數(shù)據(jù)分析項(xiàng)目-電商用戶行為分析

時(shí)間：2023-03-16 01:20:02 | 來源：電子商務(wù)

時(shí)間：2023-03-16 01:20:02 來源：電子商務(wù)

前言

1.數(shù)據(jù)來源

本次項(xiàng)目數(shù)據(jù)源來自阿里云TIANCHI，可登陸阿里云TIANCHI下載數(shù)據(jù)，地址如下：

2.時(shí)間范圍

2017年11月25日至2017年12月3日

3.分析目的

通過分析用戶在網(wǎng)站頁面上的操作記錄，找出規(guī)律并與網(wǎng)絡(luò)營銷策略相結(jié)合，從而發(fā)現(xiàn)目前網(wǎng)絡(luò)營銷活動(dòng)中可能存在的問題，并進(jìn)一步以數(shù)據(jù)為導(dǎo)向驅(qū)動(dòng)業(yè)務(wù)指定新的營銷策略。

4.電商常見業(yè)務(wù)分析指標(biāo)

對(duì)用戶行為分析時(shí)常用的監(jiān)測(cè)指標(biāo)有：DAU、訪問深度、留存、訪問周期、轉(zhuǎn)化率、各渠道指標(biāo)對(duì)比等。

一、提出并明確分析問題

二、理解數(shù)據(jù)

此次項(xiàng)目數(shù)據(jù)集包含了2017年11月25日至2017年12月3日之間，約500W隨機(jī)用戶的所有行為，包括點(diǎn)擊、購買、加購、收藏。數(shù)據(jù)集大小情況為：用戶數(shù)量約100萬（987,994），商品數(shù)量約410萬（4,162,024），商品類目數(shù)量9,439，以及總的淘寶用戶行為記錄數(shù)量為1億條（100,150,807）。數(shù)據(jù)集的每一行表示一條用戶行為，由用戶ID、商品ID、商品類目ID、行為類型和時(shí)間戳組成，并以逗號(hào)分隔，文件格式為CSV文件。

由于數(shù)據(jù)過多，影響查數(shù)即運(yùn)算速度，故選取50萬條數(shù)據(jù)作為本次分析報(bào)告的數(shù)據(jù)集。

通過以下SQL語句將CSV文件導(dǎo)入到數(shù)據(jù)庫，以備選取目標(biāo)數(shù)據(jù)集。

LOAD DATA INFILE 'D://mysql-project//Secure//UserBehavior.csv 'INTO TABLE bhFIELDS TERMINATED BY ','ENCLOSED BY '"'LINES TERMINATED BY '/n'IGNORE 1 ROWS;由于數(shù)據(jù)比較多，為了加快導(dǎo)入速度，在建立要導(dǎo)入的表前已經(jīng)將目標(biāo)數(shù)據(jù)庫使用的存儲(chǔ)引擎改為Myisam，原默認(rèn)存儲(chǔ)引擎InnoDB在處理數(shù)據(jù)導(dǎo)入上相比Myisam上速度會(huì)慢很多。并且將CSV文件放在了Mysql配置的允許導(dǎo)入文件夾中。

選取50萬行數(shù)據(jù)到新表bh1中

create table bh1 asselect *from bhLIMIT 500000;此時(shí)目標(biāo)表bh1結(jié)構(gòu)如下：

三、數(shù)據(jù)清洗：

1.選擇子集。即只保留那些跟我們提出的問題相關(guān)的數(shù)據(jù)字段，剔除不相關(guān)或相關(guān)性很小的字段以縮小分析范圍，提高分析速度。該項(xiàng)目下無須此操作。

2.重命名。字段名按照更符合業(yè)務(wù)或者報(bào)告閱讀理解的方式重新命名。表建立時(shí)已更名。

3.重復(fù)值缺失值處理。對(duì)數(shù)據(jù)中字段值缺失和重復(fù)的記錄進(jìn)行處理，比如刪除、填充值等。

-- 查找缺失值SELECT COUNT(user_id),COUNT(item_id),count(behavior),count(timestamps),count(category_id),count(*)from bh1;根據(jù)業(yè)務(wù)實(shí)際情況，同一個(gè)獨(dú)立用戶在同一時(shí)刻只能訪問同個(gè)商品，故將用戶ID、商品ID、時(shí)間戳設(shè)為聯(lián)合主鍵，所有字段設(shè)為not null。無報(bào)錯(cuò)說明無重復(fù)幾乎和缺失值。

4.一致化處理。對(duì)數(shù)據(jù)類型進(jìn)行轉(zhuǎn)換，比如，日期數(shù)據(jù)、數(shù)值數(shù)據(jù)、文本數(shù)據(jù)。統(tǒng)一字段列數(shù)據(jù)類型。

原數(shù)據(jù)時(shí)間戳用epoch & unix timestamp格式表達(dá)，需要轉(zhuǎn)化為常用的日期時(shí)間形式。

-- 新增日期時(shí)間列alter table bh1 add column datetime datetime;update bh1set datetime=FROM_UNIXTIME(timestamps);-- 新增日期列alter table bh1 modify column date VARCHAR(20);update bh1set date =FROM_UNIXTIME(timestamps,'%Y-%m-%d');-- 新增時(shí)間列alter table bh1 add COLUMN time VARCHAR(20);update bh1set time=FROM_UNIXTIME(timestamps,'%H:%i:%s');-- 修正數(shù)據(jù)類型alter table bh1 modify COLUMN time time;alter table bh1 modify column date date;-- 檢查新增列有無異常SELECT count(*),count(datetime),count(date),count(time)from bh1;5.異常值處理。比如日期不在預(yù)期范圍內(nèi)的數(shù)據(jù)，某數(shù)值字段下的文本數(shù)據(jù)等

由于數(shù)據(jù)分析需要從時(shí)間17-11-25至17-12-03之間，因此需要剔除不符合這時(shí)間跨度的數(shù)據(jù)。

-- 異常值處理，剔除非本次分析需要的時(shí)間范圍之外的數(shù)據(jù)select *from bh1where date >'2017-12-03' or date<'2017-11-25'; DELETE FROMbh1where date >'2017-12-03' or date<'2017-11-25'; -- 檢查剩余數(shù)據(jù)SELECT count(*),count(datetime),count(date),count(time)from bh1;現(xiàn)在還剩499740條數(shù)據(jù)。

四、模型搭建和問題分析

1.用戶轉(zhuǎn)化分析

首先需要掌握以下指標(biāo)：

UV、PV、各行為環(huán)節(jié)次數(shù)。

-- UV、PV、各行為環(huán)節(jié)次數(shù)。select count(DISTINCT user_id) as UVfrom bh1;-- 各行為環(huán)節(jié)次數(shù)。CREATE TABLE bh_cvr AS SELECT behavior, count(behavior) AS '行為次數(shù)'FROM bh1GROUP BY behaviorORDER BY count(behavior) DESC;根據(jù)以上數(shù)據(jù)創(chuàng)建新表，用以后續(xù)使用 PowerBI開發(fā)自動(dòng)化報(bào)表。

可以看出，在448195個(gè)用戶訪問中，只帶來了10001個(gè)購買行為，實(shí)際成交轉(zhuǎn)化率只有2.2%

那問題到底出在哪一個(gè)環(huán)節(jié)呢，看似是加購物車這一環(huán)節(jié)流失率最大

提出假設(shè)1:

用戶將商品加入購物車很大一部分可能會(huì)產(chǎn)生購買行為

如果假設(shè)1成立，那我們只要做到讓訪問產(chǎn)生出更多的加購行為，則會(huì)大大提升最后的購買率

假設(shè)檢驗(yàn)1：

-- 創(chuàng)建用戶購買記錄表create table buy_record as select *from bh1where behavior='buy';-- 創(chuàng)建用戶加購記錄表CREATE table cart_record as select *from bh1where behavior='cart';-- 聯(lián)結(jié)表找出加購和購買的關(guān)系select count(a.user_id)from buy_record ainner join cart_record bon a.user_id=b.user_id and a.item_id=b.item_id從運(yùn)行結(jié)果看，在10000行的購買行為中，其中，1994次的購買行為是同一用戶同一商品下既有加入購物車行為又有購買行為的。

討論極端情況：假設(shè)用戶只要加購就一定會(huì)購買，那么10000行購買應(yīng)該對(duì)應(yīng)10000行加入購物車的行為。由目前掌握的數(shù)據(jù)來看，這種假設(shè)并不符合實(shí)際。

用戶實(shí)際上對(duì)某個(gè)特定商品的行為軌跡可以分為：

1. 訪問——購買
2. 訪問——加購——購買
3. 訪問——收藏——購買

2.2%的購買行為是由這三種不同的轉(zhuǎn)化流程合計(jì)而來的。（收藏加購?fù)瑫r(shí)含有的行為受多因素影響，此處暫不討論）

故得出假設(shè)檢驗(yàn)1的結(jié)論：只有20%的行為是先加購后購買的，所以實(shí)際上，

從平臺(tái)考慮，用戶將商品加入購物車的行為并不能代表其一定會(huì)購買，購物車的作用更多是可以讓用戶批量購買一鍵下單。

雖然從轉(zhuǎn)化率來看夾點(diǎn)在加入購物車環(huán)節(jié)，但是即使加入購物車促進(jìn)成交的作用也不是很大，故可以從加大用戶訪問——購買這種行為軌跡更符合用戶場(chǎng)景需求。

2.用戶偏好分析

2.1類別銷量分析

從Mysql中建立視圖檢索銷量前十的類別

-- 用戶偏好分析，單品銷量create view Top_category asselect *from (select category_id,count(category_id) as '類別銷量'from buy_recordgroup by category_id) as aorder by a.`類別銷量` desclimit 10;將視圖數(shù)據(jù)源鏈接到PowerBI進(jìn)行可隨數(shù)據(jù)自動(dòng)更新的可視化呈現(xiàn)：

從可視化結(jié)果來看，這十種商品類別的銷量都在100左右，有的達(dá)到了200，銷量高意味著用戶的喜好以及市場(chǎng)需求份額。運(yùn)營部門可以根據(jù)此設(shè)定或隨時(shí)更新相關(guān)商品的庫存和定價(jià)策略，最大化銷售收入。提高利潤(rùn)率。

2.2 單一產(chǎn)品分析

-- 視圖檢索Top10銷量產(chǎn)品create view Top_item asselect *from(select item_id,count(item_id) as '產(chǎn)品銷量'from buy_recordgroup by item_id) as border by b.`產(chǎn)品銷量` desclimit 10從圖中可以看出，3122135、4360347這兩種產(chǎn)品產(chǎn)生了9種、8種購買行為，明顯高于其他產(chǎn)品，也說明了這些商品在市場(chǎng)上的需求比較旺盛，運(yùn)營人員應(yīng)時(shí)刻關(guān)注相關(guān)產(chǎn)品的庫存以及通過這些“剛需產(chǎn)品”進(jìn)行引流，增加用戶對(duì)其他產(chǎn)品的購買。

2.3 用戶瀏覽商品分析

從訪問數(shù)據(jù)可以了解用戶對(duì)各個(gè)產(chǎn)品的不同需求程度。

-- 用戶偏好分析，商品品類點(diǎn)擊create view Top_pv_category asselect *from (select category_id,count(category_id) as '訪問次數(shù)'from bh1where behavior='pv'group by category_id) as corder by c.`訪問次數(shù)`desclimit 10;從圖中可看出，商品類別編號(hào)為812879、3845720、987143的商品在淘寶APP中點(diǎn)擊數(shù)最高，說明用戶最想要在淘寶平臺(tái)中找到這三類商品。

2.4 用戶訪問時(shí)間偏好

在PowerBI里用小時(shí)對(duì)用戶行為次數(shù)進(jìn)行分組匯總，整理成以下圖表：

0-5點(diǎn)訪問人數(shù)不斷下降，因?yàn)橛脩舸蠖噙@個(gè)時(shí)間段在休息，訪問量從6點(diǎn)下午5點(diǎn)基本屬于不斷上升的狀態(tài)，其中，下午三點(diǎn)時(shí)達(dá)到小高峰，從晚上6點(diǎn)開始，訪問次數(shù)飆升，到晚9點(diǎn)時(shí)已經(jīng)是白天最高峰時(shí)的兩倍左右。建議運(yùn)營人員留意此用戶時(shí)間偏好，在晚6點(diǎn)-9點(diǎn)進(jìn)行相應(yīng)營銷活動(dòng)可以讓更多用戶參加。

3.重要指標(biāo)分析

用戶復(fù)購率

復(fù)購率 = 購買次數(shù)兩次及其以上的人數(shù)/有購買行為的用戶總數(shù)

在PowerPivot中對(duì)訂單記錄表進(jìn)行復(fù)購率指標(biāo)計(jì)算

將模型導(dǎo)入到PowerBI中，生成重要指標(biāo)標(biāo)簽

用戶留存率

n日后留存率=(注冊(cè)后的n日后還登錄的用戶數(shù))/第一天新增總用戶數(shù)

這里以2017-11-25作為第一天，計(jì)算次日、3日、7日、15日留存率；

從模型中抽取留存率：

五 、總結(jié)與建議：
此次項(xiàng)目運(yùn)用MySQL和PowerBI工具，從1億條用戶行為數(shù)據(jù)中隨機(jī)選取50W條數(shù)據(jù)進(jìn)行分析，下面我們結(jié)合AARRR模型，對(duì)應(yīng)用戶生命周期中的5個(gè)重要環(huán)節(jié)，對(duì)用戶行為進(jìn)行梳理和優(yōu)化梳理。
1、Acquisition--用戶獲取
每天2上18點(diǎn)到21點(diǎn)是用戶頻繁訪問的時(shí)間，也是獲取更多潛在客戶的黃金時(shí)間，可以進(jìn)行小游戲邀請(qǐng)、拼團(tuán)邀請(qǐng)、KOL 推廣、熱門社交或小視頻平臺(tái)合作推廣、淘寶app賣家推送等。
2、Activation--用戶激活
此次項(xiàng)目分析了用戶的四種行為，包括點(diǎn)擊、購買、加購、收藏；點(diǎn)擊量占總行為的89.5%，而收藏和加入購物車的用戶僅占9.5%，最終購買的用戶只有2.24%，夾點(diǎn)在加入購物車這里，為什么用戶瀏覽了那么多商品卻只有9.5%的用戶加入購物或收藏，可能這中間用戶花了太多的時(shí)間而沒有挑選到滿意的商品，那么有一些客戶就流失掉了?？梢圆扇柧碚{(diào)查的方式，或者分析用戶行為推送用戶可能感興趣的商品，或者優(yōu)化購物界面使界面布局更加人性化等方式。
3、Retention--提高留存
讓用戶養(yǎng)成習(xí)慣，在一定程度上增加用戶對(duì)產(chǎn)品的依賴性，導(dǎo)致無法離開該平臺(tái)。讓用戶習(xí)慣打開淘寶：①可以每日給用戶推送可能感興趣的商品；②一些簽到的小游戲或者簽到領(lǐng)積分活動(dòng)，增加用戶登錄的頻率，進(jìn)而增加用戶瀏覽時(shí)長(zhǎng)；③對(duì)于年購買量比較大的用戶，為了增加這些用戶的粘性，可以推出vip服務(wù)，讓這些用戶享受折扣和優(yōu)惠券，進(jìn)而提高高價(jià)值用戶的留存率和對(duì)平臺(tái)的忠誠度；④大力推廣淘寶直播跟用戶互動(dòng)，計(jì)算親密指數(shù)并進(jìn)行排行，可以讓用戶與店主之間建立信任，進(jìn)而增加客戶的忠誠度。
4、Revenue--增加收入
提高成交轉(zhuǎn)化率、復(fù)購率以及加購或收藏產(chǎn)品的購買率。①提高成交轉(zhuǎn)化率，優(yōu)化用戶推薦系統(tǒng)，或者邀請(qǐng)明星/KOL做測(cè)評(píng)推廣；②淘寶用戶復(fù)購率為66.16%，說明這些用戶對(duì)淘寶平臺(tái)還算滿意，可以通過獎(jiǎng)勵(lì)積分或者優(yōu)惠券等方式鼓勵(lì)用戶撰寫評(píng)論，或者鼓勵(lì)用戶去分享買到的寶貝，讓用戶主動(dòng)去推薦商品；③通過分析找出價(jià)值用戶的購買偏好，產(chǎn)品和類目等，給價(jià)值用戶制定個(gè)性化的產(chǎn)品推薦，從而提高用戶體驗(yàn)，進(jìn)而提高購買率。
5、Referral--傳播推薦
首先，要讓用戶自發(fā)傳播，那這個(gè)產(chǎn)品口碑一定是好得不得了，而且能夠充分滿足用戶的需求，，甚至給用戶帶來期望的需求。所以，根本上來說，要好好打磨產(chǎn)品。其次，可以采用一些增長(zhǎng)策略，像現(xiàn)在比較普遍的老帶新裂變營銷，把握用戶心理策劃一些噱頭式的活動(dòng)等。
對(duì)于淘寶平臺(tái)，可以拼團(tuán)、分享得優(yōu)惠券、分享到朋友圈額外送積分等方式，鼓勵(lì)用戶進(jìn)行分享和傳播。