基于Python的淘宝用户行为数据分析

数据:

https://tianchi.aliyun.com/dataset/dataDetail?dataId=46

来源于阿里天池,是阿里巴巴提供的移动端淘宝用户行为数据集，包含2014-11-18至2014-12-18共计一千两百多万条数据

特征	说明
user_id	用户名（脱敏）
item_id	商品名（脱敏）
behavior_type	行为（点击，收藏，加入购物车，购买）对应1,2,3,4
user_geohash	地理位置（大量缺失）
item_category	商品类别
time	行为发生时间

分析流程:

分析结果及运营建议:

一.PV,UV都呈现周期性的变化,双12波动最大

二. 平常,每到周五页面的流量变会出现波谷,此处下降原因应深入分析

三.漏斗分析
结论1:浏览到购买这一步转化率很低
猜想: 是因为用户找不到自己心意的物品.
建议:
1.对用户浏览到收藏行为埋点数据进一步分析,寻找哪个渠道的流失率过高
2.千人千面,应该对用户模型更加细分,达到更精准的商品推荐

结论2: 购物车到购买这一步的转化率与平日比较是否正常,若确出了问题
猜想: 是什么导致用户放弃付费?
正常情况: 出现了更符合心意或性价比更高的物品
不正常: 是否是支付时出了问题,比如双12系统较卡,或者用户忘记密码而无其他方式进行支付
建议:
对用户购物车到购买行为进行埋点,寻找哪个渠道的问题,及时进行优化

四:50%到75%箱重比例最大,大多数用户都处于7到17次这个消费次数

五:复购率为87%,说明产品已经较稳定,推测产品处于AARRR模型的Revenue阶段,应该稳定的向Refer阶段过渡,现在Refer阶段做的最好的是拼多多的参团砍价

六:
重要价值客户：予以关注并维护,如:定期举办促销产品活动
重要潜力用户：予以相应的价格刺激，如:折扣或捆绑销售
重要唤回用户：提高忠诚度和粘性,建立产品与客户之间的信任
流失客户：分析流失原因,建立流失预警模型

1.数据预处理:

导入所需的包,并对数据进行初步观察

地理位置缺失太多,我们可以将此特征除去
对时间进行格式转换

对特征值进行重命名

2.流量分析:

2.1 时间维度对PV,UV分别进行分析
对PV,UV进行日拆解,并可视化展示




结论:

1. PV,UV都呈现周期性的变化,双12波动最大
2. 平常,每到周五页面的流量变会出现波谷,此处下降原因应深入分析

2.2 对PV,UV进行小时拆解,并可视化展示

结论:数据呈现正常,20~22点是用户访问的高峰

3.用户行为分析

3.1


结论:可以看出点击到点击到收藏这一步有很大的落差,这部分转化率较低

3.2以日维度分析行为的变化

3.3以小时维度拆解行为



3.4 行为转化漏斗模型

结论1:浏览到购买这一步转化率很低

猜想:是因为用户找不到自己心意的物品.

建议:
1.对用户浏览到收藏行为埋点数据进一步分析,寻找哪个渠道的流失率过高
2.千人千面,应该对用户模型更加细分,达到更精准的商品推荐

结论2:购物车到购买这一步的转化率与平日比较是否正常,若确出了问题

猜想:是什么导致用户放弃付费?
正常情况:出现了更符合心意或性价比更高的物品
不正常:是否是支付时出了问题,比如双12系统较卡,或者用户忘记密码而无其他方式进行支付

建议:
对用户购物车到购买行为进行埋点,寻找哪个渠道的问题,及时进行优化

4.用户消费分析

4.1消费次数维度

50%到75%箱重比例最大,大多数用户都处于7到17次这个消费次数

4.2 日ARPPU-产品的盈利能力
ARPPU=总收入/消费用户数量
总收入用消费次数代替


每日的用户消费在2次左右,双12消费次数大幅增长

4.2 日ARPU
ARPU=总收入/用户数量
总收入用消费次数代替


日ARPU在0.5附近波动,在11-21日波动较大
4.2 日付费率
付费率=消费人数/用户人数

4.2 复购率
复购率=复购行为用户数/消费行为用户总数

复购率为87%,说明产品已经较稳定,推测产品处于AARRR模型的Revenue阶段,应该稳定的向Refer阶段过渡,现在Refer阶段做的最好的是拼多多的参团砍价
4.3建立RFM模型
因为没有M（消费金额）列，因此只能通过R（最近一次购买时间）和F（消费频率）的数据对客户进行打分

RFM	Value
R	1~6
F	1~6
M	无

划分打分维度,并对用户进行价值排序


重要价值客户：予以关注并维护,如:定期举办促销产品活动
重要潜力用户：予以相应的价格刺激，如:折扣或捆绑销售
重要唤回用户：提高忠诚度和粘性,建立产品与客户之间的信任
流失客户：分析流失原因,建立流失预警模型