一、项目背景
项目以2017年11月25日至2017年12月3日之间淘宝APP用户的行为数据作为分析对象,通过购物特征抽象用户在使用各个环节的行为要素,以及使用RMF模型对用户进行分类,帮助运营方更好定制分层营销方案。
分析思路:
用户行为分析目的(根据目的拆解):促进用户购买商品、精准营销。
根据第3节数据集特点,从以下五个角度分析:
1) 用户整体行为信息
2) 用户行为漏斗分析
3) 留存分析
4) 用户价值分析
5) 商品销售分析
二、结论
1、可以增加渠道推广投入,进行精准人群推广,推出新用户福利,吸引新用户。推出分享有礼等活动促进老拉新,实现社交裂变;并且,定期进行促销活动保持老用户的活跃度。
2、由小时用户使用app时间特点,最活跃的时间段是晚上18-22点,尤其是22点是全天最高峰。
建议:进行整点秒杀等活动。在用户访问高峰期,进行活动与通知推送,并推送用户感兴趣的商品吸引用户眼球,促进用户参与率与转化率。
3、结合用户购买行为路径,根据流程漏斗转化率对比,浏览-下单与加购-下单转化率更高。推测是由购物便捷性导致。
建议:
(1)结合用户购买行为路径,可以不断优化商品搜索功能与推荐功能,提高商品搜索与推荐准确度;优化首页布局与详情页展示页展现效果,提高用户下单转化率
(2)提供一键购物等来简化购物步骤流程,提高用户下单率
(3)因此也可以进一步优化购物车下单体验,降低购物复杂度。增加跨店满减、收藏加购送商品赠品、送福利等活动,引导用户收藏加购行为,从而提高用户购买转化率。
4、
【留存率】目前用户留存率情况相对稳定、健康,为了进一步提高留存率,可以推出定期秒杀活动、专享优惠券、签到有奖环节,并建立合理的用户积分体系,增加用户浏览时长和深度;
【复购率】用户的复购率较低,说明平台的用户体验存在问题,需要进一步找出用户痛点,提高用户购物满意度,并优化售后体验;加强老用户召回机制,给老用户推送消息通知,给予老用户福利和购物补贴等,来唤回用户。
5、 商品热搜和热销并不匹配,大部分商品可能未精准匹配用户需求或优惠力度不够,并没有促使用户进行购买。
建议:
(1)优化推荐算法,优先推荐热搜、热销排名靠前的商品,降低用户搜寻成本。
(2)优化搜索功能,根据用户画像更精准推荐商品,使热搜和热销更为匹配。
(3)加大热搜商品的优惠力度,提高热搜商品的购买转化率。
(4)针对浏览量高而购买转化率低的商品,应改善商品页、详情页以及评论区管理。
6、通过RFM对用户进行分层,将用户分成不通过消费特点的用户群体,从而进行精细化营销,针对不同客户实行不同的运营策略。不同的客户群体使用不同的营销方法和策略。用有限的资源优先服务最重要的客户。
三、数据解读及预处理
3.1 数据介绍
数据来源:
本数据为淘宝APP2017年11月25日至2017年12月3日(共8天)共计约1亿行用户的行为数据,共计6列字段,由于数据量较大,故本次分析取该数据集前100万条。
数据集构成如下:
列字段分别是:
user_id:用户身份
item_id:商品ID
category_id:品类ID(商品所属的品类)
behavior_type:用户行为类型(包含点击、收藏、加购物车、支付四种行为)
time:用户行为发生的时间
3.2 数据预处理
1、选取2017年11月25日至2017年12月3日(共8天)数据集前100万条
2、整理字段:
处理日期和时间格式,并拆分成date和time两列
3、删除重复值
4、缺失值处理
5、保存清洗后的数据
处理完后的数据预览
四、业务分析
分析思路
- 用户行为要素
用户行为过程:访问、加购、下单、消费
用户行为属性:是否付费、
时间范围:天、3天、7天
- 根据第3节数据集特点,指标选择
增长类:用户数、消费用户数、跳失率、复购率
行为类:PV/UV、行为时间
交易类:订单数、下单人数、人均订单数
- 分析思路
1) 用户访问情况分析
2)用户消费情况分析
3)用户访问、消费行为随着时间变化情况
4.1 用户基本行为数据
总体用户行为情况
PV:811107
UV:9739
日均访问量:83.2844
每日pv和uv变化趋势:
结论:从上图就可以看出,进入12月份,pv和uv都呈现明显的增加。11.25、11.26、12.1、12.3这四天是周末 ,因此可以排除周末原因导致pv和uv突然增加。猜测是淘宝电商节双十二吸引了大量用户。