1.分析背景
淘寶、京東、亞馬遜等主流電商平臺逐漸成為了我們?nèi)粘Ｉ钪薪?jīng)常接觸的平臺，而用戶的購買行為的數(shù)據(jù)則成為了分析用戶習慣、特征的最可靠的數(shù)據(jù)來源。本文主要通過Mysql對龐雜的用戶數(shù)據(jù)進行分析，探討用戶行為體現(xiàn)出的購買趨勢，并通過AARRR漏斗模型等方法對數(shù)據(jù)進行研究，結(jié)合excel進行可視化分析，為商家提供有理論、數(shù)據(jù)支撐的運營建議和策略參考。
2.研究問題
本文將對以下研究問題進行分析探討：
商品方面：
哪些商品銷量最好?分析熱銷商品的類別和具體的商品ID。
這些商品的購買數(shù)據(jù)有何特征?哪些商品的轉(zhuǎn)化率較高、哪些較低?
用戶方面：
各階段用戶的轉(zhuǎn)化率如何?是什么原因?qū)е铝烁麟A段的轉(zhuǎn)化率較高/較低?
核心付費用戶占比多少?核心付費用戶更喜愛購買哪些商品?
用戶的購買時間有什么規(guī)律?從每天、每周的角度考慮是否存在顯著的規(guī)律?
本文中涉及、使用的指標體系如下圖所示：
3. 數(shù)據(jù)介紹
3.1.數(shù)據(jù)來源
本文中使用的淘寶用戶數(shù)據(jù)來源于天池，包含2017年11月25日至2017年12月3日之間，有行為的約一百萬隨機用戶的所有行為(行為包括點擊、購買、加購、喜歡)。
User Behavior Data from Taobao for Recommendation-數(shù)據(jù)集-阿里云天池?tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
3.2.數(shù)據(jù)介紹
在本文中，我們選取了前10萬條數(shù)據(jù)，詳細的字段信息，數(shù)據(jù)大小如下表所示：
其中，用戶的行為類型共4種，分別為：pv(瀏覽商品詳情頁)、buy(購買商品)、cart(將商品放入購物車)、fav(收藏商品)
3.3 數(shù)據(jù)處理
3.3.1 日期數(shù)據(jù)處理
首先我們需要將epoch格式的時間戳數(shù)據(jù)分開處理為“日期”和“時間”兩列，使用的sql語句如下所示：
#在userbehavior表增加date和time兩列字段：
alter table userbehavior add date char(10) not null;
alter table userbehavior add time char(10) not null;
#將date和time設(shè)置來源為時間戳數(shù)據(jù)并給定數(shù)據(jù)格式：
update userbehavior set date=from_unixtime(timestamps,'%y-%m-%d');
update userbehavior set time=from_unixtime(timestamps,'%H:%i:%s');
結(jié)果如圖所示：
3.3.2 缺失值、異常值處理
(1)首先我們檢查是否有不在給定日期范圍的數(shù)據(jù)：
SELECt
*
FROM
userbehavior
WHERe
date < '17-11-25' OR date > '17-12-03';
結(jié)果顯示共有44條記錄符合給定的sql查詢語句，之后我們將這些記錄刪除。
如上圖所示，成功刪去了不在給定時間范圍的異常值;
(2)使用如下語句，通過更改列名排查是否存在含有空值的列：
SELECt
*
FROM
userbehavior
WHERe
user_id = NULL;
結(jié)果顯示剩余的記錄中不存在含有空值的列;
(3)由于原始數(shù)據(jù)中包含用戶的所有相關(guān)行為，所以同一用戶id下可能包含有多條信息，因此這里我們不對重復(fù)值進行處理。
4.AARRR模型指標分析
每日活躍點擊量PV
首先我們通過如下sql語句對每日活躍點擊量進行統(tǒng)計
SELECt
date,
count(*) AS PV
FROM
userbehavior
WHERe
behavior = 'PV'
GROUP BY
date
ORDER BY
date ASC;
結(jié)果導(dǎo)入excel并繪成柱狀圖后如下所示
從中我們可以發(fā)現(xiàn)12月2日、3日的瀏覽量較高，結(jié)合下圖日期對應(yīng)的星期數(shù)我們預(yù)測這兩日的較高數(shù)值是因為正值周末，主要購買群體上班族、學(xué)生都有足夠的時間瀏覽、購買。之后我們會結(jié)合每日訪客量UV和平均訪問量一同分析。
每日訪客量UV
我們使用如下語句對每日有記錄的用戶id進行統(tǒng)計：
SELECt
date,
count( DISTINCT user_id ) AS UV
FROM
userbehavior
GROUP BY
date
ORDER BY
date ASC;
結(jié)果導(dǎo)入excel并繪成柱狀圖后如下所示：
平均訪問量PV/UV
通過計算每日的PV/UV的值，我們得到了如下平均訪問量的折線圖：
對應(yīng)到UV,平均訪問量中我們可以發(fā)現(xiàn)2017年12月2日、3日的各項指標同樣較為突出，我們首先懷疑這是由于周末節(jié)假日用戶的瀏覽、購買意愿較強，但是同樣是周末的11月25日、26日相較于其他日期并不突出，受限于數(shù)據(jù)的有效時間范圍，我們沒有更多的日期數(shù)據(jù)以供分析，但是通過查詢對應(yīng)日期的信息，我們發(fā)現(xiàn)，2017年12月1日-6日正值淘寶“服飾煥新”活動，再次觀察數(shù)據(jù)，我們發(fā)現(xiàn)不管是UV,PV,還是平均訪問量，我們都可以看到12月1日之后各項指標的增長，因此，盡管周末假期可能是導(dǎo)致指標增長的原因，我們更傾向于是節(jié)日活動導(dǎo)致了數(shù)據(jù)的增長。
每小時點擊量
為分析不同時間段點擊量是否存在差異，我們將24小時的點擊量通過如下語句分別匯總：
SELECt
sum( CASE WHEN time BETWEEN '00:00:00' AND '00:59:59' THEN 1 ELSE 0 END ) AS '00',
sum( CASE WHEN time BETWEEN '01:00:00' AND '01:59:59' THEN 1 ELSE 0 END ) AS '01',
sum( CASE WHEN time BETWEEN '02:00:00' AND '02:59:59' THEN 1 ELSE 0 END ) AS '02',
sum( CASE WHEN time BETWEEN '03:00:00' AND '03:59:59' THEN 1 ELSE 0 END ) AS '03',
sum( CASE WHEN time BETWEEN '04:00:00' AND '04:59:59' THEN 1 ELSE 0 END ) AS '04',
sum( CASE WHEN time BETWEEN '05:00:00' AND '05:59:59' THEN 1 ELSE 0 END ) AS '05',
sum( CASE WHEN time BETWEEN '06:00:00' AND '06:59:59' THEN 1 ELSE 0 END ) AS '06',
sum( CASE WHEN time BETWEEN '07:00:00' AND '07:59:59' THEN 1 ELSE 0 END ) AS '07',
sum( CASE WHEN time BETWEEN '08:00:00' AND '08:59:59' THEN 1 ELSE 0 END ) AS '08',
sum( CASE WHEN time BETWEEN '09:00:00' AND '09:59:59' THEN 1 ELSE 0 END ) AS '09',
sum( CASE WHEN time BETWEEN '10:00:00' AND '10:59:59' THEN 1 ELSE 0 END ) AS '10',
sum( CASE WHEN time BETWEEN '11:00:00' AND '11:59:59' THEN 1 ELSE 0 END ) AS '11',
sum( CASE WHEN time BETWEEN '12:00:00' AND '12:59:59' THEN 1 ELSE 0 END ) AS '12',
sum( CASE WHEN time BETWEEN '13:00:00' AND '13:59:59' THEN 1 ELSE 0 END ) AS '13',
sum( CASE WHEN time BETWEEN '14:00:00' AND '14:59:59' THEN 1 ELSE 0 END ) AS '14',
sum( CASE WHEN time BETWEEN '15:00:00' AND '15:59:59' THEN 1 ELSE 0 END ) AS '15',
sum( CASE WHEN time BETWEEN '16:00:00' AND '16:59:59' THEN 1 ELSE 0 END ) AS '16',
sum( CASE WHEN time BETWEEN '17:00:00' AND '17:59:59' THEN 1 ELSE 0 END ) AS '17',
sum( CASE WHEN time BETWEEN '18:00:00' AND '18:59:59' THEN 1 ELSE 0 END ) AS '18',
sum( CASE WHEN time BETWEEN '19:00:00' AND '19:59:59' THEN 1 ELSE 0 END ) AS '19',
sum( CASE WHEN time BETWEEN '20:00:00' AND '20:59:59' THEN 1 ELSE 0 END ) AS '20',
sum( CASE WHEN time BETWEEN '21:00:00' AND '21:59:59' THEN 1 ELSE 0 END ) AS '21',
sum( CASE WHEN time BETWEEN '22:00:00' AND '22:59:59' THEN 1 ELSE 0 END ) AS '22',
sum( CASE WHEN time BETWEEN '23:00:00' AND '23:59:59' THEN 1 ELSE 0 END ) AS '23'
FROM
userbehavior
WHERe
behavior = 'PV';
將結(jié)果導(dǎo)出并整理后我們得到了如下所示的折線圖：
在對分時點擊量進行分析時，我們可以看到每日3點為最低值，21點左右為最高值。這與通常人作息習慣大致相同，21點左右夜間消費者的瀏覽欲望最強，而在3點左右，基本的用戶群體，不論是學(xué)生、上班族還是中老年人基本在這個時間段已經(jīng)開始休息。因此我們繼續(xù)了解了淘寶的推薦機制，常見的推廣方式包括直通車、鉆展、交換友情鏈接、寶貝類目優(yōu)化、社交平臺推廣、自然搜索排名等，絕大部分都可以設(shè)置開始推送的時間，并且針對包含一定共同特征的群體進行定向推廣，因此參考上文的結(jié)論，我們可以提出如下建議，在上架、下架時間上應(yīng)考慮到瀏覽集中密集的時段，在設(shè)定目標群體時，若主要客戶群體為上班族，應(yīng)考慮在周末，以及工作日晚九點左右進行推廣。
漏斗模型
首先，使用如下sql語句對4種不同的用戶行為進行計數(shù)統(tǒng)計：
SELECt
behavior,
count(*)
FROM
userbehavior
GROUP BY
behavior
ORDER BY
count(*) DESC;
將結(jié)果轉(zhuǎn)化為漏斗圖并計算相應(yīng)占比后得到如下圖表：
其中，圖片左側(cè)為對應(yīng)的用戶行為，模型中白色數(shù)字為具體行為數(shù)，白色數(shù)字左側(cè)占比為該類行為占所有行為總數(shù)的比重，右側(cè)占比為該列行為占上列行為的比重，即我們通常說的轉(zhuǎn)化率，從圖中我們可以看出，購買行為占整體比重約為2.1%，占瀏覽行為的比重約為2.34%，根據(jù)調(diào)查，排除行業(yè)因素對轉(zhuǎn)化率的影響，大型電商平臺的轉(zhuǎn)化率一般都在1%-3%左右，但是考慮到電商平臺相較于實體店鋪的特殊性，即用戶很難在購買前實際體驗商品，并且電商平臺為用戶提供了更多的商品選擇，這一結(jié)果大致是合理的，因此我們認為針對數(shù)據(jù)中2%左右的轉(zhuǎn)化率，商家應(yīng)該關(guān)注于自身店鋪的各項方面以提高對顧客的吸引力，比如商家應(yīng)注意自身店鋪的包裝、宣傳、關(guān)于免運費的設(shè)定、店鋪宣傳圖、商品詳情頁的構(gòu)建等方面。
獨立用戶行為統(tǒng)計
注意到上文我們并沒有統(tǒng)計獨立用戶個數(shù)，而是統(tǒng)計了所有用戶行為，某一用戶可能既瀏覽，又繼續(xù)收藏、喜愛，最后購買。因此我們繼續(xù)研究相應(yīng)的獨立用戶行為統(tǒng)計，sql查詢語句如下所示：
SELECt
behavior,
count( DISTINCT user_id )
FROM
userbehavior
GROUP BY
behavior
ORDER BY
count( DISTINCT user_id ) DESC;
將得到的結(jié)果導(dǎo)出并處理后，我們得到了如下圖表：
從獨立用戶數(shù)目統(tǒng)計來看，有購買行為的用戶占總用戶數(shù)的占比約為24.51%，占瀏覽用戶數(shù)的占比約為68.47%，這證明了絕大部分用戶(大于50%)都有或多或少的購買行為，這說明用戶并非只在淘寶平臺瀏覽而并不購買，因此我們認為，平臺若要提升轉(zhuǎn)化率，應(yīng)進一步完善商品搜索機制和商品排序，提升用戶的搜索體驗，提供更智能的匹配結(jié)果。
跳失率
在獨立用戶行為統(tǒng)計的基礎(chǔ)上，我們需進一步通過如下語句統(tǒng)計只有瀏覽的用戶數(shù)：
SELECt
count( DISTINCT user_id )
FROM
userbehavior
WHERe
user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'fav' )
AND user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'cart' )
AND user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'buy' );
結(jié)果證明共有69個用戶僅有瀏覽行為，考慮到用戶總數(shù)為983.我們可以計算出對應(yīng)的跳失率=只有瀏覽行為的用戶數(shù)/用戶總數(shù) = 7.02%，之后我們進一步統(tǒng)計了復(fù)購率，有購買行為的用戶數(shù)為671.有多次購買的用戶數(shù)為442.復(fù)購率為65.87%，百分之六十五的用戶存在復(fù)購行為，可見轉(zhuǎn)化率低并不是用戶黏性降低導(dǎo)致的。
熱銷商品類別和商品ID分析
a.熱銷商品類別、用戶群體分析：
首先我們進一步通過如下語句對商品銷售數(shù)量進行了研究：
SELECt
category_id,
count(category_id)
FROM
userbehavior
GROUP BY
category_id
ORDER BY
count(category_id) DESC;
在將結(jié)果導(dǎo)出并整理后我們得到了如下所示的商品銷售數(shù)量前十的商品類別id以及對應(yīng)的銷量：
第二，我們使用了如下語句對用戶的購買數(shù)量同樣進行了統(tǒng)計排序，相應(yīng)的語句，圖標如下所示：
SELECt
user_id,
count(user_id)
FROM
userbehavior
WHERe
behavior = 'buy'
GROUP BY
user_id
ORDER BY
count(user_id) DESC
第三，我們還可以分析購買次數(shù)較多的用戶主要購買哪類商品：
SELECt
category_id,
count( category_id )
FROM
userbehavior
WHERe
behavior = 'buy'
AND user_id IN ( '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' )
GROUP BY
category_id
ORDER BY
count( category_id ) DESC;
總結(jié)：我們需要額外重視ID為3002561的商品類別，雖然該類商品在總計商品銷量排名中位于第十位，但是該類商品卻是銷量較多用戶購買數(shù)量最多的商品，可見該類商品的用戶黏性較強，復(fù)購率較高。我們還應(yīng)注意4145813、2355072這兩類商品，也為在“商品銷量排名前十”和“較多購買用戶購買的商品前十”兩表中重復(fù)出現(xiàn)的商品類別。除此以外，如果有關(guān)于用戶的具體信息，還可以進一步對用戶群體進行畫像，為下一步精準推送提供幫助，該處更多用戶信息有待補充。
b. 熱銷商品分析
首先我們使用如下語句對各種商品的瀏覽次數(shù)進行統(tǒng)計：
SELECt
item_id,
count( item_id )
FROM
userbehavior
WHERe
behavior = 'PV'
GROUP BY
item_id
ORDER BY
count( item_id ) DESC;
將得到的結(jié)果導(dǎo)出到EXCEL并繪制成圖標后我們得到下圖：
之后我們使用如下語句對購買量前十的商品ID同樣進行統(tǒng)計并繪圖：
SELECt
item_id,
count( item_id )
FROM
userbehavior
WHERe
behavior = 'buy'
GROUP BY
item_id
ORDER BY
count( item_id ) DESC;
通過比較上述語句得到的圖表，我們可以看出瀏覽量較高的商品并沒有出現(xiàn)在購買數(shù)量前十商品中，因此我們需要進一步分析是什么原因?qū)е铝诉@些商品瀏覽量高但是購買量并不出色，以及購買數(shù)量較高的商品，其轉(zhuǎn)化率較高的原因，這里我們推測瀏覽量較多的商品應(yīng)該商品詳情頁，商品縮略圖較為精致，但是可能價格偏高，售后，商品質(zhì)量存在問題，這些推斷有待更多詳細的數(shù)據(jù)以進一步分析。
5. 結(jié)論
a.用戶方面：從瀏覽到收藏、喜愛的轉(zhuǎn)化率為9.13%，從瀏覽到購買的轉(zhuǎn)化率為2.34%，但是主要瀏覽、購買的時間大多為工作日的睡覺前和周末，因此我們認為商家應(yīng)關(guān)注商品介紹頁面的完善，多參與淘寶的各項活動、多渠道增加自身產(chǎn)品推廣，并且最好將推廣時間設(shè)定為用戶瀏覽最多的時段，以提高自身產(chǎn)品的吸引力，增強用戶的購買欲望。絕大部分用戶都有復(fù)購行為，但是用戶行為以瀏覽為主，轉(zhuǎn)化率并不高，因此除商家外，我們認為對于平臺也應(yīng)進一步完善競價排名和商品推薦機制。
b.商品方面，我們注意到核心用戶群體(用戶ID分別為 '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' )喜愛的3002561、4145813和2355072這三類商品也同時出現(xiàn)在商品銷售量前十的圖表中，因此我們認為接下來的研究可以進一步這三類商品進行分析，探討其購買率高的原因。而對于具體的商品，1910706、4395247、667682、855191也是值得研究的對象。
6.建議
建議賣家注重以下幾個方面：商品縮略圖、商品詳情頁、商品評價的維護、商品質(zhì)量的保證、退換商品的及時處理，從而增強產(chǎn)品自身的吸引力，提高用戶從瀏覽到購買的轉(zhuǎn)化率。
建議商家在購買推廣時最好選擇每日的晚間和每周周末進行，這些時段是用戶瀏覽的高峰期，我們認為可以有助于提升購買率;
平臺也應(yīng)關(guān)注于用戶群體的意見和看法，積極完善平臺的搜索、推薦機制，避免用戶花費大量時間瀏覽;
商家應(yīng)注意3002561、4145813和2355072這三類商品以及1910706、4395247、667682、855191這四種具體商品的推廣方法和運營細則，以降低跳失率。
商家應(yīng)注意參加平臺組織的各種促銷活動，數(shù)據(jù)證明了這些活動的強大引流能力。
通過后續(xù)對用戶資料的研究，商家還應(yīng)關(guān)注于 '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' 這十位用戶ID的共同特征，為核心群體畫像提供參考。
樂發(fā)網(wǎng)超市批發(fā)網(wǎng)提供超市貨源信息,超市采購進貨渠道。超市進貨網(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,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、淘寶平臺規(guī)則
本文來源： 淘寶用戶數(shù)據(jù)分析報告
