跟着雷教授学习python将近半年时间了，受疫情影响，雷教授的课程都是在网上开展的，因此，可以看回放。这也使我懒散了下来，因为觉得可以往后拖一拖，后面看回放。截止到今天，课程基本上快学完了。今天学习完倒数第二节，如何对淘宝用户行为进行分析，从商务、营销的视角去分析淘宝用户的行为。
对于淘宝用户行为分析，其实就是对淘宝用的价值进行分析，属于客户价值分析范畴，常用经典的RFM模型来研究。其中R、F、M分别代表最近消费时间（recency）、消费频率（Frequency）、消费金额（Money）。
分析的数据来自于淘宝app，由天池新实战赛之【离线赛】提供。现简单记录下学习中的个别内容。
数据的形式如下所示：
数据包括用户id、产品ID、行为类型（行为主要包括浏览、收藏、加购物车、购买）、用户地理标志、产品类型、用户登录app时间等数据。
只看这些数据，真的是无从下手，毫无头绪。在雷教授的点拨下，我们发现，用户的行为可以进行细分，从而可以知道消费者在淘宝app上的行为特征，比如什么时间段在线；从浏览到收藏、从收藏到购买等的的转化率、每一个用户在一段时间内购买的频次有多少等。
从这里，我深刻的体会到，数据分析的意义。
从上图可知，总共的数据有2929万多条，数据量很大，但是经过处理，去除重复的数据以后，有15463110条数据，我们发现这是针对2万名用户的app行为数据。把用户的进行细分以后，可以重新建立如下的数据表来进行用户行为分析
而在经过这种处理以后，可以对淘宝app中的pv/uv进行统计分析，如下图所示：展示的是数据2014年11月18日到12月18日之间的数据，图中的波峰也就是我们熟悉的双十二购物节。
而对消费者的在线时间进行统计发现，在2014年，淘宝上用户的粘性还是很高的，一个月之内登录淘宝app的用户中，有近50%的用户在线天数在22天以上。
而销售漏斗分析则显示了四种行为之间的转化率。如下图所示：
通过对淘宝上消费者的RFM各方面数据的处理，可以得出如下格式的数据表格。
从这个数据表中，我们就可以对客户进行分类，识别最有价值的客户，对一些潜力用户进行差异化的营销，对于一些不活跃的用户则可以进行有针对性的营销刺激。
当然，以上这些只是基础，有了数据，如何把数据为自己的商业目的所用，才是数据分析最大的作用和价值所在，因此，基本的数据处理结束之后，从数据中挖掘潜在的商业价值，不但需要数据技术，更需要营销知识，还需要敏锐的商业洞察。
因此，把python这个工具为自己的目的所用，才是学习python的最终目的，python只是工具，清楚这一点非常重要。
网友评论