京东用户行为分析

京东用户行为分析

• 项目背景

京东作为传统电商巨头，京东商城与京东物流的发展相得益彰，然而各种新兴的电商模式，带来了千人千面的购物方式和电商平台更加激烈的竞争，电商平台­­­发展初期的粗放式经营也转向了利用大数据和算法，基于用户行为，实现精细化营销。在这样的背景下，本文基于京东平台的部分数据进行了用户行为分析。

本次分析的目的主要是从数据中探索以下问题，得出结论，并提供一些可行性的建议：

1. 分析用户在使用App整个过程中的特点，从获客，激活，留存，营收等方面，寻找可以优化的点
2. 对用户购买行为进行分析，找出用户行为转化中存在的问题，最受欢迎的商品，找到针对用户运营和商品推荐的方向
3. 进行用户价值分析，对用户进行分层，采用更有针对性的营销

• 分析框架

（一）数据集介绍

原始数据为京东竞赛数据集，数据集共有五个列表文件，包含了“2018-02-01”至“2018-04-15”之间在京东平台的用户行为数据，评论数据，商品数据，商家店铺数据以及用户数据

在本次分析过程中，需要用到的用户行为数据，商品数据，以及用户数据,原始数据集中行为数据列表过大，故截取了2018-04-01”至“2018-04-15”的数据，对用户行为数据集进行清洗：

jdata_action:

user_id	用户唯一标识
sku_id	商品唯一标识
action_time	行为时间 数据清洗时拆分成date，hour，weekday
type	1.pv  2.pay  3.fav  4.comm  5.cart

jdata_product:

sku_id	商品唯一标识
brand	品牌名
shop_id	店铺id
cate	品类
market_time	商品上市时间

jdata_user:

User_id	用户唯一标识
Age	年龄，-1表示未知，数字越大，年龄越大
Sex	性别  0:男  1:女  2: 保密
User_reg_tm	注册时间
User_lv_cd	会员级别，数字越大，级别越高
City_level	城市等级，常用收货地址，数字越大，等级越高
Province	省份
City	城市
County	县

（二）分析框架

 

• 分析过程

（一）基于平台运营流程的AARRR模型分析

（1）每日新增uv

由于数据截取，前面几天老客数据不能完全计算，数据会有偏差，可以看出后面几天日新增uv基本稳定在30%左右。

（2）用户在不同时间维度下的活跃情况

 

日期维度下，pv和uv比较平稳，4.1—4.9日小幅波动，4.10开始递减，推测数据波动是由小规模营销活动产生。

星期维度下，pv和uv无明显波动，周日到周一周二的日均pv和uv略高，周五的pv相较于uv增加得更多，说明周末开始用户有更多的点击行为，这也可以为每周活动运营做一个参考，即每周活动可以放在周五晚开始，利用周末用户更多的浏览时间，并在周日晚上加大活动力度或是限时促销活动，促进销量。

小时维度下，pv和uv波动较大，在凌晨呈下降趋势，在凌晨3-4点达到最低，随后不断上升，在上午10点左右有一个小高峰，晚上19点之前pv和uv都比较平稳，晚上19—22点这段时间，用户访问行为达到最高峰。因此上午8-10点，晚上19-22点是各类活动运营非常关键的时间段，凌晨1-4点适合作为系统维护时间。

(3)留存率分析

由于截取的是部分时间数据，前两天的留存率会相对较高，但从总体看，用户留存率基本维持在10%--20%。根据Facebook的40-20-10法则，在所考察的时间范围内，平台的留存率低于标准，但留存率递减较慢，说明平台的用户依赖性较高，但同时也可以通过一些运营策略来提高平台的留存率：

通过活动刺激，引导新用户产生关键行为，如新人福利，减免卡券，每日签到等。引导客户熟悉会员体系与积分体系，优化用户使用流程，让用户在初次接触平台时能产生较好的用户体验，从而提高用户粘性。

（4）营收情况分析

因为数据中缺少付费金额，所以用付费次数代替，从上图可知，在所考察的时间周期，86%的用户只有一次购买行为，9%的用户有两次购买行为，每日的ARPPU约为1.1，绝大部分付费用户的购买次数相对比较低，复购率为0.1316。

（二）用户购买行为分析

（1）when用户在什么时间购买 

  

每日的付费用户数大约占总独立访客数的30%，星期维度下，周六周日的付费用户数占比略高。

小时维度下，用户的购买行为在上午10点和晚上22点达到两个峰值，相对于pv来说，在上午10点付费用户更多，晚上总体pv非常高，但付费用户数略低于上午10点，说明晚上用户浏览平台，有部分是“逛京东”，实际转化率相对较低，因此上午10点左右，注重商品的精准推荐，通过优惠券，限时折扣活动，促进付费转化，晚上19—22点，注重商品多样化推荐，提高用户“逛京东”的体验，同时设置限时秒杀活动，即时促进转化率。 

（2）who购买次数前200的用户画像

从四个维度进行分析：年龄（等级数字越大，年龄越大），性别，城市等级（数字越大，城市等级越高），会员等级（数字越大，会员等级越高）

消费次数排名前200位的用户中：

年龄方面，主要是年龄等级比较大的用户，这类用户相对来说，收入水平较高，购买力较强

性别方面，男性用户略多于女性用户，细分来看，年龄等级稍高，中年人群体中，女性用户较多，而在年龄等级较低的用户中，男性用户，明显多于女性用户

会员等级方面，消费较多的是等级较高的的用户，其中等级较高的男性用户数相对更多

城市等级方面，主要是城市等级中等的，注意到城市等级最低的用户数也比较多

从以上分析，可以重点关系以下几类用户

①等级较高，年龄较大的用户；

②中年女性用户；

③城市等级较低的用户；

④年龄等级较低的男性用户

（3）what用户浏览最多的产品，用户购买最多的产品

浏览量Top10品类                                                             

    

购买量Top10品类

数据集中，品类数为80，平台覆盖的品类非常丰富，浏览量和购买量Top10的品类基本重合，说明这10大品类确实是用户最关注，最主要的消费品类，因此在做选品方面需要优先涉及到这10大品类。

进一步分析浏览量和购买量较高的商品及其所属品类： 

浏览量Top10的商品及其所属的品类    

 

购买量Top10的商品及其所属的品类

    

浏览量前10的商品中，品类7有5件商品，只有224207这件商品购买量排在前10，品类34有3件商品排在前10，但是没有购买量占前10的商品。

购买量前10的商品所属的品类相对分散，说明每个品类都有其热销款，品类27有3款商品的购买量都排在前10，而且购买转化率比较高

浏览量前10的商品中，有6件商品的购买转化率为0%，可进一步分析原因：系统数据异常，产品价格，产品详情页，是否缺货导致。对于品类7可以对比分析购买量排在前10的商品和其他几个转化率为0的商品。

（4）how购买行为转化漏斗

  

在所考察的时间周期内，浏览—购买的转化率为21.55%，浏览—加入购物车—购买的转化率为17.27%，直接购买转化率较高，说明用户倾向于使用较为简单的购买方式

浏览—加入购物车—购买这一路径中，加入购物车—购买的转化率为60%，相对较高，说明用户对于加入购物车的商品购买意向比较高，此时可以通过消息提醒，以及推出限时优惠券，提高购物车商品的转化率

浏览—收藏—购买这一路径中，浏览—收藏转化率非常低，仅为3.32%。结合App页面进行分析，可能原因是：1.收藏功能是用形状表示的，而非文字，不容易引起用户的注意，这一功能的使用率就比较低；2.收藏的商品后期查看也没有购物车功能方便，由于这部分的分析没有相关的数据支撑，无法得出准确的结论，可以通过设计问卷进行调查，从而进行系统的优化

浏览—收藏—购买这一路径中，收藏—购买转化率为48%，近一半加入购物车的用户会付费购买，说明提高收藏功能的使用，有助于提高付费率，因此可以优化收藏功能的展示，以及收藏功能查看商品信息的优化，提升用户体验，促进付费

（三）用户价值分层RFM模型分析

根据最近一次消费时间间隔和消费频次，对其赋分，以其平均值作为参考线，可以将用户分为四类：

第I象限：最近一次消费时间与消费频次都为高分，该类用户近期有消费，且消费频率较高，属于高价值用户，对这类用户可以提供更多的会员活动以及VIP专属活动，提升用户被平台重视的体验感。

第II象限：最近一次消费时间得分低，消费频次得分较高，该类用户购买频次较高，但是最近一次购买的间隔时间比较长，存在用户流失的风险，对这类用户需要采取活动短信推送，客户端push提醒用户，并通过分析用户对产品的核心诉求与行为特征，有针对性地策划营销活动促进用户找回，并在找回后做好维护。

第III象限，最近一次消费时间与消费频次都为低分，该类用户近期无消费，且消费频次较低，属于机会用户，其价值有待挖掘，可以先根据用户画像，评估用户价值与成本，对于潜在价值较高的用户，向其推出一些试用活动以及优惠券，提升活跃度，培养平台购物习惯。 

第IV象限，最近一次消费时间得分高，消费频次得分低，该类用户最近有消费，但消费频次较低，属于需要深耕的用户，在用户购买行为后，做好售后服务，提升用户体验，并及时推送用户浏览量较高的商品，促进其复购。

• 结论与建议

1.用户在一天中，上午10点，晚上21-22点最为活跃，也是购买的两个高峰时间段，其中上午10点付费人数更多，晚上21-22点，相对于浏览量，转化率较低部分用户的行为是“逛”。对于上午10点左右的活跃用户，进行商品的精准推荐，限时降价活动，简化付费流程。对于晚上19—22点之间活跃的用户，进行多样化的商品推荐，提升用户“逛”的体验，并通过拼团促销，直播种草活动，让用户更多地将心仪商品加入购物车或收藏。

2.用户的次日留存量为20%左右，相对较低，但递减较慢，用户对于平台依赖性较强，平台发展比较稳定，可以通过会员体系，积分活动提升用户对平台的信任，并通过每日签到，会员不定期优惠活动，提高用户活跃度与留存率

3.86%的用户付费次数仅为1次，复购率0.1316，付费用户中，仅有13.16%的用户有复购行为，用户复购率低，考虑有考察周期较短的,部分用户的复购行为不在所考察的时间周期，但每天付费用户的消费次数也仅为1.1-1.2次，更多的还是用户本身复购行为较少，从用户留存率偏低也可以得到验证。

留存是复购的基础，因此可以参考提高留存率的方法，另外还可以从以下方面进行分析：产品质量，服务质量（包装，物流，售后），产品体验，这些可以从商品评论以及客服反馈得到相关数据。还可以通过问卷调研，产品试用等方式交叉排查。利用假设检验方法，提出问题，并通过数据验证，得出引起复购率低的原因，再针对性解决

4.购买次数前200名用户中，男性用户占比较高，会员等级较高的用户占比较高，需要重点关注：①等级较高，年龄较大的用户购买力高，是重要的价值用户，可以对这类用户做好针对于会员的专属活动，进一步加强用户忠实程度；②中年女性关注商品质量，同时也关注价格，可以根据用户搜索和浏览行为，精准推荐用户青睐的商品，并适时推出折扣活动；③城市等级较低的用户，消费水平相对较低，对于价格比较敏感，对这类用户，拼团活动，限时秒杀等促销活动，可以较好地促进其消费；④年龄等级较低的男性用户，这类用户一般对某品类商品有偏好，同时价格敏感度较低，有冲动消费倾向，对于这类用户，精准推荐商品，并做好详情页的展示，以及简化付费流程。

5.浏览量和购买量最高的商品品类7，34，27，81，69，75，34，20，56，其中品类7的商品浏览量最高，但浏览购买转化率很低，仅为2.3%，还有部分商品转化率为0， 需要进一步分析原因，购买量前10的商品所属的品类较为分散，说明每个品类中都有其畅销款，用户的需求也比较分散。

因此，在选品时，优先考虑浏览和购买排名前10的品类，并分析转化率较低的品类下商品，找到转化率低的原因

6.用户浏览商品后，，直接购买转化率最高，加入购物车多于收藏，而加入购物车后，购买转化率60%，收藏购买转化率48%，相对比较高，而通过浏览—收藏—加入购物车—购买这一路紧转化率最低，说明有消费意愿的用户，更倾向较为简单的购买流程。另外，收藏功能的使用率较低，可以通过问卷调研方式了解原因，并有针对性地进行优化。

7.根据最近一次消费时间间隔，对于近期很长时间未消费的潜在流失用户，通过短信或客户端push方式进行召回，并策划与用户特征相匹配的活动，提升用户与平台的黏性，根据消费频次，对于消费频次较低的用户，可以通过发放试用权益，优惠券等方式，提高用户的活跃度，培养其在平台购物的习惯；对于近期有消费且频次较高的高价值用户，推出VIP活动。对于所有用户，都可以在有重要的日期，如用户生日，会员日等，发送消息或专属优惠活动，用户关怀对于不同层级的用户都有一定的提升用户对平台的信任，增强黏性的作用，留存是用户购买的基础，留住用户，再在关键时间节点推出对应的运营活动，提高用户购买转化率。

sql代码：GitHub - 132101020/-