电商用户行为数据分析

原创

Lucky7even

修改于 2022-07-21 11:51:55

2.9K0

修改于 2022-07-21 11:51:55

文章被收录于专栏：77数据库77数据库

一、项目背景

随着电商平台数据量的不断积累，通过数据分析，挖掘消费者的潜在需求、消费偏好成为平台运营过程中的重要环节。

本项目基于淘宝用户行为数据，在MySQL关系型数据库与Tableau可视化平台中，探索用户规律，寻找高价值用户；分析商品特征，寻找高贡献商品；分析产品功能，优化产品路经。

二、数据集介绍

本数据集包含了2014年11月18日到2014年12月18日之间，有行为的随机用户的所有行为（行为包括点击、购买、加购、喜欢）。数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、用户地理位置、行为类型和行为时间组成。原数据集总共有1200万行数据，数据量太大，本次分析根据随机抽取导入约61万条数据。

关于数据集中每一列的详细描述如下：

字段	说明
user_id	序列化后的用户ID，整数类型
item_id	序列化后的商品ID，整数类型
user_geohash	地理位置，字符串类型
behavior_type	用户行为类型(1，2，3，4)，整数类型
item_category	序列化后的商品所属类目ID，整数类型
time	行为发生的时间

其中用户行为类型（behavior_type)有四种：

行为类型	说明
1	点击商品详情页（页面浏览）
2	收藏商品
3	将商品加入购物车
4	购买商品

三、分析框架与思路

3.1 分析框架

3.2 分析维度

流量维度

通过对电商流量维度的分析，可以了解到用户流量的相关信息，比如用户活跃时间、用户流量漏斗转化率。

需要指标：uv、pv、商品平均访问量、跳出率、复购率、用户流量漏斗转化率…

用户维度

通过对用户行为的分析，可以了解用户四种行为数据，用户购买路径偏好，用户留存率等。

通过对用户价值进行分析，使用RFM模型，对用户进行分类，找出有价值的用户，对用户进行精细化运营。

需要指标：行为数据、购买路径、用户留存率、RFM

商品维度

通过对商品品类、商品成交量、商品点击次数、购买点击率等指标的分析，探索用户对商品及商品品类的偏好，了解商品销售的规律。

四、数据预处理

1、创建数据库，并将数据导入

create  table user_behavior(
	user_id int,
    item_id int,
    behavior_type varchar(10),
    user_geohash varchar(100),
    item_category int,
    time varchar(50)
);

查看数据：

2、删除无用数据

user_geohash为用户地理位置，由于数据缺失严重，并且对本次分析影响不大，所以将其删除。

alter table user_behavior
drop user_geohash；

3、查看数据是否有缺失

SELECT * FROM user_behavior
where user_id = null
or item_id = null
or behavior_type = null
or item_category = null
or time = null;

检查结果显示并无数据缺失。

4、为方便查看，将用户行为类型中的数字替换为英文

update user_behavior
set behavior_type = case
when 1 then 'click'
when 2 then 'collect'
when 3 then 'cart'
when 4 then 'buy'
end;

5、处理时间相关字段

因为原数据集的时间只精确在小时，为方便整理，在表中加入三列：

日期 date_time（%Y-%m-%d）

小时 date_hour（%H）

星期 weekdays (0 =星期一，1 =星期二，2 =星期三，3 =星期四，4 =星期五，5 =星期六，6 =星期日)

alter table user_behavior add date_time char(10),
						  add date_hour char(2),
						  add weekdays varchar(20);

update user_behavior
set date_time = date_format(time,'%Y-%m-%d'),
    date_hour = date_format(time,'%H'),
    weekdays = weekday(time)

运行完时间部分结果如下:

6、各维度数据统计

select min(date_time),max(date_time) from user_behavior; -- 起始及日期及结束日期
select count(distinct user_id) from user_behavior; -- 总用户数量
select count(distinct item_id) from user_behavior; -- 总商品数量  
select count(distinct item_category) from user_behavior;  -- 总商品品类数量
select count(*) from user_behavior
where behavior_type = 'click'; -- 总浏览量
select count(*) from user_behavior
where behavior_type = 'collect'; -- 总收藏量
select count(*) from user_behavior
where behavior_type = 'cart'; -- 总加购量
select count(*) from user_behavior
where behavior_type = 'buy';  -- 总购买量
select count(*) from user_behavior; -- 总数据量

统计结果如下：

维度	时间
日期	2014.11.18 - 2014.12.18
用户数量	4948
商品数量	436765
商品种类数量	6387
用户行为——点击	577385
用户行为——收藏	12307
用户行为——加购	17207
用户行为——购买	5945
用户行为总数量	612844

五、数据分析

5.1 流量维度

流量分析

总体流量分析

根据表中数据统计出独立用户访问量、总页面浏览量、总点击量、总收藏量、总加购量、总购买量，以及“购买用户数”、“日均访问量”、“人均访问量”。

select 
	count(distinct user_id) uv,
    count(user_id) pv,
    sum(if(behavior_type = 'click',1,null)) click_n,
    sum(if(behavior_type = 'collect',1,null)) collect_n,
    sum(if(behavior_type = 'cart',1,null)) cart_n,
    sum(if(behavior_type = 'buy',1,null)) buy_n,
    count(distinct if(behavior_type = 'buy',user_id,null)) '购买用户数',
    count(user_id)/count(distinct date_time) '日均访问量',
    count(user_id)/count(distinct user_id) '人均访问量'
from user_behavior;

在2014.11.18日-2.14.12.18日期间，网站总访问量约61万次，总访客数4948人，日均访问量将近2万次，人均访问量约124次。

其中用户行为数据：商品点击次数约达到58万次，收藏此书约1.23万次，加购次数约1.72万次，购买次数约达6千次，购买用户量2525人，人均购买量约为2.3次。

2、日均流量分析

select 
	date_time,
    weekdays,
    count(distinct user_id) uv,
    count(user_id) pv,
    sum(if(behavior_type = 'click',1,null)) click_n,
    sum(if(behavior_type = 'collect',1,null)) collect_n,
    sum(if(behavior_type = 'cart',1,null)) cart_n,
    sum(if(behavior_type = 'buy',1,null)) buy_n
from user_behavior
group by date_time;

数据可视化展示：

分析：

从日均流量粉笔可以看出，各项指标都在双十二的影响下呈现稳步上升的趋势，在双十二当天达到峰值。
在双十二前三天，商品加购量、商品点击量这两个指标上升较快，说明这段时间内人们的消费欲望最高，可在次期间增加推送消息。
从最近一个月的用户行为（点击、收藏、加购、购买）中可以探索出一周中周五的用户的购物频率及购物欲望有所增加，可在临近周末期间多进行运营或商品推送等优化策略。

3、时均流量分析

select 
	date_hour,
    count(distinct user_id) uv,
    count(user_id) pv,
    sum(if(behavior_type = 'click',1,null)) click_n,
    sum(if(behavior_type = 'collect',1,null)) collect_n,
    sum(if(behavior_type = 'cart',1,null)) cart_n,
    sum(if(behavior_type = 'buy',1,null)) buy_n
from user_behavior
group by date_hour;

数据可视化展示：

分析：

从不同时段的访问数据中可以看出，页面浏览量pv与独立访客数uv随时间呈现相同变化趋势，每日18点用户访问量开始增加，在约22点达到峰值，说明用户在傍晚到晚间经常访问app。
根据用户行为数据得知，每日18点到22点，用户行为呈显著上升的趋势，用户在这段时间倾向于做出购物决策，也有较多时间进行购物决策，符合现代人生活习惯。可以针对此特征进行商品运营及推送；但在10点到16点的时间段用户购买量也不低，可判断晚间用户更倾向于加购收藏等到白天再进行购买，可进一步判断是否和晚间商家普遍不发货有关。

用户流量流程漏斗分析

用户行为有点击、收藏、加购、购买四种，默认用户需要先进行了点击行为才有后续的操作。

先计算四种行为分别的数量，再计算购买相对于收藏、加购的转化率，可分析有收藏、加购行为是否会促进购买，若是，可增加活动中出金用户的加购。

select 
    count(if(behavior_type = 'click',1,null)) click_n,
    count(if(behavior_type = 'collect',1,null)) collect_n,
    count(if(behavior_type = 'cart',1,null)) cart_n,
    count(if(behavior_type = 'buy',1,null)) buy_n,
    concat(round(count(if(behavior_type = 'collect',1,null))/count(if(behavior_type = 'click',1,null))*100,2),'%') '收藏/点击率',
    concat(round(count(if(behavior_type = 'cart',1,null))/count(if(behavior_type = 'click',1,null))*100,2),'%') '加购/点击率',
    concat(round(count(if(behavior_type = 'buy',1,null))/count(if(behavior_type = 'click',1,null))*100,2),'%') '购买/点击率',
    concat(round(count(if(behavior_type = 'buy',1,null))/count(if(behavior_type = 'collect',1,null))*100,2),'%') '购买/收藏率',
    concat(round(count(if(behavior_type = 'buy',1,null))/count(if(behavior_type = 'cart',1,null))*100,2),'%') '购买/加购率'
from user_behavior

可视化结果展示：

分析：

商品点击量约为57.8万次，收藏量约为1.23万次，加购量约为1.72万次，购买量约为6千次。
收藏、加购、购买三种行为相对于点击的转化率约为2%，转化率较低，可进一步分析平台内部的推送机制是否精准。
收藏于加购之后的购买率相比其他转化率显著提升，说明收藏、加购行为有助推进用户后续的购买，所以可以增加活动运营促进用户收藏加购行为，如加购收藏送优惠券等。

跳出率

跳出率是指用户从相应的入口进入后，只访问了一个页面就离开的数量占从相应入口进入的总用户占比。可就此分析页面对于用户是否有吸引力。

-- 跳出率 = 只访问一个页面就离开的用户数 / 总用户数

select 
	count(a.user_id) '只访问一个页面就离开的用户数',
    count(distinct u.user_id) '总用户数',
    concat(count(a.user_id)/count(distinct u.user_id)*100,'%') '跳出率'
from (
select user_id,behavior_type from user_behavior 
group by user_id
having count(if(behavior_type = 'click',1,null)) = 1 -- 只存在单次点击行为，没发生别的行为
and count(if(behavior_type = 'collect',1,null)) = 0
and count(if(behavior_type = 'cart',1,null)) =0
and count(if(behavior_type = 'buy',1,null)) =0
) a
right join user_behavior u
on a.user_id = u.user_id;

分析：

对于数据集包含的一个月时间而言，跳出率不达1%，说明极少用户在访问一个商品页面后就离开，大部分用户在浏览商品页面后都有后续的操作，说明商品或广告对用户还是有吸引力的，使得用户愿意花时间进一步挑选商品。
由于数据集中并未有浏览时间，所以无法判断用户在每个页面或在整个平台的浏览时长，无法对单个商品页面进行详细分析。

复购率

复购率是指消费者对该品牌或产品或者服务的重复购买次数，重叠度购买率越多，则反映出消费者对品牌的忠诚度就越高，反之则越低。

-- 复购率 = 有重复购买行为的用户数 / 有购买行为的用户数

select 
	count(distinct a. user_id) '重复购买的用户',
    count(distinct u.user_id) '有购买行为的用户',
    concat(count(distinct a.user_id)/count(distinct u.user_id)*100,'%') '复购率'
from (
select user_id,behavior_type,count(behavior_type)
from user_behavior
where behavior_type = 'buy'
group by user_id
having count(user_id) > 2
) a
right join user_behavior u
on a.user_id = u.user_id
where u.behavior_type = 'buy'
;

分析：

复购率为30.38%，接近三分之一的用户会选择回购，表现了部分用户对产品的认可及喜爱，也证明了商品的价值。
复购率还有很大的提升空间，可在质量和卖家服务、物流服务等方面进行提升，提高客户的满意度，吸引更多用户进行回购。

5.2 用户维度

用户购买量

1、购买量top10用户

select 
	user_id,
    count(behavior_type) '购买次数'
from user_behavior
where behavior_type = 'buy'
group by user_id
order by count(if(behavior_type = 'buy',1,null)) desc
limit 10;

2、用户购买频率直方图

select
	count(distinct user_id) 用户数,
	购买次数
from 
(select user_id,count(behavior_type) 购买次数
from user_behavior
where behavior_type = 'buy'
group by user_id
order by count(behavior_type) desc) a 
group by 购买次数

数据结果可视化展示：

分析：

根据购买量前十的用户数据可以看出，前十名的购买次数全都在10次以上，前四名的购买次数均值高达35次，属于高度忠诚用户，可对此类用户配备更周全的至尊VIP服务，如配备专属客服等，提高用户体验与满意度。
根据用户购买频率直方图可以看出，约47%的用户只购买了一次，约53%的用户有多次购买行为，大多集中在2到7次。可适当增加推广，完善购物体验，监控平台中商品质量，促进消费者进行复购。

用户留存率

次日留存率、三日留存率、七日留存率、十四日留存率，通过留存率分析用户粘性。

select 
	a.date_time,
    count(distinct a.user_id) '当日活跃量',
    count(if(datediff(b.date_time,a.date_time)=1,a.user_id,null)) '次日活跃量',
    count(if(datediff(b.date_time,a.date_time)=2,a.user_id,null)) '三日活跃量',
    count(if(datediff(b.date_time,a.date_time)=6,a.user_id,null)) '7日活跃量',
    count(if(datediff(b.date_time,a.date_time)=13,a.user_id,null)) '14日活跃量',
	count(if(datediff(b.date_time,a.date_time)=1,a.user_id,null))/count(distinct a.user_id) '次日活跃率',
    count(if(datediff(b.date_time,a.date_time)=2,a.user_id,null))/count(distinct a.user_id) '三日活跃率',
    count(if(datediff(b.date_time,a.date_time)=6,a.user_id,null))/count(distinct a.user_id) '7日活跃率',
    count(if(datediff(b.date_time,a.date_time)=13,a.user_id,null))/count(distinct a.user_id) '14日活跃率'
from (
select distinct date_time,user_id
from user_behavior
order by date_time) a 
left join (
select distinct date_time,user_id
from user_behavior
order by date_time) b
on a.date_time < b. date_time
and a.user_id = b.user_id
group by a.date_time

结果中后半部分时间出现0的数据，是时间长度不足无法计算的缘故，在此次分析中暂时不做参考。

分析：

近一个月，次日留存率平均值约为70%，三日留存率平均值约为68%，7日留存率均值约为66%，14日留存率均值约为66%.
从整体数据来看，用户留存率较为稳定，用户对平台的粘性较高，说明平台对用户有着较高的价值，保留用户能力强。
老用户的留存也较为稳定，可以通过定期发推送或优惠券等方式，提高老用户对平台的粘性；对于新用户，留存也有提升的空间，可以通过连续签到有奖等活动，提高新用户对平台的粘性。

用户购买路径偏好分析

用户有四种行为：点击、收藏、加购、购买。

为探索用户购买路径偏好，现对行为路径进行分析。

-- 统计每个用户对各个商品在购买前发生的其他行为
create or replace view behavior_count as
select 
	a.user_id,
    a.item_id,
    count(if(behavior_type='click',1,null)) click_n,
    count(if(behavior_type='collect',1,null)) collect_n,
    count(if(behavior_type='cart',1,null)) cart_n,
    count(if(behavior_type='buy',1,null)) buy_n
from (
select 
	user_id,
    item_id,
    date_time
from user_behavior
where behavior_type = 'buy') a
left join (
select user_id,item_id,behavior_type,date_time
from user_behavior) b
on a.user_id = b.user_id
and a.item_id = b.item_id
and a.date_time >= b.date_time -- 除购买外的行为时间不能超过购买时间
group by user_id,item_id;

-- 连接购买前的行为路径，并统计该路径的数量
select behavior,count(behavior) behavior_n
from 
(select 
	concat(if(click_n=0,'','click-'),
		   if(collect_n=0,'','collect-'),
           if(cart_n=0,'','cart-'),
           if(buy_n=0,'','buy')) behavior
from behavior_count) b
group by behavior
order by behavior_n desc

可视化展示

分析：

对行为路径结果进行整合，整理出以上几种主要购买路径，可以看出用户多以直接购买或浏览后购买为主，添加到购物车与收藏后购买的路径占比较小，但从前面流量漏斗转化率分析得知，收藏和加购的行为是有助于用户推动用户后续购买的，所以对于如何引导或存进用户多使用加购、收藏功能可进一步探讨。

用户RFM模型价值分析

RFM模型是衡量客户价值与客户创利能力的工具

-- R(Recency)：代表用户最近一次消费距离现在的时间，R越小，用户价值越高；

-- F(Frequency)：用户在统计周期内购买商品的次数，F越大，用户交越频繁，用户价值越高；

--M(Monetary)：用户在统计周期内的消费金额，M越大，用户价值越高。

由于原数据集中没有消费金额数据，所以本次分析暂时不考虑M维度，仅考虑RF维度将现有用户分为四类：

分别对R、F两个指标的用平均数划分，（RF）中更有价值的标记为1，更没价值的标记为0，进一步解释群体类型：

价值客户（11）：最近消费时间近、消费频次很高，说明是有价值的客户。

保持客户（01）：最近消费时间较远，但消费频次很高，说明这是个一段时间没来的忠诚客户。

发展客户（10）：最近消费时间较近，但频次不高，忠诚度不高，很有潜力的用户，可重点发展。

挽留客户（00）：最近消费时间较远、消费频次不高，可能是将要流失或者已经要流失的用户，应当给予挽留措施。

-- R维度

1、统计每个用户最近一次的购买时间与2014-12-19日的距离天数

2、计算用户最近一次的购买时间的平均值

3、根据用户的最近一次购买时间间隔是否超过平均值，给用户用0/1评分(超过平均数的为0，没超过为1)

4、创建视图以便后续查取

create or replace view r_value_table as -- 创建视图
with r_datediff_count as -- 创建r维度最近购买时间距离天数子查询表
(
select 
   user_id,
   datediff('2014-12-19',maxbuydate) date_count
from 
(select 
   user_id,
   max(date_time) maxbuydate
from user_behavior
where behavior_type = 'buy'
group by user_id) a 
)
select                   -- 在R维度天数表的基础上对比每位用户和最近一次购买时间间隔的平均数
	user_id,
    date_count,
    (case 
    when date_count < (select avg(date_count) from r_datediff_count) then 1 else 0 end) r_value
from r_datediff_count;

-- F维度

1、统计每个用户统计周期内购买商品的次数

2、计算用户购买商品的次数的平均值

3、根据用户的购买商品的总次数是否超过平均值，给用户用0/1评分(超过平均数的为1，没超过为0)

4、创建视图以便后续查取

create or replace view f_value_table as -- 创建视图
with f_buy_count as -- 创建f维度用户购买次数表
(select 
	user_id,
    count(behavior_type) buy_num
from user_behavior
where behavior_type = 'buy'
group by user_id)
select                    -- 在F维度次数表的基础上对比每位用户和所有用户购买的平均数
	user_id,
    buy_num,
    case when buy_num > (select avg(buy_num) from f_buy_count) then 1 else 0 end f_value
from f_buy_count;

-- RF模型

--根据R、F两个维度的表将用户贴标签进行分类

with user_type_table as  -- 创建用户分类虚拟视图
(
select 
	user_id,
    (case 
    when r_value=1 and f_value=1 then '价值客户'
    when r_value=0 and f_value=1 then '保持客户'
    when r_value=1 and f_value=0 then '发展客户'
    when r_value=0 and f_value=0 then '挽留客户'
    end) user_type       -- 给用户划分类别
from 
(select 
	r.user_id,
    r_value,
    f_value
from r_value_table r,f_value_table f
where r.user_id = f.user_id) a  -- 将前两个步骤中的表结合
)
select 
	user_type,
    count(user_type) num
from user_type_table
group by user_type
order by num desc;

分析：

根据RFM用户价值分析中的RF维度将用户进行分类，分成了四类用户，对于不同价值的用户采用不同的运营策略。对比保持用户，挽留用户、发展用户、价值用户这三类占比差异不大，应提升价值用户的占比，降低挽留用户。

价值用户：要提高该部分用户的满意度，服务升级，发放特别福利，增大该部分用户留存率，在做运营推广是也要给予特别关注，避免引起用户反感。
保持用户：交易频繁，但最近无交易，可以想该类用户推送相关商品信息、优惠券等等，唤回该部分用户。
发展用户：消费时间近，但次数不高，可通过有奖问券等方式调查用户体验，看是否可以通过提升用户体验的方式，增加用户粘性。
挽留用户：消费时间较远，次数低，对于这类用户可定期发送短信或促销信息、优惠券等将其唤回。

5.3 商品维度

商品数量与类别概览

-- 先统计商品的数量以及商品品类数量

select 
    count(distinct item_id) item_num,
    count(distinct item_category) item_category_num
from user_behavior

热度top10商品分析

对于商品来说，也有四种属性：点击、收藏、加购、购买，通过点击量可以看出商品对用户是否具有吸引力，通过购买量可以看出用户对商品的需求，通过统计商品的购买点击率可以分析商品的转化情况。由于通过上述用户行为的分析，我们了解到大多数用户并无收藏与加购的习惯，所以在商品的维度暂时不对收藏于加购进行过多分析。

1、以购买量为主进行top10商品分析

select 
	item_id,
    count(behavior_type) bought_n
from user_behavior
where behavior_type = 'buy'
group by item_id
order by bought_n desc
limit 10;

对购买量top10商品进行购买点击率分析

-- 购买点击率 = 购买量 / 点击量

with item_bought as
(
select 
	item_id,
    count(behavior_type) bought_n
from user_behavior
where behavior_type = 'buy'
group by item_id
order by count(behavior_type) desc
limit 10
)
select 
	item_id,
	count(if(behavior_type='click',behavior_type,null)) click_num,
	count(if(behavior_type='collect',behavior_type,null)) collect_num,
	count(if(behavior_type='cart',behavior_type,null)) cart_num,
	count(if(behavior_type='buy',behavior_type,null)) buy_num,
	concat(round(ifnull(count(if(behavior_type='buy',behavior_type,null))/count(if(behavior_type='click',behavior_type,null))*100,0),2),'%') 购买点击率
from user_behavior
where item_id in (select item_id from item_bought)
group by item_id
order by count(if(behavior_type='buy',behavior_type,null)) desc;

结果如下：

分析：

转化率在100%以上：商品转化率极高，一人购买多个商品，可能是快消类的商品或是有囤货需求的商品，可集中向具有该类囤货特征的用户推送此类商品。
转化率在50%~100%：商品的点击量比购买量高，说明用户搜索和点击商品时目的明确，此类商品可能是某类具有特定特征的群体所需要的。平台可以收集用户信息，分析用户画像，结合商品特定，核实是否有具有用户特征。若有，则可向该类用户多推送该类商品信息；若没有，建议对这类商品多做推广，因为原有转化率较高，若能提高点击量，那么也许也会促进购买量。
转化率在15%~50%：商品转化率一般，但是对于用户来说也有市场，可以考虑多做活动，吸引潜在用户转化为购买用户。
转化率在0%~15%：商品转化率极地，应从商品本身展开分析，部分转化率极低而销量却排在靠前的商品可能通过广告或其他原因赚取了一定的点击量，但是购买量相对于点击量极低可能是因为用户因为广告推广而点击了但是这类商品本身不是用户需要的，又或者是价格过高、社会热点等原因，造成了炒作营销导致用户好奇点击。更深层的原因需要结合更多的信息进一步分析。

2、以点击量为主进行top10商品分析

create table click_number_top10 as -- 因为点击量数据太大跑的很慢，所以将统计出来的结果存到表里
with click_count as
(
select 
	item_id,
    count(if(behavior_type='click',behavior_type,null)) click_n
from user_behavior
group by item_id
)
select 
	item_id,
    click_n
from click_count
order by click_n desc
limit 10;

结果可视化如下：

对top10点击量商品进行购买点击率分析

-- 购买点击率 = 购买量 / 点击量

select 
	item_id,
    count(if(behavior_type='click',behavior_type,null)) click_num,
	count(if(behavior_type='collect',behavior_type,null)) collect_num,
	count(if(behavior_type='cart',behavior_type,null)) cart_num,
	count(if(behavior_type='buy',behavior_type,null)) buy_num,
	concat(round(ifnull(count(if(behavior_type='buy',behavior_type,null))/count(if(behavior_type='click',behavior_type,null))*100,0),2),'%') 购买点击率
from user_behavior
where item_id in (select item_id from click_number_top10)
group by item_id
order by count(if(behavior_type='click',behavior_type,null)) desc;

分析：

以上为点击量前十商品的购买点击率数据，点击量高说明这些商品并非极小众产品，但是大部分商品转化率都极低，甚至为0，对于此类点击量高但购买率极低的商品，需要注意是否是平台算法不合理或是由于商品打广告的原因，导致推送给用户的商品实际上用户并不需要，但却获得了的了一定的点击量；或是由于质量或者价格的原因导致用户不愿意购买，需要结合更新信息进行进一步分析。

热度top10的商品品类分析

select 
	item_category,
    count(behavior_type) bought_n
from user_behavior
where behavior_type = 'buy'
group by item_category
order by bought_n desc
limit 10;

结果可视化展示如下：

分析：

以上为统计周期内购买量top10的商品品类，平均购买量在68左右。后续可对这些商品品类的特征进行分析，看是否有相似之处，比如是否均为需求较大的生活日用品等；
可针对性的对品类内销量高的商品进行推广，或与购买量低的销售品类中的产品进行捆绑销售，或满减促销活动，促进用户购买。
因无金额数据，所以无法分析各个商品品类的贡献金额大小，后续可以针对金额数据对销售额及利润率等指标进行进一步分析。

对热度top10的商品品类进行购买点击率分析

select 
	item_category,
    count(if(behavior_type='click',behavior_type,null)) click_num,
	count(if(behavior_type='collect',behavior_type,null)) collect_num,
	count(if(behavior_type='cart',behavior_type,null)) cart_num,
	count(if(behavior_type='buy',behavior_type,null)) buy_num,
	concat(round(ifnull(count(if(behavior_type='buy',behavior_type,null))/count(if(behavior_type='click',behavior_type,null))*100,0),2),'%') 购买点击率
from user_behavior
group by item_category
order by buy_num desc
limit 10;

分析：

购买量前十的商品品类中，大部分的转化率在0~2%，转化率较低的原因可能是在于同一类商品中有多款商品，用户存在“货比三家”的心理，但是最终只需要购买其中一个，所以导致转化率低。提高这类商品的转化率，推荐精确与否是关键，可以考虑这类商品的精准定位，预测用户感兴趣的物品，然后从用户可能感兴趣的商品类别中推荐有比较性的具体商品，这样可以减少用户比较多个商品来回跳转的点击量，更能在短时间内做出比较并选择需要购买的商品，提高用户体验。

六、总结与建议

平台基本情況

统计期间，网站总访问量约61万次，日均访问量约2万次；总访客数为4948人，人均访问次数为124次。复购率约30.38%，接近三分之一的用户会选择回购，证明了产品对用户的价值，也进一步确认了平台的价值；跳出率约0.97%，接近于0，说明平台中的商品或广告对用户有吸引力，用户愿意在平台中花时间进行选购。

注：因期间有双十二大型促销活动，所以各项指标较平常周期可能有所提升。

流量维度建议

1、总体用户的活跃时间具有规律性，每周五的用户购物频率及购物欲望会有所增加，在每天的18点-22点用户访问量开始增加，用户行为也显著上升，所以可在上述期间与时段内多进行运营活动（如直播带货）或推送商品信息等

2、在流量转化方面，收藏、加购、购买相对于点击的转化率在2%左右，转化率较低；但是收藏与加购之后的购买率（34%~48%）较其他转化率有显著提升，建议推出加购收藏领优惠券等活动，提高用户的加购收藏行为，从此促进购买转化。

用户维度建议

1、老用户的留存较为稳定，可通过定时发送商品推送或优惠券等活动，增加用户浏览时长和深度，调查用户使用体验做出相应改进，提高用户的忠诚度；对于新用户，留存的提升空间较大，可通过连续签到有奖或限时秒杀活动等，提高用户粘性。

2、在用户的购买的路径中，用户多以直接购买为主，应引1导用户多使用加购与收藏功能。

3、根据rfm模型对用户进行了分类，对不同价值的用户采用不同的运营策略，进行精细化运营，提升重要价值客户的占比

商品维度

点击量较高的商品普遍转化率较低，需注意是否是平台算法不合理或者广告较多，建议优化算法，增加类似商品信息比较功能，减少用户的浏览选择时间。

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析

原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。

如有侵权，请联系 cloudcommunity@tencent.com 删除。

数据分析