淘宝是世界上最受欢迎的在线购物和零售平台之一，拥有近5亿注册用户和每天超过6000万的定期访问者。同时，每天的线上商品数量已经超过8亿，平均每分钟售出4.8万件商品。
作为电商行业的标杆，淘宝的用户行为数据，一定程度上反映了用户购买行为的规律。该项目利用MySQL分析淘宝用户行为数据，挖掘不同用户的消费习惯，结合店铺营销策略，实现精准运营，降低运营成本，增加店铺收入。
分析目标与思路探索目标:一天中不同时段的流量趋势和质量如何？用户行为转化如何？如何提高留存和回购？诸如
如何判断高价值用户，如何针对不同用户进行个性化营销？
分析思路:
1。数据采集
数据集来自淘宝APP移动端2014年11月18日-2014年12月18日的用户行为数据。
2。数据理解
表格中有7个字段:用户ID、商品ID、商品类别ID、用户行为类型、用户地理位置、用户行为时间和金额。总共有12，256，905条数据。由于计算机性能的原因，只提取了前1048575条记录进行分析。
3。数据清理
3.1表格构建的衍生工具:
创建数据库淘宝；
用淘宝；
创建表用户行为(
user_id int，
item_id int，
item_category int
行为类型varchar(10)，
user_geohash varchar(10)，
时间日期时间，
小数金额(5，2)
);
将数据装入文件& # 34；C:/ProgramData/MySQL/MySQL服务器
8.0/Uploads/user behavior . CSV & # 34；
into表用户行为
字段以& # 39；,'
忽略1行；
3.2缺失值的处理:
查询中user_geohash字段存在缺失值，缺失率超过50%。严重缺失数据在后续分析中意义不大，可以删除。
3.3异常值检查
检查该数据集中是否没有异常值。
3.4重复记录处理
该数据集中有86，478条重复记录，筛选出962，097行非重复记录。
3.5字段处理:
根据时间字段，增加计算字段的用户行为日期、星期和小时，排除后续分析不需要的user_geohash字段，将过滤后的结果保存到新表中。
清理后的数据集中有962，097条记录，显示了从2014年11月18日到2014年12月18日的一个月内，8477个用户对701，609个商品的7095个类别的902，050次点击、29，016次额外购买、20，930次收藏和10，101次购买。
数据分析1。流动指数分析
查询结果显示，浏览量PV、访客UV和人均浏览量的整体变化趋势是一致的。11月18-29日PV在25000-28000之间，UV在5800-6200之间，人均浏览量在4.1-4.6之间，成交额在260-320之间，销售额在20000-28000之间。11月30日-12月10日，PV在27000-31000之间，UV在6000-6400之间，人均浏览量在4.4-4.9之间，成交额在280-370之间，销售额在22000-30000之间。12月11日和12日，由于双12，PV分别达到35851和51034，UV 6576和7049，人均浏览量分别为5.5和7.2，成交额分别为409和569，销售额分别为32022.71和46100.93。但双12之后，PV也稳定在28000-30000之间，UV在6000-6200之间，人均浏览量在4.6-4.8之间，成交额在280-340之间，销售额在22000-28000之间，远远优于11月29日之前的数据，可见双12的营销活动对用户行为影响显著。
同时，11月21日、28日、12月5日的浏览量PV、访客量UV、人均浏览量、成交量和销售额均有不同程度的下降。仔细调查发现，以上三天都是周五。观察流量的周期性变化，发现每周二到周四数据相对稳定，周五到周一会有小幅下降，这与大部分用户的工作生活习惯密切相关。
从每天的时间段来看，21: 00和22: 00是用户的活跃高峰时段。人均浏览量10次以上。22: 00后，它们一路下降到最低值，直到凌晨4: 00。4点到10点，气温逐渐变暖。10:00-18: 00基本稳定，18:00后开始一路攀升。商家可以在用户活跃度高的时期集中资源，采取一些引流措施。
2。行为转化分析
访问量:点击产品详情页面的用户数量。
收集数量:收集产品详细信息页面的用户数量。
购买者数量:将产品添加到购物车的用户数量。
购买者数量:下订单的用户数量。
在所有用户行为数据中，浏览商品详情页的用户只有4330人有购买行为，占浏览用户的51%。也就是说，49%的用户行为没有转化为交易，用户在浏览商品详情页后损失很大。那么从浏览到购买各个环节的转化率是多少呢？用户主要流失在哪里？
发现从浏览到收藏的转化率仅为38.73%，而从浏览到购买的转化率为61.41%。因为收藏和购买行为之间没有直接的下单关系，加入收藏后也没有下单的入口，如果需要购买，就要再次点击商品进入详情页下单，所以用户更愿意将自己感兴趣或者有兴趣购买的商品加入购物车。
在浏览-购买-购买的购物行为路径中，购买转化率为61.41%，购买转化率为83.21%，这意味着大多数用户更倾向于将商品添加到购物车中，然后下单，可能是为了获得全额折扣。
通过分析每天浏览-购买-购买的转化率，发现浏览-购买-购买的转化率变化不明显，双十二前稳定在10%-13%之间，仅在双十二当天达到17.26%，双十二后转化率明显下降。但购-购转化率波动较大，感恩节、服饰年轻化、双十二活动前后分别达到45.48%、44.21%、42.81%，双十二后数据表现明显好于双十二前，说明部分商品在双十二后仍有退货活动，促进了用户消费。
3。消费偏好分析
根据“二八”法则，即20%的产品贡献80%或以上的销售额，对产品的贡献进行定量分析，什么品类的商品贡献了多少消费。
在2066个商品大类中，销售额排名前623的大类贡献了646009.09的销售额，可以集中人力财力对这些大类的商品和渠道进行优化。
4。用户价值分析
通过对用户价值的细分，进行差异化的精细化运营，从而提高运营效率和用户体验。RFM模型是衡量客户价值和客户盈利能力的重要工具。它通过三个指标来描述客户的价值:客户的消费时间间隔(最近)、消费频率(频率)和货币。
-查询每个用户的消费时间间隔、频率和金额。
+ - + - + - + - + - +
| user_id |最近消费时间|间隔天数|购买次数|消费金额|
+ - + - + - + - + - +
| 101260672 | 2014-11-20 | 29 | 1 | 72.55 |
| 116730636 | 2014-12-18 | 1 | 4 | 372.04 |
| 104811265 | 2014-12-09 | 10 | 1 | 120.71 |
| 106230218 | 2014-12-16 | 3 | 3 | 132.73 |
| 100684618 | 2014-12-12 | 7 | 3 | 203.67 |
| 103802946 | 2014-12-18 | 1 | 2 | 139.38 |
| 103891828 | 2014-12-15 | 4 | 6 | 496.24 |
| 116678892 | 2014-11-23 | 26 | 1 | 129.20 |
| 106557109 | 2014-11-22 | 27 | 1 | 38.06 |
| 104221274 | 2014-11-30 | 19 | 2 | 138.21 |
+ - + - + - + - + - +
- RFM分数
+ - + - + - + - +
|用户标识| R分数| F分数| M分数|
+ - + - + - + - +
| 101260672 | 1 | 1 | 1 |
| 116730636 | 5 | 4 | 4 |
| 104811265 | 4 | 1 | 2 |
| 106230218 | 5 | 3 | 2 |
| 100684618 | 4 | 3 | 3 |
| 103802946 | 5 | 2 | 2 |
| 103891828 | 5 | 5 | 5 |
| 116678892 | 1 | 1 | 2 |
| 106557109 | 1 | 1 | 1 |
| 104221274 | 2 | 2 | 2 |
+ - + - + - + - +
- RFM的意思是
+ - + - + - +
平均分数|平均分数|平均分数|平均分数
+ - + - + - +
| 3.5984 | 2.1039 | 2.2051 |
+ - + - + - +
- RFM用户价值
+ - + - + - + - + - + - + - + - +
|用户id | R分数| F分数| M分数| R学位| F学位| M学位|用户价值|
+ - + - + - + - + - + - + - + - +
| 101260672 | 1 | 1 |低|低|一般保留用户|
| 116730636 | 5 | 4 | 4 |高|高|重要价值用户|
| 104811265 | 4 | 1 | 2 |高|低|一般开发用户|
| 106230218 | 5 | 3 | 2 |高|高|低|一般价值用户|
| 100684618 | 4 | 3 | 3 |高|高|重要价值用户|
| 103802946 | 5 | 2 | 2 |高|低|一般开发用户|
| 103891828 | 5 | 5 |高|高|重要价值用户|
| 116678892 | 1 | 1 | 2 |低|低|一般留住用户|
| 106557109 | 1 | 1 |低|低|一般保留用户|
| 104221274 | 2 | 2 |低|低|一般保留用户|
+ - + - + - + - + - + - + - + - +
对用户价值进行分层后，针对不同价值类型的用户实施不同的营销策略。
一般留存用户占34.36%，占比最高。因其交易间隔长、交易频率低、消费金额低，存在损失风险。可以及时与用户取得联系，明确流失原因或了解用户需求，努力追回用户。
一般开发用户占比31.29%，排名第二。他们的交易时间间隔很短，但消费频率和消费金额都很低。可以利用推荐系统推荐他们平时浏览的同类产品，或者与这些客户购买属性相同的人购买的产品，送满减券等。，避免用户流失。
重要客户占23.86%，其交易时间间隔短，消费频率高，消费金额高。因此，要加强沟通和互动，深入了解用户需求，提供个性化服务，增加用户粘性。可以为这类用户提供VIP服务机制，提高用户体验和忠诚度。
总结和建议根据流量数据指标分析，每天18:00-22:00为用户活跃高峰期，可以集中资源在该时间段进行引流和营销活动，如推爆款、畅销商品，同时可以发送商家打折、直播送、促销活动的消息，提高商品购买率。
从用户行为转化漏斗分析，从浏览到购买的转化率远高于从浏览到收藏的转化率，从购买到购买的转化率高达83.21%。交易越多，用户流失的可能性越大。即时购买欲望的产生往往时效性短，每增加一道工序，损失率就会增加。所以删除不必要的跳转接口，让交易完成时间更短，不要给用户太多的犹豫时间。例如，优惠券的选择也需要繁琐的收集步骤。如果满足优惠条件，默认收取相应的最大折扣，优惠券带来的满减和满减信息会在最终支付界面高亮显示，让用户的交易时间更短。关于购物车，可以增加一个清理机制，比如加入购物车多少天后不成交就清理，每隔一段时间提醒用户购物车里还剩什么商品，什么时候清理。收藏购物车和购物车的功能有一定的同质性。关于这一点，淘宝并没有做明确的区分，导致购物车只是收藏的简单版本。另一方面，同在电商领域的拼多多没有购物车功能，交易环节缩短为4步。
根据对用户消费偏好的分析，流量会更加聚焦在畅销商品上，通过名人效应/线上名人推荐，结合主题活动和节日，打造爆款产品，用爆款产品带动整个产品的销售。
根据RFM用户价值的分类结果，普遍存在用户流失的风险，可以适当给予优惠或者捆绑销售政策，通过一些补贴来培养用户的购买习惯。开发一般用户的价值潜力，要想办法主动联系客户，比如短信、邮件、推送提醒等方法，推荐好的东西，提高用户的复购率。重要客户交易时间间隔短，消费频率高，消费金额大，要加强沟通互动，比如优化个人信息界面，加入成长价值体系，达到一定级别，享受一些特权或优惠等。请参考腾讯游戏的快乐会员体系。
