判断用户是否存在再进行新增_MySQL用户行为分析

最新推荐文章于 2021-11-17 22:15:02 发布
最新推荐文章于 2021-11-17 22:15:02 发布
阅读量725 收藏
点赞数
文章标签： 判断用户是否存在再进行新增

e393358d8432fd5a7bcda23b1587252e.png

一、背景介绍

在互联网整体人口红利消失的背景下，电商平台流量成本不断提升，逐渐由流量思维开始向用户思维转变。本文希望通过对用户在平台上留下的的日常操作数据，进一步来分析用户的消费行为特点。

二、理解数据

1.数据来源

阿里巴巴天池

User Behavior Data from Taobao for Recommendation-数据集-阿里云天池​tianchi.aliyun.com
39ea1f80fde48183aa82fe5b81dd6032.png

本数据集(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、收藏），数据集的每一行表示一条用户行为，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。

2.字段含义

userid：用户ID，字符串类型，用户ID

itemid：商品ID，字符串类型，商品ID

categoryid：商品类目ID，字符串类型，商品所属类目ID

behavior：行为类型，字符串，枚举类型，包括('pv', 'buy', 'cart', 'fav')

timestamps：时间戳，行为发生的时间戳

注意到，用户行为类型共有四种，它们分别是

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

由于数据集的数据量较大，本文侧重于分析过程的学习，因此选取原数据集中的10万条数据导入本地MySQL数据库表userbehavior中，用于后续的用户行为分析。

三、提出问题及分析思路

1、用户整体购物情况怎样？

统计数据集中总的用户数，商品数，商品类别数，用户行为数。

2、用户粘性如何？

分析用户整体的跳出率、复购率，运用群组分析方法分析新增用户留存率。

3、用户的消费行为习惯怎样？

运用对比分析方法，分析用户随时间的活动规律。

4、用户在哪个环节流失的？

运用AARRR漏斗分析方法，分析用户行为路径及各个环节的转化率，运用假设检验分析方法找出导致用户流失的原因。

5、哪些是最有价值的用户？

运用RFM分析方法，对用户按价值进行分类，对于不同价值的用户进行精细化运营。

bc79c2bb173367305b5b0f74ba3798b7.png

四、数据清洗

1、选择子集，这里导入10万条数据，均为有用子集

2、列重命名

因原表的列名为第一行数据，这里修改为对应列名

706115651a46f15d188031c656f55f5f.png

3、删除重复值

这里的每一条数据都是记录用户的行为数据，均有意义无需去重

4、缺失值处理

查询每列是否有空值

SELECT
	count( userid ),
	count( itemid ),
	count( categoryid ),
	count( behavior ),
	count( timestamps ) 
FROM
	userbehavior 
WHERE
	userid IS NULL 
	OR itemid IS NULL 
	OR categoryid IS NULL 
	OR behavior IS NULL 
	OR timestamps IS NULL;

78f7d45ac22f5f1678a16fcab61f8182.png

从查询结果可以看出，不存在缺失值

5、一致化处理

由于timestamps列导入数据时数据类型为字符型，这里需要转换为日期格式，并创建date列和hour列分别存放对应的日期和小时

# 将timestamps列转换为日期格式
UPDATE userbehavior SET timestamps=FROM_UNIXTIME(timestamps,'%Y-%m-%d %H:%i:%s');
 
# 新建date列,从timestamp列截取日期
ALTER TABLE userbehavior add date varchar(10);
UPDATE userbehavior SET date=SUBSTRING(timestamps,1,10);
 
# 新建hour列,从timestamp列截取小时
ALTER TABLE userbehavior add hours varchar(10);
UPDATE userbehavior SET hours=SUBSTRING(timestamps,12,2);

转换日期结果如下：

8bbf77fc3368736c80e78f88e2ee3c8c.png

6、异常值处理

导入的数据选取的时间是2017年11月25日至2017年12月3日之间

1）通过查询date列，看是否存在异常值

# 查询日期列最小值和最大值
SELECT min(date),max(date) FROM userbehavior;

34648d65047be1f281221e7474e799b9.png

2）删除指定日期之外的异常值

# 删除指定日期之外的异常值
DELETE FROM userbehavior 
WHERE date > '2017-12-03' or date < '2017-11-25';
 
# 查询日期列最小值和最大值检查是否处理异常值
SELECT min(date),max(date) FROM userbehavior;

处理异常值后的结果

7e3e60a9877479c1faa8413804e3be21.png

五、业务分析

1、用户整体购物情况怎样？

统计数据集中所有行为数据，总用户数，商品数，商品类别数，用户行为数。

# 统计数据集中所有行为数据，总用户数，商品数，商品类别数，用户行为数
SELECT
 count( * ) AS 行为数,
 count( DISTINCT userid ) AS 用户数,
 count( DISTINCT itemid ) AS 商品数,
 count( DISTINCT categoryid ) AS 商品类别数,
 count( DISTINCT behavior ) AS 用户行为数 
FROM
 userbehavior;

04bf30a0732ae2065376002c2d8c888f.png

从结果课程看出，数据集中总共有99956条行为数据，其中包含983位用户，64440个商品，3128个类别，4种用户行为。

2、用户粘性如何？

（1）跳出率

跳出率：用户只产生pv行为后没有后续其他行为的次数占所有访问次数的比例

# 跳出率
select concat(round(sum(pv)/(select count(*)from userbehavior)*100,2),'%') as 跳出率
from 
(select userid,
sum(case behavior when 'pv' then 1 else 0 end) as pv,
sum(case behavior when 'fav' then 1 else 0 end) as fav,
sum(case behavior when 'cart' then 1 else 0 end) as cart,
sum(case behavior when 'buy' then 1 else 0 end) as buy
from userbehavior 
group by userid) as a 
where pv>0 and fav=0 and cart=0 and buy=0;

结果如下：

c0ff011647224436588fcca5d80f80a2.png

跳出率为2.51%，用户跳出率低，说明平台对用户的吸引力较大。

（2）用户复购率

复购用户：产生两次或两次以上购买的用户并且购买日期不在同一天

用户复购率=复购用户数/总购买用户数

# 复购用户数
SELECT count(*) as 复购用户数
FROM # 查找复购用户
(SELECT userid,count(*) as 购买次数 FROM userbehavior
WHERE behavior='buy'
GROUP BY userid
HAVING count(DISTINCT date)>=2) as a;
 
# 总购买用户数
SELECT count(DISTINCT userid) as 总购买用户数 FROM userbehavior
WHERE behavior='buy';

结果如下：

df1268daf699bbdbd0b079f17e2d6e12.png

用户复购率=复购用户数/总购买用户数=365/671=54.40%

（3）复购用户购买次数占比

# 复购用户购买次数
SELECT sum(购买次数) as 复购用户购买次数
FROM # 查找复购用户
(SELECT userid,count(*) as 购买次数 FROM `userbehavior`
WHERE behavior='buy'
GROUP BY userid
HAVING count(DISTINCT date)>=2) as a;
 
# 总购买次数
SELECT count(*) as 总购买次数 
FROM userbehavior
WHERE behavior='buy';

结果如下：

4841ffe0ab83f32d1ac86c1ab3cf34f8.png

复购用户购买次数占比=复购用户购买次数/总购买次数=1668/2101=79.40%

由以上结果可以看出，用户的复购率超过了50%，同时复购用户购买次数占比达到了79.40%，说明平台用户粘性很高，且购买积极性也高。

（4）留存率

使用群组分析方法，按每天新增的用户进行分组，通过每天新增用户的留存率来判断平台对用户的吸引力，由于数据集仅有九天的数据，这里使用2017年11月25日的所有用户作为第一天新增用户，仅计算这九天的新增用户留存率。

创建视图lading统计每天的用户名单（按userid和日期去重后的数据）

#创建视图lading统计每天的用户名单
create view lading as
select userid,date
from userbehavior
GROUP BY userid,date;

计算每日新增用户留存率：

# 计算每日留存率
select a.date, count(distinct a.userid) as 日新增用户数,
concat(round(100*count(distinct if(datediff(b.date,a.date)=1, b.userid, null))/count(distinct a.userid),2),'%') as 次日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=2, b.userid, null))/count(distinct a.userid),2),'%') as 二日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=3, b.userid, null))/count(distinct a.userid),2),'%') as 三日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=4, b.userid, null))/count(distinct a.userid),2),'%') as 四日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=5, b.userid, null))/count(distinct a.userid),2),'%') as 五日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=6, b.userid, null))/count(distinct a.userid),2),'%') as 六日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=7, b.userid, null))/count(distinct a.userid),2),'%') as 七日留存率,
concat(round(100*count(distinct if(datediff(b.date,a.date)=8, b.userid, null))/count(distinct a.userid),2),'%') as 八日留存率
from #统计每日新增的用户名单
 (select d1.*
 from lading as d1 left join lading as d2 on d1.userid=d2.userid and d1.date>d2.date
 where d2.date is null) as a 
left join
lading as b on a.userid=b.userid
group by a.date;

结果如下：

723388f853255e80536161ff91c1f7f9.png

可视化结果如下：

6bef793732d091e60aff13ab59fcc0e2.png

由以上结果可以看出，每日的留存率都处在较高的水平，这说明用户的忠诚度较高。

综上所述：从用户的跳出率、复购率和留存率可以看出，平台用户粘性很高，忠诚度高且购买积极性也高。

3、用户的消费行为习惯怎样？

分析用户消费行为随时间的变化趋势

（1）每天用户访问变化情况

UV(unique visitor)，代表独立访客人数。

PV/UV：就是平均一个独立访问者所浏览的页面访问量，引申含义就是页面重复访问量，反映用户购买意向，比值越大反映用户购买意向强烈

SELECT date as 日期,
sum(case when behavior='pv' then 1 else 0 end) as 点击量,
count(DISTINCT userid) as 用户数,
(sum(case when behavior='pv' then 1 else 0 end)/count(DISTINCT userid)) as 重复访问量
FROM userbehavior
GROUP BY date;

结果如下：

3ccae93a03d682db1c562089ec03fb07.png

数据可视化如下：

64ed14e535071e2be1e2ee9d9168870f.png

由以上结果可以看出，在11-30日至12-3日期间，点击量和用户数呈明显上升趋势，都在12-2日到达峰值，而重复访问量先快速攀升而后又迅速下降，在12-1日达到峰值（12-1日为周五）。

（2）每天用户购买行为的特点

SELECT date as '日期',count(behavior) as 用户行为总量,
sum(case when behavior='pv' then 1 else 0 end) as 点击量,
sum(case when behavior='fav' then 1 else 0 end) as 收藏数,
sum(case when behavior='cart' then 1 else 0 end) as 加购数,
sum(case when behavior='buy' then 1 else 0 end) as 购买数
FROM userbehavior
GROUP BY date;

结果如下：

324ffc83df0c01f59bdfbfcc4fa634d6.png

数据可视化如下：

bbe3293131f6730bfcd02aac7875a723.png

由以上结果可以看出，在11-30日至12-3日期间用户购买行为整体呈上升趋势，综合（1）、（2）的结果，通过查询可知是由于双十二大促的预售活动导致访问量的激增，用户表现强烈的购买意愿，将商品收藏、加入购物车为双十二当天购买做准备。

（3）一天中用户的活跃时段分布

SELECT hours as '时段',count(behavior) as 用户行为总量,
sum(case when behavior='pv' then 1 else 0 end) as 点击量,
sum(case when behavior='fav' then 1 else 0 end) as 收藏数,
sum(case when behavior='cart' then 1 else 0 end) as 加购数,
sum(case when behavior='buy' then 1 else 0 end) as 购买数
FROM userbehavior
GROUP BY hours
ORDER BY hours;

结果如下：

94c3ac9dd4baf3b14828dd1a2fb18e57.png

数据可视化如下：

079d1ec6711fa4a81f8a256a69e336be.png

从结果可以看出，每日0点到4点用户活跃度快速降低，降到一天中的活跃量最低值，符合人们正常作息时间规律，5点到10点用户活跃度快速上升，12点到15点用户活跃度缓慢回升，18点到21点用户活跃度快速上升，达到一天中的最高值，在此时段用户最活跃可推送促销活动或产品直播，刺激消费者购买。

（4）一周中用户活跃时段分布

SELECT DATE_FORMAT(date,'%W') as '星期',
count(behavior) as 用户行为总量,
sum(case when behavior='pv' then 1 else 0 end) as 点击量,
sum(case when behavior='fav' then 1 else 0 end) as 收藏数,
sum(case when behavior='cart' then 1 else 0 end) as 加购数,
sum(case when behavior='buy' then 1 else 0 end) as 购买数
FROM userbehavior
GROUP BY DATE_FORMAT(date,'%W')
ORDER BY WEEKDAY(date);

结果如下：

ed94022e7383e0055477097f22f826f4.png

数据可视化如下：

68c491535ed03ab9a99ba20413414b14.png

从结果可以看出，每周一至周四用户活跃度较稳定，周五活跃度会有小幅上升，周末活跃度大幅度攀升达到最大值，这是周末双十二大促销活动引起，可见在周末推送促销活动更能刺激消费者购买。

4、用户在哪个环节流失的？

本次数据集里面用户行为字段中包括四种行为：详情页点击，收藏，加入购物车和购买，为分析每一位用户的行为路径，将数据集中全部数据按不同用户进行分组，统计每位用户行为分布。如果在数据中，点击行为数据大于0，购买行为大于0，并且其他两项行为为0，则可判定该用户的行为路径为 点击—购买，其他用户行为路径判定方法与此同理。

创建一个视图user_behavior，统计用户行为分布：

# 创建一个视图user_behavior，统计用户行为分布
create view user_behavior as
select userid,count(behavior) as total,
sum(case when behavior='pv' then 1 else 0 end) as pv, 
sum(case when behavior='fav' then 1 else 0 end) as fav,
sum(case when behavior='cart' then 1 else 0 end) as cart,
sum(case when behavior='buy' then 1 else 0 end) as buy
from userbehavior
group by userid;

# 查看每一位用户的购物情况
select * from user_behavior ORDER BY 总行为数 desc;

结果如下：

3ddebc3aa448791927cc5607f7f29d70.png

（1）用户整体购买行为

因为加购和收藏行为没有先后顺序，因此把它们合并在一起，分析用户整体购买行为。

从视图user_behavior中汇总各购买行为

# 从视图user_behavior中汇总各购买行为
select sum(total) as total,
 sum(pv) as pv,
 sum(fav) as fav,
 sum(cart) as cart,
 sum(buy) as buy
from user_behavior;

结果如下：

aa7674c0e1835c7382fef11bc754086b.png

计算各行为转化率

# 计算各行为转化率
SELECT concat(round(sum(pv)/sum(total)*100,2),'%') as total_pv,
concat(round((sum(fav)+sum(cart))/sum(total)*100,2),'%') as 'total_fav/cart',
concat(round(sum(buy)/sum(total)*100,2),'%') as total_buy
FROM user_behavior;

结果如下：

f577245305a5c741127cf86b159bb372.png

将以上数据进行可视化：

38c514f91396efbce9e49e70a84b73ed.png

从结果上可以看出，点击占比为89.7%，而加购与收藏的占比有8.19%，并且购买的占比仅有2.1%，这说明用户对网站的内容感兴趣，但转化购买的人相对少，这需要找出背后流失的原因。

（2）用户行为路径分析

分析用户购买行为路径中主要考虑以下几种：

610aee68726bf647f988f2b9b02c28de.png

计算过程如下：

# 从创建的视图user_behavior统计各路径流失情况
select sum(case when pv>0 then 1 else 0 end) as 'pv',
 sum(case when pv>0 and buy>0 and cart=0 and fav=0 then 1 else 0 end) as 'pv-buy',
 sum(case when pv>0 and (cart>0 or fav>0) then 1 else 0 end) as 'pv-cart/fav',
 sum(case when pv>0 and (cart>0 or fav>0) and buy>0 then 1 else 0 end) as 'pv-cart/fav-buy',
 sum(case when pv>0 and (cart>0 or fav>0) and buy=0 then 1 else 0 end) as 'pv-cart/fav-lost',
  sum(case when pv>0 and cart=0 and fav=0 and buy=0 then 1 else 0 end) as 'pv-lost' 
from user_behavior;

结果如下：

b58074cb15497e184baae5f72b833189.png

7796c7a8a96b816b71e16b3a6535ba66.png

从以上结果可以看出：

1） 用户点击后流失率为7%，这说明平台对用户具有很大吸引力。

2） 用户点击-收藏/加购-购买的转化率比点击-购买的转化率高，用户更喜欢把商品收藏或加入购物车后购买，应从产品交互界面、营销机制等方面积极引导用户把商品加入购物车或收藏。

3） 从流失率分析，用户点击-收藏/加购后的流失率比用户直接点击后流失率大，用户把商品收藏或加入购物车后有28.9%放弃购买，这就需要我们找出这部分用户流失的原因。

（3）用户流失原因分析

这里运用假设检验分析方法，从用户和产品两个维度提出假设，并通过收集证据来验证假设。

211f5f072e5f763df818cf0e6661a146.png

假设一：平台推荐商品不是用户想买商品？

要想验证平台推荐商品是不是用户想买商品，可以通过分析用户的高浏览量是否为高购买量

I.创建视图统计浏览量TOP10商品种类和购买量TOP10商品种类

# 创建浏览量TOP10商品种类视图
create view pv_top10_category as
select categoryid,count(*) as 浏览量top10
from userbehavior
WHERE behavior='pv'
GROUP BY categoryid
ORDER BY count(*) desc
limit 10;
 
# 创建购买量TOP10商品种类视图
create view buy_top10_category as
select categoryid,count(*) as 购买量top10
from userbehavior
WHERE behavior='buy'
GROUP BY categoryid
ORDER BY count(*) desc
limit 10;

根据categoryid对比分析浏览量TOP10和购买量TOP10重合部分商品种类

# 浏览量TOP10商品种类
SELECT * FROM pv_top10_category as a
left join buy_top10_category as b
USING(categoryid);
 
# 购买量TOP10商品种类
SELECT * FROM buy_top10_category as a
left join pv_top10_category as b
USING(categoryid);

结果整理如下：

06934b9d63626cb34c3d8349ec233045.png

由结果可以看出，浏览量TOP10商品种类和购买量TOP10商品种类中仅有50%的商品种类重合，重合度并不高。

II.创建视图统计浏览量TOP10商品和购买量TOP10商品

# 创建浏览量TOP10商品视图
create view pv_top10_item as
select itemid,count(*) as 浏览量top10
from userbehavior
WHERE behavior='pv'
GROUP BY itemid
ORDER BY count(*) desc
limit 10;
 
# 创建购买量TOP10商品视图
create view buy_top10_item as
select itemid,count(*) as 购买量top10
from userbehavior
WHERE behavior='buy'
GROUP BY itemid
ORDER BY count(*) desc
limit 10;

根据itemid对比分析浏览量TOP10和购买量TOP10重合部分商品

# 浏览量TOP10商品
SELECT * FROM pv_top10_item as a
left join buy_top10_item as b
USING(itemid);

# 购买量TOP10商品
SELECT * FROM buy_top10_item as a
left join pv_top10_item as b
USING(itemid);

结果整理如下：

58ca5a590df3ceb56599f8d4ef016f79.png

由结果可以看出，浏览量TOP10商品和购买量TOP10商品中没有一个重复的商品ID，重合度为0。

综上所述，用户高浏览量并不能带来高购买量，即平台推荐商品不是用户想买商品，假设一成立。

假设二：商品种类太少？

可以通过统计商品类目数量和涵盖的商品数量来验证商品种类是否太少

# 整体商品类目与对应的商品数量
SELECT
 count( DISTINCT categoryid ) AS 商品类目数量,
 count( DISTINCT itemid ) AS 商品数量 
FROM
 userbehavior;

结果如下：

b8839512135b9ae25bf0a5a26cad86f6.png

由以上结果可以看出，数据集共有3128中商品类目涵盖64440中商品，供用户选择的商品种类多，所以假设二不成立。

假设三：商品没有吸引力？

通过分析商品购买次数的占比，验证商品是否没有吸引力

统计每个商品的购买次数

# 每个商品的购买次数
SELECT itemid,count(*) AS 购买次数 
FROM userbehavior 
WHERE behavior = 'buy' 
GROUP BY itemid 
ORDER BY count(*) DESC;

结果如下：

6684c140a746d71059ee8010018f22ac.png

购买次数占比

# 购买次数占比
SELECT
 a.购买次数,
 count( a.itemid ) AS 商品数,
 concat(
 round( count( a.itemid ) / ( SELECT count( DISTINCT itemid ) FROM userbehavior WHERE behavior = 'buy' ) * 100, 2 ),
 '%' 
 ) AS 占比 
FROM
 ( SELECT itemid, count( * ) AS 购买次数 FROM userbehavior WHERE behavior = 'buy' GROUP BY itemid ) AS a 
GROUP BY
a. 购买次数;

结果如下：

9de3a0bcc79474395eb34c87f5116888.png

可视化结果：

3a5e359cacd546fd55a064095765a55d.png

由以上结果可以看出，商品购买次数最多不超过4次，且购买1次的商品占比94.81%，说明产品复购率低，商品对用户没有足够多的吸引力，假设三成立。

总结：

1） 平台对用户吸引力巨大，用户在平台的行为路径中通过点击-收藏/加购-购买的转化率最高，应积极引导用户把商品加入购物车或收藏

2） 用户流失的环节主要在收藏/加购，流失的原因主要是平台推荐的商品并非用户喜欢的商品，同时平台也缺乏足够吸引的爆款产品

3） 优化平台推荐机制，把更多流量给到顾客愿意购买的商品，通过打造爆款产品，吸引更多用户复购

57c777208220010c89d5270205ad0f8c.png

5、哪些是最有价值的用户？

运用RFM分析方法，对用户按价值分层，找出最有价值用户。

RFM是3个指标的缩写，最近一次消费时间间隔（Recency），消费频率（Frequency），消费金额（Monetary）。

R（Recency）：用户最近一次交易时间的间隔。R值越小，表示用户上一次消费离得越近，户价值越高。

F（Frequency）：用户在最近一段时间内交易的次数。F值越大，表示用户交易越频繁，用户价值越高。

M（Monetary）：用户在最近一段时间内交易的金额。M值越大，表示客户消费金额越高越高，用户价值越大。

通过对RFM这3个值对应的价值的高低排序组合，得到了下面用户分类的规则：

51efbcac10ba96b49fc7252f59b878fa.png

由于数据源没有相关的金额数据，暂且通过 R 和 F 的数据对客户价值进行分类。

1）计算R、F 值

由于数据集包含的时间是从2017年11月25日至2017年12月3日，这里选取2017年12月3日作为计算日期，统计客户最近产生交易的日期距离2017年12月3日间隔天数和交易的次数。

# 最近一次消费时间间隔R和消费频率F
SELECT userid,DATEDIFF('2017-12-04',max(date)) AS R,count(*) as F
FROM userbehavior 
WHERE behavior = 'buy' 
GROUP BY userid;

结果如下：

b5c20187af313772e918c28dcd41b262.png

2）给R、F 值按价值打分

根据上面计算得到的用户R、F值，定义一个打分规则，如下图：

a7b51452d21e02282c5721fbc492453d.png

打分计算过程如下：

# 对最近一次消费时间间隔（R）和消费频率（F）进行评分，并创建视图rfm 
create view rfm as
SELECT a.*,(case
when R>20 then 1 
when R between 10 and 20 then 2
when R between 5 and 10 then 3
when R between 3 and 5 then 4
when R<=3 then 5
else 0 end) as Rscore,
(case
when F<=2 then 1 
when F between 2 and 6 then 2
when F between 6 and 8 then 3
when F between 10 and 20 then 4
when F>20 then 5
else 0 end) as Fscore
FROM
(SELECT userid,DATEDIFF('2017-12-04',max(date)) AS R,count(*) as F
FROM userbehavior 
WHERE behavior = 'buy' 
GROUP BY userid) as a;

结果如下：

467cf8b115430094e575e2f9e81cedc9.png

3）计算打分平均值

# 计算打分平均值
SELECT avg(Rscore) as avg_R, avg(Fscore) as avg_F
FROM rfm;

结果如下：

ec092bc8736780ee2106eb212394b69e.png

4） 用户分类

按照R值和F值的平均分对用户进行分类

# 用户分类
select userid,Rscore,Fscore,
 (case when Rscore>4.158 then '高' else '低' end) as 'R值高低',
 (case when Fscore>1.5484 then '高' else '低' end) as 'F值高低' 
from rfm;

结果如下：

45003fd750e2e78ce7c188f48b586628.png

因为我们这里仅考虑R、F因素，把R、F值都低的用户定义为一般价值用户，因此按下面用户分类规则进行分类：

305e9d59ef37279ba2ade8b08a93b0f9.png

对用户进行标记：

#对用户进行标记
select userid,R值高低,F值高低,
(case 
 when R值高低='高' and F值高低='高' then '重要价值用户'
 when R值高低='低' and F值高低='高' then '重要保持用户'
 when R值高低='高' and F值高低='低' then '重要发展用户'
 when R值高低='低' and F值高低='低' then '一般价值用户'
 else 0
 end) as '用户分类' 
from 
(select userid,Rscore,Fscore,
 (case when Rscore>4.158 then '高' else '低' end) as 'R值高低',
 (case when Fscore>1.5484 then '高' else '低' end) as 'F值高低' 
from rfm) as a;

结果如下：

fd34abbd5fb98ccba66b4c8a879cd58d.png

5） 对用户分类进行统计

# 对用户分类统计
select 用户分类,count(*) as 用户数
FROM
(select userid,R值高低,F值高低,
(case 
 when R值高低='高' and F值高低='高' then '重要价值用户'
 when R值高低='低' and F值高低='高' then '重要保持用户'
 when R值高低='高' and F值高低='低' then '重要发展用户'
 when R值高低='低' and F值高低='低' then '一般价值用户'
 else 0
 end) as '用户分类' 
from 
(select userid,Rscore,Fscore,
 (case when Rscore>4.158 then '高' else '低' end) as 'R值高低',
 (case when Fscore>1.5484 then '高' else '低' end) as 'F值高低' 
from rfm) as a) as b
GROUP BY 用户分类;

结果如下：

99ea5d106723bdf7f2ff63d92c10f928.png

对结果进行可视化，如下：

e5fa5f4a30db63e0e5baaf742d3f82b1.png

由以上结果可知：

1）重要价值客户占比23.70%，极有可能发展为忠实用户，对这部分用户，应加强交流与互动，提供vip服务；

2）重要发展用户占比21.46%，对于这部分用户，应刺激消费，增加粘性；

3）重要保持用户占比19.08%，对于这部分用户，可根据以往的消费记录，主动与其保持联系，为其个性化推荐，以提高复购率；

4）一般价值用户占比35.77%，这部分用户占比最大极有可能已流失，要想办法主动联系客户，调查清楚哪里出了问题，通过邮件推送、活动短信提醒等方法挽回用户。

六、总结与建议

1.用户在平台的跳出率为2.51%、商品复购率超过了50%，每日新增用户的留存率都比较高，说明用户粘性很高，忠诚度高且购买积极性也高。

2.从用户的消费行为习惯看，用户在周末的时候PV、UV较高，活跃度大幅上升，且购买意愿强烈，在一天中的18点到21点是活跃高峰期，可以根据用户的活跃时间段进行广告投放、精准推送商家的折扣优惠或促销活动，同时可以利用新媒体平台进行微信、抖音等来获取更多新用户。

3. 通过对分用户行为路径分析及各个环节转化率的分析，用户在点击-收藏/加购-购买的转化率最高，应从产品交互界面、营销机制等方面积极引导用户把商品加入购物车或收藏。

4.从流失率分析，用户把商品收藏或加入购物车后流失率达28.9%，这部分用户流失的主要原因是平台推荐商品不是用户想买商品以及商品没有吸引力，通过优化平台推荐机制，把更多流量给到顾客愿意购买的商品，通过打造爆款产品，吸引更多用户复购。

5. 通过RFM模型对用户进行价值分类，发现用户主要集中在一般价值用户，占比高达35.77%，这一部分的用户极有可能已流失，建议通过APP定向推送、短信和邮件等形式进行精准发放有偿问卷主动联系用户，调查清楚哪里出了问题，制定相应的挽回策略。

weixin_39998462
关注
MySQL中REPLACE INTO和INSERT INTO的区别分析
09-11
1. 必须存在一个 PRIMARY KEY 或 UNIQUE 索引，否则`REPLACE INTO`的行为将等同于`INSERT INTO`，因为没有依据来判断新行是否复制了其他行。 2. 所有列的值都来自于`REPLACE INTO`语句中指定的值，缺失的列会使用...
MySQL根据某个字段判断新增或更新
逍遥大俠
07-16 4269
有一个 USER表，字段有：id、username、password、email、phone 我们需要开发一个创建用户接口，username唯一，判断username是否存在，如果存在，就更新，不存在，就新增 看一下正常代码 // 创建用户 public void createUser(User user) { User userInfo = this.getUserByName(user.getUsername()); if (null != userInfo) { use
jdbc-mysql判断注册用户是否存在，不存在插入
weixin_52812666的博客
11-17 2300
package jdbc; import java.sql.*; import java.util.Scanner; public class demo02 { public static void main(String[] args) throws ClassNotFoundException, SQLException { Scanner scanner =new Scanner(System.in); System.out.println("输入账号"); .
mysql 用户是否存在,检查用户是否存在于MySQL中并删除它？
weixin_35823403的博客
03-17 1794
要检查MySQL中有多少用户，请使用MySQL.user表。语法如下，以检查有多少用户。mysql>SELECTUserFROMmysql.user;以下输出显示用户-+------------------+|User|+------------------+|Mac||Manish||mysql.i...
php检查用户名是否已在mysql中存在
01-15 327
在写注册系统时，如果要检查用户名是否存在，php可以这样写： $username=$_REQUEST['username']; $password=$_REQUEST['password']; echo "excute the insertUserInfo"; $con=mysqli_connect("localhost","root",
MySQL语句判断新老客_数栖云应用场景实践——老客召回（文字版教程）
weixin_32546235的博客
02-04 765
本教程视频地址：https://bbs.dtwave.com/trains/show/4现今许多企业都存在数据分散，融合困难等问题，对于现有数据分析的不足，导致无法优化召回策略，提升召回效率。借助数栖平台，企业数据开发人员能够轻松打通原有业务系统数据，高效的完成数据处理以及标签开发工作，帮助业务精准实现老客召回，提升召回效率。在进行开发前，我们要先明确一下待开发标签的定义。这里的老客户召回目的主要...
C++库存管理系统文档+mysql
06-18
本系统采用C++编程语言结合MySQL数据库进行开发，旨在实现一个用户友好的、安全可靠的库存管理解决方案。 1.2 系统目标 本系统的目的是设计一个能够满足超市日常库存管理需求的软件，包括商品信息管理、商家信息...
根据输入的日期获取所属季度
04-18
3. **市场调研**: 市场部门可能会按季度分析市场趋势或消费者行为。 4. **项目管理**: 按季度评估项目进度和成果。 #### 六、扩展知识点 1. **其他日期操作**: - 计算两个日期之间的天数差。 - 获取某个日期前后...
盾灵广告联盟系统 v2.2.zip
07-07
3、新增用户激活与锁定功能，当用户有严重作弊行为时，可进行锁定或删除处理。当用户被锁定时，推广时就不会产生任何费用。 4、新增下线开关，以及设置下线提成的比例。 5、可设置拥金的单位名称。如，元，角，分...
python源码RCQ读者书库程序
最新发布
04-20
5. **统计分析**：可以生成关于书籍流通情况、用户借阅行为等方面的统计报告。 #### 二、技术实现要点 ##### 1. 数据存储 在设计此类系统时，数据存储的选择尤为重要。常见的数据存储方案有： - **文件存储**：...
mysql用户名不存在,mysql仅在用户不存在时创建用户
weixin_34544309的博客
01-28 441
I want to execute a CREATE USER statement, but only when the user doesn't already exist.What would be the best way of doing this?解决方案If you're creating a user, you need to create a grant too. The gran...
MySQL中实现DROP USER if EXISTS `test`，即创建新用户时检测用户是否存在
博客
11-22 1万+
最近在工作中碰到这样一个问题，使用数据库脚本更新数据库，检测用户是否存在，不存在的话创建，分配库的权限，存在则跳过； 第一个想到的就是类似删除表的判断DROP TABLE if EXISTS `test_table`; 用DROP USER if EXISTS `test`；会报语法错误，ERROR 1064 (42000): You have an error in your SQL syn
mysql查询某用户名是否存在_如何判断用户名是否在数据库中已经存在呢JSP
weixin_29215391的博客
01-25 2992
String ID = request.getParameter("ID");String password = request.getParameter("password");String rpassword = request.getParameter("rpassword");String name = request.getParameter("name");String sex = r...
171211之如何判断用户名在数据库中是否存在
热门推荐
a3060858469的博客
12-11 1万+
方法1：数据库中把注册名设置成Key关键字，当你加相同的，就会提示；方法2：添加新的注册名时，先用sql查询语句去库里查询是否存在相同的注册名 ——解决方案——————————————————– 申请时候去数据库select　count(id) from UserInfo where [name]= ‘aa ’ 返回０就让申请，大于０就不让 ——解决方案———————————————
mysql查询某用户名是否存在_使用AJAX检查数据库中是否存在用户名
weixin_31614235的博客
02-02 1511
小编典典在继续之前，SELECT * FROM 'users' WHERE 'username' = '.$_POST['username'];只是向SQL注入提问。我建议您使用PHP数据对象-http://php.net/manual/zh/book.pdo.php。因此，据我了解，我也必须通过$ .ajax传递POST值，对吗？ 如果是，我将如何通过validation.php文件访问它们？因...
mysql/servlet用户名密码判断是否存在数据库
lxasmall_white的博客
09-23 5943
数据库连接类:package com.xasmall.test;import java.io.IOException; import java.sql.Connection; import java.sql.DriverManager; import java.sql.SQLException; import java.util.Properties;/** * 数据库连接类 * @author
mysql判断是否存在该如何写？
qq_37749898的博客
08-18 4249
看麦科马克
使用PureFTPd+Mysql+PHP_Manager配置虚拟用户磁盘限制
接下来的步骤涉及创建数据库、用户以及配置PureFTPd以连接Mysql，实现FTP用户的管理与磁盘限制。" 在本文中，我们将探讨如何在FreeBSD系统上搭建一个安全且可管理的FTP服务器，通过集成PureFTPd、Mysql和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值