复购率。

    4、用户生命周期分析

    结合AARRR模型对用户生命周期阶段进行划分,因为数据集没有金额,所以这里也只从R、F两个维度进行分析:

    (1)指标选择

    指标选择
    
    SELECT
            behavior_type
            ,count(behavior_type)数量
    FROM user1
    GROUP BY behavior_type
    
    image.png

    (2)权重计算

    计算各指标权重

    **(3)计算得分排名

    计算得分排名
    
    SELECT
            user_id
            ,b.得分
            ,rank() over(ORDER BY 得分 DESC) as 排名  #对得分进行排名
    FROM
            (
            SELECT
            *
            ,(浏览*0.1+收藏*0.2+加购物车*0.2+购买*1)得分  #计算用户活跃度得分
            FROM
            (
            SELECT
                user_id
                ,sum(case when behavior_type='pv' then 1 else 0 end)浏览
                ,sum(case when behavior_type='fav' then 1 else 0 end)收藏
                ,sum(case when behavior_type='cart' then 1 else 0 end)加购物车
                ,sum(case when behavior_type='buy' then 1 else 0 end)购买
            FROM user1
            GROUP BY user_id
            ) as a 
            ORDER BY 得分 DESC
            ) as b 
    
    排名

    (4)周期划分

    生命周期计算
    #给每一位用户打上周期标签
    #已知总用户数8477人,按比例划分:
    #成熟期:排名小于8477*20%
    #成长期:排名介于8477*20%到8477*50%
    #休眠期:排名介于8477*50%到8477*75%
    #流失期:排名大于8477*75%
    
    SELECT
    *
    ,(case when 排名<=1695 then '成熟期'
               when 排名>1695 AND 排名<=4239 then '成长期'
               when 排名>4239 AND 排名<=6358 then '休眠期'
               when 排名>6358 then '流失期'
    else 0 end )周期标签
    FROM
        (
            SELECT
                    user_id
                    ,b.得分
                    ,rank() over(ORDER BY 得分 DESC) as 排名  #对得分进行排名
            FROM
            (
                    SELECT
                    *
                    ,(浏览*0.1+收藏*0.2+加购物车*0.2+购买*1)得分  #计算用户活跃度得分
                    FROM
                    (
                    SELECT
                        user_id
                        ,sum(case when behavior_type='pv' then 1 else 0 end)浏览
                        ,sum(case when behavior_type='fav' then 1 else 0 end)收藏
                        ,sum(case when behavior_type='cart' then 1 else 0 end)加购物车
                        ,sum(case when behavior_type='buy' then 1 else 0 end)购买
                    FROM user1
                    GROUP BY user_id
                    ) as a 
                    ORDER BY 得分 DESC
                    ) as b 
        ) as c
    
    所处生命周期阶段

    给每个用户打上标签之后,就可以根据用户所属的不同阶段,并结合具体情况进行精细化运营;

    5、总结建议

    通过对运营指标、用户行为、漏斗模型特征、用户价值的分析,可得出如下结论:

    1、总体运营指标方面:
    1)从对流量指标和订单产生效率指标分析可知,促销活动对用户各项指标的影响非常大。
    建议:要充分利用好节假日的机会,策划相关营销活动,提升用户活跃度,提高销售转化。
    2)用户行为转化率很低但跳失率却不高,这说明用户在首页进行多次点击后并未找到中意的商品,有意向-购买转化率50%,说明有过半数的加购物车最终也没有成交。
    建议:优化产品详情页、收藏页、购物车页面,可以通过活动、优惠券、倒计时购物车等方式增加客户购买紧近感,促进用户下单的利益“诱导。

    2、用户行为特征:
    1)时间上的活跃度特征:活动日活跃平日平稳;周末活跃平日平稳;晚间活跃白天一般。
    建议:营销活动时间节点选择可根据用户以上活跃规律进行,实现活动效果最大化。
    2)商品上的活跃度特征:仅购买一次的用户占47%,购买5次以内占比90%以上,说明留存率很低,结合基于独立访客的转化率来看,运营效果不好。
    建议:针对活跃商品和用户提炼其画像,分析其背后的需求逻辑,优化商品结构,建立用户详细信息库,通过合适的渠道,进行精准营销活动推送,提高用户复购率。
    3)购买路径上的特征:直接购买占比58%、浏览购占比47%,用户并不会走完每一个步骤,商品品质和首页引导对销量转化非常关键。
    建议:优化商品结构,确保商品品质,提升用户满意度;优化首页界面,减少用户购物筛选难度,提升下单概率,提升转化效率。
    4)复购率上的特征:总体复购率53%,可针对复购率高的商品和用户,分析其画像,提升复购,增加留存。

    3、漏斗模型
    通过漏斗模型发现用户从浏览到购买的转化率低。

    建议:
    1)优化电商平台的搜索匹配度和推荐策略,主动根据用户喜好推荐相关的商品,优化商品搜索的准确度和聚合能力,对搜索结果排序优先级进行优化。
    2)商品在详情页突出展示用户感兴趣的信息,优化信息呈现的方式,减少用户的时间成本。
    3)从商品本身考虑,根据客户反馈对商品进行改进优化,增加点击后的购买率。

    4、用户价值
    有购买行为的用户中,大概有53%的用户会重复购买,整体上看用户的忠诚度较高。通过RFM模型对用户进行分层,分析得到用户主要集中在重要深耕用户和重要挽留用户上。

    1)、重要价值客户仅为6.7%,高价值用户比例低。
    建议:提高重要价值客户比例,可通过提升重要深耕客户的购买频次等方式实现
    2)、重要保持客户64.9%,最近有购买,但是购买次数很少的客户比例较高。
    建议:建立用户画像进行深耕,进行精细化个性化运营,刺激消费,转化为重要价值用户。
    3)、重要挽留/唤回客户仅为28.5%,这部分客户已经很久没有购买了,要防止流失。
    建议:分析历史购买记录,分析用户画像,挖掘需求点,尽可能挽回这部分用户。

    相关文章

      网友评论

        本文标题:电商用户行为分析(二)

        本文链接:https://www.haomeiwen.com/subject/cjspcltx.html