码迷,mamicode.com
首页 > 其他好文 > 详细

淘宝用户分析

时间:2020-05-14 22:37:16      阅读:108      评论:0      收藏:0      [点我收藏+]

标签:多少   返回   走势   操作   购物车   不一致   数据显示   阿里巴巴   round   

随着网络的发展,网络购物成为一种时尚。平时我只关心淘宝里面的商品,活动等,从未关注过淘宝的数据。这次秉着好奇在"天池"中找到由阿里巴巴发布的一个淘宝用户行为数据,本次分析用SQL语句在MySQL的系统环境下分析淘宝数据。时间节点:2017年11月25日至2017年12月3日。

分析步骤主要有5步:

1、提出问题 2、理解数据 3、数据清洗 4、数据分析(构建模型)5、数据可视化

 

一、提出问题

1、电商数据分析指标

技术图片

 

2、分析目的

希望通过以下3个问题了解淘宝:

1)、用户活跃规律(每天不同时段活跃情况和日活跃情况)是怎样的?

2)、用户从浏览到购买的转化情况?

3)、用户复购率是多少?销量top3 的商品类目有哪些?

根据分析目的,本次分析从用户行为的用户数量、商品数量、商品类目数量、所有行为数量维度。结合AARRR模型和分析上述问题。涉及分析指标如下:

技术图片

 

二、理解数据

1、数据来源:阿里云天池

2、数据集介绍:

时间节点:2017年11月25日至2017年12月3日之间,有行为的随机用户的所有行为。

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、行为类型和时间戳组成。 总数量约一亿条(100,150,80)。本次分析随机选取该数据中500万条数据进行分析。数据维度:用户ID,商品ID,商品类目ID等。

数据详细详细介绍:

技术图片


三、数据清洗

1、选择字段

本次分析所有列字段都需要,所以全部选择。

2、列名重命名

原数据集没有列名,导入数据后,给数据对应列添加新列名。

3、删除重复数据

主键设置:user_id,item_id,和timestamp,删除重复值。

SELECT DISTINCT user_id,item_id,timestamp FROM userbehaviors;

4、检查是否有缺失值

导入数据时,已设置为NOT NULL。所以无缺失值。

5、格式一致化处理

把时间戳改为可读的时间形式。新建一个表user,后续操作都将在user表中进行。新添加两列,Date—日期,Time—时间(表示形式:时)。为便于后续针对不同时段作分析,这里的时间单位为“时”。

CREATE TABLE userbehavior AS 
(SELECT user_id ,item_id,category_id,behavior_type,timestamp,
FROM_UNIXTIME(timestamp,%Y-%m-%d)AS Date,
FROM_UNIXTIME(timestamp,%H)AS Time FROM userbehavior)

执行结果:

技术图片

6、异常值处理

检查日期时间是否在规定范围之内。2017年11月25日至2017年12月3日。

SELECT MAX(Date),MIN(Date),MIN(Time),MAX(Time)
FROM userbehavior;

执行结果:发现日期中有不在规定范围内的数据。接下来,删除异常数据。

技术图片

异常数据的删除:

发现一共2459行日期不再规定范围内的数据,现已全部删除这些异常数据。

DELETE FROM userbehavior
WHERE Date<2017-11-25 OR Date>2017-12-03;

attention:需要解除mysql的的安全输入模式:执行命令SET SQL_SAFE_UPDATES = 0;修改下数据库模式,再进行异常值的删除

检查日期,看是否正确。核对日期在规定时间内。

技术图片

 

四、构建模型(数据分析)

问题1:用户活跃规律(每天不同时段活跃情况和日活跃情况)是怎样的?(有用户行为的都为活跃用户)

在2017.11.25-2017.12.03这段时间里,活跃用户数为:37376。

SELECT COUNT(DISTINCT user_id)AS活跃用户数
FROM userbehavior;

技术图片

  •  日活跃用户:
SELECT Date,COUNT(DISTINCT user_id)AS日活跃用户数
FROM userbehavior
GROUP BY Date;

技术图片

分析发现:从2017.12.1开始,整个淘宝用户活跃数据陡增,数据的峰值出现在2017.12.2。对比 上周末2017.11.25和2017.11.26的数据,发现2个周末数据相差很大。那么为什么2017.12.2和2017.12.3这两天的用户活跃数会高出这么多?

查看2017.12.2和2017.12.3两天点击商品页(浏览商品)的用户数目:

 技术图片

 

  •  访问量

 这9天里PV(浏览量),返回结果是:3431904

select count(behavior_type) as 浏览量 from UserBehavior
where behavior_type=pv;

技术图片

 

 

 这9天里UV(用户数),返回结果是:37376

平均访问量是: 3431904/37376 = 91.8

即每个用户平均访问了91个页面。

  • 每天访问量情况
select date,count(behavior_type)as 访问量 from UserBehavior
where behavior_type=pv
group by date;

技术图片

 技术图片

 

 

 

  •  每个时段访问量/访客数对比
select a.time,a.访问量,b.访客数 from
(select time,count(behavior_type)as 访问量 from UserBehavior
where behavior_type=pv
group by time)a
inner join 
(select time,count(distinct user_id) as 访客数 from UserBehavior
group by time)b
on a.time=b.time
order by time asc;

技术图片技术图片

技术图片

 

 

 

SELECT COUNT(DISTINCT user_id)AS用户数
FROM userbehavior
WHERE Date in(2017-12-02,2017-12-03) AND behavior_type=pv;

技术图片

 

数据显示:2017.12.2,2017.12.3这两天浏览过商品的用户数是37001,占总活跃用户数的98.89%,也就是说在2017.11.25到2017.12.03这段时间里,有98.89%的用户浏览过商品页。

推测:平台是否在做什么活动?了解到,12月临近“双12”活动。是否是因为很多商家在12月1号开始做“双12”的活动预热,从而吸引大量用户活跃起来呢?如果在做活动,那么在这期间哪些商品类目(category_id)点击浏览量排名top10?

SELECT category_id AS商品类目ID,COUNT(user_id)AS用户浏览次数,
--concat()连接%,*100加%,round()取两位小数,1157642 CONCAT(
ROUND(COUNT(user_id)*100/950323,2),%) AS浏览占比 FROM userbehavior WHERE Date in(2017-12-02,2017-12-03) AND behavior_type=pv GROUP BY category_id ORDER BY 用户浏览次数 DESC LIMIT 10;

技术图片

 

分析结果:发现浏览量前10 的商品类目ID为:4756105,4145813,2355072,3607361,982926,2520377,4801426,1320293,3002561,2465336

 浏览占比平均在1.66%,淘宝用户基数大,1.66%%是一个非常大的占比了。说明在2017.12.2,2017.12.3这些商品类目是最受用户关注的。

 attetion:求取浏览平均占比的方法:

select AVG(浏览占比) FROM 
(SELECT category_id AS商品类目ID,COUNT(user_id)AS用户浏览次数,
CONCAT(ROUND(COUNT(user_id)*100/950323,2),%) AS浏览占比
FROM userbehavior
WHERE Date in(2017-12-02,2017-12-03) AND behavior_type=pv
GROUP BY category_id
ORDER BY 用户浏览次数 DESC ) as b ;

技术图片

 

attention:求取12-2和12-3两天的浏览次数的方法(即对应1157642)

select sum(用户浏览次数) as 用户浏览总次数 FROM 
(SELECT category_id AS商品类目ID,COUNT(user_id)AS用户浏览次数,
CONCAT(ROUND(COUNT(user_id)*100/950323,2),%) AS浏览占比
FROM userbehavior
WHERE Date in(2017-12-02,2017-12-03) AND behavior_type=pv
GROUP BY category_id
ORDER BY 用户浏览次数 DESC ) as b ;

 技术图片

 

  • 时活跃点击量及用户数

从整体分析用户在一天中的活跃情况。

SELECT Time AS时间,COUNT(*)AS时活跃量,COUNT(DISTINCT user_id)AS时活跃用户数
FROM userbehavior
GROUP BY Time
ORDER BY Time ASC;

 

 技术图片技术图片

技术图片

发现:点击量和活跃用户主要集中在两个时段,11:00~17:00和20:00~00:00。这两个时间段的总访问量要明显高于其它任何时段。其中两个时段又以14:00和21:00为中心点,其中21:00是一天中活跃的峰值。

为什么用户在晚上21:00是最活跃?可能的原因是这个时候的用户忙完了一天的事情,有更多的时间躺在家里玩手机,逛淘宝了。数据有限,不能深入分析。

 

晚上21:00是用户最活跃的时候,他们的成交量是否也是最高的呢?

SELECT Time AS时间, count(*) AS 成交量
FROM userbehavior
where behavior_type=buy 
GROUP BY Time
ORDER BY Time ASC;

技术图片技术图片技术图片

分析发现,成交量走势和时活跃量走势相似,成交量在一天也有两个黄金时段:10:00-17:00和20:00-00:00,21:00的成交量达到一天中的最高峰。这和时活跃的峰值一样,都是在21:00.说明晚上21:00,用户特别活跃,商品更容易成交。

 技术图片

问题2:用户从浏览到购买的转化情况?

  • 流量指标分析

分析独立访客数UV,页面访问数PV及人均页面访问数(人均访问数=PV/UV)

SELECT COUNT(DISTINCT user_id)ASUV,(SELECT COUNT(*)FROM userbehavior)AS‘PV,
((SELECT COUNT(*)FROM userbehavior)/(SELECT COUNT(DISTINCT user_id)))ASPV/UV
FROM userbehavior;

技术图片

分析结果:UV=37376,PV=3833385,人均访问数=102.5627。也就是说在2017.11.25-2017.12.3这段时间里,平均每个人在淘宝里总访问页面达到102.5627次,平均每人每天访问页面约11.39次(102.5627/9)。说明用户经常使用淘宝。

 

  • 成交量

用户行为中,只要用户行为为“buy”,即是完成了一次购买,形成一个订单。下面对订单进行分析

select date,count(behavior_type) as 成交量 from UserBehavior
where behavior_type=buy
group by date
order by date asc;

技术图片

 技术图片

 

 

  • 浏览商品详情页的跳失率?

跳失率=浏览商品详情页即退出的次数/该页面总访问数(浏览即退出:浏览页面后就退出,未进行其他任何行为)=92643/3431903=2.69%

attetion: user_id仅浏览(pv),没有其它操作视为退出的次数;总的访问数不包括其它行为(buy,fav,cart)

SELECT COUNT(user_id)AS浏览即退出的次数,COUNT(DISTINCT user_id)AS浏览即退出的用户数
FROM userbehavior
WHERE user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type=fav)
AND user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type=cart)
AND user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type=buy);

SELECT COUNT(user_id)AS浏览次数
FROM usebehavior
WHERE  behavior_type=pv;

技术图片

 技术图片

商品详情页的跳失率为2.69%,也就是说500万的行为数据中有134500次会在浏览商品详情页后流失退出。那么由此推理1亿的用户行为数据,134500*20=2690000次会浏览即退出。说明用户对商品详情页的关注很大,商品详情页的商品描述,细节等吸引点不足,是流失用户的的重要原因之一。具体造成用户在浏览商品详情页后流失的原因,要根据实际情况分析,建议可以采用在线问卷调查的方式get用户的痛点,针对性调整。

 技术图片

  • 用户行为分析
SELECT behavior_type AS用户行为,COUNT(*)AS用户行为数
FROM userbehavior
GROUP BY behavior_type
ORDER BY 用户行为数 DESC;

技术图片

 

 技术图片

 

分析显示,在整体用户行为数据中,购买行为只有76707/3833385约2%。说明98%的用户行为是没有成交购买商品的,严格来说,没有成交的用户行为都属于流失行为。用户在浏览商品详情页后出现大量的流失。

点击浏览商品详情页到购买的转化率是怎样的呢?

  • 购物车_购买转化率=加入购物车购买的用户数/加入购物车用户数=8503/28122

约为30%。说明加入购物车的用户,有30%的用户都会去购买商品。

-- 加入购物车的用户数量/加入购物车购买的用户数量=转化率
SELECT COUNT(DISTINCT a.user_id)AS加入购物车数量,COUNT(DISTINCT b.user_id)AS加入购物车后购买数量
FROM (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type=cart)AS a
LEFT JOIN (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type=buy)AS b
-- 连接条件是user_id,item_id,category_id均相等,说名是同一个用户加入同一件商品进入购物车,但是timestamp时间不同
ON a.user_id=b.user_id AND a.item_id=b.item_id AND a.category_id=b.category_id AND a.timestamp<b.timestamp;

技术图片

 

  • 商品浏览_加入购物车转化率和购物车_购买转化率同时得出
select * from
-- 浏览商品用户数量
(select count(distinct user_id)as浏览商品用户数目 from UserBehavior where behavior_type=pv) as b,
-- 加入购物车用户数量
(SELECT * FROM data.conversion_buy) as a
)

技术图片

 

 商品浏览_加入购物车转化率=28122/37223=75.56%

技术图片

数据结果显示,从用户点击浏览商品详情页到购买商品,用户浏览商品详情页—加入购物车的转化率很高,达75.56%,说明很多用户购买前有加入购物车的习惯;在加入购物车-购买环节,用户流失非常大,转化率30%,也就是说有约70%的用户加入购物车后流失了。在此购物流程中,购物车—购买环节是用户流失的关键节点。是什么原因造成用户流失的呢?

有可能的原因:加入购物车代表用户正在处于比较商品的阶段,或者等待平台活动,或者放在一起准备支付购买等等。

建议:1、在购物车环节,显示领券,降价等提示;2、向用户推送消息,如店铺活动,类似产品等

 

  • 收藏-购买转化率

收藏_购买转化率=收藏商品购买用户数/收藏的用户数=3233/14949约为21.63%。

select * from(
-- 浏览商品用户数量
(select count(distinct user_id)as浏览商品用户数目 from UserBehavior where behavior_type=pv) as c,
-- 收藏后购买的转化率
(SELECT COUNT(DISTINCT a.user_id)AS用户收藏数量,COUNT(DISTINCT b.user_id)AS收藏后购买数量
FROM (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type=fav)AS a
LEFT JOIN (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type=buy)AS b
ON a.user_id=b.user_id AND a.item_id=b.item_id AND a.category_id=b.category_id AND a.timestamp<b.timestamp)as d)

技术图片

 

 技术图片

数据显示,用户收藏商品后,转化支付购买率为21.63%,78.37%的收藏用户流失了。从购物车-购买和收藏-购买两个购买流程来看,相比之下,用户购物习惯更偏向加入购物车购买。为什么呢?

推测:加入购物车可以直接统一下单,而收藏页面没有下单页面,必须点进商品页面才能下单。具体是什么原因,暂不确定,这里数据不足,不予分析。

 

 3、用户复购率是多少?销量top3 的商品类目有哪些?
  • 用户复购率
-- 用户购买次数
SELECT buy_times,COUNT(*) AS 人数FROM
(SELECT COUNT(user_id) AS buy_times 
FROM userbehavior
WHERE behavior_type=buy
GROUP BY user_id)as a
GROUP BY buy_times
ORDER BY buy_times ASC;

技术图片技术图片技术图片技术图片

 

技术图片

 

购买总人数:25400,总购买次数:76707。人均购买次数:=76707/25400约为3.02次。

select count(behavior_type)as 订单量,count(distinct user_id)as 用户数,count(behavior_type)/count(distinct user_id)as 人均购买次数
from UserBehavior
where behavior_type=buy;

技术图片

 

复购率=一定周期内下单次数在两次及两次以上的人数/总下单人数=(25400-8688)/25400约为65.80%。

在淘宝平台购物后,有65.80%的用户都会复购行为,淘宝平台和用户的粘性很高。有的用户购买次数高达到84次(图幅部分没有截图)。9天里有84次的购买行为,平均一天有9次购买行为,这不符合常理,为什么他们的购买次数如此高呢?是否存在刷单现象?进一步分析验证购买次数较高的用户平时购买情况,以及账户,购物,物流等信息才能判断。这里数据有限,不深入探究其原由。

 

  • 商品类目的销量情况

总商品类目有:7106种

SELECT COUNT(DISTINCT category_id) AS 商品类目数
FROM userbehavior;
  • 商品类目的浏览top3情况

在这9天内用户销量排名前三的商品类目分别是:4756105(浏览次数187540),4145813(浏览次数123887),2355072(浏览次数121627)

select 商品类目ID,用户点击浏览次数,(@rank := @rank + 1)AS rank from
(SELECT category_id AS 商品类目ID,COUNT(user_id)AS用户点击浏览次数
FROM userbehavior
WHERE behavior_type=pv
-- and Date in(‘2017-12-02‘,‘2017-12-03‘)
GROUP BY category_id
ORDER BY 用户点击浏览次数 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 用户点击浏览次数 desc;

技术图片

 

  • 商品类目的销量top3情况

在这9天内用户销量排名前三的商品类目分别是:1464116(销量1211),2735466(销量1148)和4145813(销量1124)。

select 商品类目ID,购买次数,(@rank := @rank + 1)AS rank from
(SELECT category_id AS 商品类目ID,COUNT(DISTINCT user_id)AS购买次数
FROM userbehavior
WHERE behavior_type=buy
-- and Date in(‘2017-12-02‘,‘2017-12-03‘) 
GROUP BY category_id
ORDER BY 购买次数 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 购买次数 desc;

技术图片

是否是用户浏览越多,购买越多呢?商品类目的浏览和购买排名一致吗?

技术图片

 

 

分析发现:“购买”排名前三的商品类目和“浏览”的排名并不一致。用户浏览越多,购买却少,为什么呢?(可根据前面列出的用户在详情页流失分析思路进行分析)。“购买”和“浏览”均在前三的是商品类目是4145813.

那么商品类目category_id=4145813的商品销量情况又是怎样的呢?

select 商品ID,购买次数,(@rank := @rank + 1)AS rank from
(SELECT item_id AS 商品ID,COUNT(user_id) AS 购买次数
FROM userbehavior
WHERE behavior_type=buy
GROUP BY item_id
ORDER BY 购买次数 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 购买次数 desc;

技术图片

 

 在category_id=4145813中,商品销量排名前三名的是3122135,3031354和2964774。

 

问题4.参照RFM模型,对用户进行分类找出有价值的用户

RFM模型是衡量客户价值和客户创利能力的重要工具。该模型通过客户的最近交易行为(Recency)、交易频率(Frequency)以及交易金额(Monetary)三项指标来描述该客户的价值状况。一般来说,会将这三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。

最近一次消费(Recency):是指最近一次消费距离上一次消费之间的时间长短。它反映了客户对产品的态度以及对品牌价值的信任度,它关乎消费者的存留状况。

消费频率(Frequency):是指某个特定时间内消费的次数。它直接反映了客户的忠诚度,消费频率越高,忠诚度就越高;忠诚度越高的客户数量越多,公司的竞争优势越强,市场份额越大。

消费金额(Monetary):是指一定时间内消费某产品金额。它反映的是客户的价值,价值越高,给公司创造的利益就更大。

因为数据源里没有金额相关的信息,所以只通过R和F来对客户价值进行评分。

R(Recency)最近的购买行为:

数据集里时间范围是从11月25到12月3日,我将11月25日,设为参数对照日期,即以距离11月25日的天数划分区间,其中0-2天,3-4天,5-6天,7-8天,分别对应为1-4分。

 

  • R(Recency)最近的购买行为:

数据集里时间范围是从11月25到12月3日,我将11月25日,设为参数对照日期,即以距离11月25日的天数划分区间,其中0-2天,3-4天,5-6天,7-8天,分别对应为1-4分。

-- 按购买天数评分
-- create view score_01 as
select user_id,
(case when 购买天数 between 0 and 2 then 1
when 购买天数 between 3 and 4 then 2
when 购买天数 between 5 and 6 then 3
when 购买天数 between 7 and 8 then 4 else 0 end
)as 购买得分
from
-- max(date)就是购买该商品的最近一天距离11-25日的天数差,可能会出现同一件商品不同--- 日期多次购买的情况
(select user_id,datediff(max(date),2017-11-25)as 购买天数
from UserBehavior
where behavior_type=buy
group by user_id)as a
order by 购买得分;

技术图片

 

 

  • F(Frequency)购买频率:

 

从上面对复购用户的分析中,我们也得知,有购买行为的用户,购买频率最高的能达到84次。所以,我们将1-84从低到高,划分为4个档次。1-18,19-36,37-54,55-84分别对应为1-4分。

-- 按购买频率评分:
-- create view score_02 as
select user_id,
(case when 购买次数 between 1 and 18 then 1
when 购买次数 between 19 and 36 then 2
when 购买次数 between 37 and 54 then 3
when 购买次数 between 55 and 84 then 4 else 0 end 
)as 购买频率得分
from
(select user_id,count(behavior_type)as 购买次数
from UserBehavior
where behavior_type=buy
group by user_id)b
order by 购买频率得分 desc;

技术图片

 

 

通过上面两个步骤,从两个维度:最近购买时间及购买频率,分别给用户进行了评分。接下来用这两项的每一项平均值作为判断高于还是低于,比如重要价值用户,必须是两项的分值都比平均值要高,才能作为重要价值的用户。

下面对用户进行分类

 技术图片

 

  •  求两项评分的均值:
-- 求评分的均值 
select avg(购买得分)as 平均购买天数得分 from score_01;
select avg(购买频率得分)as 平均购买频率得分from score_02;

技术图片技术图片

 

  •  将获得的两项评分分别和它们的均值进行比较,对客户进行分类
-- 对用户进行分类:
-- create view users_classify as
select user_id,
(case when R>3 and F>1 then 重要价值用户
when R>3 and F<=1 then 重要保持用户
when R<=3 and F>1 then 重要发展用户
when R<=3 and F<=1 then 一般价值用户 else 0 end 
)as 用户类型
from
(select a.user_id,a.购买得分 as R,b.购买频率得分 as F
from score_01 as a inner join score_02 as b
on a.user_id=b.user_id)c;

技术图片

 

  •  用户类型计数:
-- 不同用户类型计数
SELECT distinct 用户类型,count(用户类型) as用户数量
FROM data.users_classify
group by 用户类型;

技术图片

 技术图片

对于重要价值用户,他们是最优质的用户,需要重点关注并保持, 应该提高满意度,增加留存;

对于重要保持用户,他们最近有购买,但购买频率不高,可以通过活动等提高其购买频率;

对于重要发展用户,他们虽然最近没有购买,但以往购买频率高,可以做触达,以防止流失;

对于一般价值用户,他们最近没有购买,以往购买频率也不高,特别容易流失,所以应该赠送优惠券或推送活动信息,唤醒购买意愿。

五、总结和建议

  • 总结

1)从2017.12.1开始,活跃用户数骤增,推测是因为临近“双12”活动,很多商家在开始做活动预热,浏览量top3的商品类目分别是4756105(浏览次数187540),4145813(浏览次数123887),2355072(浏览次数121627)。

日访问量和成交量的黄金时间段:11:00~17:00和20:00~0:00。晚21:00是用户全天最活跃的时段,在这个时候成交量也最高。可能的原因是这个时候的用户忙完了一天的事情,有更多的时间躺在家里玩手机,逛淘宝了。

2)淘宝平台与用户的黏度很高,人均每天浏览页面约11次。但根据用户行为的转化情况,用户在浏览商品详情页后大量流失,用户点击浏览商品详情页后的跳出率2.69%。淘宝用户基数很大,推测一个亿的用户行为数据,有2690000次跳出。

3) 大部分用户在购买商品前有加入购物车的习惯,对比浏览-加购物车-购买和浏览-收藏-购买两条线,加入购物车购买的机率更大,购买转化率高8.37%。在购物车中可以一键全部下单,收藏夹需要单个下单和找“相似”端口,增加了流失的风险。

4)用户经常使用淘宝购物,淘宝整体复购率约为65.80%。这九天中最高购买频次达到72次,不符合常理,需要进一步验证。商品类目4145813在购买”和“浏览”均排名前三,在此期间很多用户对此类商品很感兴趣。

  • 建议(结合AARRR模型)

1)建议商家在用户行为黄金时段内,经常更新产品信息,黄金展位,活动推荐商品等 。 在活动前,增加发布产品数,优化产品关键词设置等方式增加曝光率。(AARRR第一环节:获取用户)

2)建议优化商品的详情页(打开速度,商品细节描述等),从语言和视觉传达角度打动用户,提高用户体验度。可以从参考竞品的优秀做法。(AARRR第二环节:激活用户)。

3)建议建立积分商城,通过积分体系提高用户的生命周期,如:购买积分,签到积分等,并可用积分兑换优惠券或购买商品。(AARRR第三环节:提高留存)

4)建议在“购物车”页面,显示出优惠券,减价,剩余库存或者已有多少人购买等信息,刺激用户购买商品。建议在“收藏”页面增设价格变动,显示有多少人收藏,剩余库存等信息,刺激用户下单购买。

建立用户画像,通过行为数据,查看用户最近列表页、搜索栏、收藏页、购物车都有看过或添加过哪些商品,针对用户自有属性进行定向推送,有效引导客户潜在的消费需求,全面提升复购率。(AARRR第四环节:增加收入)

5)建议优化产品,保证产品的质量,提高服务(售前,售后服务)质量,提高购物车—购买和收藏——购买的转化率。(AARRR第五环节: 推荐)

用RFM模型对用户进行分类后,可知重要价值用户比较少,用户类型主要还是集中于重要保持用户和一般价值用户。建议根据用户类型,进行有针对性的精准营销。

 

 

淘宝用户分析

标签:多少   返回   走势   操作   购物车   不一致   数据显示   阿里巴巴   round   

原文地址:https://www.cnblogs.com/ucasljq/p/12881525.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!