电商用户行为分析（一）

2014年是阿里巴巴集团移动电商业务快速发展的一年，例如2014双11大促中移动端成交占比达到42.6%，超过240亿元。

相比PC时代，移动端网络的访问是随时随地的，具有更丰富的场景数据，比如用户的位置信息、用户访问的时间规律等。

通过数据分析，能够挖掘数据背后丰富的内涵，为移动用户在合适的时间、合适的地点精准推荐合适的内容。

本案例的目标是从该数据进行随机抽样，并用mysql进行分析，提高自己对电商指标体系的认识。

1、字段说明 1、提出问题： 1）分析用户购物过程中的常见监控指标，了解运营现状，查看各环节的漏斗转化情况，并找到需要改进的节点；
2）研究用户在不同维度下的行为规律，了解用户行为特征，优化运营策略；
3）利用RFM模型对用户进行分类，指导运营针对不同价值用户进行精细化运营；
4）了解用户生命周期，针对不同周期的用户采取不同的运营策略。

2、指标和字段解读 通过用户和用户行为路径可以分析PV、UV、PV/
UV、跳失率、总订单量等运营指标；
通过用户行为和时间可以分析用户的购物行为特征；
通过用户和商品、商品类别可以分析用户的购买商品偏好；
用户和时间可以分析用户的购买时间偏好，便于对不同商品和时间偏好的用户采取个性化时间推荐（push、短信等推送）；
通过商品类别和用户行为可以分析不同商品类别受欢迎程度，指导运营进行商品的上新或下架；
通过商品类别和时间可以分析不同商品类别的热销时间段，便于做活动的推广；
结合AARRR模型，可以分析用户的生命周期，划分不同用户所处的周期阶段，采用差异化运营；
通过时间和用户的生命周期字段，结合RFM模型可以给用户做价值分类，对客户进行差异化管理。

（查看数据清洗流程： https:/
/
jianshu.com/
p/
adb82624df14 ) 将csv导入mysql的方法： 切换命令行菜单： https:/
/
jingyan.baidu.com/
article/
f00622280752dbfbd3f0c815.html 导入数据： https:/
/
blog.csdn.net/
qq_25504271/
article/
details/
78911151 1）选择子集 导入之前已选择好 2）列名重命名 无需更改列名 3）数据类型转换 可以在设计表菜单栏更好数据类型 4）数据去重 存在重复值，但由于同一用户同一个行为在一小时内是可能存在多次的，因此这里不做去重处理。

5）缺失值处理 经查询，无缺失值 6）关联数据 由于只有一个表格，无需做表关联（如果需要关联，可以到分析过程中有需要时进行关联，这样会提高MySQL的性能。

7）异常值处理 无需处理异常值 8）数据标准化整理 日期数据整理： 为方便后续的分析，将日期数据分为日期和时间两个维度 行为数据整理： 将用户行为数据进行替换： 1：pv 2：fav 3：cart 4：buy 以上就完成了数据的整理工作。

1）流量指标： 计算页面访客数(pv)、独立访客数(uv)、人均点击数(uv/
pv) 页面访客：987911次、独立访客数：8474位、人均点击次数116.58次。

95/
30≈3.89次，日人均点击次数大概为3.89次/
人/
天 2）每日流量指标变化趋势 通过Navicat导出数据进行可视化处理： pv、uv指标呈正相关性；
三个指标在大部分时间走势平稳，由于双十二的影响，从2014-12-11开始上升，到2014-12-12达到峰值，2014-12-13结束回到正常水平。

1）按照页面访客计算漏斗转化率 由于在购物环节中，收藏和加入购物车行为没有严格的先后之分，可将两个个步骤作为同一步，最终得到用户购物行为各环节转化率，如下： 从整体转化率来看： 浏览- 收藏/
加购转化率仅为5%，总体购买转化率为1%，说明有大部分的用户在浏览后未进行下一步操作，平时“逛街看看”成为一种习惯；
从节点转化率来看： 浏览-加购/
收藏环节转化率很低，收藏/
加购-购买的转化率也只有20%，说明有相当一部分用户是喜欢“囤货”，可能是为了等节假日购买？由于整体的节点并不是最细的不可分割节点，整体的数据比较粗糙，如果需要进一步的深入分析，需要有更细的转化率数据（由于操作路径每个环节都会损失一部分，因此如果能近量的较少客户购买时所需要的操作步骤，对提升整体转化率应该会有很好的提高）。

2）独立访客计算漏斗转化率 用户每个环节的转化率差不多，需要更多数据才能发现用户流失原因。

3)、跳失率 浏览页跳失率： = 只访问一次就离开的人数/
总用户数 只加收藏、购物车人数 1）总成交量和人均购买次数： 2）每日总成交和人均成交情况: 1)总体复购率 复购率=复购人数/
购买人数=2295/
4330=53% 2)商品品类销量排名(商品复购率) 如果有更多数据，可根据商品品类属性进行研究和下钻，优化商品结果，但这里因为数据脱敏无法进行下钻分析 3)用户复购排名 以上用户对平台的忠诚度比较高，对平台的销售贡献度也高（利润贡献情况还需要具体分析），对不同的客户可以收集相应的用户画像，并对用户进行分层管理和营销，从而达到精细化运营 1）、按日期维度 用户活跃度与总体点击数是正相关的，走势平稳，不过在双十二电商大促这天各项指标暴增，且当天点击数占比有所下降(用户的点击更有针对性，前期已经选好商品，就等双十二当天直接购买的客户数量比较多？), 成交数占比大幅上升。

2）、周维度 一周中的大部分时间用户活跃度都比较平稳，周五比较特殊，出现了增长（ 查看数据发现双十二正好是周五，属于特殊活动日，如果进行详细分析时应该将双十二的日期排除分析有更有意义）。

3）、小时维度 晚间用户较为活跃，但用户行为倾向于浏览；
白天尤其是中午左右的时段，购买行为的比率相对一天中最高，此时购买的目的性最强（浏览数占比与购买数占比进行关联分析得出结论）。

按照商品品类区分（ 矩阵分析 ），根据点击次数和购买次数两个维度将所有商品划分到四个象限： 点击数高，购买数高。

说明此类产品刚需比较强，品牌多且种类丰富，用户在较高的需求下有很多的选择；
点击数低购买数高。

用户的购买决策十分果断，且对于该类产品的需求量也是很大的，说明该类产品选择性比较小，可能形成几个品牌垄断的情况，或者产品的差异性较小，用户不愿花费过多的精力去挑选。

点击数低购买数低，绝大多数产品都集中在这个象限，这种产品存在很多的替代品，用户很难集中在某个子类进行大量购买，而是跳跃式选购。

点击数高购买数低，这类产品的需求弹性较大，用户购买存在随机性。

用户购买商品分为以下几类过程： 直接购买 浏览后购买 加购物车购买 浏览加购物车购买 收藏购买 浏览收藏购买 结果显示，直接够买的用户远远多于浏览后加购或者收藏再购买的用户，说明大部分购买者都是喜欢直接购买商品的，这个跟周围朋友的习惯也是符合的，基本上都是在浏览的阶段都不会马上购买，而是等到过段时间想买的时候就直接下单，几个步骤之间相当于是分开的。

用户的购买次数大部分集中在5次以内，购买频率都还挺高的。

电商用户行为分析

对2014年11月18日0时到2014年12月18日23时之间的某电商网站的用户行为数据进行探索，试图找出有价值的数据结论。

1、双12活动对于提高UV，PV以及成交量效果明显。

日活跃用户数较之前提高20%，成交单数是前期的4.4倍。

2、用户购买峰值出现在21点和22点。

次峰值出现在10点到16点之间。

3、对用户按RFM模型做了细分，找出高价值用户2961人，深耕用户2419人，唤回用户715人，挽留用户2791人。

4、计出热销的商品品类，以及其中转化率略低的商品品类“6977”，“6513”，”5399”，“7957”。

数据在一张表中，共有6个字段，共有12256906条记录。

分析过程： 1、用户购买时间： UV和PV在12月12日前2天开始明显增加，12日达到最高，12月12日后回到之前水平，原因是受到双12的促销活动影响。

12月12日之前日活跃用户6434人，12日为7720人，12日之后回落到6698人。

UV周环比总体为正，说明大部分时候访问用户呈增加趋势，11月26日和11月28日周环比为负值，需要结合其他数据做进一步的下降原因分析。

12月12日之前日均成交量3469单，12日为15251单，12日之后回落到3616单。

购买行为在上午10点到下午16点之间，夜间20点到22点最多，说明是用户用手机购物的高峰时间。

留存率的高峰基本受12月12日活动影响。

2、用户细分 共有8886位用户有购买行为，绝大部分用户购买次数在10次以下。

其次购买次数在10-20次之间。

由于没有消费金额数据，通过最近消费（R）和消费频率（F）建立RFM模型。

按照最近一次消费时间间隔的均值和消费频率的均值划定高低界线。

重要高价值用户：最近一次购买时间近且购买频率高的用户；
重要深耕用户：最近一次购买时间近且购买频率低的用户；
重要唤回用户：最近一次购买时间远且购买频率高的用户；
重要挽留用户：最近一次购买时间远且购买频率低的用户；
3、商品销售分析 从单个商品看，绝大部分商品销售在5次以下。

热销品类前10名的主要数据如上表。尊龙凯时官方app下载

其中“6977”，“6513”，”5399”，“7957”的转化率略低于其他品类，需要结合其他数据做进一步分析。

由于数据总行数超过了Excel单表的最大行数，所以使用Navicat 连接Mysql进行统计查询。

查询后的数复制到Excel中画图。

Sql语句： 计算pv,uv： SELECT  
 
 
 
 
date( time ),  
 
 
 
 
count( DISTINCT user_id ) AS uv,  
 
 
 
 
count( IF ( behavior_type = 1, user_id,NULL ) ) AS pv FROM DATA GROUP BY date( time );
计算分小时成交数  
 
 
 
 
SELECT HOUR( time ) AS '
时'
, count( user_id ) AS '
成交数'
 
 
 
 
 
FROM 
 
DATAWHERE 
 
 
behavior_type = 4 GROUP BY HOUR (time );
计算留存: DROP VIEW IF 
 
EXISTS liucun;
CREATE VIEW liucunAS SELECT  
 
 
 
 
a.shijian,  
 
 
 
 
count( IF ( datediff( a.shijian, b.shijian) = 0, a.user_id, NULL ) ) AS remain_0,  
 
 
 
 
count( IF ( datediff( b.shijian, a.shijian) = 1, a.user_id, NULL ) ) AS remain_1,  
 
 
 
 
count( IF ( datediff( b.shijian, a.shijian) = 3, a.user_id, NULL ) ) AS remain_3,  
 
 
 
 
count( IF ( datediff( b.shijian, a.shijian) = 7, a.user_id, NULL ) ) AS remain_7 FROM  
 
 
 
 
( SELECT user_id, date( time ) AS shijianFROM DATA WHERE behavior_type = 1 GROUP BY date( time ), user_id ) AS a  
 
 
 
 
LEFT JOIN ( SELECT user_id, date( time )AS shijian FROM DATA WHERE behavior_type = 1 GROUP BY date( time ), user_id )AS b ON a.user_id = b.user_id WHERE a.shijian <
= b.shijian GROUP BY a.shijian order by shijian;
select  
 
 
 
 
shijian,  
 
 
 
 
remain_0,  
 
 
 
 
concat( round( 100 * remain_1 /
remain_0,2 ), '
%'
) as day_1,  
 
 
 
 
concat( round( 100 * remain_3 /
remain_0,2 ), '
%'
) as day_3,  
 
 
 
 
concat( round( 100 * remain_7 /
remain_0,2 ), '
%'
) as day_7 from liucun;
计算商品品类的PV、收藏量、加购量、购买量、转化率： drop view ifEXISTS cate;
create view cateas select item_category, sum(if(behavior_type=1,1,0))as pv, sum(if(behavior_type=2,1,0))as fav, sum(if(behavior_type=3,1,0))as cart, sum(if(behavior_type=4,1,0))as buy, count(distinct if(behavior_type=4, user_id,null))/
count(DISTINCT user_id) as buy_rate from data group byitem_category order by buy desc;
 
 
 
1、发现了UV的异常变化，说明需要进一步分析26日，28日UV下降的原因。

2、对用户按照RFM模型做了细分，在后续的运营场景中根据用户细分，做差异化运营。

对⾼
价值客户做VIP服务设计，增加⽤
户粘性同时通过设计优惠券提升客户消费；
对深耕客户做⼴
告、推送刺激，提升消费频次；
对挽留客户做优惠券、签到送礼策略，增加挽留⽤
户粘性；
对唤回客户做定向⼴
告、短信召回策略，尝试召回⽤
户。

3、找出了热销商品品类，对这些品类需要重点维护。

对于曝光转化率较低的品类“6977”，“6513”，”5399”，“7957”，后续要进一步分析曝光转化较低的原因，提高转化率。