一、項目背景

1.項目描述：

本項目數(shù)據(jù)集包含了2017年11月25日至2017年12月3日之間，共1億條用戶數(shù)據(jù)記錄，從中抽取前500w條數(shù)據(jù)進行分析，字段由ID、商品ID、商品類目ID、行為類型和時間戳組成，并以逗號分隔。主要分析工具為python。

2.數(shù)據(jù)集來源及介紹：

來自阿里云天池官方數(shù)據(jù)集：User Behavior Data from Taobao for Recommendation

字段名描述：

列名稱說明

用戶ID	整數(shù)類型，序列化后的用戶ID
商品ID	整數(shù)類型，序列化后的商品ID
商品類目ID	整數(shù)類型，序列化后的商品所屬類目ID
行為類型	字符串，枚舉類型，包括(‘pv’, ‘buy’, ‘cart’, ‘fav’)
時間戳	行為發(fā)生的時間戳

行為類型描述：

行為類型說明

pv	商品詳情頁pv，等價于點擊
buy	商品購買
cart	將商品加入購物車
fav	收藏商品

二、明確問題與分析目的、建立分析框架

1.分析框架如下：

2.問題與分析目的：

2.1 問題定義及目的：
① 計算各個環(huán)節(jié)的轉(zhuǎn)化率，分析流失率對環(huán)節(jié)進行改進
② 分析商品銷售情況，對用戶偏好和時間維度找尋規(guī)律，在用戶偏好的商品種類和時間上采取相應(yīng)的策略，如活動促銷、push等
③找到核心的用戶群體（由于缺少銷售金額字段，所以從銷售頻率和最近一次消費進行分析），針對核心用戶采取差異化策略

2.2 問題分析流程：
① 按商品與用戶行為進行拆解
② 查看基礎(chǔ)指標數(shù)據(jù)，如pv，uv，跳出率（只瀏覽一次的用戶），訪客支付轉(zhuǎn)化率（購買商品人數(shù)/uv）等
③按商品大類與商品小類拆解分析，主要分析銷量與商品類別之間的關(guān)系
④對用戶行為進行分析，基于時間維度和淘寶行為維度
⑤采用RFM模型與AARRR模型的簡化版，對數(shù)據(jù)進行拆解打分

三、數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)覽與處理

1.預(yù)覽


2.缺失值、異常值、重復(fù)值查看及處理

• 缺失值
  
  數(shù)據(jù)比較完整，無缺失值

• 異常值
  主要過濾掉時間維度在2017年11月25日至2017年12月3日之外的數(shù)據(jù)

• 重復(fù)值
  
  共5個重復(fù)值，進行去重處理

  時間戳轉(zhuǎn)化，并將轉(zhuǎn)化的列添加到原框架中

  四、流量類指標數(shù)據(jù)分析

  1.絕對指標分析

  活躍用戶定義：每日用戶行為在3次或以上的用戶
  支付用戶、pv、uv如下：
  

小結(jié)：4項指標（pv、uv、活躍用戶、支付用戶）在12月2日與12月3日均有較大幅度上升（對比11-25與11-26平均值，分別上升15萬、1.3萬、0.95萬、0.42萬），推測原因是由于雙12活動即將開始前的預(yù)熱活動所帶來的各項流量增長。

2.相對指標分析

日人均pv：即人均瀏覽量，每日pv/每日uv；
日活躍率（近似）：每日活躍用戶數(shù)量/總uv；
每日支付用戶比例：每日支付用戶數(shù)量/每日uv；
每日跳失率：每日只產(chǎn)生一次pv行為的用戶/每日uv
指標如下圖：

小結(jié)：
① 從圖中可知，人均pv在這9天上下波動，范圍在12-14次內(nèi)，數(shù)據(jù)比較正常。日活躍率在12月2號與12月3號有較大比例上漲（平均上漲約17pp），推測是即將來臨的雙12大促活動的預(yù)熱活動導(dǎo)致。但是支付用戶比例卻略有下降（對比前兩日平均下降1.5pp），環(huán)比上周末下降約0.6pp（取這周末的平均值與上周末平均值的差值），推測是由于用戶在預(yù)熱活動進行商品選擇（加購、收藏等行為），然后在雙12當天享受較大優(yōu)惠進行下單，這用戶傾向于等待10天以享受更低折扣的心理。
②9天的日跳失率在10%-11%左右波動，整體比較穩(wěn)定，且較低，證明平臺用戶粘性很高。

五、商品銷售情況分析

1.對商品大類進行分析

下表是按商品大類進行分組的購買次數(shù)及總體占比：

小結(jié)：通過對前20%的商品大類共811項（總體大類4055項）進行占比加和，約占83.95%，符合二八定律，應(yīng)將重心放在前20%的商品大類上，并在此基礎(chǔ)上對小類進行細分，采取精細化運營策略。

2.對商品購買情況進行分析

①對商品的購買次數(shù)進行描述性統(tǒng)計如下：

②統(tǒng)計前20%商品相對于全部商品的購買次數(shù)占比：

• 總體比率如下：

• 由于數(shù)據(jù)集較大，對前20名暢銷商品可視化如下：
  
  小結(jié)：所有商品中銷量top1的商品為71次，相比總銷量70881次，占比約為1‰，是所有商品里的爆款商品，可以制定差異化策略（如給予更多曝光量，排行靠前等）進一步提升其銷量。

六、用戶行為分析

1.按不同時間進行分組分析：

① 不同日期：


小結(jié)：由圖中趨勢可以看到，4類用戶行為在12月2號和12月3號均有明顯上漲，尤其pv與加購兩種行為漲幅很大，但支付行為漲幅相對較小，這與第四部分支付用戶比例略有下降的原因猜測相符。

② 不同時間段（小時維度）：

小結(jié)：由分時段的用戶行為可以看出，用戶主要活躍時間段19點-23點的時間段，符合16-40歲用戶群體的作息規(guī)律，可以針對該用戶群體分析用戶畫像特征，也可以在用戶活躍時段進行消息推送、促銷活動等。

2.按行為方式進行分析：

① 9天總體的數(shù)據(jù)與漏斗圖如下（將加購和收藏看做同一個中間行為）：

小結(jié)：由漏斗圖可知，整體轉(zhuǎn)化率處于一個比較優(yōu)秀的水平，且由（cart+pv）至（buy）的轉(zhuǎn)化率高達23.58%，所以可以采取提醒用戶加購或收藏、加購領(lǐng)優(yōu)惠券等策略，促進用戶將自己喜愛的商品加購或收藏，提高購買的總體轉(zhuǎn)化率。
② 按日期對不同層的轉(zhuǎn)化率進行統(tǒng)計如下圖：

小結(jié)：由上一部分可知，各項指標（pv,fav,cart,buy）均在12月2號、12月3號有明顯上漲，但從每日轉(zhuǎn)化率統(tǒng)計圖可知，加購和收藏到產(chǎn)生購買行為的轉(zhuǎn)化率有所下降，對比上周末（11月25日、11月26日）也有所下降，推測可能是雙12預(yù)熱活動吸引用戶瀏覽、加購與收藏，但購買行為可能會在雙12當天有較大折扣優(yōu)惠時發(fā)生。

七、RFM模型分析用戶重要性

注：由于缺少M（金額）列，僅通過R（最近一次購買時間）與F（購買頻率）對用戶進行價值分析

小結(jié)：重要價值用戶占比最多，但一般發(fā)展客戶占比排名第二，應(yīng)注意保持重要價值用戶占比，減少一般發(fā)展客戶的占比。
對不同價值用戶，應(yīng)采取不同的運營策略：

• 對于重要價值客戶來說，要提高該部分用戶的滿意度，需要采取差異化服務(wù)，將這部分用戶的體驗放在最高優(yōu)先級，提升其留存率，給予促銷等福利發(fā)放，活動推廣push時要注意避免降低用戶體驗。
• 對于重要保持客戶，他們購物頻次較高，但最近一段時間沒有消費，可以根據(jù)推薦算法推送相關(guān)感興趣商品，推送優(yōu)惠券push、好友喚回等活動進行用戶召回。
• 對于重要挽留客戶，他們最近有產(chǎn)生消費，但購物頻次較低，可以通過問卷、商品評論、反饋意見去獲取信息，分析用戶不滿的地方進行改進，提升其體驗，促進其多次消費
• 對于一般發(fā)展客戶，定期發(fā)送push通知或短信喚回，努力將其轉(zhuǎn)化為重要保持客戶或重要挽留客戶。

八、總結(jié)

1. 加購和收藏的用戶有20%轉(zhuǎn)化為購買商品，轉(zhuǎn)化率較高，所以應(yīng)當采取相應(yīng)措施（如提高商品詳情頁吸引力、加購或收藏領(lǐng)券、達到一定瀏覽時長加購提醒等方法），提升用戶的加購率與收藏率，進而提高用戶的購買率
2. 可以根據(jù)用戶活躍的日期和時段（周一到周五，19點到23點）進行活動營銷，在此期間推送用戶感興趣的商品。
3. 根據(jù)占比80%的20%商品類目數(shù)據(jù)，應(yīng)當將主要流量與資源在這些商品上進行傾斜，進一步提升爆款商品的誕生率，但同時也要注意剩余80%商品類目中的潛力商品，進行適當?shù)牧髁恐С?#xff0c;進而保持平臺綜合的健康度。
4. 通過RFM模型對用戶進行分層，應(yīng)當有針對性的采取不同的營銷方法進行精準化營銷，用有限的公司資源優(yōu)先服務(wù)于公司最重要的客戶，獲取最大化收益

總結(jié)

以上是生活随笔為你收集整理的项目：淘宝用户数据分析的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。