數(shù)據(jù)分析案例之淘寶用戶行為分析完整報(bào)告
一、項(xiàng)目背景
UserBehavior為淘寶用戶行為的數(shù)據(jù)集，數(shù)據(jù)集包括了有大約82萬隨機(jī)用戶的用戶行為(行為包括點(diǎn)擊pv，購買buy，加購物車chart，收藏fav)數(shù)據(jù)。
二、項(xiàng)目目標(biāo)
通過對用戶行為的分析，主要實(shí)現(xiàn)下面兩個(gè)目的：
1、為客戶提供更精準(zhǔn)的隱式反饋，幫助用戶更快速找到商品;
2、為提高公司的交叉銷售能力，提高轉(zhuǎn)化率，銷售額，提升公司業(yè)績。
三、分析思路
主要從以下四個(gè)維度對用戶行為進(jìn)行分析和建議：
1、用戶行為間的轉(zhuǎn)化情況分析： 利用 漏斗模型
分析用戶從商品瀏覽到購買整個(gè)過程中，常見的電商分析指標(biāo)，確定各個(gè)環(huán)節(jié)流失率，提出改善轉(zhuǎn)化率的建議。
2、用戶的行為習(xí)慣分析： 利用pv、uv等指標(biāo)，找出用戶活躍的日期以及每天的活躍時(shí)間段。
3、用戶類目偏好分析：
根據(jù)商品的點(diǎn)擊、收藏、加購、購買頻率，探索用戶對商品的購買偏好，找到針對不同商品的營銷策略(購買率較高的類目和產(chǎn)品，優(yōu)化產(chǎn)品推薦)。
4、用戶價(jià)值分析： 找出最具有價(jià)值的核心用戶群，針對這個(gè)群體推送個(gè)性化推送，優(yōu)惠券或者活動(dòng)。
邏輯如下：
四、數(shù)據(jù)處理
主要使用工具：Navicat for MySQL，MySQL, power BI。
(一)準(zhǔn)備數(shù)據(jù)
1 、數(shù)據(jù)來源
阿里云天池：
https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
2 、將數(shù)據(jù)導(dǎo)入MySQL
使用Navicat導(dǎo)入功能，導(dǎo)入后結(jié)果如下圖，這里會(huì)出錯(cuò)卡在導(dǎo)入步驟的5/8位置。
使用代碼直接導(dǎo)入，結(jié)果如下圖，未出現(xiàn)上述卡住現(xiàn)象。
3 、數(shù)據(jù)理解
本數(shù)據(jù)主要包含了大概82萬條數(shù)據(jù)，每一行分別表示一個(gè)用的行為，由用戶ID(User_ID)、產(chǎn)品ID(Item_ID)、類目ID(Category_ID)、行為類型(Behavior_type)、時(shí)間戳(Timestamp)，行為類型又分為點(diǎn)擊(pv)、收藏(fav)、加購物車(chart)、購買(buy)。
(二)數(shù)據(jù)清洗
1 、Timestamp一致化處理
Timestamp列，無法直接分析，需要將其劃分為三列，分別為時(shí)間，日期，小時(shí)。
–添加新列，根據(jù)Date_time返回日期時(shí)間
–添加新列，根據(jù)Date返回日期時(shí)間
–添加新列，根據(jù)Time返回小時(shí)
2 、挑出目標(biāo)數(shù)據(jù)集
由于項(xiàng)目背景是需要對2017年11月25日至2017年12月3日之間用戶行為數(shù)據(jù)集進(jìn)行隱式反饋推薦問題的研究，所以需要對不在這個(gè)時(shí)間內(nèi)的數(shù)據(jù)進(jìn)行刪除。
–先檢查是否有在2017-11-01和2017-11-20之間的時(shí)間值。
–刪除掉這段時(shí)間以外的行
3 、刪除重復(fù)值
使用SQL語句發(fā)現(xiàn)，有出現(xiàn)重復(fù)字段。
全字段重復(fù)有兩行，下面去重方法并不對全字段的奏效，我采用的是直接刪除，刪除數(shù)據(jù)僅4行針對現(xiàn)有的380萬行數(shù)據(jù)影響較小。
4 、缺失值處理
對所有列進(jìn)行了計(jì)數(shù)查詢后，發(fā)現(xiàn)‘Timestamp’字段有null值，然后我們刪除空值所在的列。
數(shù)據(jù)清洗完畢。
導(dǎo)入數(shù)據(jù)集大小預(yù)覽：
(三)數(shù)據(jù)分析
結(jié)果均為先使用sql分析數(shù)據(jù)，獲得分析結(jié)果，然后將分析結(jié)果導(dǎo)出到excel或者power BI中進(jìn)行可視化。
1 、數(shù)據(jù)整體情況概述
a、總體uv、pv、人均瀏覽次數(shù)、成交量
b、日均uv、pv、人均瀏覽次數(shù)、成交量
使用power BI處理數(shù)據(jù)后將其導(dǎo)出后分析對應(yīng)的每個(gè)指標(biāo)與時(shí)間之間的關(guān)系。
c.用戶整體行為數(shù)據(jù)
d、用戶的復(fù)購率和跳失率
2017年11月25日至2017年12月3日之間，用戶的復(fù)購率為66.4%且流失率為0.說明淘寶對用戶有較大的吸引力使用戶停留且用戶的忠誠度非常高。可以進(jìn)一步提高復(fù)購率，鼓勵(lì)用戶更高頻次的購物。
2 、用戶轉(zhuǎn)化情況分析
a、用戶轉(zhuǎn)化率及流失分析
上圖統(tǒng)計(jì)了各個(gè)行為的總數(shù)量，點(diǎn)擊后，到加購物車或者收藏概率在3%-6%之間，而最后真正購買的概率降到了2.4%，說明用戶的行為在瀏覽了商品詳情頁后出現(xiàn)了大量的流失。但是用戶是否也是在點(diǎn)擊后產(chǎn)生了大量的流失呢?
對此，對各個(gè)用戶行為類型的用戶數(shù)進(jìn)行了統(tǒng)計(jì)，并使用漏斗轉(zhuǎn)化模型進(jìn)行了處理，建立了用戶轉(zhuǎn)化漏斗圖。
上圖可以看出，用戶并未點(diǎn)擊后就大量流失，并且最后付費(fèi)用戶比例達(dá)到了69%，購買率達(dá)到了7成，說明用戶的購買意愿較為理想。結(jié)合用戶行為數(shù)統(tǒng)計(jì)推斷用戶的點(diǎn)擊行為遠(yuǎn)遠(yuǎn)超過了收藏和加購物車的行為，說明用戶有較大的可能在購物時(shí)有“貨比三家”的習(xí)慣。
所以針對大部分點(diǎn)擊后轉(zhuǎn)化到加購物車和收藏的概率較低有較大的提升空間，APP可以通過優(yōu)化推薦商品的功能和篩選商品的功能，讓用戶不用瀏覽較多的網(wǎng)頁獲得心儀的商品。
那么再回到用戶轉(zhuǎn)化漏斗圖，從瀏覽到購買每個(gè)環(huán)節(jié)的轉(zhuǎn)化率又是多少?為什么收藏比加入購物車少?
由于用戶點(diǎn)擊后到最后購買有四條不同的路徑，分別為：
點(diǎn)擊——購買(用戶留存)
點(diǎn)擊——收藏——購買(用戶留存)
點(diǎn)擊——加購物車——購買(用戶留存)
點(diǎn)擊——收藏和加購物車——購買(用戶留存)
從四種購買行為的留存，可以看出用戶點(diǎn)擊后，若存在后續(xù)行為則主要是加入購物車，其次是收藏和加購物車，再接下來是收藏，除此之外還與一部分用戶是點(diǎn)擊后直接購買的。可以著重研究一下各類路徑用戶購買的什么產(chǎn)品以及用戶的標(biāo)簽，通過優(yōu)化商品推薦和精準(zhǔn)運(yùn)營加強(qiáng)這部分的轉(zhuǎn)化。
推斷在收藏的用戶轉(zhuǎn)換率較低的原因在于用戶在點(diǎn)擊時(shí)較為喜歡此商品或者說活動(dòng)時(shí)間還未開始，通過提醒用戶等方式精準(zhǔn)運(yùn)營提高這部分用戶的購買率。
最后，對用戶從收藏到購買，加購物車到購買和收藏和加購物車到購買的轉(zhuǎn)化分析來看，加購物車到購買的轉(zhuǎn)化率最高達(dá)到了34.79%，說明直接加入到購物車最后購買的概率較高，故引導(dǎo)客戶加入購物車及時(shí)購買可以提高購買轉(zhuǎn)化率。
3 、用戶行為習(xí)慣分析
這里主要是對用戶購買時(shí)間點(diǎn)進(jìn)行分析，找出用戶活躍的時(shí)間段規(guī)律。
a、行為習(xí)慣分布(日均)
上圖可以看出，在研究日期范圍內(nèi)，用戶活躍度均比較平穩(wěn)，但是在12月2日和12月3日出現(xiàn)小幅度的增長，其中點(diǎn)擊量和收藏，尤其是加購物車增幅增大，但是購買沒有較大增幅，分析其原因是由于周末空余時(shí)間較多，用戶流量增大;再加上雙12很多活動(dòng)預(yù)熱導(dǎo)師用戶提前添加收藏和加購物車，是雙12批量購買的前置動(dòng)作，符合常規(guī)預(yù)期。
b、一天內(nèi)用戶行為習(xí)慣的分布
對一天內(nèi)的用戶行為分析可以看出在每天的1點(diǎn)至5點(diǎn)用戶活躍度驟減，6點(diǎn)至10點(diǎn)迅速攀升，10點(diǎn)到18點(diǎn)趨勢平穩(wěn)，然后快速上升，在21點(diǎn)時(shí)達(dá)到高峰，到23點(diǎn)開始下降，這與大部分人的作息規(guī)律相一致，據(jù)此可以考慮在20點(diǎn)至23點(diǎn)間舉行促銷活動(dòng)或者上架新商品來提高轉(zhuǎn)化率和曝光率。
4 、用戶類目偏好分析
統(tǒng)計(jì)所有商品的購買次數(shù)，同時(shí)找到購買次數(shù)、瀏覽次數(shù)、收藏次數(shù)和加入購物車次數(shù)最多的商品。
a、商品銷售情況分析
上圖看出，用戶購買的商品總共有4001種，購買次數(shù)在1次的商品占絕大部分，其次是購買次數(shù)為2商品，未出現(xiàn)購買次數(shù)集中的商品，說明商品的售賣主要是依靠商品的長尾效應(yīng)，而非爆款商品。
b、商品品類瀏覽的top20
上圖可以看出，4756105這類商品的瀏覽次數(shù)是最高的。
c、商品品類收藏top20
上圖發(fā)現(xiàn)收藏的次數(shù)最多的商品品類與瀏覽次數(shù)最多的商品品類相同都是4756105.說明點(diǎn)擊和收藏同步幾率很大。
d、商品品類加購物車top20
商品加購物車的品類中有15種在點(diǎn)擊top20中，有14種在收藏top20中，這些商品都具有較高的吸引力。
e、商品品類購買top20
通過以上四個(gè)樹狀圖對比發(fā)現(xiàn)，點(diǎn)擊、收藏、加購的top5中均均有一個(gè)商品品類即4145813.在商品購買同屏以內(nèi)，說明點(diǎn)擊、收藏、加購所吸引的用戶注意力和流量并不能很好的轉(zhuǎn)化為實(shí)際的商品銷量，這是銷量增長的突破點(diǎn)。
此外， 我們發(fā)現(xiàn)商品銷量的主要集中在幾個(gè)品類，所以可以根據(jù)商品的銷量來優(yōu)化商品的展示，提高商品銷售額。
5 、用戶價(jià)值分析(RFM模型)
在本次分析中由于沒有提供金額，所以這次分析主要以R、F兩個(gè)維度對用戶群進(jìn)行分析。
首先，定義一下本次分析用戶群的分類標(biāo)準(zhǔn)：
F(3-4)
|
重要保持客戶
|
重要價(jià)值用戶
—|---|—
F(1-2)
|
重要挽留客戶
|
重要發(fā)展用戶
|
R(1-2)
|
R(3-4)
由于數(shù)據(jù)集的時(shí)間僅有9天，設(shè)定一下規(guī)則，對每個(gè)用戶最近一次購買時(shí)間和12月03日之間的間隔設(shè)立等級(jí)：
間隔>7天為1;
間隔在5-7天為2;
間隔在3-4天為3;
間隔在0-2天為4;
同樣對購買頻次設(shè)定以下規(guī)則，對每個(gè)用戶購買次數(shù)設(shè)立等級(jí)：
購買次數(shù)在1-10之間為1;
購買次數(shù)在10-20之間為2;
購買次數(shù)在20-300之間為3;
購買次數(shù)在>30之間為4.
根據(jù)上面最后一次購買時(shí)間和購買次數(shù)的等級(jí)規(guī)則，用四象限法劃分出來的用戶群如下：
根據(jù)用戶群體劃分，可以群體數(shù)最多的是最重要發(fā)展客戶，針對這部分用戶可采取針對性營銷策略提高其復(fù)購率，增加購買頻次。
五、結(jié)論
(一)通過用戶轉(zhuǎn)化情況分析
總體來看用戶從點(diǎn)擊到購買的的轉(zhuǎn)化率達(dá)到了69%，達(dá)到了比較高的水平;細(xì)分來看，對用戶從收藏到購買，加購物車到購買和收藏和加購物車到購買的不同路徑轉(zhuǎn)化分析來看，加購物車到購買的轉(zhuǎn)化率最高達(dá)到了34.79%，說明直接加入到購物車最后購買的概率較高，故引導(dǎo)客戶加入購物車及時(shí)購買可以提高購買轉(zhuǎn)化率。而從點(diǎn)擊直接到購買的轉(zhuǎn)化率較低，僅為7.2%，故這部分轉(zhuǎn)化率是一個(gè)提高的重點(diǎn)。針對這一環(huán)節(jié)的建議有：
1、優(yōu)化平臺(tái)的搜索匹配度和推薦策略，提高篩選精度，對搜索和篩選的結(jié)果排序的優(yōu)先級(jí)進(jìn)行優(yōu)化。
2、可以給用戶提供同類產(chǎn)品比較的功能，讓用戶不需要多次的返回搜索結(jié)果點(diǎn)擊查看，方便用戶確定心儀的產(chǎn)品，增加點(diǎn)擊
后續(xù)行為的轉(zhuǎn)化率。
3、優(yōu)化收藏到購買的擦操作過程，增加用戶收藏并加購的頻率，提高轉(zhuǎn)化率。
(二)通過用戶行為分析
1、用戶活躍度最高的時(shí)間段是每天的21點(diǎn)-23點(diǎn)，因此可以將促銷活動(dòng)安排在每周的晚上這個(gè)時(shí)間段，此時(shí)流量最高，通過引流并轉(zhuǎn)化。
2、在研究9天內(nèi)共有2個(gè)周末，第一個(gè)周末用戶活躍度未有明顯變化，推測雙11活動(dòng)剛過去，用戶的消費(fèi)需求和意愿不高;第二個(gè)周末用戶活躍度有明顯變化，尤其是加購物車變化最為明顯，推測與雙12活動(dòng)預(yù)熱有關(guān)，故建議擴(kuò)大時(shí)間范圍對周末對用戶活躍度的影響，來進(jìn)一步確定周末推出營銷活動(dòng)是否奏效。
(三)通過用戶的商品偏好分析
可以看出目前商品主要靠長尾效應(yīng)來增加銷量，而不是爆款帶動(dòng)銷量。但是通過對商品品類的分析可以看出吸引用戶注意力的商品用戶購買轉(zhuǎn)化率并不高，這是一個(gè)提高銷量的突破口，建議可從以下幾方面著手：
1、商品在詳情頁突出展示用戶感興趣的信息，優(yōu)化信息呈現(xiàn)的方式，減少用戶的時(shí)間成本。
2、從商品本身考慮，根據(jù)客戶反饋對商品進(jìn)行改進(jìn)優(yōu)化，增加點(diǎn)擊后的購買率。
3、對客戶購買率較高的商品優(yōu)先顯示，滿足用戶的購買需求。
4、對某些點(diǎn)擊量較高但是購買率不高的的商品可采取直播帶貨的方式進(jìn)行講解促銷，增加客戶購買欲望。
(四)通過RFM模型對用戶群分析
對不同類型的用戶群可采取不同的營銷策略，達(dá)到高效率精準(zhǔn)營銷的效果。
1、對重要價(jià)值客戶，需要重點(diǎn)關(guān)注，提高用戶的滿意度，增加留存;
2、對重要發(fā)展客戶和重要保持用戶，可以采取適當(dāng)?shù)恼劭刍蛘呃変N售來增加用戶的購買頻率;
3、對重要挽留客戶，需要關(guān)注他們的購物習(xí)慣做精準(zhǔn)營銷，換醒其購物欲望。
六、結(jié)語
在整個(gè)分析過程中，不管選取多少維度數(shù)據(jù)，畫多么精美的圖形，得出多么精妙的結(jié)論，歸根結(jié)底還是要有最后真正落地解決問題的措施，而這也是本次數(shù)據(jù)分析報(bào)告最大的不足，但是需要經(jīng)驗(yàn)需要一個(gè)累積的過程，希望下一個(gè)數(shù)據(jù)分析報(bào)告能夠取長補(bǔ)短，查缺補(bǔ)漏，內(nèi)容更加充實(shí)，繼續(xù)加油!!!
樂發(fā)網(wǎng)超市批發(fā)網(wǎng)提供超市貨源信息,超市采購進(jìn)貨渠道。超市進(jìn)貨網(wǎng)提供成都食品批發(fā),日用百貨批發(fā)信息、微信淘寶網(wǎng)店超市采購信息和超市加盟信息.打造國內(nèi)超市采購商與批發(fā)市場供應(yīng)廠商搭建網(wǎng)上批發(fā)市場平臺(tái),是全國批發(fā)市場行業(yè)中電子商務(wù)權(quán)威性網(wǎng)站。
本文內(nèi)容整合網(wǎng)站：百度百科、知乎、淘寶平臺(tái)規(guī)則
