电商用户行为数据分析

最新推荐文章于 2024-08-28 21:11:10 发布

正在学习的小十七

最新推荐文章于 2024-08-28 21:11:10 发布

阅读量3.9w

点赞数 75

分类专栏： SFS 文章标签：数据分析电商 mysql excel

本文链接：https://blog.csdn.net/zhiliao117/article/details/89312846

版权

本文基于淘宝APP的用户行为数据，运用AARRR模型和RFM模型进行深度分析。研究显示，用户新增和留存有提升空间，购物转化率低，用户在晚上浏览和收藏商品，早晨购买。高复购率用户较少，需关注商品质量、服务和物流。周末营销活动能提升用户活跃度。此外，长尾商品贡献主要销量，但浏览量高的商品并不一定销量高，需优化商品展示和推荐策略。

摘要由CSDN通过智能技术生成

前言

本文针对淘宝app的运营数据，以行业常见指标对用户行为进行分析，包括UV、PV、新增用户分析、漏斗流失分析、留存分析、用户价值分析、复购分析等内容；
本文使用的分析工具以MySQL为主，涉及分组汇总，引用变量，视图，关联查询等内容。

一、提出问题

1.本次分析的业务问题以及分析逻辑

本次想通过对淘宝用户行为数据的分析，为以下问题提供解释和改进建议：

1）基于AARRR漏斗模型，使用常见电商分析指标，从新增用户数量、各环节转化率、新用户留存率三个方面进行分析，确定影响新增用户数量的因素，找到需要改进的转化环节，发现留存现存问题

2）研究用户在不同时间尺度下的行为规律，找到用户在不同时间周期下的活跃规律

3）找出最具价值的核心付费用户群，对这部分用户的行为进行分析

4）找到用户对不同种类商品的偏好，制定针对不同商品的营销策略

以下为本次分析逻辑：
在这里插入图片描述

2.本次分析所使用的模型和体系

电商分析通常从四个方面展开，即流程效率分析、流量/用户分析、商品分析、产品分析，通过流程效率拆解追踪问题产生环节，通过用户粘性、价值、满意度分析来进行用户分层及流失预警，通过商品生命周期及关联分析来划分商品等级，通过产品分析提升用户浏览-购买过程体验；
本文通过常用的电商数据分析指标，采用AARRR漏斗模型拆解用户进入APP后的每一步行为；并使用RFM模型，对用户价值进行评价，找到最有价值的用户群，针对这部分用户进行差异化营销。
电商数据分析体系
 电商数据分析指标
 AARRR漏斗模型

二、理解数据

1.数据来源

阿里云天池：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1

数据集包含了2017年11月25日至2017年12月3日之间，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）。数据集大小情况为：用户数量约100万（987,994），商品数量约410万（4,162,024），商品类目数量9,439以及总的淘宝用户行为记录数量为1亿条（100,150,807）。

2.本次选取的数据样本

原数据集一共有1亿条数据记录，数据量庞大，本次分析选取了大约100万条记录进行分析，数据整体情况参考如下表格。

3.字段含义及数据量

在这里插入图片描述

三、数据清洗

1. 选择子集

数据集的每一个字段都有效，此处全部选择。

2. 列名重命名

原数据集没有表头，用sql语句创建表及6个字段，把淘宝用户行为数据导入Mysql数据库。

3. 删除重复值

数据导入时，将主键定义为：user_id，item_id，timestamps，保证没有重复数据。

4. 缺失值处理

在创建表格的时候，5个字段均定义为NOT NULL，数据导入保证没有缺失值。

5.一致化处理

转换时间数据类型，并添加datentime，dates，hours三个字段，将转换好的数据放进去

ALTER TABLE UserBehavior ADD COLUMN datentime TIMESTAMP(0) NULL;
UPDATE UserBehavior
SET datentime = FROM_UNIXTIME(timestamps);

ALTER TABLE UserBehavior ADD COLUMN dates CHAR(10) NULL;
UPDATE UserBehavior
SET dates = S