基于Mysql的淘宝用户分析

一、背景

数据来源于tianchi.aliyun.com/dataset/dat…，通过此项目学习电商数据分析的指标与数据分析的基本方法。

探索目标：每日不同时段流量走势，质量如何？用户行为转化情况怎样？如何提高留存、增加复购？如何判断高价值用户，针对不同用户如何进行个性化营销？

二、行业相关指标总结

2.1 运营检测指标

2.2 人/货/场维度

三、分析思路

3.1观察数据

表tianchi_mobile_recommend_train_user，有6个字段：用户ID、商品ID、商品类目ID、用户行为类型、用户所在地理位置、用户行为时间，一共有12256905条数据。数据导入Navicat时限于电脑性能，仅提取1200000条记录用作分析。

-- 用户行为类型又分为四种： type=1,点击商品详情页，等价于pv；type=2,收藏商品；type=3,商品加入购物车；type=4,商品购买；

3.2 分析维度

（1）从时间与流量来源维度：以PV、UV、人均浏览量、跳失率等指标，分析用户最活跃的日期及活跃时段，了解用户行为习惯；

（2）从货的思考维度：探索用户对商品的购买偏好，了解商品的销售规律；

（3）参考RFM的客户价值维度：通过分析用户的最近交易行为（Recency）、交易频率（Frequency）来描述该客户的价值状况。将这两项指标分成几个区间进行评分，通过计算评分找到有价值的用户，并对用户进行分类。

（4）用户典型路径挖掘，一个购买过程中会产生多少次用户行为，以及购买路径的先后顺序；

（5）从用户的行为角度：利用漏斗模型，用户的行为转化路径有两种，a.点击—收藏—加购物车—购买，b. 点击—加购物车—购买;

（6）根据用户特征进行聚类，根据不同类型用户进行行为分析，有利于锁定目标用户。

3.3 数据准备

地理位置列缺失值太多，删除；添加日期、时间列；

create table sub_user_train as
select * from  user_train order by rabd() limit 1200000;
#处理数据--地理位置列缺失值太多，删除
alter table user_train drop sub_user_geohash;
#处理数据--添加日期、时间列
set sql_safe_updates=0;
alter table sub_user_train add date char(20);
alter table sub_user_train add ahour char(20);
update sub_user_train set ahour=hour(time);
update sub_user_train set ahour=date(time);
复制代码

四、数据分析

4.1 时间与流量维度分析

浏览量PV：页面浏览量或点击量Page View，用户每打开一个网页就记录1次PV，用户多次访问同一页面PV累计多次。

select ahour as 时段,
sum(behavior_type=1) as 点击量,
count(distinct user_id) as 访客量,
sum(behavior_type=4) as 成交量,
sum(behavior_type=1)/count(distinct user_id) as 人均浏览量
from sub_user_train
group by 时段;
复制代码

访客数UV：访问页面的独立访客Unique Visitor，用户访问该页面的一台电脑客户端为一个访客，以浏览器的cookie为依据，同一个用户多次访问只计算一个UV。

人均浏览量PV/UV：平均每个独立访客的浏览次数，体现网站对用户的吸引程度。

从时间段来看，10点到15点用户逐渐活跃，用户活跃的高峰时间为22点左右，商家可以集中资源，在用户活跃度较高的时间段采取一些引流手段。可集中资源在该时间段进行引流与营销活动，如推送爆款及畅销商品，同时发送商家折扣优惠、直播带货及促销活动消息，提高商品购买率。

从日期来看，浏览量PV、访客量UV和人均浏览量的总体变化趋势是相同的。12月11日、12日因双12的缘故，PV分别达到了峰值，说明双12的营销活动对用户行为有显著影响。

4.2 对商品偏好维度

分析爆款、畅销商品，从而进一步调整产品结构和营销方案。

select item_id,sum(behavior_type=1) as 点击量
from sub_user_train
group by item_id
order by 点击量 desc
limit 10;
复制代码

为何点击量高的商品编号，成交量却那么低？是购买过程中哪个环节出了问题？可根据这些商品的各个购买环节寻找原因。

另外对于深受用户喜爱的商品，要通过各渠道增加畅销商品的曝光。根据用户消费偏好分析，尝试将购买量较低的商品和畅销商品捆绑销售，或者关联推荐，并优化商品的展示页面，将畅销商品和滞销商品放在一起展示，提高滞销商品的曝光率，利用爆款产品带动整体商品的销售。

4.3 用户行为漏斗转化

查询用户在购买流程中各环节的转化情况，目前用户的行为转化路径至少有两种，a.点击—收藏—加购物车—购买，b. 点击—加购物车—购买;

假设用户按照“a.点击—收藏—加购物车—购买”这个路径转化，那么从“收藏——加购”这一环节的转化率会异常。因此大概率考虑用户的转化路径为“b. 点击—加购物车—购买”；

查询相关指标，如下;

select 
date as 日期,
sum(if(behavior_type='1',user_num,0)) as 浏览人数,
sum(if(behavior_type='3',user_num,0)) as 加购人数,
sum(if(behavior_type='4',user_num,0)) as 购买人数,
sum(if(behavior_type='3',user_num,0))/sum(if(behavior_type='1',user_num,0)) as 浏览-加购转化率,
sum(if(behavior_type='4',user_num,0))/sum(if(behavior_type='3',user_num,0)) as 浏览-加购转化率
from (select date,behavior_type,count(distinct user_id) as user_num
			from sub_user_train where behavior_type in ('1','3','4') group by date,behavior_type
			) as t
group by date;
复制代码

将查询结果呈现出来;