电商平台用户行为分析(SQL)

作者: 分类讨论 | 来源:发表于2020-11-19 18:26 被阅读0次

本文是对淘宝业务分析案例的汇总。本次分析从用户，商品以及平台三大方面展开，利用了漏斗分析、维度拆分、象限分层、RFM模型等分析方法，通过MySql进行数据的处理，最后利用PowerBI进行数据的可视化。

项目背景

移动互联网企业从粗放式到精细化运营管理过程中，需要结合市场、渠道、用户行为等数据分析，对用户开展有针对性的运营活动，提供个性化、差异化的运营策略，以实现运营业务指标。本项目利用sql对淘宝用户行为数据进行分析，通过用户行为分析业务问题，提供针对性的运营策略。

分析目标

本次分析希望通过淘宝的用户行为数据，了解淘宝基本情况。建立用户行为漏斗，探索需要优化的空间。同时对用户行为及商品展开多维度拆分，针对不同类别的用户及商品开展不同策略的精细化运营。

数据来源及描述：

数据集来自阿里云天池：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
数据描述：
image.png behavior列说明：pv点击，cart：加购物车，fav：收藏，pv点击

分析框架

image.png

数据导入：

将数据保存到本地；
进入MySql，进入要保存的database，创建表；
导入数据

mysql> load data local infile "C:\\Users\\MaJie\\Desktop\\tbt\\UserBehavior\\UserBehavior.csv"
    -> into table user
    -> fields terminated by ","
    -> lines terminated by "\n";

备注：由于数据量较大，运行较慢，只取了原数据中的2000000条进行分析

mysql> create table userbehavior as select * from user limit 2000000;

数据清洗

查看数据缺失值：判断各列的数量是否一致

mysql> SELECT count(user_id),count(item),count(category),count(behavior),count(time) from userbehavior;

通过查看数据发现，time为时间戳格式，需要进行时间格式转化

mysql> alter table userbehavior add date varchar(20);
mysql> alter table userbehavior add hour varchar(20);
mysql> update userbehavior set date = from_unixtime(time,"%Y-%m-%d");
mysql> update userbehavior set hour = from_unixtime(time,"%H");
mysql> select * from userbehavior limit 2;
+---------+---------+----------+----------+------------+------------+------+
| user_id | item    | category | behavior | time       | date       | hour |
+---------+---------+----------+----------+------------+------------+------+
|       1 | 2268318 |  2520377 | pv       | 1511544070 | 2017-11-25 | 01   |
|       1 | 2333346 |  2520771 | pv       | 1511561733 | 2017-11-25 | 06   |
+---------+---------+----------+----------+------------+------------+------+

通过查看发现数据主要聚集在11月25日到12-03日之间，取此区间，删除其他数据

# 查看时间聚集情况
select date, count(*) from userbehavior group by date;
# 删除其余数据
DELETE FROM userbehavior
WHERE date < '2017-11-25' or date > '2017-12-03';
mysql> select date, count(*) from userbehavior group by date;
+------------+----------+
| date       | count(*) |
+------------+----------+
| 2017-11-25 |   207782 |
| 2017-11-26 |   213387 |
| 2017-11-27 |   198661 |
| 2017-11-28 |   197818 |
| 2017-11-29 |   202267 |
| 2017-11-30 |   208777 |
| 2017-12-01 |   219657 |
| 2017-12-02 |   273945 |
| 2017-12-03 |   276715 |
+------------+----------+

数据分析

1. 常规指标情况

1.1 PV，UV，用户平均访问量(PV/UV)

mysql> select
    -> sum(case when behavior = "pv" then 1 else 0 end) as PV,
    -> (select count(*) from (select user_id from userbehavior group by user_id) as g) as UV,
    -> (sum(case when behavior = "pv" then 1 else 0 end) / (select count(*) from (select user_id from userbehavior group by user_id) as g)) as 'PV/UV'
    -> from userbehavior;
+---------+-------+---------+
| PV      | UV    | PV/UV   |
+---------+-------+---------+
| 1790225 | 19544 | 91.5997 |
+---------+-------+---------+

image.png

通过统计可知，在2017-11-25 到 2017-12-03之间：
访问量PV：1790225
访问用户数UV：19544
用户平均访问量：约92

1.2 日平均访问量DAU：

mysql> select date, count(user_id) as DAU from (select date,user_id from userbehavior group by date, user_id) as g group by date;
+------------+-------+
| date       | DAU   |
+------------+-------+
| 2017-11-25 | 13927 |
| 2017-11-26 | 14215 |
| 2017-11-27 | 14024 |
| 2017-11-28 | 14037 |
| 2017-11-29 | 14247 |
| 2017-11-30 | 14502 |
| 2017-12-01 | 14685 |
| 2017-12-02 | 19169 |
| 2017-12-03 | 19166 |
+------------+-------+

image.png

日活跃用户数整体上升，在12/02与12/03开始增幅较大，可能与双十二活动推广有关。

1.3 复购率

复购率：在某时间窗口内重复消费用户（消费两次及以上的用户）在总消费用户中占比

单日复购率

mysql> select date,
    ->     count(user_id) as "购买总人数",
    ->     sum(case when buy_num_day > 1 then 1 else 0 end) as "单日复购人数",
    ->     (sum(case when buy_num_day > 1 then 1 else 0 end) / count(user_id)) as "复购率"
    -> from(
    ->     select date, user_id, count(*) as buy_num_day
    ->     from userbehavior
    ->     where behavior = "buy"
    ->     group by date, user_id) as g
    -> group by date;
+------------+-----------------+--------------------+-----------+
| date       | 购买总人数       | 单日复购人数        | 复购率    |
+------------+-----------------+--------------------+-----------+
| 2017-11-25 |            2626 |                747 |    0.2845 |
| 2017-11-26 |            2635 |                792 |    0.3006 |
| 2017-11-27 |            2882 |                866 |    0.3005 |
| 2017-11-28 |            2741 |                849 |    0.3097 |
| 2017-11-29 |            2868 |                880 |    0.3068 |
| 2017-11-30 |            2949 |                872 |    0.2957 |
| 2017-12-01 |            2811 |                827 |    0.2942 |
| 2017-12-02 |            3396 |                952 |    0.2803 |
| 2017-12-03 |            3517 |               1001 |    0.2846 |
+------------+-----------------+--------------------+-----------+

image.png

整体复购率

mysql> select
    ->     sum(case when buy_num > 1 then 1 else 0 end) as "整体复购人数",
    ->     count(user_id) as "购买总人数",
    ->     sum(case when buy_num > 1 then 1 else 0 end)/count(user_id) as "复购率"
    -> from(
    ->     select *,count(behavior) as buy_num
    ->     from userbehavior
    ->     where behavior = 'buy'
    ->     group by user_id) as g;
+--------------------+-----------------+-----------+
| 整体复购人数        | 购买总人数       | 复购率    |
+--------------------+-----------------+-----------+
|               8795 |           13330 |    0.6598 |
+--------------------+-----------------+-----------+

从日复购率情况来看，日复购率在29%左右稳定波动，较为稳定。
从整体复购率来看，复购率高达约66%，表名淘宝的用户忠诚度较高

1.4 跳失率

跳失率：仅仅访问了单个页面的用户占全部访问用户的百分比，或者指从首页离开网站的用户占所有访问用户的百分比。即用户的behavior为1。
跳失率是衡量网站\APP内容质量的重要标准。

mysql> select count(user_id) as "访问一次页面的用户数"
    -> from(
    ->     select user_id
    ->     from userbehavior
    ->     group by user_id
    ->     having count(behavior) = 1) as g;
+--------------------------------+
| 访问一次页面的用户数             |
+--------------------------------+
|                              1 |
+--------------------------------+
# 查看下该用户的访问情况
select * from userbehavior where user_id = (select user_id from userbehavior group by user_id having count(behavior) = 1);
+---------+---------+----------+----------+------------+------------+------+
| user_id | item    | category | behavior | time       | date       | hour |
+---------+---------+----------+----------+------------+------------+------+
|  152435 | 4895956 |  2465336 | pv       | 1511567056 | 2017-11-25 | 07   |
+---------+---------+----------+----------+------------+------------+------+

9天时间跳失率仅为1，表明淘宝在产品与内容的运营上表现优秀，有足够的用户吸引力，确保用户可以长时间驻留选择。

2. 用户行为访问漏斗

常规转化流程大致为：

image.png 结合数据集behavior列，这里简化访问漏斗为:
访问量(pv) ==> 加购物车数(cart) ==> 购买数(buy)

流量( PV)转化漏斗

select behavior, count(*) from userbehavior group by behavior; 
+----------+----------+
| behavior | count(*) |
+----------+----------+
| buy      |    40243 |
| cart     |   111015 |
| fav      |    57526 |
| pv       |  1790225 |
+----------+----------+

用户(UV)转化漏斗

mysql> select behavior, count(user_id)
    -> from (select behavior, user_id from userbehavior group by behavior, user_id) as g
    -> group by behavior;
+----------+----------------+
| behavior | count(user_id) |
+----------+----------------+
| buy      |          13330 |
| cart     |          14672 |
| fav      |           7854 |
| pv       |          19463 |
+----------+----------------+

image.png

从PV转化来看：从浏览PV到加入购物车的转化率仅为6.2%，用户需要花费大量的精力在挑选商品上
从UV转化来看：从浏览UV到购买UV转化率达到68.5%，表名用户的实际购买需求较高，且商品种类能够满足用户的购买需求。
结合PV及UV的转化：用户能够在淘宝购买到满足自己需求的商品，但需要花费大量精力在挑选商品上。平台在商品推荐及搜索匹配环节有待提高。
改善建议：建议平台在商品推荐及搜索匹配等几个入口，根据用户基础及行为信息进行算法优化，提高商品推荐准确率，降低用户寻找商品的成本。

3. 用户行为分析——时间维度拆分

3.1 用户行为分析——按天拆解：

查看用户每天各行为的情况
用户数，访问量，加购量，收藏量，购买量

mysql> select aa.date, bb.用户数, aa.访问量, aa.加购量, aa.收藏量, aa.购买量
    -> from(
    ->     select date,
    ->         sum(case when behavior = 'pv' then 1 else 0 end) as '访问量',
    ->         sum(case when behavior = 'cart' then 1 else 0 end) as '加购量',
    ->         sum(case when behavior = 'fav' then 1 else 0 end) as '收藏量',
    ->         sum(case when behavior = 'buy' then 1 else 0 end) as '购买量'
    ->     from userbehavior
    ->     group by date) as aa
    -> inner join(
    ->     select date, count(*) as  '用户数'
    ->     from (select date, user_id from userbehavior group by date, user_id) as g
    ->     group by date) as bb
    -> on aa.date = bb.date;
+------------+-----------+-----------+-----------+-----------+-----------+
| date       | 用户数    | 访问量     | 加购量    | 收藏量     | 购买量     |
+------------+-----------+-----------+-----------+-----------+-----------+
| 2017-11-25 |     13927 |    186480 |     11405 |      5926 |      3971 |
| 2017-11-26 |     14215 |    191557 |     11560 |      6277 |      3993 |
| 2017-11-27 |     14024 |    177388 |     10959 |      5827 |      4487 |
| 2017-11-28 |     14037 |    177040 |     10826 |      5727 |      4225 |
| 2017-11-29 |     14247 |    181006 |     10856 |      5921 |      4484 |
| 2017-11-30 |     14502 |    187171 |     11292 |      5802 |      4512 |
| 2017-12-01 |     14685 |    196714 |     12572 |      6057 |      4314 |
| 2017-12-02 |     19169 |    245281 |     15791 |      7849 |      5024 |
| 2017-12-03 |     19166 |    247588 |     15754 |      8140 |      5233 |
+------------+-----------+-----------+-----------+-----------+-----------+

image.png

从12/02与12/03，各项数据指标明显提高，推测与淘宝双12预热活动相关。

3.2 用户行为分析——按小时拆解：

mysql> select aa.hour, bb.用户数, aa.访问量, aa.加购量, aa.收藏量, aa.购买量
    -> from(
    ->     select hour,
    ->         sum(case when behavior = 'pv' then 1 else 0 end) as '访问量',
    ->         sum(case when behavior = 'cart' then 1 else 0 end) as '加购量',
    ->         sum(case when behavior = 'fav' then 1 else 0 end) as '收藏量',
    ->         sum(case when behavior = 'buy' then 1 else 0 end) as '购买量'
    ->     from userbehavior
    ->     group by hour) as aa
    -> inner join(
    ->     select hour, count(*) as  '用户数'
    ->     from (select hour, user_id from userbehavior group by hour, user_id) as g
    ->     group by hour) as bb
    -> on aa.hour = bb.hour;
+------+-----------+-----------+-----------+-----------+-----------+
| hour | 用户数    | 访问量     | 加购量    | 收藏量     | 购买量     |
+------+-----------+-----------+-----------+-----------+-----------+
| 00   |      6338 |     60816 |      3723 |      2030 |      1167 |
| 01   |      3249 |     27836 |      1756 |       884 |       484 |
| 02   |      1932 |     15475 |       925 |       597 |       284 |
| 03   |      1385 |     11355 |       750 |       366 |       129 |
| 04   |      1223 |      9515 |       586 |       306 |       156 |
| 05   |      1617 |     10848 |       777 |       406 |       151 |
| 06   |      3442 |     22997 |      1577 |       863 |       354 |
| 07   |      6400 |     43886 |      2849 |      1382 |       735 |
| 08   |      8802 |     60974 |      3839 |      1976 |      1249 |
| 09   |     10367 |     74294 |      4602 |      2531 |      1884 |
| 10   |     11482 |     86088 |      5293 |      2932 |      2484 |
| 11   |     11681 |     84907 |      5350 |      2967 |      2512 |
| 12   |     11819 |     86032 |      5219 |      2848 |      2430 |
| 13   |     12050 |     94554 |      5541 |      3099 |      2573 |
| 14   |     11731 |     91500 |      5355 |      2802 |      2332 |
| 15   |     11978 |     95059 |      5616 |      3045 |      2474 |
| 16   |     11870 |     92677 |      5499 |      2898 |      2345 |
| 17   |     11541 |     83124 |      5344 |      2862 |      2069 |
| 18   |     11492 |     86114 |      4988 |      2607 |      1868 |
| 19   |     12424 |    108553 |      6368 |      3269 |      2326 |
| 20   |     13130 |    131941 |      7911 |      3909 |      2686 |
| 21   |     13441 |    149720 |      9340 |      4372 |      2799 |
| 22   |     12895 |    149017 |      9692 |      4718 |      2766 |
| 23   |     10187 |    112943 |      8115 |      3857 |      1986 |
+------+-----------+-----------+-----------+-----------+-----------+

image.png

从一天内不同时刻各项数据指标来看，从5点到10点，各项指标处于上升阶段，10点到18点各项指标持续稳定在较高的水平，从19点到22点到达高峰，之后开始下降。与用户的作息规律基本吻合。
在活动运营时，在10-22点大概率会获得更好的效果，尤其是在19-22点之间，处于用户最活跃的时间段，适合各种活动营销的开展。

4. 用户行为分析——商品维度拆解

4.1 商品浏览量排行榜Top10

mysql> select item, count(*) as '浏览量'
    -> from userbehavior
    -> where behavior = 'pv'
    -> group by item
    -> order by count(*) desc
    -> limit 10;
+---------+-----------+
| item    | 浏览量    |
+---------+-----------+
|  812879 |       377 |
| 3845720 |       320 |
| 2331370 |       301 |
|  138964 |       294 |
| 2032668 |       293 |
| 3708121 |       258 |
| 1535294 |       256 |
| 3031354 |       252 |
|  987143 |       246 |
| 3371523 |       238 |
+---------+-----------+

4.2 商品销量排行榜Top10

mysql> select item, count(*) as '购买量'
    -> from userbehavior
    -> where behavior = 'buy'
    -> group by item
    -> order by count(*) desc
    -> limit 10;
+---------+-----------+
| item    | 购买量    |
+---------+-----------+
| 3122135 |        35 |
| 3237415 |        17 |
| 1910706 |        16 |
| 2560262 |        16 |
| 3031354 |        15 |
| 2964774 |        15 |
| 1034594 |        14 |
| 4157341 |        14 |
|  705557 |        14 |
| 4574184 |        13 |
+---------+-----------+

4.3 浏览量Top10中购买量Top10的占比

mysql> select aa.item, aa.浏览量, bb.购买量
    -> from(
    ->     select item, count(*) as '浏览量'
    ->     from userbehavior
    ->     where behavior = 'pv'
    ->     group by item
    ->     order by count(*) desc
    ->     limit 10) as aa
    -> inner join(
    ->     select item, count(*) as '购买量'
    ->     from userbehavior
    ->     where behavior = 'buy'
    ->     group by item
    ->     order by count(*) desc
    ->     limit 10) as bb
    -> on aa.item = bb.item;
+---------+-----------+-----------+
| item    | 浏览量    | 购买量    |
+---------+-----------+-----------+
| 3031354 |       265 |        15 |
+---------+-----------+-----------+

浏览量Top10的商品，只有1件在销量Top10，商品推荐算法不太准确，导致用户浏览的商品都不是自己满意的商品，需要对商品推荐算法再优化。

4.4 四象限法分类优化——商品浏览数与销量的关系

这里根据商品的浏览量与购买量将商品划分为四个象限，实际划分标准需要根据实际业务区划分。这里根据二八法则对两个维度进行划分。

mysql> select aa.item, aa.浏览量, bb.购买量
    -> from(
    ->     select item, count(*) as '浏览量'
    ->     from userbehavior
    ->     where behavior = 'pv'
    ->     group by item
    ->     order by count(*) desc) as aa
    -> left join(
    ->     select item, count(*) as '购买量'
    ->     from userbehavior
    ->     where behavior = 'buy'
    ->     group by item
    ->     order by count(*) desc) as bb
    -> on aa.item = bb.item;
+---------+-----------+-----------+
| item    | 浏览量    | 购买量     |
+---------+-----------+-----------+
|  812879 |       377 |         2 |
| 3845720 |       324 |         1 |
| 2032668 |       301 |         3 |
|  138964 |       296 |         3 |
| 2331370 |       281 |         3 |
|  ...... |   ......  |   ......  |
+---------+-----------+-----------+

image.png

第一象限：商品浏览量与销量都高。这部分商品市场需求大，可以满足用户需求，可作为平台的重点推送产品
第二象限：商品浏览量低，销量高。一方面可能此部分商品的特征明显，竞品较少，用户购买目标明确；另一方面可能此部分商品市场需求大，但平台对此部分商品的曝光度不足。对此部分商品，平台在算法推荐上，结合用户特征加强此部分商品的曝光。
第三象限：商品浏览量低，销量低。一方面可能商品本身没有市场，另一方面也可能和曝光不足有关。对此部分商品从市场与运营两方面判断，如果市场空间不足则降低此部分商品数量，如果由于曝光度不够导致销量低，则需要根据商品特征，加强推广力度。
第四象限：浏览量高但销量低。一方面，商品推荐可能不合理导致无法满足用户需求。另一方面，商品本身存在缺陷，导致用户无法接受直接放弃。

5. 基于RFM用户分层模型分析用户行为

RFM模型分析数据集只涉及最近消费时间间隔R与消费频率F，消费金额M数据集未涉及，这里不对M分层，只通过RF进行用户行为细分。这里定义当前日期为2017/12/03。

5.1 R维度分析

# 获取时间间隔的范围区间
mysql> select datediff('2017/12/03',max(date)) as min_datediff, datediff('2017/12/03',min(date)) as max_datediff from userbehavior;
+--------------+--------------+
| min_datediff | max_datediff |
+--------------+--------------+
|            0 |            8 |
+--------------+--------------+

可知数据集的时间间隔在区间[0:8]天，这里我们定义[0:3]为'1'，[4:8]为'0'。（实际工作中看情况定义）

mysql> select user_id, diff_time as R,
    ->     case when diff_time between 0 and 3 then '1'
    ->     when diff_time between 4 and 8 then '0'
    ->     end as R_num
    -> from(
    ->     select user_id, datediff('2017-12-03',max(date)) as 'diff_time'
    ->     from userbehavior
    ->     where behavior = 'buy'
    ->     group by user_id) as g;

5.2 F维度分析

select min(b_num), max(b_num)
from (select user_id, count(*) as b_num from userbehavior where behavior = 'buy' group by user_id) as gg
+------------+------------+
| min(b_num) | max(b_num) |
+------------+------------+
|          1 |         72 |
+------------+------------+

通过查看，用户购买次数最少为1次，最多为72次。这里我们将36次作为标准，定义够阿米次数在[1:14]为0，[15:72]为1。

mysql> select user_id, b_num as F,
    -> case when b_num between 1 and 14 then '1' else '0' end as F_num
    -> from(select user_id, count(*) as b_num from userbehavior where behavior = 'buy' group by user_id) as gg;

5.3 RF维度分析

将RF合并

select ra.user_id, concat(R_num, F_num) as RF
from(
    select user_id, diff_time as R,
        case when diff_time between 0 and 3 then '1'
        when diff_time between 4 and 8 then '0'
        end as R_num
    from(
        select user_id, datediff('2017-12-03',max(date)) as 'diff_time'
        from userbehavior
        where behavior = 'buy'
        group by user_id) as g) as ra
inner join(
    select user_id, b_num as F,
    case when b_num between 1 and 14 then '1' else '0' end as F_num
    from(select user_id, count(*) as b_num from userbehavior where behavior = 'buy' group by user_id) as gg) as fa
on ra.user_id = fa.user_id

为用户分层

select user_id,
    case when RF = '11' then '价值客户'
    when RF = '01' then '保持客户'
    when RF = '10' then '发展客户'
    when RF = '00' then '挽留客户' end as '用户分层'
from (
    select ra.user_id, concat(R_num, F_num) as RF
    from(
        select user_id, diff_time as R,
            case when diff_time between 0 and 3 then '1'
            when diff_time between 4 and 8 then '0'
            end as R_num
        from(
            select user_id, datediff('2017-12-03',max(date)) as 'diff_time'
            from userbehavior
            where behavior = 'buy'
            group by user_id) as g) as ra
inner join(
    select user_id, b_num as F,
    case when b_num between 1 and 14 then '1' else '0' end as F_num
    from(select user_id, count(*) as b_num from userbehavior where behavior = 'buy' group by user_id) as gg) as fa
on ra.user_id = fa.user_id) as user_rf

image.png

不同类型客户的应对策略
价值客户（11）：最近消费时间近和消费频次都很高，提供VIP服务
保持客户（01）：最近消费时间较远，但消费频次很高，说明这是个一段时间没来的忠诚客户，我们需要主动和他保持联系。
发展客户（10）：最近消费时间较近，但频次不高，忠诚度不高，很有潜力的用户，必须重点发展。
挽留客户（00）：最近消费时间较远、消费频次不高，可能是将要流失或者已经要流失的用户，应当给予挽留措施。

6. 探究淘宝商业模式满足“二八定律”还是“长尾理论”

1. 提出假设：淘宝商业模式满足“二八定律”

2. 分析过程

如果淘宝的商业模式满足“二八定律”，那么在淘宝，20%的商品将占有总销量的百分之80%

mysql> select item, count(*) as item_num
    -> from userbehavior
    -> where behavior = 'buy'
    -> group by item
    -> order by item_num desc
    -> limit 10;
+---------+----------+
| item    | item_num |
+---------+----------+
| 3122135 |       35 |
| 3237415 |       17 |
| 1910706 |       16 |
| 2560262 |       16 |
| 2964774 |       15 |
| 3031354 |       15 |
| 1034594 |       14 |
| 4157341 |       14 |
|  705557 |       14 |
| 3189426 |       13 |
+---------+----------+

image.png

根据查询结果，可以看到，销量最多的商品也只卖出35件，其余商品卖出的更少。因此以淘宝为代表的电商平台，其商品售卖主要是依靠长尾商品的累计效应，并非爆款商品的带动。

7. 总结

从平台基本指标来看：
- PV/UV/DAU及日复购率均维持稳定，跳失率极少，9日的整体复购率高达66%。表名当前淘宝在用户，平台，商品的运营稳定且对用户有足够的吸引力，同时从9日复购率来看，用户的忠诚度较高
- 从漏斗转化模型来看，UV转化率高达68.5%，而PV的转化率仅2.2%。用户本身有足够的购买需求且平台也能满足用户的购买需求，但用户需要花费大量的成本在寻找合适的商品上。因平台在商品推荐以及搜索匹配等方面需要进行优化，能够通过用户偏好准确推送相应的商品
用户行为拆分看：
- 按天来看，在12/02日开始各项指标均有明显上升，可能在12/02日展开了双十二购物街的活动预热，同时效果明显；
- 从一天中的各个时刻来看，用户在10:00 - 22:00活跃度较高，各项活动运营是个在此时间窗口中展开，尤其在19:00 - 22:00达到峰值。
- 此外，通过RFM模型对用户进行分组，在后续的用户运营中，对不同的群组采取不同的运营方式，以最大化收益。
商品拆分来看：
- 通过从商品浏览量与销售量两个维度进行象限分析，根据不同象限商品的特征，采取不同的策略，提升转化率
- 通过对“二八定律” 以及 “长尾理论” 的探究，发现淘宝的商业模式满足长尾理论。因此在后续的运营中，平台可以尝试丰富商品类型，以满足各式各样用户的需求，但也需要权衡成本，确保收益最大化。

电商平台用户行为分析(SQL)

项目背景

分析目标

数据来源及描述：

分析框架

数据导入：

数据清洗

数据分析

1. 常规指标情况

1.1 PV，UV，用户平均访问量(PV/UV)

1.2 日平均访问量DAU：

1.3 复购率

1.4 跳失率

2. 用户行为访问漏斗

3. 用户行为分析——时间维度拆分

3.1 用户行为分析——按天拆解：

3.2 用户行为分析——按小时拆解：

4. 用户行为分析——商品维度拆解

4.1 商品浏览量排行榜Top10

4.2 商品销量排行榜Top10

4.3 浏览量Top10中购买量Top10的占比

4.4 四象限法分类优化——商品浏览数与销量的关系

5. 基于RFM用户分层模型分析用户行为

5.1 R维度分析

5.2 F维度分析

5.3 RF维度分析

6. 探究淘宝商业模式满足“二八定律”还是“长尾理论”

1. 提出假设：淘宝商业模式满足“二八定律”

2. 分析过程

7. 总结

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读

数据思维与方法

数据分析