基于MySQL与Tableau 实现淘宝用户购物行为分析项目

2301_80238085

已于 2024-07-10 09:11:56 修改

阅读量1.7k

点赞数 11

文章标签： excel

于 2024-07-09 22:50:28 首次发布

本文链接：https://blog.csdn.net/2301_80238085/article/details/140265528

版权

目录

前言

一、项目概述

1、数据介绍

2、思维导图

二、数据预处理

1、观察数据

2、数据导入

3.数据处理

三、用户行为分析

1、计算日新增用户

2、计算uv、pv、人均浏览次数反映用户情况

3、计算客户留存率

4、计算成交量与复购率

5、转化率（漏斗模型）

四、用户喜好分析

1、统计用户活跃时间段

2、统计用户点击、收藏、加购、购买的商品前10种类

五、用户价值分析

六、总结分析

1、实时监控活动的数据，及时调整活动营销策略

2、根据用户行为习惯，做出优惠活动

3、根据用户价值，制定合适的营销

前言

本项目带领大家对阿里移动电商数据集做了初步的数据分析，通过数据分析我们能对业务做出更好的洞察并进一步采取Action。

数据名称：UserBehavior.csv

分析工具：MySQL、Tableau、Nactive

一、项目概述

1、数据介绍

本项目数据来源于阿里云天池《淘宝用户购物行为数据可视化分析》进行研究。

数据链接：淘2宝用户购物行为数据可视化分析_数据集-阿里云天池 (aliyun.com)

本数据集包含了2017年11月25日至2017年12月3日之间，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢）。数据集的组织形式和MovieLens-20M类似，即数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔。关于数据集中每一列的详细描述如下：

用户行为详细描述如下：

数据集大小如下：

2、思维导图

二、数据预处理

1、观察数据

将数据文件导入nactive查看数据（连接数据库→新建表→导入数据）。

2、数据导入

由于数据文件中没有表头则用nactive修改数据列名，并将导入nactive的表头的数据重新添加。

由于原数据集记录量过大，选取前10万条数据进行研究

代码如下（示例）：

create table if not exists user_behavior as 
    (select*from userbehavior limit 100000);

3.数据处理

对数据进行去重处理

代码如下（示例）：

select distinct *from user_behavior 
   group by customer_id,order_id,category_id,behavoir_type,happening_time;

查看数据缺失值

select count(customer_id),count(order_id),count(category_id),count(behavoir_type),
   count(happening_time)from user_behavior;

结果记录均为100000条则数据集中并无缺失值

添加新列，对时间戳数据进行转换

#添加 order_dt日期时间列
alter table user_behavior add column  order_dt datetime;
update user_behavior set order_dt= from_unixtime(happening_time);

#添加 order_date日期列
alter table user_behavior add  order_date date;
update user_behavior set order_date= from_unixtime(happening_time);

#添加 order_dtime日期时间列
alter table user_behavior add  order_dtime time;
update user_behavior set order_dtime= from_unixtime(happening_time);

异常值处理：将不在2017年11月25号至2017年12月3日的用户行为记录进行剔除。

delete from user_behavior where order_dt not between'2017-11-25'and'2017-12-03';
select count(customer_id),count(order_id),count(category_id),count(behavoir_type),
   count(happening_time)from user_behavior;

剔除了13259条，剔除后的数据为86741条。

三、用户行为分析

1、计算日新增用户

SELECT first_date,COUNT(DISTINCT customer_id) new_uv
FROM (SELECT customer_id,MIN(order_date) first_date FROM user_behavior 
      GROUP BY customer_id having MIN(order_date) between '2017-11-25' and '2017-12-02') t GROUP BY first_date;