電商行業(yè)（淘寶為例）項(xiàng)目實(shí)戰(zhàn)分析報(bào)告
項(xiàng)目背景
隨著電商行業(yè)的發(fā)展度過紅利期，獲取新客的流量成本高居不下，對消費(fèi)品牌的直接影響表現(xiàn)為銷售增量減少。為了彌補(bǔ)乏力的增長，各個(gè)品牌越來越重視對存量人群進(jìn)行精細(xì)化運(yùn)營，因?yàn)榕c獲取新客相比，對存量老客的運(yùn)營維護(hù)成本更低，且能帶來更高的轉(zhuǎn)化率。
此次項(xiàng)目實(shí)戰(zhàn)以國內(nèi)頭部電商淘寶為例，基于對用戶行為數(shù)據(jù)的挖掘，形成數(shù)據(jù)結(jié)論，最終輸出一套能提高運(yùn)營效率的策略建議從而賦能業(yè)務(wù)增長。
分析目標(biāo)：提高銷售收入
分析時(shí)間范圍：2021年11月25日 – 12月3日
數(shù)據(jù)說明
數(shù)據(jù)來源
此案例中的用戶行為數(shù)據(jù)集來源如下：
https://tianchi.aliyun.com/dataset/dataDetail?dataId=649
字段說明
此數(shù)據(jù)集中已有的字段及behavior_type(行為類型)值域如下：
分析思路
明確問題 — 分析原因 — 落地建議
明確問題：通過對整體數(shù)據(jù)的分析，透視業(yè)務(wù)現(xiàn)狀，結(jié)合分析框架明確業(yè)務(wù)問題。
分析原因：將復(fù)雜的業(yè)務(wù)問題通過多維度分析方法拆解成多個(gè)具體小問題，并選擇合適的分析方法、分析模型逐一對問題進(jìn)行分析。
落地建議：匯總各分析部分得到的數(shù)據(jù)結(jié)論，以業(yè)務(wù)目標(biāo)為中心同時(shí)結(jié)合業(yè)務(wù)場景，提出可落地執(zhí)行的策略建議，幫助賦能業(yè)務(wù)增長。
在開始項(xiàng)目分析前，首先要完成數(shù)據(jù)清洗，找出數(shù)據(jù)出的異常值，離群值并處理它們，這一步驟的目的是使數(shù)據(jù)更加貼近真實(shí)業(yè)務(wù)情況，從而使最終的數(shù)據(jù)結(jié)論盡可能的還原業(yè)務(wù)事實(shí)。
異常值：
• 不規(guī)范的數(shù)據(jù)，如空值、重復(fù)數(shù)據(jù)等
• 不符合分析要求的數(shù)據(jù)，如此案例中，需要分析11月25日-12月3日之間的用戶行為，在此時(shí)間段之外的行為都不應(yīng)該被納入此次分析
處理異常值：
一般情況下，直接刪除即可，本案例中將采取此方式進(jìn)行異常值處理;
特殊情況應(yīng)結(jié)合業(yè)務(wù)情況特殊分析。
數(shù)據(jù)清洗—異常值查找及處理(重復(fù)數(shù)據(jù)/空值/時(shí)間戳處理)
1) 查找是否存在重復(fù)數(shù)據(jù)
在表中應(yīng)用篩選條件直接刪除重復(fù)行 或查詢語句 (如下圖)將重復(fù)的行找到并刪除
2) 查找是否存在空值
該表中不存在空值
3) 查找是否存在超出分析時(shí)間的記錄
因?yàn)榻o定的數(shù)據(jù)中，時(shí)間相關(guān)的字段是時(shí)間戳類型，而時(shí)間戳是指格林威治時(shí)間1970年01月01日00時(shí)00分00秒(北京時(shí)間1970年01月01日08時(shí)00分00秒)起至現(xiàn)在的總秒數(shù)，無法直接與日期進(jìn)行比較，因此，需要對其進(jìn)行格式化轉(zhuǎn)換成如下幾個(gè)時(shí)間格式，才能方便于后續(xù)分析。
¨ dates 字段：行為發(fā)生的日期
¨ hours 字段：行為發(fā)生的小時(shí)時(shí)間
¨ datetime 字段：行為發(fā)生的日期時(shí)間
¨ weekday 字段：行為發(fā)生在星期幾
時(shí)間戳的處理
此處，為了方便后文的日期分析，這里用函數(shù) from_unixtime(時(shí)間戳，時(shí)間格式) 和weekday()兩個(gè)時(shí)間函數(shù)將時(shí)間戳轉(zhuǎn)為不同格式的時(shí)間對表格增添，查詢?nèi)缦拢?/p>
轉(zhuǎn)換結(jié)果如圖所示：表中多出了dates,hours,datetime,weekday四列
篩選超出時(shí)間范圍的數(shù)據(jù)（結(jié)果部分截圖）
有了日期字段后，就可以直接將超出指定時(shí)間范圍的數(shù)據(jù)剔除掉。
至此，已完成數(shù)據(jù)清洗工作，剩余的數(shù)據(jù)便是可以直接用來分析的“干凈”數(shù)據(jù)。
完成數(shù)據(jù)清洗，得到可用的真是數(shù)據(jù)后，開始分析的第一步——明確問題。
I. 明確問題
目的：基于現(xiàn)有數(shù)據(jù)，透過業(yè)務(wù)框架來對業(yè)務(wù)現(xiàn)狀進(jìn)行觀察剖析，將籠統(tǒng)的綜合的分析需求拆解成一個(gè)一個(gè)具體的可落地的分析目標(biāo)。
電商行業(yè)中，明確問題階段最常用AIPL漏斗模型對現(xiàn)狀進(jìn)行分析明確問題點(diǎn)在哪。
本階段需要對業(yè)務(wù)對象與情況有個(gè)整體的認(rèn)識;
在此案例中，主旨是進(jìn)行用戶分析，所以要知道用戶人數(shù)、他們的分布情況如何等。
Ø 用戶總數(shù)
按如下語句，即可統(tǒng)計(jì)出現(xiàn)有業(yè)務(wù)中，共有983名用戶在2021年11月25日-12月3日期間發(fā)生了動作。
查詢結(jié)果：
AIPL漏斗分析：
知道整體有多少用戶后，接下來要進(jìn)一步對他們的行為進(jìn)行觀察，因?yàn)榉治龅氖翘詫毿袨?，在電商領(lǐng)域比較常用的方法是阿里提出的AIPL營銷模型：
• A - Awareness 認(rèn)知：瀏覽
• I - Interested 興趣：收藏、加購
• P - Purchase 購買：購買
• L - Loyalty 忠誠：復(fù)購
AIPL營銷模型可以很好地將用戶行為與相應(yīng)地運(yùn)營周期關(guān)聯(lián)起來。
例如
【A→I】： 運(yùn)營中的拉新：處于AI階段瀏覽、收藏、加購的用戶數(shù)越多，運(yùn)營拉新指標(biāo)就完成得越好，但此部分同樣意味著拉新成本的支出;
【I→P】： 用戶在產(chǎn)生興趣后首次進(jìn)行購買(此步可用于參考用戶行為分析)
【P→L】： 對應(yīng)著運(yùn)營的收割環(huán)節(jié)，即將前期推廣引進(jìn)的新客變現(xiàn)，以此回收拉新成本，具體體現(xiàn)在ROI。
這樣，我們就可以將用戶的瀏覽(A)、收藏+加購(I)、購買消費(fèi)(P)劃入到AIPL的各個(gè)流程中，便于我們根據(jù)不同的流轉(zhuǎn)情況，對運(yùn)營現(xiàn)狀有整體的把握。
目前的數(shù)據(jù)是一維結(jié)構(gòu)，為了方便進(jìn)行復(fù)雜分析，需要對表結(jié)構(gòu)進(jìn)行【行列互換】(相當(dāng)于將behavior動作具體分類顯示)，此操作通過【創(chuàng)建視圖】來完成：
查詢結(jié)果：(部分節(jié)選)
¨ AIP計(jì)算
因?yàn)锳IPL中的“L”為用戶的復(fù)購行為，需要單獨(dú)計(jì)算。
所以這里先對A、I、P 階段的行為進(jìn)行統(tǒng)計(jì)，查詢?nèi)鐖D：
查詢結(jié)果：
Ø L計(jì)算：
對于用戶復(fù)購行為，計(jì)算思路是：
1) 通過【窗口函數(shù)】，將用戶的每一次消費(fèi)動作按時(shí)間順序標(biāo)號，即記錄第n次消費(fèi)
2) 有了每個(gè)用戶的第n次消費(fèi)記錄字段后，即可將第一次消費(fèi) 列為首次消費(fèi)，而第二次開始的所有消費(fèi)行為篩選出，皆為【復(fù)購消費(fèi)】，統(tǒng)計(jì)復(fù)購消費(fèi)為“L”即可
¨ 第N次消費(fèi)計(jì)算：
如下語句，通過dense_rank() 窗口函數(shù)對對用戶按每次消費(fèi)時(shí)間進(jìn)行排序，即可得到每個(gè)用戶的第n次消費(fèi)，將字段命名為 n_consume;并用查詢語句新建視圖consume
查詢結(jié)果：(部分節(jié)選)
¨ 統(tǒng)計(jì)L行為
從consume中提取復(fù)購的次數(shù)，即 n_consume 大于1的行為都算進(jìn)L中，查詢?nèi)鐖D：
查詢結(jié)果：
根據(jù)前幾步求出的AIPL值可得到如下的漏斗圖來分析業(yè)務(wù)現(xiàn)狀：
整體分析目的：找出用戶運(yùn)營存在的問題或特點(diǎn)，提出接下來的分析目標(biāo)。
在整體分析→提出目標(biāo)的過程中，應(yīng)用【象限思維】，即按輕重緩急列出問題的重要性排序。有序地分析，才能將業(yè)務(wù)在有限資源的條件下選擇分析結(jié)論進(jìn)行落地實(shí)踐。
一般來說，需要應(yīng)用對比分析來判斷用戶運(yùn)營結(jié)果的好壞，如同比、環(huán)比等，因此案例中缺少了相關(guān)數(shù)據(jù)，故無法使用對比分析，僅從業(yè)務(wù)經(jīng)驗(yàn)出發(fā)進(jìn)行判斷。
回到此項(xiàng)目中，有了AIPL漏斗圖后，我們便可直觀地發(fā)現(xiàn)用戶運(yùn)營的情況：
1. 【拉新環(huán)節(jié) A→I】 轉(zhuǎn)化率僅為9%，較差，拉新完成率較低。將該問題列為優(yōu)先級：重要緊急 P0;
2. 【收割之客戶復(fù)購 P→L】 部分做得很好好，64%轉(zhuǎn)化，可以據(jù)此總結(jié)業(yè)務(wù)經(jīng)驗(yàn)或復(fù)購規(guī)律，進(jìn)一步推廣應(yīng)用。將該事項(xiàng)列為優(yōu)先級：重要不緊急 P1;
3. 【收割之客戶首購 I→P 】部分效果還可以，23%轉(zhuǎn)化，可以進(jìn)一步挖掘用戶購買轉(zhuǎn)化路徑。將該事項(xiàng)列為優(yōu)先級：不重要不緊急 P2;
II. 分析原因
獲得分析目標(biāo)后，從實(shí)戰(zhàn)落地角度，利用重要象限思維，對不同的分析目標(biāo)，賦予不同的重要性程度，優(yōu)先解決緊急的重要問題;再綜合各種分析方法，以不同的維度透視數(shù)據(jù)，在數(shù)據(jù)中挖掘新的觀點(diǎn)。
分析思路
此部分，需根據(jù)第一部分——明確問題中得出的分析目標(biāo)，指定細(xì)分的分析策略：
1. 【P0: A→I 】部分是轉(zhuǎn)化率低的問題，注重整體店鋪運(yùn)營策略的制定，在零售行業(yè)中，【人貨場】分析是最常用且有效的分析方法，
2. 【P1: P→L】部分是用戶復(fù)購表現(xiàn)很好，所以可以通過【用戶復(fù)購分析】，挖掘、總結(jié)復(fù)購特征;
3. 【P2: I→P】部分目的在與進(jìn)一步透析用戶購買行為，可以采用【購買特征分析+ RFM模型】進(jìn)行分析：對高購買率人群的特征進(jìn)行挖掘分析，找到規(guī)律后應(yīng)用到促進(jìn)購買的環(huán)節(jié);做RFM用戶價(jià)值分析，針對價(jià)值人群進(jìn)行有目的的精細(xì)的轉(zhuǎn)化運(yùn)營動作。
i. 【P0: A→I 】拉新環(huán)節(jié) — 人貨場分析
此部分通過【人貨場】分析，解決認(rèn)知用戶(A)到興趣用戶(I)行為轉(zhuǎn)化率低的問題。
【人貨場】分析
¨ 人
【人】的部分主要在于觀察用戶行為特點(diǎn)，以總結(jié)經(jīng)驗(yàn)。此案例中，因?yàn)閿?shù)據(jù)維度有限，用戶自身行為相關(guān)的數(shù)據(jù)除了商品外就是時(shí)間，而商品計(jì)劃在【貨】部分進(jìn)行分析，故此部分可更具體轉(zhuǎn)化為 分析用戶A到I高效轉(zhuǎn)化的時(shí)間特征。
¨ 各時(shí)段AI轉(zhuǎn)化分布
如以下語句，結(jié)合group by 語句，即可計(jì)算各時(shí)段A→I轉(zhuǎn)化情況。
A→I的轉(zhuǎn)化率計(jì)算結(jié)果已得到，此時(shí)我們需要【比較的基準(zhǔn)】(閾值)，將現(xiàn)有的每小時(shí)轉(zhuǎn)化率與閾值相比較，才能更明確的判斷轉(zhuǎn)化率高低。
這里，以常見的“平均值”作為對比的基準(zhǔn)(閾值)，查詢語句如下：
得到結(jié)果如圖所示：
分析結(jié)論：
因?yàn)槊總€(gè)時(shí)段的瀏覽人數(shù)不同，為確保分析的結(jié)果有效，所以需要選擇瀏覽值大于平均值3734的時(shí)段來觀察，同時(shí)，轉(zhuǎn)化率大于平均值9.1%的時(shí)段，代表該時(shí)段瀏覽人數(shù)多且轉(zhuǎn)化率高，從結(jié)果中可篩選出同時(shí)滿足兩個(gè)條件的時(shí)間段為：11時(shí)、15-17時(shí)、19時(shí)、22時(shí)、23時(shí);其中，23時(shí)的轉(zhuǎn)化率為10.1%，為同時(shí)滿足這兩個(gè)條件的時(shí)間段中的最大轉(zhuǎn)化率，即為最佳投放時(shí)間。
¨ 貨
人貨匹配效率分析：商品推薦是否有效
目的：提高針對用戶的商品推薦效率
在分析之前，需要先對A，I階段涉及的總商品情況進(jìn)行觀察：
¨ 總商品數(shù)統(tǒng)計(jì)：
A階段的商品數(shù)統(tǒng)計(jì)
I階段的商品數(shù)統(tǒng)計(jì)：
查詢結(jié)果：
結(jié)合【假設(shè)驗(yàn)證思維】，基于有效瀏覽與產(chǎn)生興趣的商品數(shù)差異較大的情況，
提出假設(shè)：用戶偏好的商品主要集中在少數(shù)商品，大部分商品被錯(cuò)誤地推薦到用戶。
驗(yàn)證思路：
1. 將被瀏覽最多的前100款商品 以及 用戶最感興趣(即加購、收藏)的前100款商品 進(jìn)行交叉查詢
2. 如果交叉出的商品數(shù)較少，則假設(shè)成立
(瀏覽量雖高，但用戶并不感興趣，推薦人群錯(cuò)誤)
3. 反之，則假設(shè)不成立
按驗(yàn)證思路里說的，分別提取A(瀏覽量), I (用戶感興趣)的前100款單品交叉，查看交叉數(shù)量(inner join)
查詢結(jié)果：
分析結(jié)論：
假設(shè)成立，用戶偏好的商品主要集中在少數(shù)商品，大部分商品被錯(cuò)誤地推薦到用戶，人貨匹配效率低。
s 場
【場】：除了用戶行為以及商品之外的內(nèi)容，廣義來說指的是與用戶的觸點(diǎn)，
例如實(shí)體店的場地的布置;電商店鋪頁面的裝修;活動的維度(場景)，比如在特定的一個(gè)促銷活動下; 在線上電商，則是在線店鋪、平臺、投放渠道等。
從這個(gè)角度，分析此段時(shí)間內(nèi)是否有淘寶平臺的活動對分析期間的銷售產(chǎn)生影響：
1. 結(jié)合業(yè)務(wù)經(jīng)驗(yàn)，數(shù)據(jù)時(shí)間段在雙十一后，雙十二前，即是兩個(gè)大促的中間節(jié)點(diǎn);
2. 進(jìn)一步查詢2021年雙十二的相關(guān)信息如下：
• 活動：天貓雙12年終品牌盛典
預(yù)熱時(shí)間：2021年12月9日00:00:00-2021年12月11日23:59:59;
上線時(shí)間：2021年12月12日00:00:00-2017年12月14日23:59:59.
3. 由活動時(shí)間可知，分析時(shí)間段處于雙十二預(yù)熱時(shí)間前夕的低潮期，客觀上營銷效果整體比較平淡，進(jìn)而影響AI轉(zhuǎn)化率。
分析小結(jié)（A→I拉新環(huán)節(jié)）
應(yīng)用【人貨場】分析：
【人】：選擇瀏覽量高且轉(zhuǎn)化率高的時(shí)段對用戶加大產(chǎn)品投放力度;滿足瀏覽值>3734且轉(zhuǎn)化率>9.1%，其中，23點(diǎn)轉(zhuǎn)化率為10.1%，為最佳投放時(shí)間。
【貨】：根據(jù)假設(shè)檢驗(yàn)分析得到，目前人貨匹配效率低，瀏覽量高的產(chǎn)品卻并不是用戶感興趣的產(chǎn)品，平臺大部分商品為長尾商品，商品被錯(cuò)誤的推薦給非目標(biāo)用戶。
【場】：本次分析的時(shí)間段處于雙十二預(yù)熱時(shí)間前夕的低潮期，客觀上一定程度影響AI轉(zhuǎn)化率。
ii. 【P1: P→L】復(fù)購環(huán)節(jié) — 復(fù)購分析
根據(jù)此前制定的分析思路，P→L部分計(jì)劃進(jìn)行【用戶復(fù)購分析】以挖掘復(fù)購特征。
復(fù)購周期分析
目的：優(yōu)化用戶觸達(dá)策略，即何時(shí)何地向哪些已購用戶推送什么商品可提升復(fù)購率。將通過分析用戶【復(fù)購周期】以解決業(yè)務(wù)中觸達(dá)時(shí)間的問題。
現(xiàn)該問題轉(zhuǎn)化為通過分析用戶復(fù)購周期，以解決業(yè)務(wù)中何時(shí)觸達(dá)、觸達(dá)多久的問題。
(一) 何時(shí)觸達(dá)
可通過計(jì)算用戶平均回購周期，即可在用戶發(fā)生購買行為后，在平均回購周期內(nèi)對其進(jìn)行營銷觸達(dá)。
為方便計(jì)算，這里我們新建一個(gè)記錄用戶第N次購買的視圖取名為consume_dates
查詢結(jié)果(部分節(jié)選)：
計(jì)算步驟：
1. 通過以下語句先計(jì)算出每個(gè)用戶每次消費(fèi)的回購周期：
查詢結(jié)果(部分節(jié)選)：
結(jié)果說明：
如圖，user_id 為100的用戶 n_consume=2.回購周期=2天 即為期第二次消費(fèi)時(shí)，與第一次消費(fèi)間隔了2天，也就是說該用戶在2天前進(jìn)行了第一次消費(fèi)。
2. 基于以上語句，可以將每人次的回購周期進(jìn)行平均，取得最終的 平均回購周期 ：
查詢結(jié)果：
觸達(dá)時(shí)間相關(guān)結(jié)論：
可在用戶購買行為發(fā)生后的2-3天對用戶進(jìn)行觸達(dá)。
(二) 觸達(dá)多久
問題轉(zhuǎn)換思路：
到底在聯(lián)系顧客多久后，可以停止對該顧客的聯(lián)系，即超過最長購買周期時(shí)間間隔后，證明用戶已經(jīng)大概率不會再回購了;所以這里可通過計(jì)算不同時(shí)段下購買的客戶最長購買周期。先計(jì)算出每個(gè)顧客的最長消費(fèi)間隔，再在其基礎(chǔ)上求平均值。
計(jì)算思路：
a表記錄每位用戶第一次消費(fèi)日期，b表記錄每位用戶最后一次的消費(fèi)日期(max(dates)，將兩個(gè)時(shí)間進(jìn)行datediff，即可求出每位用戶的最長消費(fèi)時(shí)間間隔，再在其基礎(chǔ)上求用戶的平均最長消費(fèi)時(shí)間間隔。
計(jì)算步驟：
1. 統(tǒng)計(jì)每個(gè)客戶“首次消費(fèi)日期”、“最后消費(fèi)日期”后，相減即可算得每個(gè)客戶的消費(fèi)周期，命名為“最長消費(fèi)間隔”。
查詢結(jié)果(部分節(jié)選)：
2. 求用戶的平均最長消費(fèi)間隔(這里分兩種方法)
1) 直接求所有用戶的平均最長消費(fèi)間隔
查詢結(jié)果：
2) 基于1中語句，按日期進(jìn)行分組，計(jì)算每天的客戶平均最長消費(fèi)間隔。
查詢結(jié)果：
觸達(dá)間隔相關(guān)結(jié)論：
顧客的平均最長處達(dá)間隔為4.4天;
在2021年11月25日周四這天，顧客的平均最長消費(fèi)間隔最長，為5.7天。
分析小結(jié)（P→L復(fù)購環(huán)節(jié)）
用戶復(fù)購周期分析：
1. 何時(shí)觸達(dá)：顧客的平均回購周期是2.3天
2. 觸達(dá)多久：顧客的平均最長觸達(dá)間隔為4.4天，在2021年11月25日周四這天，顧客的平均最長消費(fèi)間隔最長，為5.7天
iii. 【P2: I→P】購買環(huán)節(jié) — 購買率特征&RFM分析
淘寶平臺的用戶復(fù)購率(P→L)高達(dá)64%，也就是說用戶只要實(shí)現(xiàn)0到1的消費(fèi)突破，接下來就有64%的機(jī)會復(fù)購，所以此部分重點(diǎn)應(yīng)放在如何提升AI→P。
分析思路：
1. 總結(jié)高購買率客戶特征：篩選潛在的轉(zhuǎn)化用戶，再通過促銷優(yōu)惠等方法刺激轉(zhuǎn)化
2. RFM模型應(yīng)用：對現(xiàn)有人群進(jìn)行分層，針對不同類型的用戶，采取更精準(zhǔn)的營銷方式
1. 用戶首購特征
目的：提高AI客戶的購買轉(zhuǎn)化率P，促進(jìn)用戶實(shí)現(xiàn)0-1的消費(fèi)突破。
思路：
通過購買率高低人群的對比，挖掘高購買率用戶特征，得出不同的用戶畫像，通過RFM模型對用戶進(jìn)行分層后，給出不同人群價(jià)值的分布及對應(yīng)人群價(jià)值升級的策略建議。
查詢語句如下：
查詢結(jié)果(部分節(jié)選)：
購買率高 vs 購買率低
計(jì)算得到每個(gè)客戶的購買率后，需要進(jìn)一步定義高購買率和低購買率的界限;
結(jié)合【二八原則】，
認(rèn)為前20%為高購買率客戶，貢獻(xiàn)80%的價(jià)值;后20%為低購買率客戶。
為求得20%的客戶，直接求得最后一名購買率，在其基礎(chǔ)上*20%即可，查詢語句如下：
由此前統(tǒng)計(jì)可知，分析數(shù)據(jù)共有為用戶，即20%分位為：
• 328*0.2 =65.6.即前65位客戶為高購買率客戶;
• 328-65=263.即263-386位的客戶為低購買率客戶。
高購買率客戶 購買率特征：
查詢結(jié)果：
高購買率客戶 品類集中度：（該人群共買了多少種商品品類）
查詢結(jié)果：
低購買率客戶 特征：
注意需剔除無購買人群影響
查詢結(jié)果：
低購買率客戶 品類集中度：
查詢結(jié)果：
結(jié)論：
1. 高購買率用戶平均瀏覽數(shù)33遠(yuǎn)小于低購買率用戶平均瀏覽數(shù)185.高購買率用戶的瀏覽更具有目的性。
2. 高購買率用戶加購率11.7%大于低購買率用戶9.5%，對所瀏覽商品更感興趣。
3. 高購買率用戶購買品類集中度360遠(yuǎn)大于低購買率用戶137.購買品類更多元。
根據(jù)總結(jié)得到的人群畫像結(jié)論：
高購買率人群：大概率為決策性用戶，瀏覽商品數(shù)少，但加購率高，看準(zhǔn)商品就下單購買
低購買率人群：糾結(jié)型顧客，瀏覽商品數(shù)很多單加購率低，看到商品會猶豫不決。
針對低購買率人群的建議：
品類集中度相對較高，可以列出這些品類，讓運(yùn)營更加有針對性的優(yōu)化品類信息，減少用戶瀏覽跳失率。
2. AIPL + RFM分析
為促進(jìn)用戶購買，需進(jìn)行精細(xì)化用戶運(yùn)營，即可通過RFM模型實(shí)現(xiàn)。
RFM模型本質(zhì)：對用戶進(jìn)行多指標(biāo)的聚類。
分析思路：
先分別找到RFM在本項(xiàng)目中的對應(yīng)含義，分別對RFM的值進(jìn)行計(jì)算，定義RFM的比較標(biāo)準(zhǔn)——閾值(劃分人群的標(biāo)準(zhǔn))，將之作為分類的依據(jù)，將人群細(xì)分。
由于數(shù)據(jù)限制，并無用戶購買金額數(shù)據(jù)，故與AIPL模型結(jié)合，重新定義R、F、M：
• R：客戶最近一次購買離分析日期的距離，用以判斷購買用戶活躍狀態(tài)
• F：客戶消費(fèi)頻次 →收藏、加購行為次數(shù)(A+I)
• M：客戶消費(fèi)金額 →購買行為次數(shù)(P+L)
因此，RFM分群結(jié)果及人群特征如下：
1. 重要價(jià)值用戶(R高F高M(jìn)高)：用戶處于購買活躍期，感興趣商品多，購買次數(shù)多
2. 一般價(jià)值用戶(R高F高M(jìn)低)：用戶處于購買活躍期，感興趣商品多，購買次數(shù)少
3. 重要發(fā)展用戶(R高F低M高)：用戶處于購買活躍期，感興趣商品少，購買次數(shù)多
4. 一般發(fā)展用戶(R高F低M低)：用戶處于購買活躍期，感興趣商品少，購買次數(shù)少
5. 重要喚回用戶(R低F高M(jìn)高)：用戶已不活躍，感興趣商品多，購買次數(shù)也多
6. 一般喚回用戶(R低F高M(jìn)低)：用戶已不活躍，感興趣商品多，購買次數(shù)少
7. 重要挽留用戶(R低F低M高)：用戶已不活躍，感興趣商品少，購買次數(shù)多
8. 一般挽留用戶(R低F低M低)：用戶已不活躍，感興趣商品少，購買次數(shù)少
計(jì)算步驟：
(1)按以上定義，計(jì)算出每個(gè)客戶的R、F、M值：
查詢結(jié)果(部分節(jié)選)：
(2)為了劃分R、F、M值的高 與低，這里采用常用的平均值法作為閾值(也可采用通過業(yè)務(wù)經(jīng)驗(yàn)自定義閾值的方法)查詢語句如下：
查詢結(jié)果：
(3)根據(jù)以上RFM閾值，及RFM定義，將每個(gè)客戶劃分到不同的用戶價(jià)值族群中。
其中，R值的定義是衡量用戶的消費(fèi)活躍程度，距離上一次消費(fèi)越近，證明用戶消費(fèi)處于活躍狀態(tài);消費(fèi)時(shí)間距離越近，意味著R值越小，對應(yīng)的消費(fèi)活躍的價(jià)值越大。
查詢結(jié)果(部分節(jié)選)：
(4)統(tǒng)計(jì)各個(gè)族群的用戶數(shù)及用戶占比，對用戶運(yùn)營現(xiàn)狀分析，給出運(yùn)營策略方向。
結(jié)論：
1. 重要型用戶(M值高)累及占比為26.857%，符合二八原則，證明使用這個(gè)方法的分層邏輯是合理的
2. 從轉(zhuǎn)化路徑角度，重要價(jià)值用戶占比較少，僅為7.426%，其中，RFM三項(xiàng)中只有一項(xiàng)與重要價(jià)值用戶不同的為重要發(fā)展用戶12.818%，一般價(jià)值用戶3.967%，重要喚回用戶3.154%，這三種是最可能轉(zhuǎn)化為重要價(jià)值用戶的類別。若想提高重要價(jià)值用戶，可從這三類著手，其中，重要發(fā)展用戶基數(shù)占比較多，可以優(yōu)先對該人群進(jìn)行營銷，促使他們消費(fèi)更多，進(jìn)而轉(zhuǎn)化為重要價(jià)值用戶;一般價(jià)值用戶與重要喚回用戶基數(shù)較少，需要從其他類別補(bǔ)充人數(shù)，可以從基數(shù)較大的一般發(fā)展和一般挽留中轉(zhuǎn)化升級為一般價(jià)值用戶與重要喚回用戶，再進(jìn)一步使其成為重要價(jià)值用戶。
III. 落地建議
將從不同維度得到的數(shù)據(jù)結(jié)論匯總到一起，在基于現(xiàn)有的業(yè)務(wù)單元給業(yè)務(wù)提建議。
通過AIPL營銷模型，對用戶現(xiàn)狀有整體的認(rèn)識，并分析、總結(jié)出三段分析目標(biāo)。
現(xiàn)對分析結(jié)論結(jié)合業(yè)務(wù)場景總結(jié)經(jīng)驗(yàn)及提出建議：
I. 【P0: A→I】【人貨場】優(yōu)化拉新
存在問題：從“認(rèn)知awareness”到“興趣interest”階段的轉(zhuǎn)化率過低
通過【人貨場】分析，可得以下結(jié)論及業(yè)務(wù)建議：
【人】：(轉(zhuǎn)化時(shí)間特征)選擇瀏覽量高且轉(zhuǎn)化率高的時(shí)段對用戶加大產(chǎn)品投放力度;滿足瀏覽值>3734且轉(zhuǎn)化率>9.1%，其中，23點(diǎn)轉(zhuǎn)化率為10.1%，為最佳投放時(shí)間。
業(yè)務(wù)建議：對于推廣部門，優(yōu)化投放策略，從A→I轉(zhuǎn)化率高的時(shí)間點(diǎn)，尤其是23點(diǎn)，加大投放力度，提高AI轉(zhuǎn)化率，進(jìn)而提升整體的轉(zhuǎn)化
【貨】：(人貨匹配效率)根據(jù)假設(shè)檢驗(yàn)分析得到，目前人貨匹配效率低，瀏覽量高的產(chǎn)品卻并不是用戶感興趣的產(chǎn)品，平臺大部分商品為長尾商品，商品被錯(cuò)誤的推薦給非目標(biāo)用戶。
業(yè)務(wù)建議：對于產(chǎn)品部門，及時(shí)處理低轉(zhuǎn)化率的商品，總結(jié)高轉(zhuǎn)化率商品的產(chǎn)品特點(diǎn)去開發(fā)新品，進(jìn)一步優(yōu)化長尾商品以及大眾商品的推薦邏輯。
【場】：(活動時(shí)間場景分析)本次分析的時(shí)間段處于雙十二大促預(yù)熱時(shí)間前夕的低潮期，客觀上一定程度影響AI轉(zhuǎn)化率。
業(yè)務(wù)建議：對于運(yùn)營部門，針對轉(zhuǎn)化率低的問題，可參考高轉(zhuǎn)化商品的描述，優(yōu)化產(chǎn)品標(biāo)題、內(nèi)容描述等;針對大促前夕的低潮期，額外的給出更多促銷力度來促進(jìn)用戶活躍從而提高該階段的銷售。
II. 【P1: P→L】【復(fù)購分析】復(fù)制經(jīng)驗(yàn)
業(yè)務(wù)現(xiàn)狀：從“購買purchase”到“忠誠loyalty”階段的轉(zhuǎn)化率較高。
通過【用戶復(fù)購分析】，給到用戶運(yùn)營部門的結(jié)論及業(yè)務(wù)建議：
1. 何時(shí)觸達(dá)：顧客的平均回購周期是2.3天
業(yè)務(wù)建議：客戶消費(fèi)后2-3天，結(jié)合回饋手段及時(shí)進(jìn)行觸達(dá)
2. 觸達(dá)多久：顧客的平均最長觸達(dá)間隔為4.4天，在2021年11月25日周四這天，顧客的平均最長消費(fèi)間隔最長，為5.7天
業(yè)務(wù)建議：距離顧客上一次消費(fèi)后的4-5天內(nèi)，重復(fù)1-2次觸達(dá)，以確保顧客能接收到足夠的營銷刺激進(jìn)而提升用戶復(fù)購
III. 【P2: I→P】【購買特征+RFM】深入挖掘
現(xiàn)存問題：轉(zhuǎn)化不高不低，表現(xiàn)較平，深入挖掘出有效策略進(jìn)一步提高轉(zhuǎn)化
i. 通過【購買特征分析】，給到用戶運(yùn)營部門的結(jié)論及業(yè)務(wù)建議：
人群畫像結(jié)論：
高購買率人群：大概率為決策性用戶，瀏覽商品數(shù)少，但加購率高，看準(zhǔn)商品就下單購買。
低購買率人群：糾結(jié)型顧客，瀏覽商品數(shù)很多單加購率低，看到商品會猶豫不決。
針對高購買率客戶的建議：
配合精準(zhǔn)商品推薦模型，觸達(dá)優(yōu)質(zhì)的長尾商品，提高購買率。
針對低購買率人群的建議：
觸達(dá)熱門商品，提高購買率。低購買率人群的品類集中度相對較高，可以列出這些品類，讓運(yùn)營更加有針對性的優(yōu)化品類信息，減少用戶瀏覽跳失率。
ii. 通過【AIPL+FRM模型分析】，給到用戶運(yùn)營部門的結(jié)論及業(yè)務(wù)建議：
結(jié)論：
1. 重要型用戶(M值高)總占比為26.857%，符合二八原則，該方法的分層邏輯合理
2. 從轉(zhuǎn)化路徑角度，重要價(jià)值用戶占比較少，僅為7.426%，其中，RFM三項(xiàng)中只有一項(xiàng)與重要價(jià)值用戶不同的為重要發(fā)展用戶12.818%，一般價(jià)值用戶3.967%，重要喚回用戶3.154%，這三種是最可能轉(zhuǎn)化為重要價(jià)值用戶的類別。
若提高重要價(jià)值用戶，可從這三類著手，其中，重要發(fā)展用戶基數(shù)占較多，可優(yōu)先對該人群進(jìn)行營銷，促使他們消費(fèi)更多，進(jìn)而轉(zhuǎn)化為重要價(jià)值用戶;一般價(jià)值用戶與重要喚回用戶基數(shù)較少，需從其他類別補(bǔ)充人數(shù)，可從基數(shù)較大的一般發(fā)展用戶中轉(zhuǎn)化升級為一般價(jià)值用戶與重要喚回用戶，再進(jìn)一步使其成為重要價(jià)值用戶。
業(yè)務(wù)建議：
Ø 優(yōu)先級P0：
s 重要價(jià)值用戶(R高F高M(jìn)高)：用戶處于購買活躍期，感興趣的商品多，購買商品多;保持一定頻率的觸達(dá)，持續(xù)性維護(hù)該類用戶。
s 重要發(fā)展用戶(R高F低M高)：用戶處于購買活躍期，感興趣商品少，購買次數(shù)多;可以通過關(guān)聯(lián)算法，找出與興趣商品關(guān)聯(lián)高的商品繼續(xù)推薦觸達(dá)，提高用戶收藏加購，進(jìn)而轉(zhuǎn)化為重要價(jià)值用戶。
s 一般價(jià)值用戶(R高F高M(jìn)低)：用戶處于購買活躍期，感興趣商品多，購買次數(shù)少;可與運(yùn)營部門溝通，降低利潤，給出折扣促進(jìn)購買，進(jìn)而轉(zhuǎn)化為重要價(jià)值用戶。
s 重要喚回用戶(R低F高M(jìn)高)：用戶已不活躍，但感興趣商品多，購買次數(shù)也多; 對該人群進(jìn)行營銷，吸引該類用戶的興趣使其再進(jìn)行消費(fèi)。
Ø 優(yōu)先級P1：
s 一般發(fā)展用戶(R高F低M低)：用戶處于購買活躍期，感興趣商品少，購買次數(shù)少;商品組合推薦的形式，提升連帶和購買頻次，轉(zhuǎn)為一般價(jià)值用戶。
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,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
