一、数据集

阿里天池在2018年给予了一份 从2014-11-18 0：00 至2014-12-18 23：00 月度区域内淘宝客户端 用户个人行为 的数据——User Behavior Data on Taobao App。

User Behavior Data on Taobao App-数据集-阿里云天池

该数据集含6列原素：

· user_id：用户的序号

· item_id：商品的序号

· behavior_type：用户个人行为种类，分成点一下，个人收藏，加上到加入购物车和支付，相对应的值各自为1,2,3和4。

· user_geohash：个人行为产生的地址（不全）

· item_category：商品的类型

· time：个人行为产生的時间

二、提问问题

依据这一份数据大家分析下列3个领域的问题：

分析用户在应用全过程中多见的电子商务分析指标值，明确每个环节的流动率；分析時间针对用户应用app状况的危害；找到极具市场价值的关键付钱用户群，对这一部分用户的行为表现开展分析。

文中将选用AAARR漏斗模型和RFM模型对数据开展分析。

1.AARRR漏斗模型

AARRR漏斗模型相匹配了内容运营流程中的5个环节，即获得用户（Acquisition ），激话用户（Activation），提升存留（Retention），收益（Revenue ）和强烈推荐（Refer）。这五个环节每一个环节都是会有一部分用户外流，用户总数展现桶状，因而被称作AARRR漏斗模型。创建AARRR漏斗模型分析这五个环节的指标值，有利于找到用户外流的缘故，加强商品的优势，提升用户存留。

2.RFM模型

RFM模型是考量顾客价值和顾客得盈工作能力的主要设备和方式。该工业模型根据一个顾客的最近选购个人行为（Recency）、选购的整体頻率（Frequency）及其花了要多少钱（Money）3项指标值来叙述该用户的使用价值情况。

三、数据清除

该数据集数据量大，因此文中运用MySql对数据集开展清除

1.挑选子集合：

运用isnull函数公式发觉 user_geohash（个人行为产生地址）有8334824条数据是空值，且没法对它进行添充，因此在此次分析中，将绕开user_geohash。

2.字段名重新命名

将原来字段名简单化为userid，item，behavior，category

ALTER TABLE tianchi_mobile_recommend_train_user CHANGE user_id userid VARCHAR(20);ALTER TABLE tianchi_mobile_recommend_train_user CHANGE item_id item VARCHAR(20);ALTER TABLE tianchi_mobile_recommend_train_user CHANGE behavior_type behavior VARCHAR(20);ALTER TABLE tianchi_mobile_recommend_train_user CHANGE item_category category VARCHAR(20);

3.删除重复值

数据中，用户个人行为只精准到了钟头，并不可以判断在一个小时内产生的用户个人行为是不是真正，因此不做解决。

4.一致化处理

为了更好地便于后面的時间科学研究，将time拆分为多列，一列表示时间，一列表明日期。

ALTER TABLE tianchi_mobile_recommend_train_userADD column h VARCHAR(10) NULL;UPDATE tianchi_mobile_recommend_train_userset h=SUBSTRING_INDEX(time,' ',-1)time=SUBSTRING_INDEX(time,' ',1)

四、搭建实体模型

1.构建AARRR实体模型

截止到2014年底，淘宝有着会员注册近5亿，日活跃性用户超1.2亿，线上产品总数超过10亿，在C2C销售市场，淘宝占95.1%的市场占有率。淘宝在手机端发展潜力迅速，据艾瑞咨询2014年最新发布的网上购物汇报数据，手机版淘宝 天猫商城的市场规模做到85.1%。

淘宝客户端顾客数量大，覆盖面积广，在中国乃至亚洲地区都是有普遍的用户基本。

用户应用淘宝网的一般步骤为：点一下——（个人收藏/加上到加入购物车）——支付。个人收藏和加上到加入购物车并不是必需个人行为，用户可以根据点一下后立即支付。

在2014.11.18-2014.12.18期内，一共有9969名用户，在其中有3本人沒有点一下个人行为，占总产量的0.335%，可以忽略。

SELECT COUNT(DISTINCT userid) AS UV,(SELECT COUNT(*) FROM tianchi_mobile_recommend_train_user WHERE behavior='1') AS PV,(SELECT COUNT(*) FROM tianchi_mobile_recommend_train_user WHERE behavior='1')/COUNT(DISTINCT userid) AS 'PV/UV'FROM tianchi_mobile_recommend_train_user

APP浏览用户数量（UV)：9969

网页页面总浏览量（PV）：1885533

跳失率=仅点一下一次的用户总数/ 总用户数量=0.0059

SELECT count(*)/(SELECT COUNT(DISTINCT userid) from tianchi_mobile_recommend_train_user) as 跳失率from (select useridfrom tianchi_mobile_recommend_train_userwhere behavior='1'group BY useridH ** ING COUNT(*)=1) as a

在统计分析時间内，仅有0.59%的用户仅点一下一次就离开app，由此可见有着充分的诱惑力让用户滞留在APP中。

SELECT COUNT(DISTINCT userid) as 点一下用户,(SELECT COUNT(DISTINCT userid) from tianchi_mobile_recommend_train_userwhere behavior=2 or behavior=3) as 个人收藏或加上加入购物车用户,(SELECT COUNT(DISTINCT userid) from tianchi_mobile_recommend_train_userwhere behavior=4) as 支付用户from tianchi_mobile_recommend_train_userwhere behavior=1;

付款总数占点一下总数的60.6%，转换率特别高，表明淘宝客户端在较大水平上可以达到顾客的要求，吸引住用户不断应用。

select behavior,COUNT(*)from tianchi_mobile_recommend_train_userGROUP BY behavior

殊不知从次数看来，点一下频次是支付的97倍，是加上到加入购物车、个人收藏总数的20倍，用户点一下多次才会造成一次支付。

殊不知，从点一下频次到支付频次的转换仅有1.03%，顾客均值必须点一下50次才可以造成1次支付，表明顾客应用app的历程中，必须消耗很多的时间精力才可以寻找到适宜的商品，提议淘宝优化强烈推荐实体模型，为客人给予精确的产品推介。

2.不一样时域和频域下用户行为模式分析

1）30日内总体状况

将数据集按日梳理，观查30日内，用户点一下、个人收藏、加上到加入购物车、支付状况。

select time,sum(case when behavior=1 then 1 else 0 end ) as 浏览量,sum(case when behavior=2 then 1 else 0 end ) as 个人收藏数,sum(case when behavior=3 then 1 else 0 end ) as 加上到加入购物车,sum(case when behavior=4 then 1 else 0 end ) as 支付量from tianchi_mobile_recommend_train_userGROUP BY timeORDER BY time

a “双十二”大中型营销活动对用户个人行为的危害

根据柱形图大家发觉，自12月10日至12月12日，“点一下”、“个人收藏”和“加上到加入购物车”频次急剧提升，可是“支付”总数却展现下降，在12月12日当日，全部数据与此同时提升。

联系实际得知，在2014年12月12日淘宝网举行了中大型的营销活动，当日选购享有特惠。再此以前用户根据“点一下”、“个人收藏”和“加上到加入购物车”三种方法找寻产品，直到在12日当日提到支付，以享有特惠。因而导致了10日、11日“点一下”、“个人收藏”和“加上到加入购物车”频次提升，可是“支付”频次却降低了的状况。

在双十二活动当日，极大的特惠吸引住了大量的用户登陆、应用app，导致“点一下”总数提升。

类似“满300减30”“满1000减30”等立减主题活动引诱用户将商品增加到加入购物车，找寻更实惠的支付方式，导致了“加上到加入购物车”个人行为的提升。

而“个人收藏”既不可能像“加上到加入购物车”一样，协助用户造就特惠，营销个人行为自身也不会吸引住顾客专业去“个人收藏”，因此“个人收藏”个人行为的增加发展趋势较别的三者较差。

b 淘宝客户端用户日常个人行为分析

总体看来，“点击量”和“加上到加入购物车频次”的数据行情基本一致，“点击量”提升，“加上到加入购物车频次”一样提升，且增长幅度类似。相较来说“个人收藏”尽管在发展趋势上与别的三种数据基本一致，可是主要表现比较轻缓。

为了更好地进一步科学研究“点一下”和“支付”数据行情，大家优化柱形图，加上礼拜信息内容。

在12月12日以前，“点一下”和“支付”总数行情是有周期性的。如下图中小圆圈标明的一部分，12.12以前，每一个星期五，“点一下”“支付”都是会有大幅的降低。这可能是由于，每星期周五是最后一个工作中日，大家在工作之余更想要别的休闲娱乐方法，而不是应用淘宝买东西。

而在周六和周日，大家空闲时间提升，淘宝客户端的“点一下”总数大幅提升，到下周一开始工作时，“点一下”总数一些较小幅度降低。

而“支付”频次在周五大幅降低，在周六、周日、周一或提升，或降低，并无显著规律性。

因而淘宝卖家若是要想广告投放、提升店面关注度，应绕开周五和周一，选在在周六周日举行活动。倘若想提升销售量，要绕开周五举行营销活动。

2）日用户个人行为分析

select time,h,sum(case when behavior=1 then 1 else 0 end ) as 浏览量,sum(case when behavior=2 then 1 else 0 end ) as 个人收藏数,sum(case when behavior=3 then 1 else 0 end ) as 加上到加入购物车,sum(case when behavior=4 then 1 else 0 end ) as 支付量from tianchi_mobile_recommend_train_userGROUP BY time,hORDER BY time,h

选择不会受到“双十二”营销活动危害的11月24日-12月1日，以钟头为企业，进一步用户个人行为与时间段的关联。

淘宝客户端用户在每日不一样时间范围的手段十分规律性。为了更好地能进一步认清这类规律性，大家随后选择一日（11月26日）开展分析。

从0点逐渐，大家已经睡眠质量歇息，人气值不断降低，直到4点-5点降至最少，以后，大家相继醒来主题活动，逐渐平稳升高，直到早上10点。在10点至18点期内，“点一下”、“个人收藏”、“加上到加入购物车”“支付”频次等数据比较稳定。18点上下，恰逢大家晚饭时间，用户个人行为有一些较小幅度减少，18点以后，“点一下”、“个人收藏”、“加上到加入购物车”频次大幅、不断提升，直到22点，用户逐渐歇息，人气值减少。

淘宝网用户人气值较高的时时刻刻集中化在20点至22点中间，店家可以在这段时间举行活动，有益于提升店铺流量及销售量。

3.RFM模型

由于数据集中沒有额度有关数据，因此大家只对于消费者行为和选购频率进行分析。

最近的消费行为Recency：数据的范围为一个月，按照时间距离远近可以分为0-6,7-12,13-18,19-24,25-30共5档，分别对应评分5到1。

CREATE TABLE ch as SELECT userid,DATEDIFF('2014-12-18',MAX(time))from tianchi_mobile_recommend_train_userwhere behavior=4GROUP BY userid;

购买频率Frequency：付款用户中消费次数从低到高为1-161次，将其分为5档，1-32，33- ** ，65-96，97-128,129-161分别对应评分1到5，并与Recency合并。

select f.userid,Recency,Frequencyfrom f join r on f.userid=r.useridorder by Recency,Frequency

Recency、Frequency同时为5的用户为目前最具价值的用户，应当加以重视；而Recency=1，Frequency=5的用户购买间隔较短，但购买频次很高，是潜在的价值用户；而Recency=5，Frequency=1的用户粘性差，在运营过程中应重点提高用户使用app的频率，通过送优惠券、积分的手段保留用户。

五、总结与建议

本文使用2014.11.18-2014.12.18期间淘宝app用户行为数据，分析了淘宝在用户转化方面的优点及不足，并对淘宝大型促销活动“双十二”活动期间用户行为进行详细的分析。

于此同时，分析了用户在周度、日度的行为规律，提出了合理化建议，建议如下：

在淘宝，超过一半的用户能够找到心仪的产品并付款，但是，在使用淘宝app的过程中，用户需耗费大量的精力去寻找产品，建议淘宝优化推荐模型，使推荐精准化。除开淘宝大型促销活动，淘宝用户的行为在一定时间范围内存在一定的规律性，商家在举办以吸引顾客为目的的商业活动时，应尽量避开周五和周一，并选取20点-22点之间进行活动。窦之：逻辑回归：搭建淘宝app用户一次购买推荐模型