目錄
一、明確分析目的
二、數(shù)據(jù)收集
三、數(shù)據(jù)處理
四、數(shù)據(jù)分析與展現(xiàn)
五、總結(jié)與建議
一、提出問(wèn)題
1.1分析目的
本文在已有的電商用戶行為的基礎(chǔ)上，挖掘數(shù)據(jù)價(jià)值，研究時(shí)間段用戶的轉(zhuǎn)化、下單以及商品銷售情況。從而對(duì)業(yè)務(wù)提出建議，提升電商關(guān)鍵指標(biāo).....
具體研究問(wèn)題如下：
1、用戶在什么時(shí)間段最活躍，容易下單？
2、關(guān)鍵行為指標(biāo)轉(zhuǎn)化情況如何？
3、如何提高指標(biāo)間轉(zhuǎn)化率，從而提高訂單量？
4、那些商品轉(zhuǎn)化情況最好？那些最差，如何優(yōu)化？
5、那些商品類目最受歡迎，訂單量最高？
1.2分析框架
二、數(shù)據(jù)理解
2.1數(shù)據(jù)來(lái)源-阿里云天池
2.2數(shù)據(jù)介紹
該數(shù)據(jù)為用戶在2017年11月25日至12月3日之間具有點(diǎn)擊，購(gòu)買，向購(gòu)物車中添加商品和偏好商品的所有行為。
數(shù)據(jù)集由用戶ID（user_id），商品ID（item_id），商品類目ID（item_category），行為類型（behavior_type）和時(shí)間戳（create_time）組成。分析樣本量為3835331條數(shù)據(jù)。（原數(shù)據(jù)集約1億）。
2.3數(shù)據(jù)導(dǎo)入
此處參考：Linux環(huán)境下，MySQL數(shù)據(jù)導(dǎo)入，不做詳細(xì)贅述。
三、數(shù)據(jù)處理
表名：use_behavior2
樣本數(shù)據(jù)：3835331條
3.1刪除重復(fù)數(shù)據(jù)
distinct 刪除重復(fù)值，保留3835329條數(shù)據(jù)放入use_behavior2_2表中。
create table use_behavior2_2 asselect distinct * from use_behavior2?
3.2缺失值處理
在創(chuàng)建表格表格時(shí)，5個(gè)字段均定義為not null；數(shù)據(jù)導(dǎo)入保證沒(méi)有缺失值。
create table use_behavior2(user_id int(5) not null,#用戶iditem_id int(20) not null,#商品名稱item_category int(20) not null,#商品類目behavior_type varchar(45) not null,#行為類型create_time int(20) not null);#時(shí)間戳
3、將時(shí)間戳轉(zhuǎn)化為日期時(shí)間形式，同時(shí)增加日期、時(shí)間、周三列
#將時(shí)間戳轉(zhuǎn)化為日期時(shí)間
alter table use_behavior2_2 add column datetime2 varchar(30) null;
update use_behavior2_2 set datetime2 =from_unixtime(create_time,'%Y-%m-%d %H:%i:%s');
#增加日期列
alter table use_behavior2_2 add column dates date null;
update use_behavior2_2 setdates = date_format(datetime2,'%Y-%m-%d')
#增加時(shí)間列
alter table use_behavior2_2 add column times time null;
update use_behavior2_2 set times = date_format(datetime2,'%H:%i:%s')
#增加周列
alter table use_behavior2_2 add column weekdays char(10) null;
update use_behavior2_2 set weekdays = date_format(dates,'%W')
執(zhí)行結(jié)果如下：
3.4數(shù)據(jù)異常值處理
#確定日期是否在規(guī)定范圍內(nèi)：2017年11月25日至2017年12月3日。
select max(datetime2),min(datetime2) ,max(create_time ),min(create_time ) from use_behavior2_2 ub
執(zhí)行結(jié)果：
將不符合規(guī)定的數(shù)據(jù)刪除，一共刪除1945條數(shù)據(jù)：
delete from use_behavior2_2 where datetime2 < '2017-11-25 00:00:00' or datetime2 > '2017-12-04 00:00:00'
再次驗(yàn)證日期時(shí)間的準(zhǔn)確性，下面結(jié)果滿足要求：
3.5判斷行為數(shù)據(jù)
#判斷行為是否為點(diǎn)擊瀏覽(pv)，收藏(fav)，加入購(gòu)物車(cart)，購(gòu)買(buy)
select behavior_type from use_behavior2_2 ub group by behavior_type
執(zhí)行結(jié)果：
完成以上數(shù)據(jù)處理，最終獲得3833384條數(shù)據(jù)進(jìn)行數(shù)據(jù)分析。
四、構(gòu)建模型
1、整體情況
1.1關(guān)鍵指標(biāo)概覽
select behavior_type,count(*) as 次數(shù),count(distinct user_id) as 人數(shù) from use_behavior2_2 ub group by behavior_type order by behavior_type desc
1.2平臺(tái)活躍趨勢(shì)
#平臺(tái)整體活動(dòng)趨勢(shì)
select dates as 日期,weekdays,count(*) as 次數(shù),count(distinct user_id) as 人數(shù)from use_behavior2_2 ub group by dates;
在這個(gè)周期內(nèi)，活躍度最高是在12月2號(hào)，12月3號(hào)這兩天，明顯有提升。
從平常日活情況來(lái)看，日?；钴S人數(shù)穩(wěn)定在2.6萬(wàn)-2.8萬(wàn)之間。而12月2號(hào)、12月3號(hào)為周六，周日，在周末效應(yīng)之下，日活高達(dá)3.6萬(wàn)，商品點(diǎn)擊次數(shù)也有了明顯的上升。
從該時(shí)間段數(shù)據(jù)情況可推測(cè)周末活躍度高于工作日。因用戶的閑暇時(shí)間的增加，活躍與購(gòu)買情況會(huì)明顯高于工作日。因此可多選取一段時(shí)間對(duì)規(guī)律進(jìn)行驗(yàn)證，若屬實(shí)，建議平臺(tái)與商家在營(yíng)銷活動(dòng)與運(yùn)營(yíng)安排中，注意結(jié)合客流量對(duì)日常、周末以及法定節(jié)假日等節(jié)點(diǎn)進(jìn)行合理安排。
1.3每日購(gòu)買變動(dòng)情況
#每日購(gòu)買變動(dòng)情況
select dates as 日期,behavior_type as 行為類型,count(*) as 訂單數(shù),count(distinct item_id)as 商品數(shù)量 from use_behavior2_2 ub where behavior_type = 'buy' or behavior_type ='cart'group by dates,behavior_type
?從該購(gòu)買情況來(lái)看，12月2號(hào)，3號(hào)周末兩天的購(gòu)買情況同時(shí)增長(zhǎng)，加入購(gòu)物車和購(gòu)買也同步發(fā)生變化。
2、平臺(tái)活躍分析
2.1 分時(shí)段活躍情況
#分時(shí)段活躍情況
select date_format(times,'%H:00:00') as 時(shí)段,count(*) as 次數(shù),count(distinct user_id) as 用戶數(shù)from use_behavior2_2group by 時(shí)段
10點(diǎn)到23為活躍高峰期：10點(diǎn)開始進(jìn)入，一直到19點(diǎn)活躍度基本平穩(wěn)沒(méi)有明顯的差異。20-21點(diǎn)開始迎來(lái)高峰，持續(xù)到22-23點(diǎn)出現(xiàn)下降。
2.2 12月2號(hào)，12月3號(hào)分時(shí)段活躍情況
#12月2.3平臺(tái)分時(shí)段活躍情況
select date_format(times,'%H:00:00') as 時(shí)段,count(*) 次數(shù),count(distinct user_id) as 用戶數(shù)from use_behavior2_2 ub where dates ='2017-12-02' or dates = '2017-12-03'group by 時(shí)段
周末與日常活躍趨勢(shì)基本一致，10點(diǎn)進(jìn)入活躍高峰期期，20-21點(diǎn)迎來(lái)高峰期。
建議平臺(tái)與商戶夜間活躍的特性，做好客戶服務(wù)時(shí)間，營(yíng)銷消息推送等安排，以達(dá)到更好的促交易目的。
3、訂單分析
3.1分時(shí)段下單情況
#3.1分時(shí)段下單情況
select date_format(times,'%H:00:00') as 時(shí)段,count(distinct user_id) as 用戶數(shù),count(*) as 訂單from use_behavior2_2 ub where behavior_type = 'buy'group by 時(shí)段
下單的整體趨勢(shì)與活躍基本一致，但高峰期增長(zhǎng)較小。晚間最高峰20點(diǎn)-22點(diǎn)與白天10點(diǎn)到17點(diǎn)變動(dòng)趨勢(shì)基本一致，無(wú)太大變化。導(dǎo)致這一現(xiàn)象的可能原因是，晚間高峰期用戶有更多的時(shí)間和輕松的范圍，會(huì)無(wú)意識(shí)瀏覽商品，貢獻(xiàn)活躍。
3.2銷量top10 產(chǎn)品????
#3.2銷量top10 產(chǎn)品
select item_id ,count(*) as 訂單量from use_behavior2_2 ub where behavior_type = 'buy'group by item_id order by 訂單量 desc limit 10
以上10款商品是平臺(tái)該事件段內(nèi)銷量最高的10款商品，建議結(jié)合商品表對(duì)商品特性與商品信息分析其受歡迎的原因，從而考慮如何引導(dǎo)商戶調(diào)整商品結(jié)構(gòu)。
3.3客戶量top10的商品
#3.3客戶量top10的商品
select item_id,count(distinct user_id)as 用戶數(shù)from use_behavior2_2 ub where behavior_type = 'buy'group by item_id order by 用戶數(shù) desc limit 10
以上10款商品是平臺(tái)該段時(shí)間內(nèi)購(gòu)買客戶數(shù)最高的10款商品。
3.4銷量最高的10大品類
#3.4銷量最高的10大品類
select item_category as 商品類目,count(*) as 訂單量,count(distinct item_id) as 商品數(shù)量from use_behavior2_2 ub2 where behavior_type = 'buy'group by item_category order by 商品數(shù)量 desc limit 10
3.5最受客戶歡迎的10大品類
#3.5最受客戶歡迎的10大品類
select item_category,count(distinct user_id) as 用戶數(shù),count(distinct item_id)as 商品數(shù)量from use_behavior2_2 ub where behavior_type = 'buy'group by item_category order by 用戶數(shù) desc limit 10
3.6訂單量最少的10個(gè)商品
#3.6訂單最少的10個(gè)商品
select item_id,count(*) as 訂單from use_behavior2_2 ub where behavior_type = 'buy'group by item_id order by 訂單 asc limit 10
3.7訂單量最少的10個(gè)品類
#3.7訂單量最少的10個(gè)品類
select item_category,count(*) as 訂單from use_behavior2_2 ub where behavior_type = 'buy'group by item_category order by 訂單 asc limit 10
結(jié)合更多商品信息，分析這10個(gè)品類訂單量低的原因，是類目下商品太少？還是其下商品是季節(jié)性產(chǎn)品？亦或是商品類目拆分過(guò)細(xì)？
4、轉(zhuǎn)化漏斗分析
#用戶漏斗轉(zhuǎn)化分析
create view u3 asselect behavior_type,count(user_id) as 用戶數(shù)from use_behavior2_2 ub group by behavior_type order by behavior_type desc? ? ? ? ? ? ? ? ? ? ?
select behavior_type,(用戶數(shù)/10000) as 用戶數(shù)（單位萬(wàn)） from u3?
從商品轉(zhuǎn)化情況來(lái)看，從點(diǎn)擊到加入購(gòu)物車或者收藏，近9.46%轉(zhuǎn)化率，該轉(zhuǎn)化率過(guò)低，建議商家針對(duì)商品的詳情、標(biāo)題等進(jìn)行優(yōu)化，提高用戶轉(zhuǎn)化率；
從商品購(gòu)買轉(zhuǎn)化情況來(lái)看，如果訂單被加入購(gòu)物車或收藏，將有23.62%的可能性成交；
從點(diǎn)擊至下單，轉(zhuǎn)化率為2.24%。
說(shuō)明：考慮到fav（收藏）與cart（加購(gòu)）無(wú)直接轉(zhuǎn)化關(guān)系，隨本案例做合并處理。
5、下單用戶分析
5.1用戶購(gòu)買頻次分析
#5.1用戶購(gòu)買頻次分析
create view u1 as select user_id,count(*) as 訂單量from use_behavior2_2 ub where behavior_type = 'buy'group by user_id
select 訂單量,count(*) as 用戶數(shù) from u1group by 訂單量
從用戶購(gòu)買頻次來(lái)看，在這9天時(shí)間里，有34.2%用戶只成交1單，23.22%用戶成交2單。最高成交量為10單以上占比3.18%。
建議結(jié)合下單金額等指標(biāo)，制定高凈值用戶評(píng)價(jià)體系，從而為平臺(tái)營(yíng)銷提供數(shù)據(jù)支持。
5.2用戶排行榜
#5.2用戶排行榜
select user_id,count(*) as 訂單量,count(distinct item_id) as 商品數(shù)量from use_behavior2_2 ub where behavior_type = 'buy'group by user_id order by 訂單量 desc limit 10
商品的成交是對(duì)平臺(tái)最有價(jià)值的指標(biāo)，也是用戶體現(xiàn)價(jià)值的重要方式。建議對(duì)平臺(tái)高成交量，高成交額用戶予以關(guān)注與精益化運(yùn)營(yíng)。
5.2復(fù)購(gòu)商品分析
#5.2復(fù)購(gòu)商品分析
select user_id,item_id,count(*) as 訂單量from use_behavior2_2 ub where behavior_type = 'buy'group by user_id ,item_id having count(*)>1order by 訂單量 desc;
根據(jù)執(zhí)行結(jié)果，從所有成交訂單來(lái)看，有3187款商品被復(fù)購(gòu)。
