淘宝用户行为分析

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。