1.分析背景

淘寶、京東、亞馬遜等主流電商平臺(tái)逐漸成為了我們?nèi)粘Ｉ钪薪?jīng)常接觸的平臺(tái)，而用戶的購(gòu)買行為的數(shù)據(jù)則成為了分析用戶習(xí)慣、特征的最可靠的數(shù)據(jù)來(lái)源。本文主要通過(guò)Mysql對(duì)龐雜的用戶數(shù)據(jù)進(jìn)行分析，探討用戶行為體現(xiàn)出的購(gòu)買趨勢(shì)，并通過(guò)AARRR漏斗模型等方法對(duì)數(shù)據(jù)進(jìn)行研究，結(jié)合excel進(jìn)行可視化分析，為商家提供有理論、數(shù)據(jù)支撐的運(yùn)營(yíng)建議和策略參考。

2.研究問(wèn)題

本文將對(duì)以下研究問(wèn)題進(jìn)行分析探討：

商品方面：

哪些商品銷量最好?分析熱銷商品的類別和具體的商品ID。

這些商品的購(gòu)買數(shù)據(jù)有何特征?哪些商品的轉(zhuǎn)化率較高、哪些較低?

用戶方面：

各階段用戶的轉(zhuǎn)化率如何?是什么原因?qū)е铝烁麟A段的轉(zhuǎn)化率較高/較低?

核心付費(fèi)用戶占比多少?核心付費(fèi)用戶更喜愛(ài)購(gòu)買哪些商品?

用戶的購(gòu)買時(shí)間有什么規(guī)律?從每天、每周的角度考慮是否存在顯著的規(guī)律?

本文中涉及、使用的指標(biāo)體系如下圖所示：

3. 數(shù)據(jù)介紹

3.1.數(shù)據(jù)來(lái)源

本文中使用的淘寶用戶數(shù)據(jù)來(lái)源于天池，包含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(行為包括點(diǎn)擊、購(gòu)買、加購(gòu)、喜歡)。

User Behavior Data from Taobao for Recommendation-數(shù)據(jù)集-阿里云天池?tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1

3.2.數(shù)據(jù)介紹

在本文中，我們選取了前10萬(wàn)條數(shù)據(jù)，詳細(xì)的字段信息，數(shù)據(jù)大小如下表所示：

其中，用戶的行為類型共4種，分別為：pv(瀏覽商品詳情頁(yè))、buy(購(gòu)買商品)、cart(將商品放入購(gòu)物車)、fav(收藏商品)

3.3 數(shù)據(jù)處理

3.3.1 日期數(shù)據(jù)處理

首先我們需要將epoch格式的時(shí)間戳數(shù)據(jù)分開(kāi)處理為“日期”和“時(shí)間”兩列，使用的sql語(yǔ)句如下所示：

#在userbehavior表增加date和time兩列字段：

alter table userbehavior add date char(10) not null;

alter table userbehavior add time char(10) not null;

#將date和time設(shè)置來(lái)源為時(shí)間戳數(shù)據(jù)并給定數(shù)據(jù)格式：

update userbehavior set date=from_unixtime(timestamps,'%y-%m-%d');

update userbehavior set time=from_unixtime(timestamps,'%H:%i:%s');

結(jié)果如圖所示：

3.3.2 缺失值、異常值處理

(1)首先我們檢查是否有不在給定日期范圍的數(shù)據(jù)：

SELECt

*

FROM

userbehavior

WHERe

date < '17-11-25' OR date > '17-12-03';

結(jié)果顯示共有44條記錄符合給定的sql查詢語(yǔ)句，之后我們將這些記錄刪除。

如上圖所示，成功刪去了不在給定時(shí)間范圍的異常值;

(2)使用如下語(yǔ)句，通過(guò)更改列名排查是否存在含有空值的列：

SELECt

*

FROM

userbehavior

WHERe

user_id = NULL;

結(jié)果顯示剩余的記錄中不存在含有空值的列;

(3)由于原始數(shù)據(jù)中包含用戶的所有相關(guān)行為，所以同一用戶id下可能包含有多條信息，因此這里我們不對(duì)重復(fù)值進(jìn)行處理。

4.AARRR模型指標(biāo)分析

每日活躍點(diǎn)擊量PV

首先我們通過(guò)如下sql語(yǔ)句對(duì)每日活躍點(diǎn)擊量進(jìn)行統(tǒng)計(jì)

SELECt

date,

count(*) AS PV

FROM

userbehavior

WHERe

behavior = 'PV'

GROUP BY

date

ORDER BY

date ASC;

結(jié)果導(dǎo)入excel并繪成柱狀圖后如下所示

從中我們可以發(fā)現(xiàn)12月2日、3日的瀏覽量較高，結(jié)合下圖日期對(duì)應(yīng)的星期數(shù)我們預(yù)測(cè)這兩日的較高數(shù)值是因?yàn)檎抵苣饕?gòu)買群體上班族、學(xué)生都有足夠的時(shí)間瀏覽、購(gòu)買。之后我們會(huì)結(jié)合每日訪客量UV和平均訪問(wèn)量一同分析。

每日訪客量UV

我們使用如下語(yǔ)句對(duì)每日有記錄的用戶id進(jìn)行統(tǒng)計(jì)：

SELECt

date,

count( DISTINCT user_id ) AS UV

FROM

userbehavior

GROUP BY

date

ORDER BY

date ASC;

結(jié)果導(dǎo)入excel并繪成柱狀圖后如下所示：

平均訪問(wèn)量PV/UV

通過(guò)計(jì)算每日的PV/UV的值，我們得到了如下平均訪問(wèn)量的折線圖：

對(duì)應(yīng)到UV,平均訪問(wèn)量中我們可以發(fā)現(xiàn)2017年12月2日、3日的各項(xiàng)指標(biāo)同樣較為突出，我們首先懷疑這是由于周末節(jié)假日用戶的瀏覽、購(gòu)買意愿較強(qiáng)，但是同樣是周末的11月25日、26日相較于其他日期并不突出，受限于數(shù)據(jù)的有效時(shí)間范圍，我們沒(méi)有更多的日期數(shù)據(jù)以供分析，但是通過(guò)查詢對(duì)應(yīng)日期的信息，我們發(fā)現(xiàn)，2017年12月1日-6日正值淘寶“服飾煥新”活動(dòng)，再次觀察數(shù)據(jù)，我們發(fā)現(xiàn)不管是UV,PV,還是平均訪問(wèn)量，我們都可以看到12月1日之后各項(xiàng)指標(biāo)的增長(zhǎng)，因此，盡管周末假期可能是導(dǎo)致指標(biāo)增長(zhǎng)的原因，我們更傾向于是節(jié)日活動(dòng)導(dǎo)致了數(shù)據(jù)的增長(zhǎng)。

每小時(shí)點(diǎn)擊量

為分析不同時(shí)間段點(diǎn)擊量是否存在差異，我們將24小時(shí)的點(diǎn)擊量通過(guò)如下語(yǔ)句分別匯總：

SELECt

sum( CASE WHEN time BETWEEN '00:00:00' AND '00:59:59' THEN 1 ELSE 0 END ) AS '00',

sum( CASE WHEN time BETWEEN '01:00:00' AND '01:59:59' THEN 1 ELSE 0 END ) AS '01',

sum( CASE WHEN time BETWEEN '02:00:00' AND '02:59:59' THEN 1 ELSE 0 END ) AS '02',

sum( CASE WHEN time BETWEEN '03:00:00' AND '03:59:59' THEN 1 ELSE 0 END ) AS '03',

sum( CASE WHEN time BETWEEN '04:00:00' AND '04:59:59' THEN 1 ELSE 0 END ) AS '04',

sum( CASE WHEN time BETWEEN '05:00:00' AND '05:59:59' THEN 1 ELSE 0 END ) AS '05',

sum( CASE WHEN time BETWEEN '06:00:00' AND '06:59:59' THEN 1 ELSE 0 END ) AS '06',

sum( CASE WHEN time BETWEEN '07:00:00' AND '07:59:59' THEN 1 ELSE 0 END ) AS '07',

sum( CASE WHEN time BETWEEN '08:00:00' AND '08:59:59' THEN 1 ELSE 0 END ) AS '08',

sum( CASE WHEN time BETWEEN '09:00:00' AND '09:59:59' THEN 1 ELSE 0 END ) AS '09',

sum( CASE WHEN time BETWEEN '10:00:00' AND '10:59:59' THEN 1 ELSE 0 END ) AS '10',

sum( CASE WHEN time BETWEEN '11:00:00' AND '11:59:59' THEN 1 ELSE 0 END ) AS '11',

sum( CASE WHEN time BETWEEN '12:00:00' AND '12:59:59' THEN 1 ELSE 0 END ) AS '12',

sum( CASE WHEN time BETWEEN '13:00:00' AND '13:59:59' THEN 1 ELSE 0 END ) AS '13',

sum( CASE WHEN time BETWEEN '14:00:00' AND '14:59:59' THEN 1 ELSE 0 END ) AS '14',

sum( CASE WHEN time BETWEEN '15:00:00' AND '15:59:59' THEN 1 ELSE 0 END ) AS '15',

sum( CASE WHEN time BETWEEN '16:00:00' AND '16:59:59' THEN 1 ELSE 0 END ) AS '16',

sum( CASE WHEN time BETWEEN '17:00:00' AND '17:59:59' THEN 1 ELSE 0 END ) AS '17',

sum( CASE WHEN time BETWEEN '18:00:00' AND '18:59:59' THEN 1 ELSE 0 END ) AS '18',

sum( CASE WHEN time BETWEEN '19:00:00' AND '19:59:59' THEN 1 ELSE 0 END ) AS '19',

sum( CASE WHEN time BETWEEN '20:00:00' AND '20:59:59' THEN 1 ELSE 0 END ) AS '20',

sum( CASE WHEN time BETWEEN '21:00:00' AND '21:59:59' THEN 1 ELSE 0 END ) AS '21',

sum( CASE WHEN time BETWEEN '22:00:00' AND '22:59:59' THEN 1 ELSE 0 END ) AS '22',

sum( CASE WHEN time BETWEEN '23:00:00' AND '23:59:59' THEN 1 ELSE 0 END ) AS '23'

FROM

userbehavior

WHERe

behavior = 'PV';

將結(jié)果導(dǎo)出并整理后我們得到了如下所示的折線圖：

在對(duì)分時(shí)點(diǎn)擊量進(jìn)行分析時(shí)，我們可以看到每日3點(diǎn)為最低值，21點(diǎn)左右為最高值。這與通常人作息習(xí)慣大致相同，21點(diǎn)左右夜間消費(fèi)者的瀏覽欲望最強(qiáng)，而在3點(diǎn)左右，基本的用戶群體，不論是學(xué)生、上班族還是中老年人基本在這個(gè)時(shí)間段已經(jīng)開(kāi)始休息。因此我們繼續(xù)了解了淘寶的推薦機(jī)制，常見(jiàn)的推廣方式包括直通車、鉆展、交換友情鏈接、寶貝類目?jī)?yōu)化、社交平臺(tái)推廣、自然搜索排名等，絕大部分都可以設(shè)置開(kāi)始推送的時(shí)間，并且針對(duì)包含一定共同特征的群體進(jìn)行定向推廣，因此參考上文的結(jié)論，我們可以提出如下建議，在上架、下架時(shí)間上應(yīng)考慮到瀏覽集中密集的時(shí)段，在設(shè)定目標(biāo)群體時(shí)，若主要客戶群體為上班族，應(yīng)考慮在周末，以及工作日晚九點(diǎn)左右進(jìn)行推廣。

漏斗模型

首先，使用如下sql語(yǔ)句對(duì)4種不同的用戶行為進(jìn)行計(jì)數(shù)統(tǒng)計(jì)：

SELECt

behavior,

count(*)

FROM

userbehavior

GROUP BY

behavior

ORDER BY

count(*) DESC;

將結(jié)果轉(zhuǎn)化為漏斗圖并計(jì)算相應(yīng)占比后得到如下圖表：

其中，圖片左側(cè)為對(duì)應(yīng)的用戶行為，模型中白色數(shù)字為具體行為數(shù)，白色數(shù)字左側(cè)占比為該類行為占所有行為總數(shù)的比重，右側(cè)占比為該列行為占上列行為的比重，即我們通常說(shuō)的轉(zhuǎn)化率，從圖中我們可以看出，購(gòu)買行為占整體比重約為2.1%，占瀏覽行為的比重約為2.34%，根據(jù)調(diào)查，排除行業(yè)因素對(duì)轉(zhuǎn)化率的影響，大型電商平臺(tái)的轉(zhuǎn)化率一般都在1%-3%左右，但是考慮到電商平臺(tái)相較于實(shí)體店鋪的特殊性，即用戶很難在購(gòu)買前實(shí)際體驗(yàn)商品，并且電商平臺(tái)為用戶提供了更多的商品選擇，這一結(jié)果大致是合理的，因此我們認(rèn)為針對(duì)數(shù)據(jù)中2%左右的轉(zhuǎn)化率，商家應(yīng)該關(guān)注于自身店鋪的各項(xiàng)方面以提高對(duì)顧客的吸引力，比如商家應(yīng)注意自身店鋪的包裝、宣傳、關(guān)于免運(yùn)費(fèi)的設(shè)定、店鋪宣傳圖、商品詳情頁(yè)的構(gòu)建等方面。

獨(dú)立用戶行為統(tǒng)計(jì)

注意到上文我們并沒(méi)有統(tǒng)計(jì)獨(dú)立用戶個(gè)數(shù)，而是統(tǒng)計(jì)了所有用戶行為，某一用戶可能既瀏覽，又繼續(xù)收藏、喜愛(ài)，最后購(gòu)買。因此我們繼續(xù)研究相應(yīng)的獨(dú)立用戶行為統(tǒng)計(jì)，sql查詢語(yǔ)句如下所示：

SELECt

behavior,

count( DISTINCT user_id )

FROM

userbehavior

GROUP BY

behavior

ORDER BY

count( DISTINCT user_id ) DESC;

將得到的結(jié)果導(dǎo)出并處理后，我們得到了如下圖表：

從獨(dú)立用戶數(shù)目統(tǒng)計(jì)來(lái)看，有購(gòu)買行為的用戶占總用戶數(shù)的占比約為24.51%，占瀏覽用戶數(shù)的占比約為68.47%，這證明了絕大部分用戶(大于50%)都有或多或少的購(gòu)買行為，這說(shuō)明用戶并非只在淘寶平臺(tái)瀏覽而并不購(gòu)買，因此我們認(rèn)為，平臺(tái)若要提升轉(zhuǎn)化率，應(yīng)進(jìn)一步完善商品搜索機(jī)制和商品排序，提升用戶的搜索體驗(yàn)，提供更智能的匹配結(jié)果。

跳失率

在獨(dú)立用戶行為統(tǒng)計(jì)的基礎(chǔ)上，我們需進(jìn)一步通過(guò)如下語(yǔ)句統(tǒng)計(jì)只有瀏覽的用戶數(shù)：

SELECt

count( DISTINCT user_id )

FROM

userbehavior

WHERe

user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'fav' )

AND user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'cart' )

AND user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'buy' );

結(jié)果證明共有69個(gè)用戶僅有瀏覽行為，考慮到用戶總數(shù)為983.我們可以計(jì)算出對(duì)應(yīng)的跳失率=只有瀏覽行為的用戶數(shù)/用戶總數(shù) = 7.02%，之后我們進(jìn)一步統(tǒng)計(jì)了復(fù)購(gòu)率，有購(gòu)買行為的用戶數(shù)為671.有多次購(gòu)買的用戶數(shù)為442.復(fù)購(gòu)率為65.87%，百分之六十五的用戶存在復(fù)購(gòu)行為，可見(jiàn)轉(zhuǎn)化率低并不是用戶黏性降低導(dǎo)致的。

熱銷商品類別和商品ID分析

a.熱銷商品類別、用戶群體分析：

首先我們進(jìn)一步通過(guò)如下語(yǔ)句對(duì)商品銷售數(shù)量進(jìn)行了研究：

SELECt

category_id,

count(category_id)

FROM

userbehavior

GROUP BY

category_id

ORDER BY

count(category_id) DESC;

在將結(jié)果導(dǎo)出并整理后我們得到了如下所示的商品銷售數(shù)量前十的商品類別id以及對(duì)應(yīng)的銷量：

第二，我們使用了如下語(yǔ)句對(duì)用戶的購(gòu)買數(shù)量同樣進(jìn)行了統(tǒng)計(jì)排序，相應(yīng)的語(yǔ)句，圖標(biāo)如下所示：

SELECt

user_id,

count(user_id)

FROM

userbehavior

WHERe

behavior = 'buy'

GROUP BY

user_id

ORDER BY

count(user_id) DESC

第三，我們還可以分析購(gòu)買次數(shù)較多的用戶主要購(gòu)買哪類商品：

SELECt

category_id,

count( category_id )

FROM

userbehavior

WHERe

behavior = 'buy'

AND user_id IN ( '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' )

GROUP BY

category_id

ORDER BY

count( category_id ) DESC;

總結(jié)：我們需要額外重視ID為3002561的商品類別，雖然該類商品在總計(jì)商品銷量排名中位于第十位，但是該類商品卻是銷量較多用戶購(gòu)買數(shù)量最多的商品，可見(jiàn)該類商品的用戶黏性較強(qiáng)，復(fù)購(gòu)率較高。我們還應(yīng)注意4145813、2355072這兩類商品，也為在“商品銷量排名前十”和“較多購(gòu)買用戶購(gòu)買的商品前十”兩表中重復(fù)出現(xiàn)的商品類別。除此以外，如果有關(guān)于用戶的具體信息，還可以進(jìn)一步對(duì)用戶群體進(jìn)行畫像，為下一步精準(zhǔn)推送提供幫助，該處更多用戶信息有待補(bǔ)充。

b. 熱銷商品分析

首先我們使用如下語(yǔ)句對(duì)各種商品的瀏覽次數(shù)進(jìn)行統(tǒng)計(jì)：

SELECt

item_id,

count( item_id )

FROM

userbehavior

WHERe

behavior = 'PV'

GROUP BY

item_id

ORDER BY

count( item_id ) DESC;

將得到的結(jié)果導(dǎo)出到EXCEL并繪制成圖標(biāo)后我們得到下圖：

之后我們使用如下語(yǔ)句對(duì)購(gòu)買量前十的商品ID同樣進(jìn)行統(tǒng)計(jì)并繪圖：

SELECt

item_id,

count( item_id )

FROM

userbehavior

WHERe

behavior = 'buy'

GROUP BY

item_id

ORDER BY

count( item_id ) DESC;

通過(guò)比較上述語(yǔ)句得到的圖表，我們可以看出瀏覽量較高的商品并沒(méi)有出現(xiàn)在購(gòu)買數(shù)量前十商品中，因此我們需要進(jìn)一步分析是什么原因?qū)е铝诉@些商品瀏覽量高但是購(gòu)買量并不出色，以及購(gòu)買數(shù)量較高的商品，其轉(zhuǎn)化率較高的原因，這里我們推測(cè)瀏覽量較多的商品應(yīng)該商品詳情頁(yè)，商品縮略圖較為精致，但是可能價(jià)格偏高，售后，商品質(zhì)量存在問(wèn)題，這些推斷有待更多詳細(xì)的數(shù)據(jù)以進(jìn)一步分析。

5. 結(jié)論

a.用戶方面：從瀏覽到收藏、喜愛(ài)的轉(zhuǎn)化率為9.13%，從瀏覽到購(gòu)買的轉(zhuǎn)化率為2.34%，但是主要瀏覽、購(gòu)買的時(shí)間大多為工作日的睡覺(jué)前和周末，因此我們認(rèn)為商家應(yīng)關(guān)注商品介紹頁(yè)面的完善，多參與淘寶的各項(xiàng)活動(dòng)、多渠道增加自身產(chǎn)品推廣，并且最好將推廣時(shí)間設(shè)定為用戶瀏覽最多的時(shí)段，以提高自身產(chǎn)品的吸引力，增強(qiáng)用戶的購(gòu)買欲望。絕大部分用戶都有復(fù)購(gòu)行為，但是用戶行為以瀏覽為主，轉(zhuǎn)化率并不高，因此除商家外，我們認(rèn)為對(duì)于平臺(tái)也應(yīng)進(jìn)一步完善競(jìng)價(jià)排名和商品推薦機(jī)制。

b.商品方面，我們注意到核心用戶群體(用戶ID分別為 '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' )喜愛(ài)的3002561、4145813和2355072這三類商品也同時(shí)出現(xiàn)在商品銷售量前十的圖表中，因此我們認(rèn)為接下來(lái)的研究可以進(jìn)一步這三類商品進(jìn)行分析，探討其購(gòu)買率高的原因。而對(duì)于具體的商品，1910706、4395247、667682、855191也是值得研究的對(duì)象。

6.建議

建議賣家注重以下幾個(gè)方面：商品縮略圖、商品詳情頁(yè)、商品評(píng)價(jià)的維護(hù)、商品質(zhì)量的保證、退換商品的及時(shí)處理，從而增強(qiáng)產(chǎn)品自身的吸引力，提高用戶從瀏覽到購(gòu)買的轉(zhuǎn)化率。

建議商家在購(gòu)買推廣時(shí)最好選擇每日的晚間和每周周末進(jìn)行，這些時(shí)段是用戶瀏覽的高峰期，我們認(rèn)為可以有助于提升購(gòu)買率;

平臺(tái)也應(yīng)關(guān)注于用戶群體的意見(jiàn)和看法，積極完善平臺(tái)的搜索、推薦機(jī)制，避免用戶花費(fèi)大量時(shí)間瀏覽;

商家應(yīng)注意3002561、4145813和2355072這三類商品以及1910706、4395247、667682、855191這四種具體商品的推廣方法和運(yùn)營(yíng)細(xì)則，以降低跳失率。

商家應(yīng)注意參加平臺(tái)組織的各種促銷活動(dòng)，數(shù)據(jù)證明了這些活動(dòng)的強(qiáng)大引流能力。

通過(guò)后續(xù)對(duì)用戶資料的研究，商家還應(yīng)關(guān)注于 '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' 這十位用戶ID的共同特征，為核心群體畫像提供參考。

快消品貨源網(wǎng)提供超市貨源信息,超市采購(gòu)進(jìn)貨渠道。超市進(jìn)貨網(wǎng)提供成都食品批發(fā),日用百貨批發(fā)信息、微信淘寶網(wǎng)店超市采購(gòu)信息和超市加盟信息.打造國(guó)內(nèi)超市采購(gòu)商與批發(fā)市場(chǎng)供應(yīng)廠商搭建網(wǎng)上批發(fā)市場(chǎng)平臺(tái),是全國(guó)批發(fā)市場(chǎng)行業(yè)中電子商務(wù)權(quán)威性網(wǎng)站。

本文內(nèi)容整合網(wǎng)站：百度百科、知乎、淘寶平臺(tái)規(guī)則

本文來(lái)源： 淘寶用戶數(shù)據(jù)分析報(bào)告