用戶行為分析過程

• • • • 說明
      • 一、數據集與分析目的
      • • • 1、數據集
          • 2、分析目的
      • 二、數據處理
      • • • 1、數據預覽
          • 2、數據處理
      • 三、數據提取與分析
      • • • 1、網站流量分析
          • 2、用戶分析
          • 3、商品銷售分析
      • 四、總結
      • • • 1、關于平臺流量與轉化率：
          • 2、關于網站用戶粘性以及用戶消費習慣
          • 3、關于商品銷售情況

說明

本次數據分析基于阿里云天池數據集（用戶行為數據集），使用轉化漏斗，AARRR模型，對常見電商分析指標，包括轉化率，PV,UV,留存率，復購率等進行分析，分析過程中使用MySQL以及Navicat進行數據預覽與清洗處理，使用Excel進行數據可視化。

一、數據集與分析目的

1、數據集

字段說明

user_id	整數類型，序列化后的用戶ID
item_id	整數類型，序列化后的商品ID
category_id	整數類型，序列化后的商品所屬類目ID
behaviortype	字符串，枚舉類型，包括(‘pv’, ‘buy’, ‘cart’, ‘fav’)
timestamps	行為發生的時間戳

該數據集記錄用戶在淘寶網站瀏覽商品產生的行為信息。由于數據集過大 ，選取其中10200位用戶，共105萬條數據。

2、分析目的

1）了解網站流量情況；
2）了解該階段網站用戶粘性以及用戶行為習慣；
3）了解網站商品銷售情況；
分析邏輯如下：

二、數據處理

1、數據預覽

MySQL建表，使用Navicat導入數據

use userbehavior; create table user( user_id int not null, item_id int not null, category_id int not null, behavetype varchar(10) not null, times int not null, constraint user_behave PRIMARY KEY (user_id,item_id,times))

2、數據處理

（1）日期處理
將行為發生時間轉為datetime類型，獲取其發生日期及時間

SET SQL_SAFE_UPDATES = 0; ALTER TABLE user ADD COLUMN datentime TIMESTAMP(0) NULL; UPDATE user SET datentime = FROM_UNIXTIME(times); ALTER TABLE user ADD COLUMN dates CHAR(10) NULL; UPDATE user SET dates = SUBSTRING(datentime FROM 1 FOR 10); ALTER TABLE user ADD COLUMN hours CHAR(10) NULL; UPDATE user SET hours = SUBSTRING(datentime FROM 12 FOR 2);

（2）數據清洗

DELETE FROM user WHERE datentime < '2017-11-25 00:00:00' OR datentime > '2017-12-04 00:00:00';

三、數據提取與分析

1、網站流量分析

• 創建用戶行為視圖

use taobaouser; create view userbehave as select user_id,count(behavetype) num,sum(if(behavetype='pv',1,0)) pv,sum(if(behavetype='cart',1,0)) cartbox,sum(if(behavetype='fav',1,0)) favor,sum(if(behavetype='buy',1,0)) buy,dates,hours from user group by user_id,dates,hours order by user_id,dates,hours

（1）用戶參與度（pv）分析

SELECT distinct user_id,dates FROM taobaouser.user where behavetype='pv' order by dates

分析：11月25日至12月1日使用用戶數變化幅度小，范圍在7000到8000之間，從12月2日有較大幅度增加，對比11月25，26（周末）有較大的提升，可能是周末的雙12預熱營銷活動效果。

（2）網站購買轉化率（uv）（支付轉化率=支付訪客數/總訪客數)

select activeuser.dates,activeuser.ac,alluser.au,concat(round(activeuser.ac/alluser.au*100,2),'%') conversion from (SELECT dates,count(distinct user_id) ac FROM taobaouser.userbehave where buy<>0 group by dates) as activeuser join (SELECT dates,count(distinct user_id) au FROM taobaouser.userbehave group by dates) as alluser on activeuser.dates=alluser.dates

支付轉化率在11月30日取得最高值，之后呈大幅下降趨勢。

（3）轉化漏斗
獨立訪客轉化率能達到69.9%，但是從訪客行為來看，瀏覽到購買轉化率只有2.3%，若要了解具體環節的轉化率，需要對整個流程接觸到的版面進行細化的數據分析。

2、用戶分析

（數據有限，用戶新增及激活不做分析）

（1）留存
計算新增留存率與活躍留存率，視該時間段內首次登陸為新增用戶，購買為活躍用戶
新增活躍率：

#計算留存率 select first_login, concat(round(day_0/day_0*100,2),'%') day0,concat(round(day_1/day_0*100,2),'%') day1, concat(round(day_3/day_0*100,2),'%') day3,concat(round(day_6/day_0*100,2),'%') day6,concat(round(day_7/day_0*100,2),'%') day7 from #計算不同留存用戶 (select first_login, sum(if(by_date=0,1,0)) as day_0,sum(if(by_date=1,1,0)) as day_1, sum(if(by_date=3,1,0)) as day_3,sum(if(by_date=6,1,0)) as day_6,sum(if(by_date=7,1,0)) as day_7 from #比較瀏覽時間與第一次瀏覽時間比較，確定時間差 (select l.user_id,l.dates login_date,f.first_login,timestampdiff(day,f.first_login,l.dates) by_date from taobaouser.userlogin l join (SELECT user_id,dates first_login FROM taobaouser.userlogin group by user_id order by dates) as fon l.user_id=f.user_id) as b group by first_login order by first_login) as retent

將25日登陸用戶作為新增用戶來看，次日，3日留存率能達到60%以上，7日留存率達到了90%以上，用戶粘性很好，高新增留存率可能與處于雙十一促銷時段有關，說明產品新手引導性很好。
活躍留存率：


活躍留存率在20%上下浮動，同時在12月3日有稍大幅度的上升，由于用戶新增時期未知，活躍留存率維持在20%是不錯的現象。

（2）變現——復購分析

SELECT user_id,count(*) FROM taobaouser.user where behavetype='buy' group by user_id

復購次數集中在1-5次，呈長尾分布，該階段用戶消費欲望不大。
（3）用戶消費習慣分析
一天中各時段用戶行為分析：
使用切片器分別觀察每天用戶行為：
用戶瀏覽量峰值在晚上20-23點；加購率往往在早間6-7點，晚間22-23點達到峰值；收藏率往往在早間5-7點，下午16-18點達到峰值；夜間3-4點（消費欲望），上午10-11點，下午14-15點，晚上20點22點為購買轉化率峰值，其中10-11點轉化率最高。
網站可以利用這些時間點進行營銷活動安排。
另外總體來看購買轉化率更貼近于收藏率，可以適當利用來進行銷售量預測。
（4）用戶價值分析
借鑒RFM 模型，暫時不考慮M維度，對R（最近一次購買時間）F（購買頻率）進行打分，完成用戶分層

select allrank.user_id,allrank.recent,allrank.buynum, concat(CASE WHEN allrank.r_r<=(6718)/4 THEN '4' WHEN allrank.r_r>(6718)/4 AND allrank.r_r<=(6718)/2 THEN '3'WHEN allrank.r_r>(6718)/2 AND allrank.r_r<=6718/4*3 THEN '2'ELSE '1' END,CASE WHEN allrank.f_r<=(7001)/4 THEN '4' WHEN allrank.f_r>(7001)/4 AND allrank.f_r<=(7001)/2 THEN '3'WHEN allrank.f_r>(7001)/2 AND allrank.f_r<=7001/4*3 THEN '2'ELSE '1' END)AS user_value from( select recent_value.user_id,recent_value.recent,rank()over(order by recent_value.recent) r_r, frequency_value.buynum,rank()over(order by frequency_value.buynum desc) f_r from (select user_id,datediff('2017-12-04',max(dates)) recent FROM taobaouser.user where behavetype='buy' group by user_id) as recent_value join (select user_id,count(user_id) buynum FROM taobaouser.user where behavetype='buy' group by user_id) as frequency_value on recent_value.user_id = frequency_value.user_id ) as allrank

3、商品銷售分析

（1）商品銷售分布

大部分銷售來源于銷售次數為1的16190個商品，說明該時段銷售主要源于長尾部分，而非銷售數量較高的暢銷品。

（2）暢銷品及其品類分析

SELECT category_id,item_id,cartbox,dense_rank() over (order by buy desc) r FROM taobaouser.onitem where buy<>0 limit 20

查看銷量top20的商品及品類分布：銷量為前3的商品為3122135，2964774，3237415，分屬1516409，1265358，3231625類

查看瀏覽top20的商品及品類分布：瀏覽量為前3的商品為812879，138964，3845702，分屬4756105，3607361類

查看收藏top20的商品及品類分布：收藏量為前3的商品為2818406，2308741，3330337，分屬982926，4827153，4756105類

查看加購商品top20及品類：加購量為前3的商品為1535294，2331370，3031354，分屬3848953，3607361，2735466類

通過分析銷量高的品類的商品銷量都不低，建議通過調研等方式推出細分市場的商品類型，并跟進后續數據。

（3）商品購買轉化率

SELECT item_id,category_id,pv,buy,concat(round(buy/pv*100,2),'%') conversion FROM taobaouser.onitem order by conversion desc limit 200

對于商品瀏覽量高，而轉化率非常低的，建議商家對商品購買流程使用轉化漏斗進行分析并進行改善。

四、總結

1、關于平臺流量與轉化率：

• 整體來看從瀏覽到有購買意愿有6.5%的轉化率，從有購買意愿到有購買行為有28%的轉化率，說明大多數用戶以瀏覽頁面為主而購買轉化較少，低購買意愿轉化率可能與剛完成的雙11大促有關。從9天的趨勢來看，前7天轉化率處于穩步上升階段，說明雙11之后的消費情況在回升，進入12月之后，瀏覽量有稍大幅度的提升，加購轉化率有小幅提升，購買轉化率大幅下降。是否需要提高轉化率，可以對比去年同時段轉化率情況，使用使用營收目標判斷轉化率是否達到目標。
  提高加購轉化率的建議：
  ——優化搜索引擎，利用用戶畫像優化商品匹配；
  ——優化商品界面加購與收藏按鍵布局，以便用戶觸達。

2、關于網站用戶粘性以及用戶消費習慣

• 網站留存較為穩定，把9天中第一次登錄視為用戶新增的話，留存率在60%左右，活躍留存率也能達到20%，并且營銷活動帶來的用戶喚醒效果也很明顯。
  提高用戶留存建議:
  ——分析流失用戶特征，進行用戶流失預測，結合用戶畫像，通過各種活動進行用戶喚醒。
• 對于用戶復購情況，9天內網站有復購現象的用戶數接近60%，但是總體上約30%的用戶產生了80%的消費次數，復購次數多的用戶偏少，可能與雙11剛結束，雙12未開始的特殊時段有關，建議拉長分析區間分析復購情況。
  -——提高復購率的建議：開展營銷活動，比如淘寶的達成金主的條件限制，鼓勵用戶復購。
• 對于用戶消費習慣的分析，通過了解用戶消費的集中時段集中實施各種營銷活動，提高投入產出比。

3、關于商品銷售情況

• 分析發現商品售賣主要依靠長尾商品的累積效應，而非爆款商品的帶動，這也是雙11之后用戶的補充采買的特征，同時發現此時用戶購買的品類以及商品的瀏覽量很低，用戶的個人喜好特征表現明顯，同時瀏覽量高的商品購買轉化率低。
  -——針對瀏覽量高而購買轉化率低的商品，建議商家改善商品頁面，詳情頁以及評論區管理。

一起學習，共同進步，歡迎大家評論！

總結

以上是生活随笔為你收集整理的用户行为分析案例——天池数据集User Behavior Data from Taobao的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。