?? ? ? ?? ? ? ?

叮當(dāng)之前主要是做增長(zhǎng)方向的，平時(shí)工作中主要基于問(wèn)題做數(shù)據(jù)分析，大部分時(shí)候都是怎么快怎么來(lái)。

很少有各種工具，各種分析方法全來(lái)一遍的，所以本次借分析“淘寶用戶行為數(shù)據(jù)集”為案例，梳理一下自己的數(shù)據(jù)分析技能。

本文以“淘寶用戶行為數(shù)據(jù)集”的分析全過(guò)程為例，展示數(shù)據(jù)分析的全過(guò)程，分析部分需要一些SQL基礎(chǔ)。

——使用工具：MySQL，Excel，Navicat，PowerBI

——數(shù)據(jù)來(lái)源：阿里天池實(shí)驗(yàn)室-淘寶用戶行為數(shù)據(jù)集

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

——分析類(lèi)型：描述分析，診斷分析

——分析方法：漏斗分析，用戶路徑分析，RFM用戶價(jià)值分析，活躍/存留分析，帕累托分析，假設(shè)驗(yàn)證分析。

（考慮到閱讀體驗(yàn)文章中只放了SQL截圖）

目錄如下

? ? ? ?? ? ? ?

一、分析流程和方法

1.1 數(shù)據(jù)分析類(lèi)型

? ? ? ?

當(dāng)沒(méi)有清晰的數(shù)據(jù)看板時(shí)我們需要先清洗雜亂的數(shù)據(jù)，基于分析模型做可視化，搭建描述性的數(shù)據(jù)看板。

在沒(méi)有很明確問(wèn)題或問(wèn)題很多很復(fù)雜的情況下，直接看雜亂的源數(shù)據(jù)不僅效率很低，也很難得到有價(jià)值的信息。

然后基于描述性的數(shù)據(jù)挖掘問(wèn)題，提出假設(shè)做優(yōu)化，或者基于用戶特征數(shù)據(jù)進(jìn)行預(yù)測(cè)分析找規(guī)律，基于規(guī)律設(shè)計(jì)策略。簡(jiǎn)單來(lái)說(shuō)：

——描述性分析就是：“畫(huà)地圖”

——診斷性分析就是：“找問(wèn)題”

——預(yù)測(cè)性分析就是 ：“找規(guī)律”

1.2 數(shù)據(jù)分析的兩個(gè)典型場(chǎng)景

在數(shù)據(jù)分析中有兩個(gè)典型的場(chǎng)景：

一種是有數(shù)據(jù)，沒(méi)有問(wèn)題：需要先整體分析數(shù)據(jù)，然后再根據(jù)初步的描述分析，挖掘問(wèn)題做診斷性分析，提出假設(shè)，設(shè)計(jì)策略解決問(wèn)題。

?

另一種是已經(jīng)發(fā)現(xiàn)了問(wèn)題，或者已經(jīng)有了假設(shè)，這種做數(shù)據(jù)分析更偏向于驗(yàn)證假設(shè)。

?

二、淘寶用戶行為分析

本次是對(duì)“淘寶用戶行為數(shù)據(jù)集”進(jìn)行分析，在分析之前我們并不知道有什么問(wèn)題，所以需要先進(jìn)行描述性分析，分析數(shù)據(jù)挖掘問(wèn)題。

2.1 解讀元數(shù)據(jù)

我們首先來(lái)看下這個(gè)數(shù)據(jù)集的元數(shù)據(jù)：

? ? ??

數(shù)據(jù)集包含了2017年11月25日至2017年12月3日之間，有行為的約一百萬(wàn)隨機(jī)用戶的所有行為（行為包括四種：點(diǎn)擊商品詳情頁(yè)、購(gòu)買(mǎi)商品、將商品放入購(gòu)物車(chē)、收藏商品）。數(shù)據(jù)集的每一行表示一條用戶行為，由用戶ID、商品ID、商品類(lèi)目ID、行為類(lèi)型和時(shí)間戳組成，并以逗號(hào)分隔。

本數(shù)據(jù)集包含：用戶數(shù)量987994；商品數(shù)量4162024；商品類(lèi)目數(shù)量9439；所有行為數(shù)量100150807

2.2 選擇分析方法

根據(jù)以上數(shù)據(jù)字段我們可以拿用戶行為為主軸從縱深方向提出一些問(wèn)題，然后再?gòu)臄?shù)據(jù)中找答案。

? ? ? ?? ? ? ?

縱向：

——這個(gè)數(shù)據(jù)集中用戶的日活躍和周活躍時(shí)間有什么規(guī)律嗎？

——在當(dāng)日活躍的用戶次日，三日，四日……還有多少活躍？

深向：

——用戶從瀏覽到購(gòu)買(mǎi)的整體轉(zhuǎn)化率怎么樣？

——用戶從瀏覽到購(gòu)買(mǎi)的路徑是怎么樣子的？?

——平臺(tái)主要會(huì)給用戶推送什么商品？

——用戶喜歡什么類(lèi)目？喜歡什么商品？?

——怎么判斷哪些是高價(jià)值用戶 ？?

?

下面是叮當(dāng)整理的常用分析方法：? ? ??? ? ? ?

我們可以給前面的問(wèn)題匹配一下分析方法，便于后面的分析：

2.3 數(shù)據(jù)清洗

為了便于后面的數(shù)據(jù)分析，在分析之前我們需要先對(duì)做一下清洗

2.3.1數(shù)據(jù)預(yù)處理：

看元數(shù)據(jù)（字段解釋，數(shù)據(jù)來(lái)源，數(shù)據(jù)類(lèi)型，數(shù)據(jù)量……）初步發(fā)現(xiàn)問(wèn)題為之后的處理做準(zhǔn)備。

數(shù)據(jù)導(dǎo)入：由于整體數(shù)據(jù)集有100W+條數(shù)據(jù)，導(dǎo)入太慢，本次僅導(dǎo)入10W條分析

添加列名：數(shù)據(jù)導(dǎo)入時(shí)默認(rèn)使用第一行數(shù)據(jù)作為列名，由于本數(shù)據(jù)集沒(méi)有列名，需要添加

? ? ? ?? ? ? ?

2.3.2缺失值清洗：

確定缺失值范圍，去除不需要字段，填充缺失內(nèi)容? ??

2.3.3格式內(nèi)容清洗：

根據(jù)元數(shù)據(jù)格式和后續(xù)分析需要的格式對(duì)數(shù)據(jù)進(jìn)行處理

timestamps字段是時(shí)間戳字符類(lèi)型，而后面要做存留分析和用戶活躍時(shí)間段需要用到時(shí)間戳中的日期字段和時(shí)間字段，在這里需要提前分下列。

??

2.3.4邏輯錯(cuò)誤清洗

去除重復(fù)值，異常值

——去除重復(fù)值：并把用戶ID,商品ID，時(shí)間戳設(shè)置為主鍵

——異常值處理：查詢并刪除2017年11月25日至2017年12月3日之外的數(shù)據(jù)

剔除不在本次分析范圍的數(shù)據(jù)

? ? ??

查詢并刪除小于2017-11-25的

——驗(yàn)證數(shù)據(jù)：? ? ??

2.4 描述分析

2.4.1這個(gè)數(shù)據(jù)集中用戶的日活躍和周活躍時(shí)間有什么規(guī)律嗎？

——分析思路：

從“時(shí)間戳“字段中抽取出“日期”和“小時(shí)”的數(shù)據(jù)，創(chuàng)建一個(gè)“活躍時(shí)間”字段，并從“行為類(lèi)型”中用分組方式把用戶的“瀏覽”“收藏”“加購(gòu)物車(chē)”“購(gòu)買(mǎi)”行為抽離出來(lái)，組成一個(gè)視圖表，導(dǎo)出到Excel中用透視表分析用戶的日活躍規(guī)律和周活躍規(guī)律。

——SQL提數(shù)：

增加活躍時(shí)間字段

? ? ? ?? ? ? ?

查詢用戶 活躍時(shí)間分布，并創(chuàng)建視圖

? ? ? ?? ? ? ?

——Excel可視化：

? ? ? ?? ? ? ?

活躍曲線整體為上升狀態(tài)，同為周六日，12月2號(hào)，3號(hào)相比11月25日，26日活躍度更高。

是否是用戶增長(zhǎng)帶來(lái)的？

用戶在周六周日相比其他時(shí)間更活躍（周六周日為休息日，用戶有更多時(shí)間）

? ? ??

一天內(nèi)用戶活躍的最高峰期為21點(diǎn)（用戶在這個(gè)時(shí)間段空閑較多）

正常工作職場(chǎng)工作者的睡前時(shí)間，996的應(yīng)該也下班啦~

?

2.4.2在當(dāng)日活躍的用戶次日，三日，四日……還有多少活躍？

——分析思路：

用戶存留的分析可以分為“新用戶存留”和“活躍用戶存留”

新用戶存留一般指：新注冊(cè)用戶在一定時(shí)間周期內(nèi)還會(huì)不會(huì)再登錄

活躍用戶存留需要根據(jù)產(chǎn)品類(lèi)型和用戶場(chǎng)景選擇“關(guān)鍵行為”和選擇“時(shí)間周期”

-關(guān)鍵行為：淘寶作為購(gòu)物網(wǎng)站，用戶瀏覽，收藏，加購(gòu)，購(gòu)買(mǎi)商品與交易行為高度相關(guān)都可作為關(guān)鍵行為。

-時(shí)間周期：淘寶擁有海量的SKU，基本可以滿足用戶各方面的需求，理論上用戶每天都有購(gòu)買(mǎi)需求，時(shí)間周期可以按天。

SO，實(shí)際上這個(gè)問(wèn)題就是在求，數(shù)據(jù)集第一日在APP有關(guān)鍵行為的用戶在第二天，第三天……還會(huì)繼續(xù)在APP中有關(guān)鍵行為的用戶占比

我們需要先列出每用戶每天及當(dāng)天后面又活躍的日期，用于后面求次日存留，三日存留……

之后按日期對(duì)用戶進(jìn)行分組，并抽取之后9天依然活躍的用戶數(shù)量

最后用活躍用戶表中后續(xù)活躍用戶除首日活躍數(shù)量乘100加%號(hào)

——SQL提數(shù)：

列出每用戶每天及當(dāng)天后面又活躍的日期，并創(chuàng)建“活躍時(shí)間間隔表”用于后面求次日存留，三日存留……

? ? ? ?? ? ? ?

對(duì)“活躍時(shí)間間隔表視圖”引用進(jìn)行分組統(tǒng)計(jì)，計(jì)算每日存留人數(shù)并創(chuàng)建視圖

? ?

對(duì)存留人數(shù)表進(jìn)行計(jì)算，統(tǒng)計(jì)活躍用戶留存率

?? ?

——Excel可視化：

? ? ? ?? ? ? ?

• 用戶增長(zhǎng)：從2017年11月15日致2017年12月3日，活躍用戶新增38%

• 存留增長(zhǎng)：從2017年11月15日致2017年12月3日，活躍用戶次日留存增長(zhǎng)18.67%，當(dāng)日的活躍用戶留存也在快速增長(zhǎng)，第七日留存比次日留存高18.56%。

假設(shè)隨時(shí)間增長(zhǎng)的留存率提升來(lái)源于新dau提升策略的優(yōu)化，后續(xù)存留的提升來(lái)源于召回策略的優(yōu)化。

2.4.3用戶從瀏覽到購(gòu)買(mǎi)的整體轉(zhuǎn)化率怎么樣？

——分析思路：

將數(shù)據(jù)集中按不同用戶，不同商品維度進(jìn)行分組獲得某一用戶行為對(duì)某一商品不同行為的數(shù)據(jù)，然后對(duì)“用戶行為漏斗表”中的瀏覽，加購(gòu)物車(chē)，收藏，購(gòu)買(mǎi)行為進(jìn)行分組統(tǒng)計(jì)。

——SQL提數(shù)：

-把各種用戶行為分離出來(lái)并創(chuàng)建視圖方便后續(xù)查詢用戶行為數(shù)據(jù)

?? ?

查詢整體數(shù)據(jù)漏斗

——Excel可視化：

? ? ? ??? ? ?

用戶從瀏覽到購(gòu)買(mǎi)整體轉(zhuǎn)化率2.3%，具體主要在哪個(gè)環(huán)節(jié)流失還需要再細(xì)分用戶路徑分析

?

2.4.4用戶從瀏覽到購(gòu)買(mǎi)的路徑是怎么樣子的？?

——分析思路：

窮舉所有可能的用戶路徑，引用“用戶行為漏斗表”視圖，計(jì)在數(shù)據(jù)中點(diǎn)擊行為大于0，購(gòu)買(mǎi)行為大于0，其他兩項(xiàng)為0，則判定本用戶購(gòu)買(mǎi)路徑為：點(diǎn)擊—購(gòu)買(mǎi)，其他路徑同理，多次查詢并用Excel表記錄查詢數(shù)據(jù)，用戶PowerBI?；鶊D做可視化。

? ? ? ??? ? ?

——SQL提數(shù)：

——PowerBI可視化：

? ? ? ?

用戶從瀏覽到購(gòu)買(mǎi)的路徑主要有4條，路徑越長(zhǎng)轉(zhuǎn)化率越底

路徑1：瀏覽→購(gòu)買(mǎi)：轉(zhuǎn)化率1.45%

路徑2：瀏覽→加購(gòu)物車(chē)→購(gòu)買(mǎi)：轉(zhuǎn)化率0.33

路徑3：瀏覽→收藏→購(gòu)買(mǎi)：轉(zhuǎn)化率0.11%

路徑4：瀏覽→收藏→加購(gòu)物車(chē)→購(gòu)買(mǎi)：轉(zhuǎn)化率0.03%

以上轉(zhuǎn)化率等于起始路徑到購(gòu)買(mǎi)的轉(zhuǎn)化

2.4.5平臺(tái)主要給用戶推送什么商品？

——分析思路：

雖然我們沒(méi)法直接從數(shù)據(jù)中找到平臺(tái)推送的數(shù)據(jù)，但作為平臺(tái)流量?jī)A斜的商品，瀏覽量一般都會(huì)比其他商品的瀏覽量高一些，我們可以引用“用戶行為漏斗表”視圖統(tǒng)計(jì)瀏覽量前100的商品及其類(lèi)目。

——SQL提數(shù)：

——Excel可視化：

? ? ? ?? ? ? ?

——描述性分析：

瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對(duì)越大在這個(gè)階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對(duì)越小，同階梯內(nèi)的商品越多。

——是否是用于淘寶流量分配規(guī)則的原因造成的？（假設(shè)淘寶的規(guī)則是給所有商品分配的初始流量是一樣的，后期這些商品中那些商品轉(zhuǎn)化率高就給哪些商品更多曝光。）

瀏覽量TOP100的商品所屬類(lèi)目中，4756105，3607361，4357323三個(gè)類(lèi)目瀏覽量遠(yuǎn)超其他類(lèi)目。

——這個(gè)幾個(gè)類(lèi)目商品類(lèi)型是否是高頻剛需類(lèi)型的呢？

2.4.6用戶喜歡什么商品？?

——分析思路：

找高轉(zhuǎn)化率的商品（銷(xiāo)量高的有可能只是低價(jià)或者流量大）

——SQL提數(shù)：

查詢計(jì)算商品轉(zhuǎn)化率，升序排列，取前100個(gè)

? ? ? ??

——Excel可視化：

? ? ? ??

——描述性分析：

從商品看：有17款商品轉(zhuǎn)化率超過(guò)了1。

是否是由于用戶直接從購(gòu)物車(chē)或者商品收藏直接復(fù)購(gòu)，未點(diǎn)擊商詳？

從類(lèi)目看：這些商品所屬類(lèi)目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個(gè)類(lèi)目之外，其他類(lèi)目都只有一個(gè)商品在轉(zhuǎn)化率TOP100的商品中。

是否是由于淘寶是根據(jù)“同一類(lèi)目下的高轉(zhuǎn)化商品”給用戶做推薦的？

2.4.7怎么判斷哪些是高價(jià)值用戶 ？?

——分析思路：

用戶價(jià)值分析常用的分析方式是RFM模型

RFM模型是3個(gè)指標(biāo)的縮寫(xiě)，最近一次消費(fèi)時(shí)間（R），消費(fèi)頻率（F），消費(fèi)金額（M）

然后給這三個(gè)指標(biāo)根據(jù)價(jià)值分5個(gè)等級(jí) ，進(jìn)行打分計(jì)算分值和平均值，然后根據(jù)分值與平均值對(duì)比，分出“高”“中”“低”，綜合進(jìn)行用戶分層。

? ? ? ?? ? ? ?

本次分析中的R,F,M具體定義（僅用于演示分析方法，無(wú)實(shí)際業(yè)務(wù)參考價(jià)值）：

-R：根據(jù)用戶最近一次的購(gòu)買(mǎi)時(shí)間與2017年12月3日之間的差值，判斷用戶最近一次消費(fèi)時(shí)間間隔。

-F：將數(shù)據(jù)集中用戶在2017年11月25日至2017年12月3日9天時(shí)間內(nèi)的購(gòu)買(mǎi)次數(shù)作為消費(fèi)頻率

-M：由于本數(shù)據(jù)集中未包含購(gòu)買(mǎi)金額字段，暫時(shí)排除此指標(biāo)。

?

——SQL取數(shù)與分析：

1）建立打分標(biāo)準(zhǔn)：先計(jì)算R,F的值，并排序，根據(jù)R,F值最大值和最小值得區(qū)間設(shè)計(jì)本次得打分標(biāo)準(zhǔn)

關(guān)于打分標(biāo)準(zhǔn)：不同業(yè)務(wù)的用戶消費(fèi)頻率，消費(fèi)金額，精細(xì)化運(yùn)營(yíng)策略與成本……都是不同，一般常用”分位數(shù)“建立打分標(biāo)準(zhǔn)，由于SQL并不是專業(yè)得統(tǒng)計(jì)分析工具，計(jì)算分位數(shù)較為復(fù)雜，本次僅使用最大值和最小值的區(qū)間初略建立規(guī)則。

分位數(shù)：是指在統(tǒng)計(jì)學(xué)中把所有數(shù)值由小到大排列并分成幾等份，取處于對(duì)應(yīng)幾個(gè)分割點(diǎn)位置的數(shù)值。

-查詢并計(jì)算R，F值創(chuàng)建視圖

? ? ? ?? ? ? ?

-引用RF數(shù)值表，分別查詢R,F的最大值和最小值

? ? ? ?

? ? ? ?? ? ? ?

-結(jié)合人工瀏覽的建立打分標(biāo)準(zhǔn)? ? ??

消費(fèi)時(shí)間間隔：在1~8區(qū)間內(nèi)四等分

消費(fèi)頻率：由于人工 瀏覽時(shí)發(fā)現(xiàn)很少有超過(guò)20次購(gòu)買(mǎi)的，故消費(fèi)頻率在20以內(nèi)四等分

2）給R，F按價(jià)值打分

3）計(jì)算價(jià)值的平均值? ? ?? ? ? ?

4）用平均值和用戶分類(lèi)規(guī)則表比較得出用戶分類(lèi)? ?

-查詢各類(lèi)用戶數(shù)量

——Excel可視化? ? ??

由于缺失了商品價(jià)格部分的數(shù)據(jù)，本模塊暫時(shí)沒(méi)有分析結(jié)論。

?

2.5 診斷分析

通過(guò)描述性分析得到可視化的數(shù)據(jù)后我們一般會(huì)先看一下是否符合業(yè)務(wù)常識(shí)

如：假設(shè)一個(gè)頁(yè)面的UV（瀏覽人數(shù)）比PV（瀏覽次數(shù)）還高，那這個(gè)數(shù)據(jù)質(zhì)量肯定是有問(wèn)題的

如果符合常識(shí)接下來(lái)我們會(huì)通過(guò)與行業(yè)平均數(shù)據(jù)和本產(chǎn)品的同比環(huán)比對(duì)比看是否正常，如果不正常就要找原因，設(shè)計(jì)解決方案，如果正常那就看是否有可以優(yōu)化的地方。

? ? ? ??

2.5.1診斷分析結(jié)論

我們首先來(lái)看一下這些描述性分析是否符合業(yè)務(wù)常識(shí)和指標(biāo)是否正常：

? ? ? ?? ? ? ?

1.活躍曲線整體為上升狀態(tài)，同為周六日，12月2號(hào)，3號(hào)相比11月25日，26日活躍度更高。

正常：結(jié)合描述分析4中的活躍用戶的增長(zhǎng)。

2.用戶在周六周日相比其他時(shí)間更活躍

正常：周六周日為休息日，用戶有更多時(shí)間來(lái)刷淘寶，反映在數(shù)據(jù)上就是活躍度的增加。

3.一天內(nèi)用戶活躍的最高峰期為21點(diǎn)

正常：用戶在這個(gè)時(shí)間段有空閑，996的都下班啦~

4.從2017年11月15日致2017年12月3日，活躍用戶新增38%

還需驗(yàn)證：

如果是由于新注冊(cè)用戶或者老用戶召回策略帶來(lái)的增長(zhǎng)符合常識(shí)，具體還需結(jié)合新注冊(cè)用戶數(shù)據(jù)和用戶召回策略數(shù)據(jù)做驗(yàn)證。

5.從2017年11月15日致2017年12月3日，活躍用戶次日留存增長(zhǎng)18.67%，當(dāng)日的活躍用戶留存也在快速增長(zhǎng)，第七日留存比次日留存高18.56%。

不符合常識(shí)：因?yàn)閺拈L(zhǎng)期來(lái)看用戶都是會(huì)流失的，只是生命周期長(zhǎng)短問(wèn)題，而從淘寶的用戶行為來(lái)看同批用戶的存留數(shù)據(jù)竟然隨著時(shí)間的增加而增加。

假設(shè)場(chǎng)景可能是這樣的：用戶小A注冊(cè)了淘寶APP，第二天就不再登錄了，而第三天收到了淘寶的推薦提醒（APP消息，短信……）在消息中發(fā)現(xiàn)了自己喜歡的商品，而且還有優(yōu)惠下單買(mǎi)了，第四天又收到了淘寶的消息，還是自己喜歡的……

這里的具體數(shù)據(jù)還需要結(jié)合用戶生命周期運(yùn)營(yíng)的策略和數(shù)據(jù)做驗(yàn)證。

6.用戶從瀏覽到購(gòu)買(mǎi)整體轉(zhuǎn)化率2.3%

正常，根據(jù)之前了解到的電商數(shù)據(jù)，多種客單價(jià)的商品（幾十~幾千）在一起，整體轉(zhuǎn)化率在2%~3%之間，當(dāng)然具體還需要結(jié)合歷史的同比，環(huán)比數(shù)據(jù)取看。

7.用戶從瀏覽到購(gòu)買(mǎi)的路徑主要有4條，路徑越長(zhǎng)轉(zhuǎn)化率越低。

正常：從流量的角度，每多一個(gè)步驟就會(huì)多一些用戶流失這個(gè)符合常識(shí)。

8.瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對(duì)越大在這個(gè)階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對(duì)越小，同階梯內(nèi)的商品越多。

待驗(yàn)證：

假設(shè)淘寶會(huì)給高轉(zhuǎn)化的爆款商品更多的曝光，商品瀏覽量呈金字塔分布是正常的。

9.瀏覽量TOP100的商品所屬類(lèi)目中，4756105，3607361，4357323三個(gè)類(lèi)目瀏覽量遠(yuǎn)超其他類(lèi)目。

還需驗(yàn)證：

——抽取購(gòu)買(mǎi)購(gòu)買(mǎi)次數(shù)判斷這個(gè)幾個(gè)類(lèi)目商品類(lèi)型是否是高頻剛需類(lèi)型的呢？

10.從商品看：有17款商品轉(zhuǎn)化率超過(guò)了1。

不正常：

還需驗(yàn)證：是否是由于用戶直接從購(gòu)物車(chē)或者商品收藏直接復(fù)購(gòu)，未點(diǎn)擊商詳？

11.從類(lèi)目看：這些商品所屬類(lèi)目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個(gè)類(lèi)目之外，其他類(lèi)目都只有一個(gè)商品在轉(zhuǎn)化率TOP100的商品中。

還需驗(yàn)證：

是否是由于淘寶是根據(jù)“同一類(lèi)目下的高轉(zhuǎn)化商品”給用戶做推薦的？

2.5.2假設(shè)與驗(yàn)證

根據(jù)以上診斷分析我們梳理出了以下假設(shè)，做假設(shè)驗(yàn)證。

? ? ? ?? ? ? ?

假設(shè)1：這些商品中有高轉(zhuǎn)化率的爆款商品

-引用“商品轉(zhuǎn)化率視圖”查詢排名前5的商品轉(zhuǎn)化率

? ? ?? ?

-對(duì)比同類(lèi)目的其他商品轉(zhuǎn)化率

? ? ? ?? ? ? ?

對(duì)比瀏覽量TOP5的商品，發(fā)現(xiàn)這些商品轉(zhuǎn)化率在同一類(lèi)目下并不高，假設(shè)不成立

?

假設(shè)2：4756105，3607361，4357323三個(gè)類(lèi)目屬于高頻剛需類(lèi)目

抽取這幾個(gè)類(lèi)目的商品某買(mǎi)頻次數(shù)據(jù)驗(yàn)證

-創(chuàng)建類(lèi)目購(gòu)買(mǎi)頻次表? ? ?

? ? ? ?

-計(jì)算類(lèi)目購(gòu)買(mǎi)頻次平均值? ? ??

? ? ? ?

-查詢4756105，3607361，4357323三個(gè)類(lèi)目的購(gòu)買(mǎi)頻次??? ? ?? ? ? ?

4756105，3607361，4357323三個(gè)類(lèi)目的用戶購(gòu)買(mǎi)頻次明顯高于平均值，假設(shè)成立。

?

假設(shè)3：有部分用戶是未點(diǎn)擊商詳直接從收藏和購(gòu)物車(chē)購(gòu)買(mǎi)的。

查詢轉(zhuǎn)化率超過(guò)1的商品的用戶行為數(shù)據(jù)

? ? ? ?? ? ? ?? ? ??

用戶不是直接從收藏和購(gòu)物車(chē)購(gòu)買(mǎi)的，只是后續(xù)復(fù)購(gòu)未點(diǎn)擊商詳，假設(shè)不成立

?

假設(shè)4：淘寶推薦的商品主要是“同一類(lèi)目下的高轉(zhuǎn)化商品”

給瀏覽量TOP100的商品和轉(zhuǎn)化率TOP100的商品做匹配看其中重合的商品有多少。

? ? ? ??? ? ?

用Excel對(duì)瀏覽量TOP100的商品ID和轉(zhuǎn)化率TOP100的商品ID進(jìn)行去重，結(jié)果無(wú)重復(fù)值，假設(shè)不成立

三、結(jié)論

1）用戶活躍：用戶活躍曲線整體呈上升趨勢(shì)，在一周中周六，周日活躍度比平時(shí)更高，在一天中用戶活躍曲線從凌晨4點(diǎn)開(kāi)始往上升，在中午12點(diǎn)和下午5~6點(diǎn)有兩個(gè)小低谷（吃飯），到晚上9點(diǎn)時(shí)活躍度達(dá)到頂峰。

2）用戶留存：從2017年11月15日致2017年12月3日的用戶留存數(shù)據(jù)來(lái)看，淘寶的用戶留存數(shù)據(jù)較好，活躍用戶次日留存增長(zhǎng)18.67%，當(dāng)日的活躍用戶留存也在快速增長(zhǎng)，第七日留存比次日留存高18.56%。

3）用戶轉(zhuǎn)化：整體轉(zhuǎn)化2.3%，用戶從瀏覽到購(gòu)買(mǎi)的路徑主要有4條，路徑越長(zhǎng)轉(zhuǎn)化率越低。

路徑1：瀏覽→購(gòu)買(mǎi)：轉(zhuǎn)化率1.45%

路徑2：瀏覽→加購(gòu)物車(chē)→購(gòu)買(mǎi)：轉(zhuǎn)化率0.33

路徑3：瀏覽→收藏→購(gòu)買(mǎi)：轉(zhuǎn)化率0.11%

路徑4：瀏覽→收藏→加購(gòu)物車(chē)→購(gòu)買(mǎi)：轉(zhuǎn)化率0.03%

4）平臺(tái)推薦與用戶偏好：從數(shù)據(jù)集中的數(shù)據(jù)來(lái)看，排除用戶興趣偏好標(biāo)簽，淘寶給用戶用戶推送的商品主要是高頻剛需的類(lèi)目，促使用戶復(fù)購(gòu)，流量回流平臺(tái)。

以上結(jié)論受數(shù)據(jù)量和數(shù)據(jù)類(lèi)型的影響，并不一定準(zhǔn)確，僅用來(lái)練習(xí)數(shù)據(jù)分析方法。

↘好文推薦：

后臺(tái)產(chǎn)品經(jīng)理入門(mén)指南（上）

產(chǎn)品經(jīng)理要懂的「技術(shù)那些事」

美團(tuán)王慧文，王興14年的帶刀護(hù)衛(wèi)

點(diǎn)個(gè)“在看”吧

總結(jié)

以上是生活随笔為你收集整理的如何用SQL分析电商用户行为数据（案例）的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

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