前言：
随着电子商务业务的快速发展，线上销售逐渐成为主流。淘宝网是中国深受欢迎的网购零售平台,经常网购的人时不时会逛逛淘宝，其留下的足迹就是用户行为，对这些用户行为加以研究以此来分析业务问题。
一、数据背景
1.数据来源：
https://tianchi.aliyun.com/dataset/dataDetail?dataId=46&userId=1
2.数据结构：
本次分析的数据是从数据集中选取包含了2014年11月18日至2014年12月18日之间，10000名随机用户共12256906条行为数据，数据集的每一行表示一条用户行为，共6列。字段如下：
user_id：用户身份
item_id：商品ID
behavior_type：用户行为类型（包含点击、收藏、加购物车、购买四种行为，分别用数字1、2、3、4表示）
user_geohash：地理位置（有空值）
item_category：品类ID（商品所属的品类）
time：用户行为发生的时间
二、确定分析思路
1.整体的用户购物情况分析。
PV(总访问量）、UV（用户数）、日均访问量、有购买行为的用户数量、用户购物情况、复购率是多少？
2.用户行为转化漏斗。
点击>加购物车>收藏>购买 各环节转化率是多少？
3.用户画像分析。
购买率高或低的用户具有什么特征？
4.基于时间维度了解用户的行为习惯。
什么日期/什么时间段用户活跃度高？
5.参照RFM分析模型。
基于RFM分析模型找出有价值的用户？
6.商品销售情况分析。
三、数据整理
数据导入
通过数据库管理工具 Navicat 将数据集导入 MySQL 数据库，数据库表名为user。
数据量
用户数量
四、数据清洗
1.缺失值处理：
由于user_geohash(地理位置)存在大量空值，且被加密处理，所以这里不对用户所在地理位置进行分析。
2.数据一致化处理：
>>>由于 time 字段的时间包含（年-月-日）和小时，为了方便分析，将该字段分成 2 个字段，一个日期列（date）和一个小时列（time）
>>>通过查询表结构，发现date字段数据类型不是日期，所以将其改为date类型
查询表结构
修改类型
>>>将代表behavior_type(行为类型)的数字更改为指定字符，以方便分析，1-pv，2-fav，3-cart，4-buy
最终数据呈现：
五、数据分析
1.用户整体购物情况
一个月内共有11550581次访问。
1）用户总数
一个月内共有10000个用户浏览过。
2）日均访问量
日均访问量几乎都在30w+到40w+之间，2014年12月11日日均访问量达到46w+，12月12日达到峰值64w+，显而易见双十二活动吸引更多的访问量。
只截取了11月的查询结果
3）有购买行为的用户数量及与总访问的占比
有购买行为的用户共8886位，与总访问量的占比约是0.08%
4）用户购物行为
根据不同用户行为可具体分析，针对性的推送内容，提高转化率。
只截取了行为总数前15的查询结果
5）复购率指标：购买次数>=2
有购买行为的用户复购率高达92%
6）重复购买用户次数最多的用户
用户122338823购买次数达到809次，对于这类忠实的用户需要开发用户信息库，建立完善的用户资料库，记录客户购物情况。针对性的提供优质服务。
2.用户行为转化漏斗分析
在购物环节中，收藏和加入购物车没有先后之分，所以在分析各环节转化率时，可将二者放在一起分析。
1）用户购买行为计数
2）各环节转换率（基于总点击次数）
用户点击后收藏和加入购物车的转化率在5%左右，真正购买的只有1%，购买转化率比较低，还有很大的增长空间
3）各环节转换率（基于上一环节）
收藏和加入购物车后，真正购买转化率占20.51%
3.用户画像分析
1）购买率高的人群有什么特征
按购买率降序排序
截取查询结果前10条
按购买次数降序排序
从上面查询结果可以发现，购买率高的人其点击次数并不是很高，收藏和加入购物车次数也少，购买次数多的人其购买率并不是很高，由此可以推断出，此类型用户多为理智型，目标明确，缺啥买啥，一般不会收促销活动和广告宣传的影响。
2）购买率低的人群有什么特征
针对购买率为0的用户可能有2种情况：如果点击次数多，收藏和加购数量也比较多的用户，一般可认为是等待型客户，可能等待商家活动，其自制力比较高，轻易不下单；如果点击次数少，很可能是该类型用户不太会网购甚至不喜欢网购。
4.基于时间维度了解用户的行为习惯
1）一天中用户活跃的时段分布
折线指标对应右坐标轴
从上面的图表可以看出，0点到5点用户活跃度快速降低，4点左右降到最低，6点到10点用户活跃度快速上升，10点到18点用户活跃度较平稳，19点到23点用户活跃度快速上升，21点和22点时间段用户活跃度最高。
2）一周中用户活跃的星期
由于11月18日-12月18日之间有不是完整的周，所以分析时需要去掉那些天，即对差异的数据需要剔除。
由上面图表可以看出，每周用户活跃度较稳定，每周五活跃度会有小幅降低，但是周末会慢慢回升。其中第四周周五用户活跃度突增是由双十二大促活动引起。
3）每天的用户行为变化
从图表中我们发现在2014/12/12日四项用户指标均达到了高峰，此时正值双十二促销期间，几项指标中购买次数涨幅最大，收藏数涨幅最小，这是由于双十二活动期间许多用户已经提前选择好商品，留到这一天购买所致。
5.参照RFM分析模型找出有价值的客户
RFM模型是衡量客户价值和客户创利能力的重要工具和手段，本数据源没有金额，所以只考虑R和F分值。
1）计算R-Rcency
由于数据集时间时2014-11-18到2014-12-18，所以选择2014-12-19作为计算日期，统计客户最近发生购买行为的日期距离2014年12月19日间隔几天，对间隔时间进行排名，间隔天数越少即排名靠前，客户价值越大。
2）计算F-Frequency
统计每位用户的购买频率，再对购买频率进行排名，频率越大，客户价值越大。
6.商品销售分析
1）日成交量变化
2）商品数与购买次数分析
从上面图表可以看出，只购买一次的商品有77586种，符合电商的长尾效应，没有销售非常集中的商品。
3）重复购买次数最多的商品
购买次数前10的商品
商品编号303205878购买次数达到50次，对于复购率高的商品，建议可以建立自己的忠实粉丝群，实行更精准的人群管理。
六、结论
1.总体转化率只有 1.04%，用户点击后收藏和加购物车的转化率在 5.07% ，需要提高用户的购买意愿，建议通过活动、优惠券等提高转化。
2.购买率高且点击量少的用户是比较理智购物的群体，一般是缺啥买啥。而购买率低的用户可以认为是等待型或克制型用户群体，下单欲望较少且自制力较强，购物难度较大。
3.2014-11-18 至2014-12-18 一个月内复购率达到92%，可以说明商品对用户的吸引力比较大
4.商品编号303205878被购买次数最高，可以建立自己的忠实粉丝群，实现精准营销。
5.用户122338823购买次数最多，针对忠实用户，可对其详细资料建档留存。
6..用户活跃度一般集中在10点-23点，在21点和22点时间段活跃度最高，可以根据用户的活跃时间段精准推送商家的折扣优惠或促销活动，提高购买率。
网友评论