淘宝用户行为分析-SQL

SQL项目实战分析-淘宝用户行为分析

• 分析背景

随着电商发展的壮大，竞争对手的增多，市场竞争更家激烈，电商企业也从增量的发展转向存量的运营。大数据技术的发展和运用也日益成熟，千人千面的推荐系统也建立在对用户的各类数据的分析和挖掘下。所以对用户行为的分析可以进一步挖掘和完善用户画像，理解用户需求，为产品营销和用户运营提高更好的决策支持。

• 数据来源和介绍

数据来源于阿里巴巴天池：

数据集介绍：

    数据集(UserBehavior.csv)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，数据集的每一行表示一条用户行为。

字段含义：

列名称	说明
用户ID（user-id）	字符串类型，用户ID
商品ID（item-id）	字符串类型，商品ID
商品类目ID（category-id）	字符串类型，商品所属类目ID
行为类型（behavior-id）	字符串，枚举类型，包括('pv', 'buy', 'cart', 'fav')
时间戳（timestamp）	整型，行为发生的时间戳
行为类型	说明
pv	商品详情页pv，等价于点击
buy	商品购买
cart	将商品加入购物车
fav	收藏商品

• 明确问题

1 从用户角度，用户的价值如何分类？

2 从用户行为来分析，用户在不同行为类型的转化率，流失率如何？

3 从时间角度，什么时间段用户的购买率高，不同时间的变化如何？

4 从产品角度，受用户欢迎的产品种类有哪些？与推荐和点击种类是否重合，有哪些关联？

• 分析思路

可以从动态流程到各个环节逐一分析，商品购买的流程大概是：

用户——用户行为（不同时间段）———产品

• 数据清洗（原始数据需要备份）

      1 选择子集

       数据集太大，选取10万条导入Mysql进行分析，每一列都有参考价值所以保留，在navicat

       客户端对列表进行重命名以便于理解。

       User ID --用户id, 

       Item ID--商品id, 

       Caterory ID---商品类目id,

       Behavior type---行为类型

       Timestamp----发生时间

      2 确认数据完整性

       明确数据是否导入10万条

        

       3 查询缺失值的存在

         查询结果显示数据集并无空值。

    4  查询数据重复值

         

  

        查询结果显示数据集并无重复值。

  5  数据一致化处理

       把发生时间进行更便捷的时间处理

           

 

  6 数据异常值处理

     根据数据集介绍，改数据集包含了2017年11月25日至2017年12月3日之间的数据，

     查询是否有超出计数据范围的数据，并删除。

      

                删除后运行SQL语句检查日期范围： 

                   结果符合要求，数据清洗完成。 

• 业务问题分析过程

AIPL：把品牌人群细分，将人群资产定量化，是品牌进行全域营销最重要的一环，其中AIPL代表的意思为

Awareness 看到（曝光，点击，浏览）

Interest 倾向（关注，互动，搜索，收藏，加购）

Purchase 购买（支付下单）

Loyalty忠诚（正向评论，重复购买）

这里运用AIPL营销模型来分析用户行为的转化率变化情况，需要对表结构进行“行列互换”，

        创建一个视图

计算出A、I、P的值

计算L值( 复购）

AIPL转化流程如图

从图中我们可以看出 

A-I 拉新宣传，引起客户兴趣部分的转化率不到10%

I-P  客户首次下单购买的转化率是26%，还有很大的提升空间

P-L  客户复购的转化率高达64%说明顾客忠诚度高，可以制定更好的运营策略维护老客户

分析A-I的

从图表中可以看出来

统计会员总人数