淘宝用户行为分析报告

Iris吖
1,856 阅读21分钟

一、项目背景

User Behavior 是阿里巴巴提供的一个淘宝用户行为数据集，数据集包含了2017年11月25日至2017年12月3日约一百万随机用户的所有行为（行为包括点击、收藏、加购、购买），用以进行隐式反馈推荐问题的研究。

注：隐式反馈推荐问题：

推荐系统中用户对物品的反馈分为显示和隐式反馈，显式反馈（如评分、评级）或单一的隐式反馈（如浏览、点击、加入购物车）。隐式反馈推荐是推荐系统通过对内容和用户行为的分析，建立适当的模型，帮助用户从海量的数据中找到自己感兴趣的内容。推荐系统中用户的行为反馈包括显式反馈和隐式反馈，隐式反馈信息在推荐系统算法中被广泛应用。隐式反馈体现着用户的兴趣爱好，对隐式反馈信息的挖掘有助于提高推荐系统的效果，以更好地设计推荐系统。

二、项目目标

2.1. 项目目的

总体目标：通过对2017年11月25日至2017年12月3日之间的用户行为数据分析，为客户提供更精准的隐式反馈推荐。

从用户角度：提高用户忠诚度，帮助客户快速找到商品；

从网站角度：提高网站交叉销售能力，提高成交转化率。

2.2. 分析思路

本次分析主要是根据分析目的，就以下四个维度进行分析和提出改进建议：

  • 用户行为间的转化情况分析：分析用户从浏览到购买整个过程中，常见的电商分析指标，确定各个环节的流失率，提出改善转化率的意见；

  • 用户的行为习惯分析：以PV、UV等指标，找出用户最活跃的日期以及每天活跃时间段。

  • 用户类目偏好分析：以商品的点击、收藏、加购、购买的频率，探索用户对商品的购买偏好，找到针对不同商品的营销策略（什么产品以及产品类目的购买率最高，找出最受欢迎的产品，优化产品推荐）；

  • 用户价值分析：找出最具有价值的核心付费用户群，针对这些用户的购买偏好推送个性化的产品销售方案。

以下为本次分析逻辑：

image.png

三、数据收集与整理

3.1 数据准备：

3.1.1 数据来源

阿里巴巴天池： tianchi.aliyun.com/dataset/dat…

3.1.2 将数据导入MySQL

工具：Navicat for MySQL，MySQL，Excel

1）创建数据库

image.png

2）导入数据

注：由于数据量过大（约有1亿条用户行为），所以抽样100万条用户行为进行分析

image.png

image.png

image.png

3）数据理解

image.png

此数据集包含了2017年11月25日至2017年12月3日约一百万随机用户的所有行为（行为包括点击、收藏、加购、购买）。本次分析抽样100万行数据。每个字段的详细说明如下：

image.png

注意到，用户行为类型共有四种，它们分别是：

image.png

3.2 数据清洗

3.2.1 选择子集

数据集的字段都有用

3.2.2 字段名称修改

image.png

3.2.3 删除重复值

查询重复值


SELECT * FROM UserBehavior

group by User_id,Item_id,Category_id,Behavior_type,Timestamp

HAVING count(*)>1;

结果无重复值，无需删除

3.2.4 缺失值处理


SELECT COUNT(User_id),COUNT(Item_id),COUNT(Category_id),COUNT(Behavior_type),COUNT(Timestamp)

from UserBehavior;

对所有列进行计数查询，计数结果都为100万，无缺失值。

3.2.5 一致化处理

Timestamp列无法直接进行分析，需要对其列转化为三列，分别为时间，日期，小时


-- 添加新列Date_time，根据Timestamp返回日期时间

ALTER TABLE UserBehavior ADD COLUMN Date_time TIMESTAMP(0) NULL;

UPDATE UserBehavior

SET Date_time = FROM_UNIXTIME(`Timestamp`);

-- 添加新列Date，根据Timestamp返回日期

ALTER TABLE UserBehavior ADD COLUMN Date VARCHAR(10) NULL;

UPDATE UserBehavior

SET Date = FROM_UNIXTIME(`timestamp`,'%y-%m-%d');

-- 添加新列Time，根据Timestamp返回时间

ALTER TABLE UserBehavior ADD COLUMN Time VARCHAR(10) NULL;

UPDATE UserBehavior

SET Time = SUBSTRING(`Date_time` from 12 for 2);

3.2.6 异常值处理

由于项目背景是要通过对2017年11月25日至2017年12月3日之间的淘宝用户行为数据集进行隐式反馈推荐问题的研究，所以要对这时间段之外的数据进行删除处理。


-- 筛查不在2017-11-25至2017-12-03这个时间段内的数据

SELECT * FROM UserBehavior WHERE Date_time < '2017-11-25' or Date_time > '2017-12-04';

-- 删除不在2017-11-25至2017-12-03这个时间段内的数据

DELETE FROM UserBehavior WHERE Date_time < '2017-11-25' or Date_time > '2017-12-04';

-- 检查是否存在不在2017-11-25至2017-12-03这个时间段内的时间值

SELECT MAX(Date_time),MIN(Date_time) FROM UserBehavior;

image.png

清洗完的数据如下：


select * from UserBehavior;

image.png

数据大小概览：


SELECT

COUNT(DISTINCT User_id) as 用户数,

COUNT(DISTINCT Item_id) as 商品数量,

COUNT(DISTINCT Category_id) as 商品类目数量,

COUNT(Behavior_type) as 行为数量

FROM UserBehavior;

image.png

四、数据分析

这一环节的所有结果均为先使用MySQL分析数据，获得分析结果，然后将分析结果导出到excel里进行可视化。

4.1 用户行为转化情况分析

4.1.1 电商分析指标

4.1.1.1 总体UV、PV、人均浏览次数、成交量

SELECT

COUNT(DISTINCT User_id) AS '独立访客数',

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) AS '浏览次数',

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) / COUNT(DISTINCT User_id) AS '人均浏览次数',

SUM(CASE WHEN Behavior_type = 'buy' THEN 1 ELSE 0 END) AS '成交量'

FROM UserBehavior;

image.png

4.1.1.2. 日均UV、PV、人均浏览次数、成交量

SELECT Date,

COUNT(DISTINCT User_id) AS '日访客数',

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) AS '日浏览次数',

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) / COUNT(DISTINCT User_id) AS '日人均浏览次数',

SUM(CASE WHEN Behavior_type = 'buy' THEN 1 ELSE 0 END) AS '日成交量'

FROM UserBehavior

GROUP BY Date

ORDER BY Date;

image.png

  • ①日访客数趋势线

image.png

  • ②日浏览次数

image.png

  • ③日人均浏览次数

image.png

  • ④日成交量

image.png

4.1.1.3. 用户整体行为数据

CREATE VIEW 用户行为数据 AS

SELECT User_id,

COUNT(Behavior_type) AS '用户行为数',

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) AS '浏览',

SUM(CASE WHEN Behavior_type = 'fav' THEN 1 ELSE 0 END) AS '收藏',

SUM(CASE WHEN Behavior_type = 'cart' THEN 1 ELSE 0 END) AS '加购',

SUM(CASE WHEN Behavior_type = 'buy' THEN 1 ELSE 0 END) AS '购买'

FROM UserBehavior

GROUP BY User_id

ORDER BY 用户行为数 DESC;

image.png

4.1.1.4. 用户的复购率和跳失率

-- 复购用户、复购率

SELECT

SUM(CASE WHEN 购买 > 1 THEN 1 ELSE 0 END) AS '复购用户',

SUM(CASE WHEN 购买 > 0 THEN 1 ELSE 0 END) AS '购买用户',

CONCAT(ROUND(SUM(CASE WHEN 购买 > 1 THEN 1 ELSE 0 END)*100 / SUM(CASE WHEN 购买 > 0 THEN 1 ELSE 0 END),2),'%') AS '复购率'

FROM 用户行为数据;

image.png


-- 跳失率=只浏览一个页面的访客数/总访客数

SELECT

CONCAT(ROUND(SUM(CASE WHEN 用户行为数 = 1 THEN 1 ELSE 0 END)*100 / SUM(CASE WHEN 用户行为数 > 0 THEN 1 ELSE 0 END),2),'%') AS '跳失率'

FROM 用户行为数据;

image.png

在这9天的研究时间范围内，用户的复购率为66.21%且跳失率为0%，说明淘宝拥有足够的吸引力让用户停留且用户的忠诚度非常高。

建议可以进一步培养用户的忠诚度，鼓励用户更高频次的消费。

4.1.2. 用户行为转化及流失分析

4.1.2.1 流量行为转化漏斗分析

SELECT

SUM(浏览) AS '总浏览数',

SUM(收藏) AS '总收藏数',

SUM(加购) AS '总加购数',

SUM(购买) AS '总购买数'

FROM 用户行为数据;

image.png

将该结果导出excel表做漏斗图如下：

image.png

从漏斗图可以看出用户浏览后，收藏或者加购的百分比在7%以下，最终购买百分比仅有2.27%，也就是说用户的行为在浏览商品详情页后出现了大量的流失。

那么用户是否也在浏览后产生了大量的流失，只有极少部分用户产生了购买呢？

4.1.2.2 用户行为转化漏斗分析

-- 用户留存分析（漏斗分析）

SELECT

SUM(CASE WHEN 浏览>0 THEN 1 ELSE 0 END) AS '浏览用户',

SUM(CASE WHEN 收藏>0 THEN 1 ELSE 0 END) AS '收藏用户',

SUM(CASE WHEN 加购>0 THEN 1 ELSE 0 END) AS '加购用户',

SUM(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS '购买用户'

FROM 用户行为数据;

image.png

将该结果导出excel表做漏斗图如下：

image.png

由上图可看出，用户并未在浏览后就大量流失，而且购买用户有68.92%，用户的购买转化率还是很不错的。

由此我们推测流量行为转化中浏览行为远远大于收藏和加购，最后仅有2.27%转化为购买的原因可能是用户要对不同店铺的同种产品进行比较。

因此研究如何提高用户从浏览到其他行为的转化是一个重点。APP可以优化商品推荐以及筛选功能，使用户不用浏览那么多页面，即可购买心仪的商品。

那么用户从浏览到购买的各个环节的转化率是多少呢？为什么收藏用户数远小于加购用户数？

因为加入购物车和收藏商品并没有行为的先后性，所以购物路线可以有四条：

  • 浏览——购买

  • 浏览——收藏——购买

  • 浏览——加购——购买

  • 浏览——收藏——加购——购买


-- 浏览——购买

SELECT t1.*,t2.*

FROM(

SELECT

SUM(CASE WHEN `浏览`>0 THEN 1 ELSE 0 END) AS '浏览用户数'

FROM `用户行为数据`)t1,

(SELECT

SUM(CASE WHEN `购买`>0 THEN 1 ELSE 0 END) AS '购买用户数'

FROM `用户行为数据`

WHERE `收藏`=0 and `加购`=0)t2;

-- 浏览——收藏——购买

SELECT t1.*,t3.*

FROM(

SELECT

SUM(CASE WHEN `浏览`>0 THEN 1 ELSE 0 END) AS '浏览用户数'

FROM `用户行为数据`)t1,

(SELECT

SUM(CASE WHEN `收藏`>0 THEN 1 ELSE 0 END) AS '收藏用户数',

SUM(CASE WHEN `购买`>0 THEN 1 ELSE 0 END) AS '购买用户数'

FROM `用户行为数据`

WHERE `加购`=0 and `收藏`>0)t3;

-- 浏览——加购——购买

SELECT t1.*,t4.*

FROM(

SELECT

SUM(CASE WHEN `浏览`>0 THEN 1 ELSE 0 END) AS '浏览用户数'

FROM `用户行为数据`)t1,

(SELECT

SUM(CASE WHEN `加购`>0 THEN 1 ELSE 0 END) AS '加购用户数',

SUM(CASE WHEN `购买`>0 THEN 1 ELSE 0 END) AS '购买用户数'

FROM `用户行为数据`

WHERE `收藏`=0 and `加购`>0)t4;

-- 浏览——收藏——加购——购买

SELECT t1.*,t5.*

FROM(

SELECT

SUM(CASE WHEN `浏览`>0 THEN 1 ELSE 0 END) AS '浏览用户数'

FROM `用户行为数据`)t1,

(SELECT

SUM(CASE WHEN `收藏`>0 THEN 1 ELSE 0 END) AS '收藏用户数',

SUM(CASE WHEN `加购`>0 THEN 1 ELSE 0 END) AS '加购用户数',

SUM(CASE WHEN `购买`>0 THEN 1 ELSE 0 END) AS '购买用户数'

FROM `用户行为数据`

WHERE `收藏`>0 and `加购`>0)t5;

image.png

从以上四条购物路线的用户留存漏斗图可看出，用户浏览后，若有后续行为则主要行为是加入购物车，然后是收藏并加购，再者是收藏，除此之外还有部分用户是浏览后直接购买的。可以着重研究各类路径用户购买的产品是什么以及用户的标签，通过对优化商品推荐及精准运营加强这部分的转化。

推测浏览后收藏的用户远小于加购的用户，是因为加入购物车后可以直接下单购买，而加入收藏后并没有可以下单的页面，如果需要购买必须重新点击商品进入详情页才能下单，多了一个步骤。

最后，从漏斗图中的转化率可以看到用户收藏并加购后购买的转化率是最高的，故可以通过引导用户进行收藏并加购的行为来提高用户的购买转化率。

4.2 用户行为习惯分析

这里分别以天和时段为单位，分析用户的购买行为分布，找出用户活跃时段分布规律。

4.2.1. 2017年11月25日至12月3日间的用户行为习惯分布


CREATE VIEW 用户行为习惯分布(天) AS

SELECT Date,COUNT(Behavior_type) AS '用户行为数',

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) AS '浏览',

SUM(CASE WHEN Behavior_type = 'fav' THEN 1 ELSE 0 END) AS '收藏',

SUM(CASE WHEN Behavior_type = 'cart' THEN 1 ELSE 0 END) AS '加购',

SUM(CASE WHEN Behavior_type = 'buy' THEN 1 ELSE 0 END) AS '购买'

FROM UserBehavior

GROUP BY Date

ORDER BY Date;

image.png

导出excel进行可视化处理如下：

image.png

由上图可以看出，在研究时间范围内，用户的总行为数及各个行为数据都比较稳定，仅在12月2-3日有相对明显的增幅，由于该日期与11月25及26日同为周末，故由于周末的原因导致用户活跃度提升的原因较小。

12月2日及3日浏览、收藏及加购都有较明显增长，但购买并未有明显增幅，故推测最有可能的原因是由于双十二预热活动导致的流量上升，用户开始大量浏览商品，而加入购物车及收藏是双十二批量购买时的前置动作，故收藏和加购的行为同样出现了增长，这也符合常规预期。

4.2.2. 一天中的用户行为习惯分布


-- 用户行为习惯分布(时)

CREATE VIEW 用户行为习惯分布(时) AS

SELECT Time,COUNT(Behavior_type) AS '用户行为数',

SUM(CASE WHEN Behavior_type='pv' THEN 1 ELSE 0 END) AS '浏览',

SUM(CASE WHEN Behavior_type='fav' THEN 1 ELSE 0 END) AS '收藏',

SUM(CASE WHEN Behavior_type='cart' THEN 1 ELSE 0 END) AS '加购',

SUM(CASE WHEN Behavior_type='buy' THEN 1 ELSE 0 END) AS '购买'

FROM UserBehavior

GROUP BY Time

ORDER BY Time;

image.png

导出excel进行可视化处理如下：

image.png

从上图可发现每日0点至4点用户行为数快速下降，降到一天中的最低值，5点至10点用户行为数快速上升，10点至18点用户行为数较稳定，但分别在12点及17点略有下降，18点以后用户行为数快速上升，并在21-22点达到一天中用户行为数的最高值，这也符合大部分人的作息规律。所以，可以考虑在21-22点这个时间段进行一些促销活动和商品推荐以提高转化率。

此外，可以看出19-01点的晚间时间段，用户的操作行为偏向于浏览。用户在白天特别是在10点和13点，购买行为比率达到最高，可见，在这一时间段的用户使用淘宝下单购买商品的意向是最高的。也可以根据这个特性在晚间更倾向于进行商品宣传活动，白天进行转化活动。

4.3 用户类目偏好分析

统计所有商品的购买次数，同时找到浏览次数、收藏次数、加购次数和购买次数最多的商品品类。

4.3.1. 商品销量情况分析


-- 商品销售情况

CREATE VIEW 商品销售情况 AS

SELECT a.购买次数,COUNT(a.Item_id) AS 商品数

FROM

(SELECT Item_id,COUNT(User_id) AS 购买次数

FROM UserBehavior

WHERE Behavior_type = 'buy'

GROUP BY Item_id) AS a

GROUP BY 购买次数

ORDER BY 购买次数 DESC;

-- 商品销售整体情况

SELECT COUNT(DISTINCT Item_id)

FROM UserBehavior;

SELECT COUNT(DISTINCT Item_id)

FROM UserBehavior

WHERE Behavior_type = 'buy';

image.png

使用excel可视化处理如下：

image.png

本次分析涉及到的商品共有398,971种，用户购买的商品共有17,565种，却没有出现购买数量非常集中的商品。而只购买1次的商品高达15,536种，占用户购买商品数的88.45%，这说明商品售卖主要是依靠商品的长尾效应，而非爆款商品的带动。

4.3.2. 商品品类浏览top20


-- 商品品类浏览top20

SELECT Category_id,

SUM(CASE WHEN Behavior_type = 'pv' THEN 1 ELSE 0 END) AS 浏览

FROM UserBehavior

GROUP BY Category_id

ORDER BY 浏览 DESC

LIMIT 20;

使用excel可视化处理如下：

image.png

我们可以看到浏览数最高的商品品类是4756105，为47,770次。那么是否浏览次数最高的商品品类购买的次数也是最高呢？

4.3.3. 商品品类收藏top20


-- 商品品类收藏top20

SELECT Category_id,

SUM(CASE WHEN Behavior_type = 'fav' THEN 1 ELSE 0 END) AS 收藏

FROM UserBehavior

GROUP BY Category_id

ORDER BY 收藏 DESC

LIMIT 20;

使用excel可视化处理如下：

image.png

由图可见，收藏TOP20中有18种商品品类在浏览TOP20中也有出现，而且前5名是同样的商品品类，这说明收藏和浏览同步的几率很大。

4.3.4. 商品品类加购top20


-- 商品品类加购top20

SELECT Category_id,

SUM(CASE WHEN Behavior_type = 'cart' THEN 1 ELSE 0 END) AS 加购

FROM UserBehavior

GROUP BY Category_id

ORDER BY 加购 DESC

LIMIT 20;

使用excel可视化处理如下：

image.png

在加购TOP20的商品品类中有17种也在浏览TOP20中，16种出现在收藏TOP20中，另外，浏览、收藏、加购TOP20的前5名商品品类几乎一样。这说明加购和浏览、收藏同步的几率也很大，并且这些商品品类都是能够很好地吸引用户注意力的。那么这些商品品类的销量又如何呢？

4.3.5. 商品品类购买top20


-- 商品品类购买top20

SELECT Category_id,

SUM(CASE WHEN Behavior_type = 'buy' THEN 1 ELSE 0 END) AS 购买

FROM UserBehavior

GROUP BY Category_id

ORDER BY 购买 DESC

LIMIT 20;

使用excel可视化处理如下：

image.png

通过以上四张图对比我们可以发现，浏览TOP20中的前5名在购买TOP20中排名分别为6、3、无、15、7名。浏览、收藏、加购TOP20的商品品类分别在购买TOP20中出现了12、12、15种。说明在浏览、收藏、加购环节吸引用户更多注意力的商品没有很好地转化为实际销量，这是销量增长的一个突破点。

此外，我们也可以看出相比于收藏，加购与购买的关系更为直接。

而且，单纯地看商品品类购买TOP20，可以发现商品类目销售有较为明显的集中趋势，所以可以根据畅销商品品类优化商品展示，进而提高销量。

4.4 用户价值分析（RFM模型）

在本次分析中由于没有提供金额，所以这次分析从R、F两个维度对客户群进行分析。

首先，我们来定义一下本次分析用户群的分类标准：

image.png

由于数据集的时间仅有9天，所以我们设置一下规则，对每个用户最近一次购买时间和12月3日之间的时间间隔设立等级：

  • 间隔>7天设为1

  • 间隔在5-7天设为2

  • 间隔在3-4天设为3

  • 间隔在0-2天设为4


-- 最近一次购买(R)

SELECT User_id,

(CASE WHEN Rtime > 7 THEN 1

WHEN Rtime BETWEEN 5 AND 7 THEN 2

WHEN Rtime BETWEEN 3 AND 4 THEN 3

WHEN Rtime BETWEEN 0 AND 2 THEN 4

ELSE NULL END) AS 最近一次购买的时间间隔等级

FROM(

SELECT User_id,DATEDIFF('2017-12-03',max(Date)) AS Rtime

FROM UserBehavior

WHERE Behavior_type = 'buy'

GROUP BY User_id) AS 最近一次购买的时间间隔

ORDER BY 最近一次购买的时间间隔等级 Desc;

image.png

使用excel进行可视化处理如下：

image.png

可以看到，有超过半数的用户会在购买后两天内再次购买，说明淘宝APP现在有比较好的用户粘性。


SELECT User_id,COUNT(Behavior_type) AS 购买次数

FROM UserBehavior

WHERE Behavior_type = 'buy'

GROUP BY User_id

ORDER BY 购买次数 DESC;

image.png

对用户的购买次数进行排名后，发现购买次数范围在1-72之间，购买次数>30的用户较少，故我们按照以下规则设立等级：

  • 购买次数在1-10之间设为1

  • 购买次数在11-20之间设为2

  • 购买次数在21-30之间设为3

  • 购买次数在>30设为4


-- 购买频率(F)

SELECT User_id,

(CASE WHEN 购买次数 BETWEEN 1 AND 10 THEN 1

WHEN 购买次数 BETWEEN 11 AND 20 THEN 2

WHEN 购买次数 BETWEEN 21 AND 30 THEN 3

WHEN 购买次数 > 30 THEN 4

ELSE NULL END) AS 购买频率等级

FROM(

SELECT User_id,COUNT(Behavior_type) AS 购买次数

FROM UserBehavior

WHERE Behavior_type = 'buy'

GROUP BY User_id) AS 购买频率

ORDER BY 购买频率等级 DESC;

image.png

使用excel进行可视化处理如下：

image.png

由图可知，绝大部分用户在此统计范围内的购买次数在1-10次之间。

最后，根据前面设定的用户群的分类标准，用excel进行可视化处理如下：

image.png

我们可以看到重要发展用户的占比最高，达到77.34%，这部分用户待挖掘的潜在价值很大，建议对这部分用户进行更多更精准的商品推荐，增加用户的购买频率；

重要挽留用户占到22.29%，这部分用户可能是使用了竞品啊APP或者是对产品体验不佳，可以对这部分用户进行调研找到其流失原因，及时进行新活动推送，对用户进行召回；

重要价值用户的占比非常少，这部分用户的价值极高，建议制定专属的运营策略来进行维护，专属优惠、专属客服等，保证其较高的用户粘性；

在研究范围内，无重要保持用户，购买次数大于20次的用户最近一次购买时间间隔都小于4天。

五、结论与建议

  1. 通过对用户行为的转化分析，可以看出用户从浏览到购买的转化率还是比较高的，目前来看可以通过引导用户收藏并加购来提高从收藏/加购到购买的转化率。而流量行为从浏览到购买的转化率仅有2.27%，故从浏览到购买的行为转化是一个提高的重点。针对这一环节的建议有：

  • 优化淘宝APP的搜索匹配度和推荐策略，提高筛选精确度，并对搜索和筛选的结果排序的优先级进行优化；

  • 可以给用户提供同类产品比较的功能，让用户不需要多次返回搜索结果点击查看，方便用户确定心仪产品，增加浏览到后续行为的转化；

  • 优化收藏到购买的操作过程，增加用户收藏并加购的频率，以提高购买转化率。

  1. 通过对用户行为习惯分析

  • 可以看出用户的活跃时间高峰期主要在21-22点，此时使用人数最多，活动最容易触达用户，所以可以将营销活动安排在这个时间段内，来进行引流并转化。

  • 在研究的9天内共有两个周末，第一个周末用户活跃度并没有明显变化，而第二个周末推测是因为有双十二的预热，导致用户浏览和加购出现明显的增加。故可以扩大研究时间范围对推测进行验证，若推测正确，则可以通过在周末推出营销活动来挖掘用户周末购物的欲望。

  1. 通过对用户的商品偏好分析，可以看出商品销量主要是靠长尾效应，而非爆款商品的带动。但是通过对商品品类的分析可以看出能吸引用户注意力的商品购买转化率并不高，是一个提高销量的突破口。针对用户关注度高但销量不高的这部分产品，建议可以从以下几个方面着手：

  • 商家在详情页上的展示突出用户重点关注的信息，优化信息的呈现方式，减少用户的时间成本；

  • 增加这些产品的质量管控力度，加强对用户反馈建议如评论的管理，认真采纳并根据自身的优劣势进行商品优化。

  • 推出相关营销活动，促进用户购买欲。

此外，对于购买TOP20的商品品类，可以在淘宝APP首页对这些品类的商品优先进行展现，以满足用户的购买需求。

  1. 通过RFM模型对用户群进行划分，可以对不同的用户群体采用不同的管理策略，达到对不同的用户群进行精准营销的目的：

  • 对于重要价值用户，需要重点关注并维护，提高用户满意度，增加留存，保证其较高的用户粘性；

  • 对于重要发展用户，可以适当给点折扣或捆绑销售来增加用户的购买频率；

  • 对于重要挽留用户，需要关注他们的购物习性，发掘潜在价值，定时促活，做到精准化营销，以唤醒他们的购买意愿，提升转化率。

avatar
文章
阅读
粉丝
相关推荐
淘宝用户购物行为分析
1.6k阅读
 · 
1点赞
PostHog用户行为分析实战
719阅读
 · 
2点赞
技术资讯：npm 淘宝镜像正式到期，赶紧更新！
51k阅读
 · 
324点赞
【项目】淘宝用户行为数据分析（人货场模型/SQL+Tableau）
2.3k阅读
 · 
1点赞
大模型元年，万能的淘宝有了万能AI 阿里巴巴大淘宝技术
2.2k阅读
 · 
2点赞
阿里云的严重事故，钉钉、闲鱼、淘宝、语雀等都崩了
16k阅读
 · 
53点赞
行为图和静态图
10k阅读
 · 
6点赞
阿里淘宝部门一面，已通过！
7.7k阅读
 · 
70点赞
Jetpack Compose 实现仿淘宝嵌套滚动
1.9k阅读
 · 
52点赞
淘宝App的搜索推荐如何用Flutter实现？
4.2k阅读
 · 
28点赞

友情链接：