目錄：
1、項目背景
2、數(shù)據(jù)導(dǎo)入與認識
3、數(shù)據(jù)清洗
4、數(shù)據(jù)分析
5、結(jié)論與建議
一、項目背景
移動互聯(lián)網(wǎng)企業(yè)從粗放式到精細化運營管理過程中，需要結(jié)合市場、渠道、用戶行為等數(shù)據(jù)分析，對用戶開展有針對性的運營活動，提供個性化、差異化的運營策略，以實現(xiàn)運營業(yè)務(wù)指標。本項目利用sql對淘寶用戶行為數(shù)據(jù)進行分析，通過用戶行為分析業(yè)務(wù)問題，提供針對性的運營策略。
本次分析的目的是想通過對淘寶用戶行為數(shù)據(jù)分析，為以下問題提供解釋和改進建議：
1.分析用戶使用APP過程中的常見電商分析指標，建立用戶行為轉(zhuǎn)化漏斗模型，確定各個環(huán)節(jié)的流失率，找到需要改進的環(huán)節(jié)；
2.研究用戶在不同時間尺度下的行為規(guī)律，找到用戶在不同時間周期下的活躍規(guī)律，在用戶活躍時間點推出相應(yīng)營銷策略；
3.找到用戶對不同種類商品的偏好，找到針對不同商品的營銷策略；
4.找出最具價值的核心付費用戶群，對這部分用戶的行為進行分析。
二、數(shù)據(jù)導(dǎo)入與認識
- 數(shù)據(jù)集來自阿里云天池：數(shù)據(jù)鏈接
-
本數(shù)據(jù)集包含了2017年11月25日至2017年12月3日之間，有行為的約一百萬隨機用戶的所有行為（行為包括點擊、購買、加購、喜歡）。數(shù)據(jù)集的組織形式和MovieLens-20M類似，即數(shù)據(jù)集的每一行表示一條用戶行為，由用戶ID、商品ID、商品類目ID、行為類型和時間戳組成，并以逗號分隔。關(guān)于數(shù)據(jù)集中每一列的詳細描述如下：
image.png
2.1 圖形界面工具導(dǎo)入
新建數(shù)據(jù)庫
導(dǎo)入數(shù)據(jù)表
選擇導(dǎo)入前1000000行數(shù)據(jù)
需要注意源數(shù)據(jù)集中不包含字段名稱行，導(dǎo)入時字段名行設(shè)置為0，第一個數(shù)據(jù)行設(shè)置為1。
設(shè)置字段類型
導(dǎo)入完成，耗時1分21秒
修改字段名
- 注意：源數(shù)據(jù)集中，時間存儲格式是從新紀元開始后的秒數(shù)，需要進行進行數(shù)據(jù)格式轉(zhuǎn)換。
2.2 以系統(tǒng)命令行導(dǎo)入
使用命令行連接MySQL，并進入到taobao數(shù)據(jù)庫
創(chuàng)建新表user
載入源數(shù)據(jù)
- 速度更快，導(dǎo)入3835331行數(shù)據(jù)，僅用27.88秒，但是相比于圖形界面工具操作更復(fù)雜。
三、數(shù)據(jù)清洗
3.1 刪除重復(fù)值
# 統(tǒng)計重復(fù)值
SELECT *
FROM taobao
GROUP BY user_id,item,category,time
HAVING count(user_id)>1;
從查詢結(jié)果可知，數(shù)據(jù)中不存在重復(fù)記錄。
3.2 查看缺失值
# 統(tǒng)計缺失值
SELECT count(user_id),count(item),count(category),count(behavior),count(time)
FROM taobao;
從查詢結(jié)果來看，不存在缺失值，數(shù)據(jù)質(zhì)量高。
3.3 時間格式轉(zhuǎn)換
# 新增date、hour、datetime時間字段
ALTER TABLE taobao
ADD date VARCHAR(20),
ADD hour VARCHAR(20),
ADD datetime VARCHAR(20);
# 時間格式轉(zhuǎn)換
UPDATE taobao SET date = FROM_UNIXTIME(time,"%Y-%m-%d");
UPDATE taobao SET hour = FROM_UNIXTIME(time,"%H");
UPDATE taobao SET datetime = FROM_UNIXTIME(time);
3.4 過濾異常值
由于數(shù)據(jù)集時間范圍為2017-11-25至2017-12-3，因此需要對不在該時間范圍內(nèi)的異常數(shù)據(jù)進行過濾。
# 篩選異常數(shù)據(jù)
SELECT *
FROM taobao
WHERE date < '2017-11-25' or date > '2017-12-03';
# 過濾異常數(shù)據(jù)
DELETE FROM taobao
WHERE date < '2017-11-25' or date > '2017-12-03';
總共過濾掉470條異常記錄。
四、數(shù)據(jù)分析
4.1 基于用戶行為轉(zhuǎn)化漏斗模型分析用戶行為
4.1.1 常見電商指標分析
（1） UV、PV、UV/PV
# 訪客數(shù)UV、訪問量PV、平均訪問量PV/UV
SELECT count(DISTINCT user_id) as UV,
sum(case when behavior='pv' then 1 else 0 end) as PV,
sum(case when behavior='buy' then 1 else 0 end) as Buy,
sum(case when behavior='cart' then 1 else 0 end) as Cart,
sum(case when behavior='fav' then 1 else 0 end) as Fav,
sum(case when behavior='pv' then 1 else 0 end)/count(DISTINCT user_id) as 'PV/UV'
FROM taobao;
網(wǎng)站9天內(nèi)的訪問用戶總數(shù)（UV）9739；頁面總訪問量（PV）895636，平均每人頁面訪問量（UV/PV）約為92次。
（2） 復(fù)購率
復(fù)購率定義：在某時間窗口內(nèi)重復(fù)消費用戶（消費兩次及以上的用戶）在總消費用戶中占比（按天非去重）。復(fù)購率與回購率的區(qū)別
# 復(fù)購率
select
count(user_id) as 購買人數(shù),
sum(case when buy_amount>1 then 1 else 0 end) as 復(fù)購人數(shù),
sum(case when buy_amount>1 then 1 else 0 end)/count(user_id) as 復(fù)購率
from
(select *,count(behavior) as buy_amount from taobao where behavior='buy' group by user_id) t
從結(jié)果來看，復(fù)購率高達66.21%，反映淘寶的用戶忠誠度較高。
(3) 跳失率
跳失率定義：僅僅訪問了單個頁面的用戶占全部訪問用戶的百分比，或者指從首頁離開網(wǎng)站的用戶占所有訪問用戶的百分比。
跳出率可以反映用戶對APP\網(wǎng)站內(nèi)容的認可程度，或者說網(wǎng)站\APP是否對用戶有吸引力。網(wǎng)站\APP的內(nèi)容是否能夠?qū)τ脩粲兴鶐椭糇∮脩粢仓苯涌梢栽谔雎手锌闯鰜?，所以跳出率是衡量網(wǎng)站\APP內(nèi)容質(zhì)量的重要標準。
# 跳失率=僅點擊的用戶數(shù)/總用戶數(shù)（這里就是找沒有產(chǎn)生除pv之外的客戶）
select count(distinct user_id) as 跳失客戶
from taobao
where user_id not in(select distinct user_id from taobao where behavior<>'pv');
得到僅pv、無cart、fav、buy的客戶數(shù)有567位，UV為9739，跳失率為5.82%。反映出商品或者商品詳情頁的內(nèi)容對于用戶具有足夠的吸引力，讓用戶在淘寶駐留。
4.1.2 用戶行為轉(zhuǎn)化漏斗模型分析
漏斗分析模型已經(jīng)廣泛應(yīng)用于各行業(yè)的數(shù)據(jù)分析工作中，用以評估總體轉(zhuǎn)化率、各個環(huán)節(jié)的轉(zhuǎn)化率，以科學(xué)評估促銷專題活動效果等，通過與其他數(shù)據(jù)分析模型結(jié)合進行深度用戶行為分析，從而找到用戶流失的原因，以提升用戶量、活躍度、留存率，并提升數(shù)據(jù)分析與決策的科學(xué)性等。
知識點：電商行業(yè)轉(zhuǎn)化率算法
利潤 = 銷售額 X 凈利潤率
=（購買人數(shù) X 客單價）X 凈利潤率
= 進店人數(shù) X購買轉(zhuǎn)化率 X客單價 X凈利潤率
= 廣告展現(xiàn) X廣告轉(zhuǎn)化率 X購買轉(zhuǎn)化率 X客單價 X凈利潤率
= 推廣展現(xiàn) X推廣轉(zhuǎn)化率 X購買轉(zhuǎn)化率 X客單價 X凈利潤率
= 搜索展現(xiàn) X搜索轉(zhuǎn)化率 X購買轉(zhuǎn)化率 X客單價 X凈利潤率
= ***** X*****轉(zhuǎn)化率 X購買轉(zhuǎn)化率 X客單價 X凈利潤率
常用漏斗模型：首頁—商品詳情頁—加入購物車—提交訂單—支付訂單。
本數(shù)據(jù)集只包含商品詳情頁（pv）、加入購物車（cart）、支付訂單（buy）數(shù)據(jù)，因此將漏斗模型簡化為：商品詳情頁—加入購物車—支付訂單。
(1) 用戶總行為（PV）的轉(zhuǎn)化漏斗
SELECT behavior,COUNT(*)
FROM taobao
GROUP BY behavior
order by behavior desc;
用戶總行為轉(zhuǎn)化漏斗圖：
(2) 獨立訪客（UV）的轉(zhuǎn)化漏斗
# 獨立訪客轉(zhuǎn)化漏斗
SELECT behavior,count(DISTINCT user_id)
FROM taobao
GROUP BY behavior
ORDER BY behavior DESC;
綜合pv轉(zhuǎn)化漏斗圖與uv轉(zhuǎn)化漏斗圖，可以發(fā)現(xiàn)：
● 從PV轉(zhuǎn)化來看：從瀏覽PV到加入購物車的轉(zhuǎn)化率僅為6.2%，用戶需要花費大量的精力在挑選商品上。
● 從UV轉(zhuǎn)化來看：從瀏覽UV到購買UV轉(zhuǎn)化率達到68.5%，表名用戶的實際購買需求較高，且商品種類能夠滿足用戶的購買需求。
● 結(jié)合PV及UV的轉(zhuǎn)化：用戶能夠在淘寶購買到滿足自己需求的商品，但需要花費大量精力在挑選商品上。平臺在商品推薦及搜索匹配環(huán)節(jié)有待提高。
● 改善建議：建議平臺在商品推薦及搜索匹配等幾個入口，根據(jù)用戶基礎(chǔ)及行為信息進行算法優(yōu)化，提高商品推薦準確率，降低用戶尋找商品的成本。
題外話：大家在使用淘寶購物時，有沒有過被店鋪利用優(yōu)惠券引導(dǎo)收藏加購的經(jīng)歷呢？為什么店鋪愿意花一定的代價去做這件事？原因就是淘寶收藏加購的好處意義是直接提升寶貝權(quán)重排名，人氣權(quán)重這個維度在搜索排序維度中權(quán)重占比有很大提升。淘寶收藏加購多了，會增加淘寶店鋪權(quán)重，從而提升寶貝排名，流量自然也就多了。
4.2 從時間維度分析用戶行為
4.2.1 每天的用戶行為分析
# 每天的用戶行為分析（行轉(zhuǎn)列）
SELECT
date,
count(DISTINCT user_id) as '每日用戶數(shù)',
sum(case when behavior='pv' then 1 else 0 end) as '瀏覽數(shù)',
sum(case when behavior='cart' then 1 else 0 end) as '加購數(shù)',
sum(case when behavior='fav' then 1 else 0 end) as '收藏數(shù)',
sum(case when behavior='buy' then 1 else 0 end) as '購買數(shù)'
FROM taobao
GROUP BY date;
每日用戶行為數(shù)據(jù)變化：
在2017年11月25日-2017年12月3日統(tǒng)計窗口內(nèi)，11月25-26日與12月2-3日為周末。通過每日用戶行為數(shù)據(jù)變化曲線可以分析：11月25日至12月1日，數(shù)據(jù)波動變化范圍很小，在12月2-3日（周末），各項數(shù)據(jù)指標明顯上漲，高于前7天的各項數(shù)據(jù)指標。由于在上一個周末（11月25-26日）的各項數(shù)據(jù)指標并未存在明顯漲幅，因此推測在12月2-3日數(shù)據(jù)指標上漲可能與淘寶雙12預(yù)熱活動相關(guān)。
4.2.2 每時的用戶行為分析
（行轉(zhuǎn)列）
SELECT
hour,
count(DISTINCT user_id) as '每時用戶數(shù)',
sum(case when behavior='pv' then 1 else 0 end) as '瀏覽數(shù)',
sum(case when behavior='cart' then 1 else 0 end) as '加購數(shù)',
sum(case when behavior='fav' then 1 else 0 end) as '收藏數(shù)',
sum(case when behavior='buy' then 1 else 0 end) as '購買數(shù)'
FROM taobao
GROUP BY hour;
每時用戶行為數(shù)據(jù)變化：
結(jié)果顯示：在凌晨2-5點左右，各項數(shù)據(jù)指標進入低谷期；在9-18點之間，數(shù)據(jù)呈現(xiàn)一個小高峰，波動變化較??；在20-23點間，各數(shù)據(jù)指標呈現(xiàn)一個大高峰，并且在21點左右達到每日數(shù)據(jù)最大峰值，數(shù)據(jù)的變化趨勢比較符合正常用戶的作息規(guī)律。在制定運營策略時，可以利用這個規(guī)律來進行創(chuàng)收，選擇在每天用戶最活躍的時間段推出各種網(wǎng)店直播、直播帶貨等互動營銷手段。
4.3 從商品維度分析用戶行為
關(guān)于“受歡迎”的商品，可以從銷量與瀏覽量兩個維度（用戶行為）去分析。但有的瀏覽量高的商品可能是因為被頁面或廣告等吸引而來，或者只是感興趣，用戶并不一定會購買；而銷量高的產(chǎn)品有可能是用戶真正需要的，搜索和點擊購買的目標也比較明確。因此需要同時結(jié)合銷量與瀏覽量兩個維度去進行分析。
4.3.1 商品排行榜分析
(1) 商品銷量排行榜TOP10
select item,count(behavior) as 購買次數(shù)
from taobao
where behavior = 'buy'
group by item
order by 購買次數(shù) desc
limit 10;
從商品銷量排行榜可以發(fā)現(xiàn)，在被下單的17565件商品中，單個商品銷量最多不超過17次，且僅有5件商品銷量超過10次，反映出在分析的數(shù)據(jù)集中，并沒有出現(xiàn)賣的比較火爆的商品。
(2) 商品瀏覽量排行榜TOP10
select item,count(behavior) as 瀏覽次數(shù)
from taobao
where behavior = 'pv'
group by item
order by 瀏覽次數(shù) desc
limit 10;
對銷量前10與瀏覽量前10的商品進行表連接：
select a.item, 購買次數(shù), 瀏覽次數(shù)
from
(select item,count(behavior) as 購買次數(shù)
from taobao
where behavior = 'buy'
group by item
order by 購買次數(shù) desc
limit 10) a
left join
(select item,count(behavior) as 瀏覽次數(shù)
from taobao
where behavior = 'pv'
group by item
order by 瀏覽次數(shù) desc
limit 10) b
on a.item = b.item
結(jié)果顯示：商品銷量榜單與商品瀏覽量榜單之間對應(yīng)性差（僅有2件商品銷量與瀏覽量同時進入前20榜單），反映瀏覽量高的商品其銷量不一定高，銷量高的商品其瀏覽量不一定高，因此需要同時結(jié)合銷量與瀏覽量兩個維度去進行分析。下面將以商品瀏覽量和銷量兩個維度指標來對商品進行四象限劃分，分析不同類型商品對應(yīng)的用戶行為，并提出相應(yīng)的改進措施。
4.3.2 商品四象限劃分
商品銷量與瀏覽量兩個維度的界限值分別選取3、20（需要根據(jù)實際業(yè)務(wù)場景來確定界限值），將商品按照銷量與瀏覽量劃分為四個象限：
第Ⅰ象限： 商品瀏覽量與銷量都高，說明商品購買轉(zhuǎn)化率高，屬于受用戶歡迎的商品。
● 改進措施：由于該象限內(nèi)的商品有對應(yīng)的市場，電商平臺應(yīng)該重點進行推送，并且可以多做活動，吸引更多的潛在用戶。
第Ⅱ象限： 商品的銷量高，但是瀏覽量較低。產(chǎn)生這種現(xiàn)象可能有以下兩種原因（B端與C端兩個角度）：一是 該象限內(nèi)的商品可能屬于某類特定群體的剛需產(chǎn)品，這類特定群體搜索和瀏覽的目標比較明確；二是 該象限內(nèi)的商品受眾廣，但是引流入口數(shù)量少。
● 改進措施：收集目前購買與瀏覽該象限內(nèi)商品的用戶信息，分析用戶畫像，并結(jié)合商品的特點，核實產(chǎn)品是否存在某類特征明顯的消費群體。如果存在，則電商平臺可以集中向該類特征消費用戶進行定向推送、精準推送；如果不存在，則可以對該象限內(nèi)商品的多做推廣，提高曝光率，并增加引流入口，流量上來了，銷量可能會有提升。
第Ⅲ象限： 商品的瀏覽量低，銷量也低。原因主要需要從B端進行分析：一是 該象限內(nèi)商品的引流入口數(shù)量；二是 該象限內(nèi)商品是否符合用戶的需求？對用戶的吸引力如何？
● 改進措施：需要根據(jù)具體原因?qū)ΠY下藥。
第Ⅳ象限： 商品的瀏覽量高，但是銷量偏低，商品購買轉(zhuǎn)化率低。其原因也可以分為B/C端進行分析：在B端方面，是否是廣告的投放人群或者商品的推送目標有問題，并沒有獲取到對應(yīng)商品的目標用戶；是否是商品的定價與定位的原因，價格太貴且不符合主流消費群體的胃口；是否是商品詳情頁的圖片、描述以及商品的評價較差；是否是客服的服務(wù)不到位、APP操作更新流程復(fù)雜等因素。在C端方面，用戶的消費能力可能會對商品的銷量有影響。
● 改進措施：需要根據(jù)具體原因?qū)ΠY下藥。
4.3.4 “二八定律”or“長尾理論”分析
知識點：
（1）互聯(lián)網(wǎng)+經(jīng)濟下的——長尾模式
（2）什么是互聯(lián)網(wǎng)長尾效應(yīng)
按照商品銷量對商品分類統(tǒng)計：
SELECT a.`購買次數(shù)`, count(a.item) as '商品量'
FROM
(SELECT item, count(behavior) as '購買次數(shù)'
FROM taobao
WHERE behavior='buy'
GROUP BY item
ORDER BY count(behavior) DESC) a
GROUP BY a.`購買次數(shù)`
ORDER BY count(a.item) DESC;
繪制不同銷量對應(yīng)商品量柱狀圖：
根據(jù)不同銷量對應(yīng)商品量數(shù)據(jù)，在被下單的17565件商品中，只購買一次的商品有15536件，占下單總商品的88.45%，說明在互聯(lián)網(wǎng)環(huán)境下，以淘寶為代表的電商平臺，其商品售賣主要是依靠長尾商品的累計效應(yīng)，并非爆款商品的帶動。
4.4 基于RFM用戶分層模型分析用戶行為
4.4.1 基于RFM模型的用戶分層
基于RFM模型進行用戶分層分析，由于數(shù)據(jù)集中不包含訂單金額，故本次分析中不考慮M維度，只分析R、F兩個維度，對兩個維度的指標進行分級打分,最終按照綜合得分對用戶分層。
(1) R維度分析
計算用戶的最近消費時間間隔R值（R值越小，說明用戶最后消費時間越近），并對R值進行打分。根據(jù)R值結(jié)果，將其分為三個區(qū)間[0:2]，[3:5]以及[6:8]，分別賦予R_Score值3、2、1分。
# RFM模型——R維度分析
CREATE VIEW r_value as
SELECT user_id, min(時間間隔) as R
FROM
(SELECT user_id, DATEDIFF('2017-12-03',date) as '時間間隔'
FROM taobao
WHERE behavior='buy') a
GROUP BY user_id;
# 進行R維度打分
SELECT user_id, R,
case when R BETWEEN 0 and 2 then 3
when R BETWEEN 3 and 5 then 2
else 1 end as R_Score
FROM r_value;
統(tǒng)計不同R_Score占比：
從R_Score占比中可以發(fā)現(xiàn)，超過半數(shù)用戶會在購物當(dāng)天的后兩天內(nèi)就再次購買，可以看出淘寶已經(jīng)成為人們的日常購物習(xí)慣。
(2) F 維度分析
計算用戶的消費頻率F值，并對F值進行打分。根據(jù)F值結(jié)果（最大值72次），將其分為6個區(qū)間[1:9]，[10:19]，[20:29]，[30:39]，[40:49]以及[50:72]，分別賦予F_Score值1、2、3、4、5、6分。
# RFM模型——F維度分析
CREATE VIEW f_value as
SELECT user_id, count(behavior) as F
FROM taobao
WHERE behavior='buy'
GROUP BY user_id
ORDER BY count(behavior) DESC;
# 進行F維度打分
SELECT user_id, F,
case when F BETWEEN 1 and 9 then 1
when F BETWEEN 10 and 19 then 2
when F BETWEEN 20 and 29 then 3
when F BETWEEN 30 and 39 then 4
when F BETWEEN 40 and 49 then 5
else 6 end as F_Score
FROM f_value;
統(tǒng)計不同F(xiàn)_Score占比：
從F_Score占比中可以發(fā)現(xiàn)，在統(tǒng)計窗口的9天時間內(nèi)，96.76%的用戶在淘寶平臺消費1-9次。
(3) 用戶分層
RF綜合打分：
-- 平均值：2.4259, 1.0393
select avg(R_Score) as R平均值 from r_score;
select avg(F_Score) as F平均值 from f_score;
-- RFM模型
create view RFM
as
select a.user_id,a.R_Score,b.F_Score,
(case when a.R_Score>=2.4259 and b.F_Score>=1.0393 then '價值客戶'
when a.R_Score<2.4259 and b.F_Score>=1.0393 then '保持客戶'
when a.R_Score>=2.4259 and b.F_Score<1.0393 then '發(fā)展客戶'
when a.R_Score<2.4259 and b.F_Score<1.0393 then '喚回客戶' else null end) '客戶分類'
from r_score a
inner join f_score b
on a.user_id=b.user_id
order by R_Score desc,F_Score desc;
select * from RFM;
select 客戶分類,count(*) as 客戶數(shù)量
from RFM
group by 客戶分類;
用戶分層結(jié)果：
價值客戶（11）：最近消費時間近和消費頻次都很高，提供VIP服務(wù)。這部分用戶屬于平臺的 高價值用戶，需要制定相應(yīng)的運營策略來保持用戶粘性。
保持客戶（01）：最近消費時間較遠，但消費頻次很高，說明這是個一段時間沒來的忠誠客戶，我們需要主動和他保持聯(lián)系。
發(fā)展客戶（10）：最近消費時間較近，但頻次不高，忠誠度不高，很有潛力的用戶，必須重點發(fā)展。對這部分用戶發(fā)送提醒或促銷活動郵件、促進其消費頻次。
喚回客戶（00）：最近消費時間較遠、消費頻次不高，可能是將要流失或者已經(jīng)要流失的用戶，應(yīng)當(dāng)給予挽留措施。這部分比例最高，而且這部分客戶給平臺帶來的潛在價值也很大，應(yīng)該對這部分用戶進行定期上新提醒、價格激勵、訂單搭配推薦等措施，留住用戶并提高其消費頻次。
(2) 高價值用戶行為分析
以user_id為107932的用戶為例，對其進行深入分析：
SELECT
date,
sum(case when behavior='pv' then 1 else 0 end) as '瀏覽數(shù)',
sum(case when behavior='cart' then 1 else 0 end) as '加購數(shù)',
sum(case when behavior='fav' then 1 else 0 end) as '收藏數(shù)',
sum(case when behavior='buy' then 1 else 0 end) as '購買數(shù)',
sum(case when behavior='buy' then 1 else 0 end)/sum(case when behavior='pv' then 1 else 0 end) as '購買轉(zhuǎn)化率'
FROM taobao
WHERE user_id = 107932
GROUP BY date;
結(jié)果表明：該用戶幾乎每天都有消費，購買轉(zhuǎn)化率也很高，但從未使用過收藏功能，購物車的使用頻率也極低。對于高價值用戶，可以分析其常購買的商品類型，再進行相關(guān)的商品推薦。由于商品種類數(shù)據(jù)為脫敏數(shù)據(jù)，本文無法分析該用戶購買的商品類型。
五、結(jié)論與建議
本文從4個維度分析了淘寶用戶行為數(shù)據(jù)共100萬條，結(jié)論和建議如下：
1、淘寶平臺的商品對用戶具有足夠的吸引力（跳失率），且能夠滿足絕大部分用戶的需求（購買轉(zhuǎn)化率）。淘寶用戶的忠誠度較高，復(fù)購率高達66.21%。從瀏覽商品詳情頁PV到有購買意向僅有6.19%的轉(zhuǎn)化率，這一環(huán)節(jié)是指標提升的重點環(huán)節(jié)，盡量做到精準推薦，減少用戶尋找信息的成本。
針對上述環(huán)節(jié)改善轉(zhuǎn)化率的建議：
（1）優(yōu)化電商平臺的搜索匹配度和推薦策略，主動根據(jù)用戶喜好推薦相關(guān)的商品，優(yōu)化商品搜索的準確度和聚合能力，對搜索結(jié)果排序優(yōu)先級進行優(yōu)化。
（2）在商品詳情頁的展示上突出用戶關(guān)注的重點信息，精簡信息流的呈現(xiàn)方式，減少用戶尋找信息的成本。
2、用戶的各種行為數(shù)據(jù)指標在周末和工作日的差別不大，但是受雙12等大型平臺活動影響較大。每天晚上的20-23點間是用戶活躍度最高的時間段，各數(shù)據(jù)指標呈現(xiàn)一個大高峰，并且在21點左右達到每日數(shù)據(jù)最大峰值。在制定運營策略時，可以利用這個規(guī)律來進行創(chuàng)收，選擇在每天用戶最活躍的時間段推出各種網(wǎng)店直播、直播帶貨等互動營銷手段。
3、商品銷量與商品瀏覽量之間相關(guān)性較差，瀏覽量高的商品其銷量不一定高，銷量高的商品其瀏覽量不一定高，結(jié)合商品四象限劃分結(jié)果，各象限商品都可從B端與C端兩個角度去分析原因，并針對性的進行改善。
4、淘寶平臺商品售賣主要是依靠長尾商品的累計效應(yīng)，并非爆款商品的帶動。
建議：長尾效應(yīng)的確能帶來一部分收益，但是，繁多的種類對于商家來說其實是一種經(jīng)營負擔(dān)，成本也較高。二八定律告訴我們，商家其一可以嘗試豐富商品類型，以滿足各式各樣用戶的需求，但也需要權(quán)衡成本，確保收益最大化；二可以通過打造爆款商品來獲利。打造爆款商品具體的建議是：品控上提高產(chǎn)品質(zhì)量，宣傳上增大力度（直播、微淘、引流到其他平臺），展現(xiàn)上突出產(chǎn)品優(yōu)勢等（主圖、詳情頁、評論）。
5、通過RFM模型對用戶進行分層，找出RF評分高的作為高價值用戶，并對不同類型的用戶采取不用的運行策略。
