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://www.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 *** 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 *** 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 *** 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d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

SELECT sum(pv) as sum_pv FROM (select *,count(distinct device_id) group by device_id) as totle

先以 device_id 为准获取不重复记录 然后在结果集了对 PV求和

---