1、項(xiàng)目背景

項(xiàng)目對(duì)京東電商運(yùn)營(yíng)數(shù)據(jù)集進(jìn)行指標(biāo)分析以了解用戶購(gòu)物行為特征，為運(yùn)營(yíng)決策提供支持建議。本文采用了MySQL和Python兩種代碼進(jìn)行指標(biāo)計(jì)算以適應(yīng)不同的數(shù)據(jù)分析開發(fā)環(huán)境。

2、數(shù)據(jù)集介紹

本數(shù)據(jù)集為京東競(jìng)賽數(shù)據(jù)集，數(shù)據(jù)已上傳后臺(tái)，回復(fù)關(guān)鍵字：京東電商，即可獲的。詳細(xì)介紹請(qǐng)?jiān)L問鏈接：https://jdata.jd.com/html/detail.html?id=8 數(shù)據(jù)集共有五個(gè)文件，包含了'2018-02-01'至'2018-04-15'之間的用戶數(shù)據(jù)，數(shù)據(jù)已進(jìn)行了脫敏處理，本文使用了其中的行為數(shù)據(jù)表，表中共有五個(gè)字段，各字段含義如下圖所示:

3、數(shù)據(jù)清洗

#導(dǎo)入python相關(guān)模塊 importnumpyasnp importpandasaspd importseabornassns importmatplotlib.pyplotasplt fromdatetimeimportdatetime plt.style.use('ggplot') %matplotlibinline #設(shè)置中文編碼和負(fù)號(hào)的正常顯示 plt.rcParams['font.sans-serif']=['SimHei'] plt.rcParams['axes.unicode_minus']=False

#讀取數(shù)據(jù)，數(shù)據(jù)集較大，如果計(jì)算機(jī)讀取內(nèi)存不夠用，可以嘗試kaggle比賽 #中的reduce_mem_usage函數(shù)，附在文末，主要原理是把int64/float64 #類型的數(shù)值用更小的int(float)32/16/8來搞定 user_action=pd.read_csv('jdata_action.csv')

#因數(shù)據(jù)集過大，本文截取'2018-03-30'至'2018-04-15'之間的數(shù)據(jù)完成本次分析 #注：僅4月份的數(shù)據(jù)包含加購(gòu)物車行為，即type == 5 user_data=user_action[(user_action['action_time']>'2018-03-30')&(user_action['action_time']'2018-04-15')]

#存至本地備用 user_data.to_csv('user_data.csv',sep=',')

#查看原始數(shù)據(jù)各字段類型 behavior=pd.read_csv('user_data.csv',index_col=0) behavior[:10] output

user_idsku_idaction_timemodule_idtype 1714552982084412018-04-11154361906591 1814552983343182018-04-11155461906591 1914552982377552018-04-11151361906591 20145529864222018-04-11152561906591 2114552982685662018-04-11152661906591 2214552981159152018-04-11153561906591 2314552982082542018-04-11151661906591 2414552981772092018-04-14145966282541 251455298717932018-04-14142966282541 2614552981419502018-04-121553102072581

behavior.info() output

'pandas.core.frame.DataFrame'> Int64Index:7540394entries,17to37214234 Datacolumns(total5columns): user_idint64 sku_idint64 action_timeobject module_idint64 typeint64 dtypes:int64(4),object(1) memoryusage:345.2+MB

#查看缺失值 behavior.isnull().sum() output

user_id0 sku_id0 action_time0 module_id0 type0 dtype:int64 數(shù)據(jù)各列無缺失值。

#原始數(shù)據(jù)中時(shí)間列action_time，時(shí)間和日期是在一起的，不方便分析，對(duì)action_time列進(jìn)行處理，拆分出日期和時(shí)間列，并添加星期字段求出每天對(duì)應(yīng) #的星期，方便后續(xù)按時(shí)間緯度對(duì)數(shù)據(jù)進(jìn)行分析 behavior['date']=pd.to_datetime(behavior['action_time']).dt.date#日期 behavior['hour']=pd.to_datetime(behavior['action_time']).dt.hour#時(shí)間 behavior['weekday']=pd.to_datetime(behavior['action_time']).dt.weekday_name#周

#去除與分析無關(guān)的列 behavior=behavior.drop('module_id',axis=1)

#將用戶行為標(biāo)簽由數(shù)字類型改為用字符表示 behavior_type={1:'pv',2:'pay',3:'fav',4:'comm',5:'cart'} behavior['type']=behavior['type'].apply(lambdax:behavior_type[x]) behavior.reset_index(drop=True,inplace=True)

#查看處理好的數(shù)據(jù) behavior[:10] output

user_idsku_idaction_timetypedatehourweekday 014552982084412018-04-111543pv2018-04-1115Wednesday 114552983343182018-04-111554pv2018-04-1115Wednesday 214552982377552018-04-111513pv2018-04-1115Wednesday 3145529864222018-04-111525pv2018-04-1115Wednesday 414552982685662018-04-111526pv2018-04-1115Wednesday 514552981159152018-04-111535pv2018-04-1115Wednesday 614552982082542018-04-111516pv2018-04-1115Wednesday 714552981772092018-04-141459pv2018-04-1414Saturday 81455298717932018-04-141429pv2018-04-1414Saturday 914552981419502018-04-121553pv2018-04-1215Thursday

4、分析模型構(gòu)建指標(biāo)

1.流量指標(biāo)分析

pv、uv、消費(fèi)用戶數(shù)占比、消費(fèi)用戶總訪問量占比、消費(fèi)用戶人均訪問量、跳失率。

PV UV

#總訪問量 pv=behavior[behavior['type']=='pv']['user_id'].count() #總訪客數(shù) uv=behavior['user_id'].nunique() #消費(fèi)用戶數(shù) user_pay=behavior[behavior['type']=='pay']['user_id'].unique() #日均訪問量 pv_per_day=pv/behavior['date'].nunique() #人均訪問量 pv_per_user=pv/uv #消費(fèi)用戶訪問量 pv_pay=behavior[behavior['user_id'].isin(user_pay)]['type'].value_counts().pv #消費(fèi)用戶數(shù)占比 user_pay_rate=len(user_pay)/uv #消費(fèi)用戶訪問量占比 pv_pay_rate=pv_pay/pv #消費(fèi)用戶人均訪問量 pv_per_buy_user=pv_pay/len(user_pay)

#SQL SELECTcount(DISTINCTuser_id)UV, (SELECTcount(*)PVfrombehavior_sqlWHEREtype='pv')PV FROMbehavior_sql; SELECTcount(DISTINCTuser_id) FROMbehavior_sql WHERE WHEREtype='pay'; SELECTtype,COUNT(*)FROMbehavior_sql WHERE user_idIN (SELECTDISTINCTuser_id FROMbehavior_sql WHEREtype='pay') ANDtype='pv' GROUPBYtype;

print('總訪問量為%i'%pv) print('總訪客數(shù)為%i'%uv) print('消費(fèi)用戶數(shù)為%i'%len(user_pay)) print('消費(fèi)用戶訪問量為%i'%pv_pay) print('日均訪問量為%.3f'%pv_per_day) print('人均訪問量為%.3f'%pv_per_user) print('消費(fèi)用戶人均訪問量為%.3f'%pv_per_buy_user) print('消費(fèi)用戶數(shù)占比為%.3f%%'%(user_pay_rate*100)) print('消費(fèi)用戶訪問量占比為%.3f%%'%(pv_pay_rate*100)) output

總訪問量為6229177 總訪客數(shù)為728959 消費(fèi)用戶數(shù)為395874 消費(fèi)用戶訪問量為3918000 日均訪問量為389323.562 人均訪問量為8.545 消費(fèi)用戶人均訪問量為9.897 消費(fèi)用戶數(shù)占比為54.307% 消費(fèi)用戶訪問量占比為62.898%

消費(fèi)用戶人均訪問量和總訪問量占比都在平均值以上，有過消費(fèi)記錄的用戶更愿意在網(wǎng)站上花費(fèi)更多時(shí)間，說明網(wǎng)站的購(gòu)物體驗(yàn)尚可，老用戶對(duì)網(wǎng)站有一定依賴性，對(duì)沒有過消費(fèi)記錄的用戶要讓快速了解產(chǎn)品的使用方法和價(jià)值，加強(qiáng)用戶和平臺(tái)的黏連。

跳失率

#跳失率：只進(jìn)行了一次操作就離開的用戶數(shù)/總用戶數(shù) attrition_rates=sum(behavior.groupby('user_id')['type'].count()==1)/(behavior['user_id'].nunique())

#SQL SELECT (SELECTCOUNT(*) FROM(SELECTuser_id FROMbehavior_sqlGROUPBYuser_id HAVINGCOUNT(type)=1)A)/ (SELECTCOUNT(DISTINCTuser_id)UVFROMbehavior_sql)attrition_rates;

print('跳失率為%.3f%%'%(attrition_rates*100)) output

跳失率為22.585% 整個(gè)計(jì)算周期內(nèi)跳失率為22.585%，還是有較多的用戶僅做了單次操作就離開了頁(yè)面，需要從首頁(yè)頁(yè)面布局以及產(chǎn)品用戶體驗(yàn)等方面加以改善，提高產(chǎn)品吸引力。

2、用戶消費(fèi)頻次分析

#單個(gè)用戶消費(fèi)總次數(shù) total_buy_count=(behavior[behavior['type']=='pay'].groupby(['user_id'])['type'].count() .to_frame().rename(columns={'type':'total'})) #消費(fèi)次數(shù)前10客戶 topbuyer10=total_buy_count.sort_values(by='total',ascending=False)[:10] #復(fù)購(gòu)率 re_buy_rate=total_buy_count[total_buy_count>=2].count()/total_buy_count.count()

#SQL #消費(fèi)次數(shù)前10客戶 SELECTuser_id,COUNT(type)total_buy_count FROMbehavior_sql WHEREtype='pay' GROUPBYuser_id ORDERBYCOUNT(type)DESC LIMIT10 #復(fù)購(gòu)率 CREATVIEWv_buy_count ASSELECTuser_id,COUNT(type)total_buy_count FROMbehavior_sql WHEREtype='pay' GROUPBYuser_id; SELECTCONCAT(ROUND((SUM(CASEWHENtotal_buy_count>=2THEN1ELSE0END)/ SUM(CASEWHENtotal_buy_count>0THEN1ELSE0END))*100,2),'%')ASre_buy_rate FROMv_buy_count;

topbuyer10.reset_index().style.bar(color='skyblue',subset=['total']) output

#單個(gè)用戶消費(fèi)總次數(shù)可視化 tbc_box=total_buy_count.reset_index() fig,ax=plt.subplots(figsize=[16,6]) ax.set_yscale("log") sns.countplot(x=tbc_box['total'],data=tbc_box,palette='Set1') forpinax.patches: ax.annotate('{:.2f}%'.format(100*p.get_height()/len(tbc_box['total'])),(p.get_x()-0.1,p.get_height())) plt.title('用戶消費(fèi)總次數(shù)') output

整個(gè)計(jì)算周期內(nèi)，最高購(gòu)物次數(shù)為133次，最低為1次，大部分用戶的購(gòu)物次數(shù)在6次以下，可適當(dāng)增加推廣，完善購(gòu)物體驗(yàn)，提高用戶消費(fèi)次數(shù)。購(gòu)物次數(shù)前10用戶為1187177、502169等，應(yīng)提高其滿意度，增大留存率。

print('復(fù)購(gòu)率為%.3f%%'%(re_buy_rate*100)) output

復(fù)購(gòu)率為13.419%復(fù)購(gòu)率較低，應(yīng)加強(qiáng)老用戶召回機(jī)制，提升購(gòu)物體驗(yàn)，也可能因數(shù)據(jù)量較少，統(tǒng)計(jì)周期之內(nèi)的數(shù)據(jù) 無法解釋完整的購(gòu)物周期，從而得出結(jié)論有誤。

3、用戶行為在時(shí)間緯度的分布

日消費(fèi)次數(shù)、日活躍人數(shù)、日消費(fèi)人數(shù)、日消費(fèi)人數(shù)占比、消費(fèi)用戶日人均消費(fèi)次數(shù)

#日活躍人數(shù)（有一次操作即視為活躍） daily_active_user=behavior.groupby('date')['user_id'].nunique() #日消費(fèi)人數(shù) daily_buy_user=behavior[behavior['type']=='pay'].groupby('date')['user_id'].nunique() #日消費(fèi)人數(shù)占比 proportion_of_buyer=daily_buy_user/daily_active_user #日消費(fèi)總次數(shù) daily_buy_count=behavior[behavior['type']=='pay'].groupby('date')['type'].count() #消費(fèi)用戶日人均消費(fèi)次數(shù) consumption_per_buyer=daily_buy_count/daily_buy_user

#SQL #日消費(fèi)總次數(shù) SELECTdate,COUNT(type)pay_dailyFROMbehavior_sql WHEREtype='pay' GROUPBYdate; #日活躍人數(shù) SELECTdate,COUNT(DISTINCTuser_id)uv_dailyFROMbehavior_sql GROUPBYdate; #日消費(fèi)人數(shù) SELECTdate,COUNT(DISTINCTuser_id)user_pay_dailyFROMbehavior_sql WHEREtype='pay' GROUPBYdate; #日消費(fèi)人數(shù)占比 SELECT (SELECTdate,COUNT(DISTINCTuser_id)user_pay_dailyFROMbehavior_sql WHEREtype='pay' GROUPBYdate)/ (SELECTdate,COUNT(DISTINCTuser_id)uv_dailyFROMbehavior_sql GROUPBYdate) #日人均消費(fèi)次數(shù) SELECT (SELECTdate,COUNT(type)pay_dailyFROMbehavior_sql WHEREtype='pay' GROUPBYdate)/ (SELECTdate,COUNT(DISTINCTuser_id)uv_dailyFROMbehavior_sql GROUPBYdate)

#日消費(fèi)人數(shù)占比可視化 #柱狀圖數(shù)據(jù) pob_bar=(pd.merge(daily_active_user,daily_buy_user,on='date').reset_index() .rename(columns={'user_id_x':'日活躍人數(shù)','user_id_y':'日消費(fèi)人數(shù)'}) .set_index('date').stack().reset_index().rename(columns={'level_1':'Variable',0:'Value'})) #線圖數(shù)據(jù) pob_line=proportion_of_buyer.reset_index().rename(columns={'user_id':'Rate'}) fig1=plt.figure(figsize=[16,6]) ax1=fig1.add_subplot(111) ax2=ax1.twinx() sns.barplot(x='date',y='Value',hue='Variable',data=pob_bar,ax=ax1,alpha=0.8,palette='husl') ax1.legend().set_title('') ax1.legend().remove() sns.pointplot(pob_line['date'],pob_line['Rate'],ax=ax2,markers='D',linestyles='--',color='teal') x=list(range(0,16)) fora,binzip(x,pob_line['Rate']): plt.text(a+0.1,b+0.001,'%.2f%%'%(b*100),ha='center',va='bottom',fontsize=12) fig1.legend(loc='uppercenter',ncol=2) plt.title('日消費(fèi)人數(shù)占比') output

日活躍人數(shù)與日消費(fèi)人數(shù)無明顯波動(dòng)，日消費(fèi)人數(shù)占比均在20%以上。

#消費(fèi)用戶日人均消費(fèi)次數(shù)可視化 #柱狀圖數(shù)據(jù) cpb_bar=(daily_buy_count.reset_index().rename(columns={'type':'Num'})) #線圖數(shù)據(jù) cpb_line=(consumption_per_buyer.reset_index().rename(columns={0:'Frequency'})) fig2=plt.figure(figsize=[16,6]) ax3=fig2.add_subplot(111) ax4=ax3.twinx() sns.barplot(x='date',y='Num',data=cpb_bar,ax=ax3,alpha=0.8,palette='pastel') sns.pointplot(cpb_line['date'],cpb_line['Frequency'],ax=ax4,markers='D',linestyles='--',color='teal') x=list(range(0,16)) fora,binzip(x,cpb_line['Frequency']): plt.text(a+0.1,b+0.001,'%.2f'%b,ha='center',va='bottom',fontsize=12) plt.title('消費(fèi)用戶日人均消費(fèi)次數(shù)') output

日消費(fèi)人數(shù)在25000以上，日人均消費(fèi)次數(shù)大于1次。

dau3_df=behavior.groupby(['date','user_id'])['type'].count().reset_index() dau3_df=dau3_df[dau3_df['type']>=3]

#每日高活躍用戶數(shù)（每日操作數(shù)大于3次） dau3_num=dau3_df.groupby('date')['user_id'].nunique()

#SQL SELECTdate,COUNT(DISTINCTuser_id) FROM (SELECTdate,user_id,COUNT(type) FROMbehavior_sql GROUPBYdate,user_id HAVINGCOUNT(type)>=3)dau3 GROUPBYdate;

fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(dau3_num.index,dau3_num.values,markers='D',linestyles='--',color='teal') x=list(range(0,16)) fora,binzip(x,dau3_num.values): plt.text(a+0.1,b+300,'%i'%b,ha='center',va='bottom',fontsize=14) plt.title('每日高活躍用戶數(shù)') output

每日高活躍用戶數(shù)在大部分4萬以上，2018-04-04之前數(shù)量比較平穩(wěn)，之后數(shù)量一直攀升，8號(hào)9號(hào)達(dá)到最高，隨后下降，推測(cè)數(shù)據(jù)波動(dòng)應(yīng)為營(yíng)銷活動(dòng)產(chǎn)生的。

#高活躍用戶累計(jì)活躍天數(shù)分布 dau3_cumsum=dau3_df.groupby('user_id')['date'].count()

#SQL SELECTuser_id,COUNT(date) FROM (SELECTdate,user_id,COUNT(type) FROMbehavior_sql GROUPBYdate,user_id HAVINGCOUNT(type)>=3)dau3 GROUPBYuser_id;

fig,ax=plt.subplots(figsize=[16,6]) ax.set_yscale("log") sns.countplot(dau3_cumsum.values,palette='Set1') forpinax.patches: ax.annotate('{:.2f}%'.format(100*p.get_height()/len(dau3_cumsum.values)),(p.get_x()+0.2,p.get_height()+100)) plt.title('高活躍用戶累計(jì)活躍天數(shù)分布') output

統(tǒng)計(jì)周期內(nèi)，大部分高活躍用戶累計(jì)活躍天數(shù)在六天以下，但也存在高達(dá)十六天的超級(jí)活躍用戶數(shù)量，對(duì)累計(jì)天數(shù)較高的用戶要推出連續(xù)登錄獎(jiǎng)勵(lì)等繼續(xù)維持其對(duì)平臺(tái)的黏性，對(duì)累計(jì)天數(shù)較低的用戶要適當(dāng)進(jìn)行推送活動(dòng)消息等對(duì)其進(jìn)行召回。

#每日瀏覽量 pv_daily=behavior[behavior['type']=='pv'].groupby('date')['user_id'].count() #每日訪客數(shù) uv_daily=behavior.groupby('date')['user_id'].nunique()

#SQL #每日瀏覽量 SELECTdate,COUNT(type)pv_dailyFROMbehavior_sql WHEREtype='pv' GROUPBYdate; #每日訪客數(shù) SELECTdate,COUNT(DISTINCTuser_id)uv_dailyFROMbehavior_sql GROUPBYdate;

#每日瀏覽量可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(pv_daily.index,pv_daily.values,markers='D',linestyles='--',color='dodgerblue') x=list(range(0,16)) fora,binzip(x,pv_daily.values): plt.text(a+0.1,b+2000,'%i'%b,ha='center',va='bottom',fontsize=14) plt.title('每日瀏覽量') output

#每日訪客數(shù)可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(uv_daily.index,uv_daily.values,markers='H',linestyles='--',color='m') x=list(range(0,16)) fora,binzip(x,uv_daily.values): plt.text(a+0.1,b+500,'%i'%b,ha='center',va='bottom',fontsize=14) plt.title('每日訪客數(shù)') output

瀏覽量和訪客數(shù)每日變化趨勢(shì)大致相同，2018-04-04日前后用戶數(shù)量變化波動(dòng)較大，4月4日為清明節(jié)假日前一天，各數(shù)據(jù)量在當(dāng)天均有明顯下降，但之后逐步回升，推測(cè)應(yīng)為節(jié)假日營(yíng)銷活動(dòng)或推廣拉新活動(dòng)帶來的影響。

#每時(shí)瀏覽量 pv_hourly=behavior[behavior['type']=='pv'].groupby('hour')['user_id'].count() #每時(shí)訪客數(shù) uv_hourly=behavior.groupby('hour')['user_id'].nunique()

#SQL #每時(shí)瀏覽量 SELECTdate,COUNT(type)pv_dailyFROMbehavior_sql WHEREtype='pv' GROUPBYhour; #每時(shí)訪客數(shù) SELECTdate,COUNT(DISTINCTuser_id)uv_dailyFROMbehavior_sql GROUPBYhour;

#瀏覽量隨小時(shí)變化可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(pv_hourly.index,pv_hourly.values,markers='H',linestyles='--',color='dodgerblue') fora,binzip(pv_hourly.index,pv_hourly.values): plt.text(a,b+10000,'%i'%b,ha='center',va='bottom',fontsize=12) plt.title('瀏覽量隨小時(shí)變化') output

#訪客數(shù)隨小時(shí)變化可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(uv_hourly.index,uv_hourly.values,markers='H',linestyles='--',color='m') fora,binzip(uv_hourly.index,uv_hourly.values): plt.text(a,b+1000,'%i'%b,ha='center',va='bottom',fontsize=12) plt.title('訪客數(shù)隨小時(shí)變化') output

瀏覽量及訪客數(shù)隨小時(shí)變化趨勢(shì)一致，在凌晨1點(diǎn)到凌晨5點(diǎn)之間，大部分用戶正在休息，整體活躍度較低。凌晨5點(diǎn)到10點(diǎn)用戶開始起床工作，活躍度逐漸增加，之后趨于平穩(wěn)，下午6點(diǎn)之后大部分人恢復(fù)空閑，瀏覽量及訪客數(shù)迎來了第二波攀升，在晚上8點(diǎn)中到達(dá)高峰，隨后逐漸下降?？梢钥紤]在上午9點(diǎn)及晚上8點(diǎn)增大商品推廣力度，加大營(yíng)銷活動(dòng)投入，可取的較好的收益，1點(diǎn)到5點(diǎn)之間適合做系統(tǒng)維護(hù)。

#用戶各操作隨小時(shí)變化 type_detail_hour=pd.pivot_table(columns='type',index='hour',data=behavior,aggfunc=np.size,values='user_id') #用戶各操作隨星期變化 type_detail_weekday=pd.pivot_table(columns='type',index='weekday',data=behavior,aggfunc=np.size,values='user_id') type_detail_weekday=type_detail_weekday.reindex(['Monday','Tuesday','Wednesday','Thursday','Friday','Saturday','Sunday'])

#SQL #用戶各操作隨小時(shí)變化 SELECThour, SUM(CASEWHENbehavior='pv'THEN1ELSE0END)AS'pv', SUM(CASEWHENbehavior='fav'THEN1ELSE0END)AS'fav', SUM(CASEWHENbehavior='cart'THEN1ELSE0END)AS'cart', SUM(CASEWHENbehavior='pay'THEN1ELSE0END)AS'pay' FROMbehavior_sql GROUPBYhour ORDERBYhour #用戶各操作隨星期變化 SELECTweekday, SUM(CASEWHENbehavior='pv'THEN1ELSE0END)AS'pv', SUM(CASEWHENbehavior='fav'THEN1ELSE0END)AS'fav', SUM(CASEWHENbehavior='cart'THEN1ELSE0END)AS'cart', SUM(CASEWHENbehavior='pay'THEN1ELSE0END)AS'pay' FROMbehavior_sql GROUPBYweekday ORDERBYweekday

tdh_line=type_detail_hour.stack().reset_index().rename(columns={0:'Value'}) tdw_line=type_detail_weekday.stack().reset_index().rename(columns={0:'Value'}) tdh_line=tdh_line[~(tdh_line['type']=='pv')] tdw_line=tdw_line[~(tdw_line['type']=='pv')]

#用戶操作隨小時(shí)變化可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(x='hour',y='Value',hue='type',data=tdh_line,linestyles='--') plt.title('用戶操作隨小時(shí)變化') output

用戶操作隨小時(shí)變化規(guī)律與PV、UV隨小時(shí)規(guī)律相似，與用戶作息規(guī)律相關(guān)，加入購(gòu)物車和付款兩條曲線貼合比比較緊密，說明大部分用戶習(xí)慣加入購(gòu)物車后直接購(gòu)買。關(guān)注數(shù)相對(duì)較少，可以根據(jù)用戶購(gòu)物車內(nèi)商品進(jìn)行精準(zhǔn)推送。評(píng)論數(shù)也相對(duì)較少，說明大部分用戶不是很熱衷對(duì)購(gòu)物體驗(yàn)進(jìn)行反饋，可以設(shè)置一些獎(jiǎng)勵(lì)制度提高用戶評(píng)論數(shù)，增大用用戶粘性。

#用戶操作隨星期變化可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.pointplot(x='weekday',y='Value',hue='type',data=tdw_line[~(tdw_line['type']=='pv')],linestyles='--') plt.title('用戶操作隨星期變化') output

周一到周四工作日期間，用戶操作隨星期變化比較平穩(wěn)，周五至周六進(jìn)入休息日，用戶操作明顯增多，周日又恢復(fù)正常。

4、用戶行為轉(zhuǎn)化漏斗

#導(dǎo)入相關(guān)包 frompyechartsimportoptionsasopts frompyecharts.chartsimportFunnel importmath

behavior['action_time']=pd.to_datetime(behavior['action_time'],format='%Y-%m-%d%H:%M:%S')

#用戶整體行為分布 type_dis=behavior['type'].value_counts().reset_index() type_dis['rate']=round((type_dis['type']/type_dis['type'].sum()),3)

type_dis.style.bar(color='skyblue',subset=['rate']) output

用戶整體行為中，有82.6%行為為瀏覽，實(shí)際支付操作僅占6.4,除此之外，用戶評(píng)論及收藏的行為占比也較低，應(yīng)當(dāng)增強(qiáng)網(wǎng)站有用戶之間的互動(dòng)，提高評(píng)論數(shù)量和收藏率。

df_con=behavior[['user_id','sku_id','action_time','type']]

df_pv=df_con[df_con['type']=='pv'] df_fav=df_con[df_con['type']=='fav'] df_cart=df_con[df_con['type']=='cart'] df_pay=df_con[df_con['type']=='pay'] df_pv_uid=df_con[df_con['type']=='pv']['user_id'].unique() df_fav_uid=df_con[df_con['type']=='fav']['user_id'].unique() df_cart_uid=df_con[df_con['type']=='cart']['user_id'].unique() df_pay_uid=df_con[df_con['type']=='pay']['user_id'].unique()

pv - buy

fav_cart_list=set(df_fav_uid)|set(df_cart_uid) pv_pay_df=pd.merge(left=df_pv,right=df_pay,how='inner',on=['user_id','sku_id'],suffixes=('_pv','_pay')) pv_pay_df=pv_pay_df[(~pv_pay_df['user_id'].isin(fav_cart_list))&(pv_pay_df['action_time_pv']'action_time_pay'])]

uv=behavior['user_id'].nunique() pv_pay_num=pv_pay_df['user_id'].nunique() pv_pay_data=pd.DataFrame({'type':['瀏覽','付款'],'num':[uv,pv_pay_num]}) pv_pay_data['conversion_rates']=(round((pv_pay_data['num']/pv_pay_data['num'][0]),4)*100)

attr1=list(pv_pay_data.type) values1=list(pv_pay_data.conversion_rates) data1=[[attr1[i],values1[i]]foriinrange(len(attr1))]

#用戶行為轉(zhuǎn)化漏斗可視化 pv_pay=(Funnel(opts.InitOpts(width="600px",height="300px")) .add( series_name="", data_pair=data1, gap=2, tooltip_opts=opts.TooltipOpts(trigger="item",formatter=":{c}%"), label_opts=opts.LabelOpts(is_show=True,position="inside"), itemstyle_opts=opts.ItemStyleOpts(border_color="#fff",border_width=1) ) .set_global_opts(title_opts=opts.TitleOpts(title="用戶行為轉(zhuǎn)化漏斗圖")) ) pv_pay.render_notebook() output

pv - cart - pay

pv_cart_df=pd.merge(left=df_pv,right=df_cart,how='inner',on=['user_id','sku_id'],suffixes=('_pv','_cart')) pv_cart_df=pv_cart_df[pv_cart_df['action_time_pv']'action_time_cart']] pv_cart_df=pv_cart_df[~pv_cart_df['user_id'].isin(df_fav_uid)] pv_cart_pay_df=pd.merge(left=pv_cart_df,right=df_pay,how='inner',on=['user_id','sku_id']) pv_cart_pay_df=pv_cart_pay_df[pv_cart_pay_df['action_time_cart']'action_time']]

uv=behavior['user_id'].nunique() pv_cart_num=pv_cart_df['user_id'].nunique() pv_cart_pay_num=pv_cart_pay_df['user_id'].nunique() pv_cart_pay_data=pd.DataFrame({'type':['瀏覽','加購(gòu)','付款'],'num':[uv,pv_cart_num,pv_cart_pay_num]}) pv_cart_pay_data['conversion_rates']=(round((pv_cart_pay_data['num']/pv_cart_pay_data['num'][0]),4)*100)

attr2=list(pv_cart_pay_data.type) values2=list(pv_cart_pay_data.conversion_rates) data2=[[attr2[i],values2[i]]foriinrange(len(attr2))]

#用戶行為轉(zhuǎn)化漏斗可視化 pv_cart_buy=(Funnel(opts.InitOpts(width="600px",height="300px")) .add( series_name="", data_pair=data2, gap=2, tooltip_opts=opts.TooltipOpts(trigger="item",formatter=":{c}%"), label_opts=opts.LabelOpts(is_show=True,position="inside"), itemstyle_opts=opts.ItemStyleOpts(border_color="#fff",border_width=1) ) .set_global_opts(title_opts=opts.TitleOpts(title="用戶行為轉(zhuǎn)化漏斗圖")) ) pv_cart_buy.render_notebook() output

pv - fav - pay

pv_fav_df=pd.merge(left=df_pv,right=df_fav,how='inner',on=['user_id','sku_id'],suffixes=('_pv','_fav')) pv_fav_df=pv_fav_df[pv_fav_df['action_time_pv']'action_time_fav']] pv_fav_df=pv_fav_df[~pv_fav_df['user_id'].isin(df_cart_uid)] pv_fav_pay_df=pd.merge(left=pv_fav_df,right=df_pay,how='inner',on=['user_id','sku_id']) pv_fav_pay_df=pv_fav_pay_df[pv_fav_pay_df['action_time_fav']'action_time']]

uv=behavior['user_id'].nunique() pv_fav_num=pv_fav_df['user_id'].nunique() pv_fav_pay_num=pv_fav_pay_df['user_id'].nunique() pv_fav_pay_data=pd.DataFrame({'type':['瀏覽','收藏','付款'],'num':[uv,pv_fav_num,pv_fav_pay_num]}) pv_fav_pay_data['conversion_rates']=(round((pv_fav_pay_data['num']/pv_fav_pay_data['num'][0]),4)*100)

attr3=list(pv_fav_pay_data.type) values3=list(pv_fav_pay_data.conversion_rates) data3=[[attr3[i],values3[i]]foriinrange(len(attr3))]

#用戶行為轉(zhuǎn)化漏斗可視化 pv_fav_buy=(Funnel(opts.InitOpts(width="600px",height="300px")) .add( series_name="", data_pair=data3, gap=2, tooltip_opts=opts.TooltipOpts(trigger="item",formatter=":{c}%"), label_opts=opts.LabelOpts(is_show=True,position="inside"), itemstyle_opts=opts.ItemStyleOpts(border_color="#fff",border_width=1) ) .set_global_opts(title_opts=opts.TitleOpts(title="用戶行為轉(zhuǎn)化漏斗圖")) ) pv_fav_buy.render_notebook() output

pv - fav - cart - pay

pv_fav=pd.merge(left=df_pv,right=df_fav,how='inner',on=['user_id','sku_id'],suffixes=('_pv','_fav')) pv_fav=pv_fav[pv_fav['action_time_pv']'action_time_fav']] pv_fav_cart=pd.merge(left=pv_fav,right=df_cart,how='inner',on=['user_id','sku_id']) pv_fav_cart=pv_fav_cart[pv_fav_cart['action_time_fav']'action_time']] pv_fav_cart_pay=pd.merge(left=pv_fav_cart,right=df_pay,how='inner',on=['user_id','sku_id'],suffixes=('_cart','_pay')) pv_fav_cart_pay=pv_fav_cart_pay[pv_fav_cart_pay['action_time_cart']'action_time_pay']]

uv=behavior['user_id'].nunique() pv_fav_n=pv_fav['user_id'].nunique() pv_fav_cart_n=pv_fav_cart['user_id'].nunique() pv_fav_cart_pay_n=pv_fav_cart_pay['user_id'].nunique() pv_fav_cart_pay_data=pd.DataFrame({'type':['瀏覽','收藏','加購(gòu)','付款'],'num':[uv,pv_fav_n,pv_fav_cart_n,pv_fav_cart_pay_n]}) pv_fav_cart_pay_data['conversion_rates']=(round((pv_fav_cart_pay_data['num']/pv_fav_cart_pay_data['num'][0]),4)*100)

attr4=list(pv_fav_cart_pay_data.type) values4=list(pv_fav_cart_pay_data.conversion_rates) data4=[[attr4[i],values4[i]]foriinrange(len(attr4))]

#用戶行為轉(zhuǎn)化漏斗可視化 pv_fav_buy=(Funnel(opts.InitOpts(width="600px",height="300px")) .add( series_name="", data_pair=data4, gap=2, tooltip_opts=opts.TooltipOpts(trigger="item",formatter=":{c}%"), label_opts=opts.LabelOpts(is_show=True,position="inside"), itemstyle_opts=opts.ItemStyleOpts(border_color="#fff",border_width=1) ) .set_global_opts(title_opts=opts.TitleOpts(title="用戶行為轉(zhuǎn)化漏斗圖")) ) pv_fav_buy.render_notebook() output

不同路徑用戶消費(fèi)時(shí)間間隔分析：

pv - cart - pay

pcp_interval=pv_cart_pay_df.groupby(['user_id','sku_id']).apply(lambdax:(x.action_time.min()-x.action_time_cart.min())).reset_index() pcp_interval['interval']=pcp_interval[0].apply(lambdax:x.seconds)/3600 pcp_interval['interval']=pcp_interval['interval'].apply(lambdax:math.ceil(x))

fig,ax=plt.subplots(figsize=[16,6]) sns.countplot(pcp_interval['interval'],palette='Set1') forpinax.patches: ax.annotate('{:.2f}%'.format(100*p.get_height()/len(pcp_interval['interval'])),(p.get_x()+0.1,p.get_height()+100)) ax.set_yscale("log") plt.title('pv-cart-pay路徑用戶消費(fèi)時(shí)間間隔') output

pv - fav - pay

pfp_interval=pv_fav_pay_df.groupby(['user_id','sku_id']).apply(lambdax:(x.action_time.min()-x.action_time_fav.min())).reset_index() pfp_interval['interval']=pfp_interval[0].apply(lambdax:x.seconds)/3600 pfp_interval['interval']=pfp_interval['interval'].apply(lambdax:math.ceil(x))

fig,ax=plt.subplots(figsize=[16,6]) sns.countplot(pfp_interval['interval'],palette='Set1') forpinax.patches: ax.annotate('{:.2f}%'.format(100*p.get_height()/len(pfp_interval['interval'])),(p.get_x()+0.1,p.get_height()+10)) ax.set_yscale("log") plt.title('pv-fav-pay路徑用戶消費(fèi)時(shí)間間隔') output

兩種路徑下大部分用戶均在4小時(shí)內(nèi)完成了支付，大部分用戶的購(gòu)物意向很明確，也側(cè)面說明了網(wǎng)站的商品分類布局和購(gòu)物結(jié)算方式比較合理。

#SQL #漏斗圖 SELECTtype,COUNT(DISTINCTuser_id)user_num FROMbehavior_sql GROUPBYtype ORDERBYCOUNT(DISTINCTuser_id)DESC SELECTCOUNT(DISTINCTb.user_id)ASpv_fav_num,COUNT(DISTINCTc.user_id)ASpv_fav_pay_num FROM ((SELECTDISTINCTuser_id,sku_id,action_timeFROMusersWHEREtype='pv')ASa LEFTJOIN (SELECTDISTINCTuser_id,sku_id,action_timeFROMusersWHEREtype='fav' ANDuser_idNOTIN (SELECTDISTINCTuser_id FROMbehavior_sql WHEREtype='cart'))ASb ONa.user_id=b.user_idANDa.sku_id=b.sku_idANDa.action_time<=?b.action_time LEFT?JOIN (SELECT?DISTINCT?user_id,sku_id,item_category,times_new?FROM?users?WHERE?behavior_type='pay')ASc ONb.user_id=c.user_idANDb.sku_id=c.sku_idANDANDb.action_time<=?c.action_time); 比較四種不同的轉(zhuǎn)化方式，最有效的轉(zhuǎn)化路徑為瀏覽直接付款轉(zhuǎn)化率為21.46%，其次為瀏覽加購(gòu)付款，轉(zhuǎn)化率為12.47%，可以發(fā)現(xiàn)隨著結(jié)算方式越來越復(fù)雜轉(zhuǎn)化率越來越低。 加購(gòu)的方式比收藏購(gòu)買的方式轉(zhuǎn)化率要高，推其原因?yàn)橘?gòu)物車接口進(jìn)入方便且可以做不同商家比價(jià)用，而收藏則需要更繁瑣的操作才可以查看到商品，因此轉(zhuǎn)化率較低。 可以優(yōu)化商品搜索功能，提高商品搜索準(zhǔn)確度、易用性，減少用戶搜索時(shí)間。 根據(jù)用戶喜好在首頁(yè)進(jìn)行商品推薦，優(yōu)化重排商品詳情展示頁(yè)，提高顧客下單欲望，提供一鍵購(gòu)物等簡(jiǎn)化購(gòu)物步驟的功能。 客服也可以留意加購(gòu)及關(guān)注用戶，適時(shí)推出優(yōu)惠福利及時(shí)解答用戶問題，引導(dǎo)用戶購(gòu)買以進(jìn)一步提高轉(zhuǎn)化率。 對(duì)于用戶消費(fèi)時(shí)間間隔，可以通過限時(shí)領(lǐng)券購(gòu)買、限時(shí)特惠價(jià)格等進(jìn)一步縮短用戶付款時(shí)間，提高訂單量。

5、用戶留存率分析

#留存率 first_day=datetime.date(datetime.strptime('2018-03-30','%Y-%m-%d')) fifth_day=datetime.date(datetime.strptime('2018-04-03','%Y-%m-%d')) tenth_day=datetime.date(datetime.strptime('2018-04-08','%Y-%m-%d')) fifteenth_day=datetime.date(datetime.strptime('2018-04-13','%Y-%m-%d')) #第一天新用戶數(shù) user_num_first=behavior[behavior['date']==first_day]['user_id'].to_frame() #第五天留存用戶數(shù) user_num_fifth=behavior[behavior['date']==fifth_day]['user_id'].to_frame() #第十留存用戶數(shù) user_num_tenth=behavior[behavior['date']==tenth_day]['user_id'].to_frame() #第十五天留存用戶數(shù) user_num_fifteenth=behavior[behavior['date']==fifteenth_day]['user_id'].to_frame()

#第五天留存率 fifth_day_retention_rate=round((pd.merge(user_num_first,user_num_fifth).nunique()) /(user_num_first.nunique()),4).user_id #第十天留存率 tenth_day_retention_rate=round((pd.merge(user_num_first,user_num_tenth).nunique()) /(user_num_first.nunique()),4).user_id #第十五天留存率 fifteenth_day_retention_rate=round((pd.merge(user_num_first,user_num_fifteenth).nunique()) /(user_num_first.nunique()),4).user_id

#留存率可視化 fig,ax=plt.subplots(figsize=[16,6]) sns.barplot(x='n日后留存率',y='Rate',data=retention_rate, palette='Set1') x=list(range(0,3)) fora,binzip(x,retention_rate['Rate']): plt.text(a,b+0.001,'%.2f%%'%(b*100),ha='center',va='bottom',fontsize=12) plt.title('用戶留存率') output

留存率反應(yīng)了產(chǎn)品質(zhì)量和保留用戶的能力，按照Facebook平臺(tái)流傳出留存率“40–20–10”規(guī)則（規(guī)則中的數(shù)字表示的是次日留存率、第7日留存率和第30日留存率），統(tǒng)計(jì)周期內(nèi)第五日留存率為22.81%，第15日留存率為17.44%。 反映出平臺(tái)的用戶依賴性較高，也因平臺(tái)發(fā)展已經(jīng)到達(dá)穩(wěn)定階段，用戶保留率不會(huì)發(fā)生較大波動(dòng)，數(shù)據(jù)量足夠的情況下可以以年為單位，計(jì)算按月的留存率。要合理安排消息推送，推出簽到有獎(jiǎng)等機(jī)制提高用戶粘性，進(jìn)一步提高留存率。

#SQL #n日后留存率=(注冊(cè)后的n日后還登錄的用戶數(shù))/第一天新增總用戶數(shù) createtableretention_rateasselectcount(distinctuser_id)asuser_num_firstfrombehavior_sql wheredate='2018-03-30'; altertableretention_rateaddcolumnuser_num_fifthINTEGER; updateretention_ratesetuser_num_fifth= (selectcount(distinctuser_id)frombehavior_sql wheredate='2018-04-03'anduser_idin(SELECTuser_idFROMbehavior_sql WHEREdate='2018-03-30')); altertableretention_rateaddcolumnuser_num_tenthINTEGER; updateretention_ratesetuser_num_tenth= (selectcount(distinctuser_id)frombehavior_sql wheredate='2018-04-08'anduser_idin(SELECTuser_idFROMbehavior_sql WHEREdate='2018-03-30')); altertableretention_rateaddcolumnuser_num_fifteenthINTEGER; updateretention_ratesetuser_num_fifteenth= (selectcount(distinctuser_id)frombehavior_sql wheredate='2018-04-13'anduser_idin(SELECTuser_idFROMbehavior_sql WHEREdate='2018-03-30')); SELECTCONCAT(ROUND(100*user_num_fifth/user_num_first,2),'%')ASfifth_day_retention_rate, CONCAT(ROUND(100*user_num_tenth/user_num_first,2),'%')AStenth_day_retention_rate, CONCAT(ROUND(100*user_num_fifteenth/user_num_first,2),'%')ASfifteenth_day_retention_rate fromretention_rate;

6、商品銷量分析

#商品總數(shù) behavior['sku_id'].nunique() output

239007

#商品被購(gòu)前產(chǎn)生平均操作次數(shù) sku_df=behavior[behavior['sku_id'].isin(behavior[behavior['type']=='pay']['sku_id'].unique())].groupby('sku_id')['type'].value_counts().unstack(fill_value=0) sku_df['total']=sku_df.sum(axis=1) sku_df['avg_beha']=round((sku_df['total']/sku_df['pay']),2) fig,ax=plt.subplots(figsize=[8,6]) sns.scatterplot(x='avg_beha',y='pay',data=sku_df,palette='Set1') ax.set_xscale("log") ax.set_yscale("log") plt.xlabel('平均操作次數(shù)') plt.ylabel('銷量') output

• 左下角操作少購(gòu)買少，屬于冷門購(gòu)買頻率較低的產(chǎn)品。
• 左上角操作少購(gòu)買多，屬于快消類產(chǎn)品，可選擇品牌少，少數(shù)品牌壟斷的行業(yè)。
• 右下角操作多購(gòu)買少，品牌多，但是購(gòu)買頻率低，應(yīng)為貴重物品類。
• 右上角操作多購(gòu)買多，大眾品牌，可選多，被購(gòu)買頻次高。

#商品銷量排行 sku_num=(behavior[behavior['type']=='pay'].groupby('sku_id')['type'].count().to_frame() .rename(columns={'type':'total'}).reset_index()) #銷量大于1000的商品 topsku=sku_num[sku_num['total']>1000].sort_values(by='total',ascending=False) #單個(gè)用戶共購(gòu)買商品種數(shù) sku_num_per_user=(behavior[behavior['type']=='pay']).groupby(['user_id'])['sku_id'].nunique() topsku.set_index('sku_id').style.bar(color='skyblue',subset=['total']) output

在計(jì)算周期內(nèi)訂單數(shù)均突破1000以上的共有13款產(chǎn)品，其中152092這款產(chǎn)品訂單數(shù)最高為1736. 推出商品組合有優(yōu)惠等，提高單個(gè)用戶購(gòu)買產(chǎn)品種數(shù)。

#SQL #sku銷量排行 SELECTsku_id,COUNT(type)sku_numFROMbehavior_sql WHEREtype='pay' GROUPBYsku_id HAVINGsku_num>1000 ORDERBYsku_numDESC;

7、RFM用戶分層

#RFM #由于缺少M(fèi)（金額）列，僅通過R（最近一次購(gòu)買時(shí)間）和F（消費(fèi)頻率）對(duì)用戶進(jìn)行價(jià)值分析 buy_group=behavior[behavior['type']=='pay'].groupby('user_id')['date'] #將2018-04-13作為每個(gè)用戶最后一次購(gòu)買時(shí)間來處理 final_day=datetime.date(datetime.strptime('2018-04-14','%Y-%m-%d')) #最近一次購(gòu)物時(shí)間 recent_buy_time=buy_group.apply(lambdax:final_day-x.max()) recent_buy_time=recent_buy_time.reset_index().rename(columns={'date':'recent'}) recent_buy_time['recent']=recent_buy_time['recent'].map(lambdax:x.days) #近十五天內(nèi)購(gòu)物頻率 buy_freq=buy_group.count().reset_index().rename(columns={'date':'freq'}) RFM=pd.merge(recent_buy_time,buy_freq,on='user_id')

RFM['R']=pd.qcut(RFM.recent,2,labels=['1','0']) #天數(shù)小標(biāo)簽為1天數(shù)大標(biāo)簽為0 RFM['F']=pd.qcut(RFM.freq.rank(method='first'),2,labels=['0','1']) #頻率大標(biāo)簽為1頻率小標(biāo)簽為0 RFM['RFM']=RFM['R'].astype(int).map(str)+RFM['F'].astype(int).map(str) dict_n={'01':'重要保持客戶', '11':'重要價(jià)值客戶', '10':'重要挽留客戶', '00':'一般發(fā)展客戶'} #用戶標(biāo)簽 RFM['用戶等級(jí)']=RFM['RFM'].map(dict_n) RFM_pie=RFM['用戶等級(jí)'].value_counts().reset_index() RFM_pie['Rate']=RFM_pie['用戶等級(jí)']/RFM_pie['用戶等級(jí)'].sum() fig,ax=plt.subplots(figsize=[16,6]) plt.pie(RFM_pie['Rate'],labels=RFM_pie['index'],startangle=90,autopct="%1.2f%%", counterclock=False,colors=['yellowgreen','gold','lightskyblue','lightcoral']) plt.axis('square') plt.title('RFM用戶分層') output

不同類型用戶占比差異較小，應(yīng)提升重要價(jià)值各戶的占比，減小一般發(fā)展客戶的占比。 通過RFM模型對(duì)用戶價(jià)值進(jìn)行分類，對(duì)不同價(jià)值用戶應(yīng)采取不同的運(yùn)營(yíng)策略：

• 對(duì)于重要價(jià)值客戶來說，要提高該部分用戶的滿意度，服務(wù)升級(jí)，發(fā)放特別福利，增大該部分用戶留存率，在做運(yùn)營(yíng)推廣時(shí)也要給與特別關(guān)注，避免引起用戶反感。
• 對(duì)于重要保持客戶，他們購(gòu)物頻次較高，但最近一段時(shí)間沒有消費(fèi)，可以推送相關(guān)其他商品，發(fā)放優(yōu)惠卷、贈(zèng)品和促銷信息等，喚回該部分用戶。
• 對(duì)于重要挽留客戶，他們最近消費(fèi)過，但購(gòu)物頻次較低，可以通過問卷有禮的方式找出其對(duì)平臺(tái)的不滿，提升購(gòu)物體驗(yàn)，增大用戶粘性。
• 對(duì)于一般發(fā)展客戶，做到定期發(fā)送郵件或短信喚回，努力將其轉(zhuǎn)化為重要保持客戶或重要挽留客戶。

#SQL #RFM CREATEVIEWRF_tableAS SELECTuser_id,DATEDIFF('2018-04-14',MAX(date))ASR_days, COUNT(*)ASF_count FROMbehavior_sqlWHEREtype='pay'GROUPBYuser_id; SELECTAVG(R_days),AVG(F_count) FROMRF_table createviewRF_layeras SELECTuser_id,(CASEWHENR_days"重要價(jià)值客戶" WHENR=1andF=0THEN"重要挽留客戶" WHENR=0andF=1THEN"重要保持客戶" WHENR=0andF=0THEN"一般發(fā)展客戶"ELSE0END)as用戶價(jià)值 FROMRF_layer; SELECT*FROMcustomer_value;

5、總結(jié)

1.可以增加渠道推廣投入，進(jìn)行精準(zhǔn)人群推廣，推出新用戶福利，吸引新用戶，推出團(tuán)購(gòu)、分享有禮等活動(dòng)促進(jìn)老帶新，推出促銷活動(dòng)刺激老用戶，提高訪客數(shù)和瀏覽量。提高產(chǎn)品質(zhì)量，提高商品詳情頁(yè)對(duì)用戶的吸引力，降低跳失率。 2.根據(jù)用戶操作隨時(shí)間變化規(guī)律來開展?fàn)I銷活動(dòng)，使活動(dòng)更容易觸達(dá)用戶，在用戶訪問高峰期多推送用戶感興趣商品。 3.復(fù)購(gòu)率較低，說明用戶對(duì)平臺(tái)購(gòu)物體驗(yàn)不滿，需要找出用戶槽點(diǎn)，提高用戶購(gòu)物滿意度，優(yōu)化商品推送機(jī)制，對(duì)老用戶給予特別福利，提高他們所享受權(quán)益。轉(zhuǎn)化率也偏低，需要改善平臺(tái)搜索機(jī)制降低提高搜索效率，優(yōu)化購(gòu)物路徑降低購(gòu)物復(fù)雜度，改善商品詳情信息展示方式便于信息的獲取。 4.留存率相對(duì)穩(wěn)定，為進(jìn)一步提高留存率，可以定期推出秒殺活動(dòng)，推出專享優(yōu)惠券，推出簽到有禮環(huán)節(jié)，增加用戶瀏覽時(shí)長(zhǎng)和深度，提高用戶粘性。分析用戶對(duì)產(chǎn)品的真實(shí)使用感受與評(píng)價(jià)，提高用戶忠誠(chéng)度。 5.通過RFM對(duì)用戶進(jìn)行分層，將用戶從一個(gè)整體拆分成特征明顯的群體，有針對(duì)性的采取不同的營(yíng)銷方法進(jìn)行精準(zhǔn)化營(yíng)銷，用有限的公司資源優(yōu)先服務(wù)于公司最重要的客戶。

審核編輯 ：李倩