一. 项目背景及分析思路¶

（一）项目背景

近年来电商行业发展迅速，已经成为人们生活中不可或缺的一部分，与此同时电商的竞争越来越大，获客成本也在不断的攀升。在此情况下由流量思维向用户思维转变是必要的，我们需要对用户数据进行分析来为企业经营提供决策。此次项目通过相关指标对用户行为进行分析，探索用户购买的规律，挖掘可能存在的问题，并提出相关建议，实现更加精细和精准的运营，让业务获得更好的增长。

（二）分析思路

本次项目选取以下五大指标进行分析

1.常见流量类指标分析：电商平台有巨大的流量优势，对常见流量类指标分析即可发现流量的变化趋势和存在的问题。

2.常见用户类指标分析：用户是电商平台运行的关键，通过对用户购买次数等指标的分析，可知道购买次数分布和用户忠诚情况等。

（漏斗模型）：通过用户购买行为分析，了解各行为环节转化情况，进而提供改善建议。

(RFM模型)：对用户人群进行划分，进而有针对性的进行运营策略的调整。

二. 总结

1、通过对流量类指标进行分析发现：

1）一个月内的页面访问总数为971187，访问用户总数为8477，平均每位用户每天的浏览为4次。

2）只浏览了一次就离开了app的用户数为85位，跳失率为0.0086，基本可以忽略不计，说明淘宝有足够的吸引力让用户留在app中。

3）通过计算pv和uv的日环比，发现双十二期间PV涨幅达41%，UV涨幅达16%，均达到最大值，再和公司活动前制定的目标进行比较，是否完成预设目标。

2、通过对用户类指标进行分析发现：

用户的平均购买次数为2～3次，25%的用户购买次数超过3次，其中购买次数最大为82次。复购率为52%，一般在50%是正常的，复购率越高说明消费者对品牌的忠诚度就越高，提高复购率也是相当提升了店铺的权重。

3、通过对用户行为进行分析中发现：

1）用户使用APP有一定的时间规律，上午5点到10点，下午6点到晚上10点各类行为均有明显的上升趋势，晚上10点后开始下降，商家可以参考用户的活跃时间段，加大广告的投入增加商品曝光，对应采取一些促销活动。

2）在双12期间，活动效果明显，四种用户行为同时达到峰值，加入购物车这一用户行为的访问量高于收藏与支付的访问量。而一天中，19点到22点是用户活跃的高峰期，可重点关注运营情况。

3）用户行为通过漏斗分析，可以看出从浏览到收藏加购这一环节的转化率为5.52%，从具有购买意向到支付的转化率为20.02%（因为不知道具体的行业所以不做对比分析，一般来说高于大部分同行的转化率就算不错了）。这说明两个阶段都需要着重提升。前者可能由于产品关键词不准导致流量不精准，产品不满足消费者需求或者详情页面不够好等，后者可能性价比不高，没有优惠活动等，需要对其原因进一步挖掘分析。

4、通过对用户价值进行分析发现：

用户主要为重要挽回客户和重要发展客户，重要价值客户和重要唤回客户人数很少。根据不同用户类型来制定运营策略，实施精准营销。

5、通过对购买商品进行分析发现：

从商品品类分析来看，每类商品平均被购买了4.8次，75%商品品类只被购买了4次以内，说明存在小部分商品品类很受欢迎，其中最大的被购买量的是162次，拉高了平均值。

1）针对品类转化率比较好的，可以考虑加大广告投入增加该品类的曝光以提高销售额。

2）针对浏览量大，但转化率低的品类，需要具体分析是整个品类的商品转化率都低还是部分商品转化率低，要逐步淘汰转化率低的商品，对品类进行优化 。

三. 数据来源及数据处理

数据来源阿里云天池：https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1; 数据集包含了2014年11月18日至2014年12月18日之间，一个月内的淘宝APP移动端用户行为数据。 由于总记录为1亿条，数量过大，为了实现数据和硬件适配的可能性，此次只分析1048575条数据。

（二）缺失值处理

(三） 异常值

（四）重复值

（五）时间格式化处理

四. 数据分析

（一） 流量类指标分析

4.1.1 页面总浏览量和总访客数量

4.1.2 不同日期维度下pv和uv的变化情况

4.1.3 不同时间维度下PV、UV的变化情况

根据折线图可知，早上5：00-10:00,18:00-21:00这两个时间段pv有较明显上升；uv从早上6:00-10:00有较明显增加，而后保持稳定数量，18点后缓慢增长，到21点后开始下降；pv、uv变化符合大众工作作息时间，侧面证明数据是真是有效的；晚上8点到10点，达到峰值，可以参考用户的活跃时间段，采取一些促销活动

（二） 用户类指标分析

4.2.1 用户购买次数

根据上述结果可知，用户的平均购买次数为2～3次，有超过一半的用户购买次数在2次以内，25%的用户购买次数超过3次，其中购买次数最大为82次

4.2.2 用户购买次数分布

根据上图可知，绝大部分用户购买次数在10次以内

4.2.3 用户的复购率

可以看出11月18号-12月18号期间用户的复购率为52%，一般来说电商复购率大于50%还算可以了，比例越大，用户忠诚度越高。

（三）用户行为指标分析

4.3.1 不同日期维度下用户行为的变化

相比这三类行为，页面访问量pv较高，前面已经单独进行了分析这里不再重复；总体看来四种行为的波动情况大体一致，每周五各项指标均为最低，加购行为数明显高于收藏和支付行为数。双十二活动当天加购和购买量均达到顶峰；收藏的增长比较小，应该是大型活动大家都早已选好了商品

4.3.2 不同时间维度下用户行为的变化

整体趋势基本一致，加购行为量高于收藏行为量。可以看到每天上午5点到10点，下午6点到晚上10点有明显的上升趋势，晚上10点后开始下降，基本符合绝大部分人的作息时间规律。 商家可以参考用户的活跃时间段，加大广告的投入增加商品曝光，对应采取一些促销活动

4.3.3 双十二当天用户行为分析

4.3.4 活动前一天用户行为分析

经过两张图的对比分析，发现在0点之前（11月11号）购买数处在很低的水平，而购物车的行为数剧增，因为双十二活动是在0点开启，所以用户在为双12零点的抢购做准备0点之后购买数达到第一个高峰；双十二当天早上八点到10点之间迎来了第二个高峰，此时部分用户已经醒了开始下单商品；而晚上八点到十点经历

4.3.5 用户行为漏斗模型分析

可以看出从浏览到加入购物车/收藏这一环节的转化低较低只有5.52%，说明从浏览到进行收藏和加入购物车的阶段是指标提升的重点环节。可能由于产品不符合消费者需求或者详情页面不够好等，需要对其原因进一步挖掘分析。

（四） 用户价值分析（RFM模型）

RFM模型解释：

越大，表示客户交易发生的日期越久，反之则表示客户交易发生的日期越近。

F（Frequency）：客户在最近一段时间内交易的次数。F值越大，表示客户交易越频繁，反之则表示客户交易不够活跃。

4.4.1 数据计算

4.4.2 建立模型

需要分别对F、R、M 分别计算各自的平均值，要注意三个指标数据存在极大值、极小值的情况，这对结果会产生一定的误差，所以解决方案是将其标准化，设置分段区间

，5分制，5分为最高

可以看出重要发展客户和重要挽留客户比例很高，有部分原因是缺失订单金额的数据，导致M评分都为高；另外应该拉长时间维度进行分析；

(五） 购买商品分析

4.5.1 购买商品的品类分析

由上述描述统计可知，有销售的品类有2066种；每类商品平均被购买了4.8次，75%商品品类只被购买了4次以内，说明存在小部分商品品类很受欢迎，其中最大的被购买量的是162次，拉高了平均值

1. 以下品类转化率比较好，可以考虑加大广告投入增加该品类的曝光以提高销售额 （由于不知道具体的品类名称及其品类的平均转化率水平，所以我假定在平均数一半以内算是转化比较好）

6344品类销量排名第1，浏览量只排19名，共售出162个，平均点击41次会产生一次购买；

3424品类销量排名第4，共售出109个，平均点击36次会产生一次购买；

2. 以下品类浏览量很大，但是整体的转化率低，会造成广告的浪费，总体投入产出比低；需要具体分析是整个品类的商品转化率都低还是部分商品转化率低，要逐步淘汰转化率低的商品，对品类进行优化 （由于不知道具体的品类名称及其品类的平均转化率水平，所以我假定在平均数一倍以上算是转化很差的）

1863

品类销量排名第2，共售出140个，浏览量很大但是平均211个点击才产生一次购买；

5399品类销量排名第5，共售出99个，平均点击216次才能产生一次购买；

品类销量排名第11，共售出81个，平均点击277次才能产生一次购买；

5894品类销量排名第15，共售出74个，平均点击332次才能产生一次购买；

品类销量排名第18，共售出63个，平均点击405次才能产生一次购买；

根据以上两个结果可知，5027品类里一共有15914个不同商品（假设每个商品都有被浏览过），其中只有56个商品被购买过；

平均点击5次会产生一次购买，转化率最低的是需要点击37次才能产生一次购买，单从数据来看有被购买的商品转化率都还可以；

但是商品的销量比较少，随机因素影响比较大，无法进行准确的用户偏好判断；

总体来看这个品类里有15000多种商品在这一个月内都没有销量，应该要对商品进行合理优化

4.5.1 购买商品分析

由上述描述统计可知，超过75%的商品只被购买了1次，说明没有出现购买次数非常集中的商品，商品售卖主要依靠长尾商品的累积效应，可能没有爆款商品的带动。

对比销量前10的商品和浏览量靠前的商品，可以发现销量第1的商品浏览量排名在第24名，其余销量前十的产品都不在浏览量前30中。 这表明推荐的机制可能存在问题，推荐的商品不是用户感兴趣的或需要的商品；