SQL数据分析-淘宝用户行为

写在前面的话
为了巩固这段时间SQL的学习成果，同时方便以后回忆和二次学习，我决定把自己做过的项目 淘宝用户行为分析 整理出来，和各位网友分享。同时欢迎大家提出不同意见和建议，我们一起讨论，共同学习和进步。

处理数据用到的软件
数据导入和导出：Navicat Premium 12
可视化：Tableau 2019.4 、Excel 2019

一、数据收集

1.1 数据获取

数据源：阿里云-天池-淘宝数据分析

1.2 数据说明

UserBehavior.csv 是阿里巴巴提供的一个淘宝用户行为数据集，用于隐式反馈推荐问题的研究。

文件名称	说明	包含特征
UserBehavior.csv	包含所有的用户行为数据	用户ID，商品ID，商品类目ID，行为类型，时间戳

该数据集包含了2017年11月25日至2017年12月3日之间，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢）。数据集的组织形式和MovieLens-20M类似，即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，并以逗号分隔。关于数据集中每一列的详细描述如下：

列名称	说明
用户ID	整数类型，序列化后的用户ID
商品ID	整数类型，序列化后的商品ID
商品类目ID	整数类型，序列化后的商品所属类目ID
行为类型	字符串，枚举类型，包括(‘pv’, ‘buy’, ‘cart’, ‘fav’)
时间戳	行为发生的时间戳

1.3 数据导入

由于数据量庞大，无法使用Excel直接处理，故本次使用数据库管理软件Navicat，导入了10W条数据集，进行分析处理。接下来是导入流程：

1.3.1 新建数据库

1.3.2 导入数据源

表–右键单击–导入向导–选择数据源–选择分隔符–选择导入记录条数与时间格式–接下来默认即可-开始耐心等待导入


这部分就不赘述啦，csv文件导入网上教程很多，大家可以搜索关键词 Navicat 导入csv。

Nacivat使用心得：这是我自己在使用中遇到的问题，对表做操作以后刷新，居然没反应，后来我发现可以这样解决：打开表-随便选中某一列-右键-刷新，屡试不爽啊。

二、数据清洗

2.1 去除重复值

我们可以通过这三个字段：userid, itemid, timestamps 是否完全相同，来检查是否有相同的记录。也就是说，我们认为userid, itemid, timestamps这三个字段相当于这个表的主键，三者联合起来，完全定义一条独立的记录。
SQL查询语句如下：

SELECT userid FROM userbehavior
GROUP BY userid,itemid,timestamps
HAVING COUNT(userid) > 1;

SQL查询结果如下：

结果显示没有重复记录

2.2 检查缺失值

我们使用计数，既可以得到每一列的非空值数目
SQL查询语句如下：

-- 1.检查是否有缺失值
SELECT COUNT(userid),COUNT(itemid),COUNT(categoryid),count(behaviortype),COUNT(timestamps) 
FROM userbehavior

SQL查询结果如下：

每一列的记录条数都相同，所以没有缺失值。

2.3 日期格式转换

在mysql中因为timestamp无法支持到毫秒，所以很多时候采用毫秒进行存储。那么如何将存储在数据库中Int类型的时间，如： 1344954515 ，转换成我们正常可以肉眼能看懂的时间格式呢？

知识点1：MySQL格式化时间戳函数：FROM_UNIXTIME()
知识点2：Mysql字符串截取总结：left()、right()、substring()、substring_index()

因为源数据格式不符合我们接下来的分析需求，所以需要进行数据转换：

2.3.1 处理timestamp时间列

SQL查询语句如下：

-- 2.1 处理timestamp时间列
-- 添加新列dates_time，返回日期和时间
ALTER TABLE userbehavior 
ADD COLUMN dates_time TIMESTAMP(0) NULL;
UPDATE userbehavior SET dates_time = FROM_UNIXTIME(timestamps);

2.3.2 添加新列dates，返回日期

SQL查询语句如下：

-- 2.2 添加新列dates，返回日期
-- 注意指定格式的大小写
ALTER TABLE userbehavior 
ADD COLUMN dates CHAR(10) NULL;
UPDATE userbehavior SET dates = FROM_UNIXTIME(timestamps,'%Y-%m-%d');

2.3.3 添加新列time，返回时间

SQL查询语句如下：

-- 2.3 添加新列time，返回时间
ALTER TABLE userbehavior 
ADD COLUMN time CHAR(10) NULL;
UPDATE userbehavior SET time = FROM_UNIXTIME(timestamps,'%H:%i:%S');-- 注意指定格式的大小写

2.3.4 添加新列time_hour，返回hour

SQL查询语句如下：

-- 2.4 添加新列time_hour，返回hour
-- 为了方便后面按照小时对用户习惯进行分析
ALTER TABLE userbehavior 
ADD COLUMN time_hour CHAR(10) NULL;
UPDATE userbehavior SET time_hour = LEFT(time,2);

2.3.5 数据展示

经过上面的数据清洗过程，源数据如下图所示：

2.4 剔除异常值

因为我们分析的时间范围是2017-11-25至2017-12-3 (9天)，所以需要剔除不在这9天的数据：

SQL查询语句如下：

-- 3.剔除异常值
-- 排除日期不在2017-11-25至2017-12-3这9天的数据
DELETE FROM userbehavior
WHERE dates < '2017-11-25' or dates > '2017-12-03';

然后我们再次检查一下源数据：

-- 4.再次检查
SELECT MIN(dates),MAX(dates) FROM userbehavior;

SQL查询结果如下：

结果显示，目前的日期范围已经符合我们的分析需求。

三、数据分析

3.1 分析思路

3.2 电商数据分析

知识点1：如何清楚易懂的解释“UV和PV"的定义? - 知乎
知识点2：跳出率
知识点3：重复购买率
知识点4：SEM流量四象限分析法

3.2.1 总体流量 – uv / pv / 收藏 / 加购 / 下单数量

SQL查询语句如下：

-- 1.总体 uv/点击/收藏/加购/下单数量
select 
COUNT(DISTINCT userid) AS 总用户数,
SUM(CASE WHEN behaviortype = 'pv'   THEN 1 ELSE 0 END ) AS 总点击数量,
SUM(CASE WHEN behaviortype = 'fav'  THEN 1 ELSE 0 END ) AS 总收藏数量,
SUM(CASE WHEN behaviortype = 'cart' THEN 1 ELSE 0 END ) AS 总加购数量,
SUM(CASE WHEN behaviortype = 'buy'  THEN 1 ELSE 0 END ) AS 总下单数量,
ROUND(SUM(CASE WHEN behaviortype = 'pv' THEN 1 ELSE 0 END )/COUNT(DISTINCT userid),0) AS 人均总点击数量
FROM userbehavior;

SQL查询结果如下：

3.2.2 每日流量 – uv / pv / 收藏 / 加购 / 下单数量

SQL查询语句如下：

-- 每日流量，按照日期分组
CREATE VIEW  web_traffic_day AS
select dates,
COUNT(DISTINCT userid) AS 每日用户数,
SUM(CASE WHEN behaviortype ='pv'   THEN 1 ELSE 0 END ) AS 点击数量,
SUM(CASE WHEN behaviortype ='fav'  THEN 1 ELSE 0 END)  AS 收藏数量,
SUM(CASE WHEN behaviortype ='cart' THEN 1 ELSE 0 END)  AS 加购数量,
SUM(CASE WHEN behaviortype ='buy'  THEN 1 ELSE 0 END)  AS 购买数量,
ROUND(SUM(CASE WHEN behaviortype = 'pv' THEN 1 ELSE 0 END )/COUNT(DISTINCT userid),0) AS 人均点击数量
FROM userbehavior
GROUP BY dates
ORDER BY dates;

SQL查询结果如下：

可视化：使用Excel展示

分析说明：11/25-12/01这七天网站的流量没有太大波动，但是，12/02 和12/03两天的各项日均流量指标显著大于前7天，推测可能是因为淘宝双12预热活动，使得浏览量大幅增加。

当然，还有一个可能：这两天刚好是周末。但是周末的影响可能并不大，比如同样是周末的11/25和1/26 ，各项流量指标和工作日无太大差异。

3.2.3 每时流量 – uv / pv / 收藏 / 加购 / 下单数量

SQL查询语句如下：

-- 每小时流量，按时刻分组
CREATE VIEW  web_traffic_hour AS
select time_hour,
COUNT(DISTINCT userid) AS 每日用户数,
SUM(CASE WHEN behaviortype ='pv'   THEN 1 ELSE 0 END ) AS 点击数量,
SUM(CASE WHEN behaviortype ='fav'  THEN 1 ELSE 0 END)  AS 收藏数量,
SUM(CASE WHEN behaviortype ='cart' THEN 1 ELSE 0 END)  AS 加购数量,
SUM(CASE WHEN behaviortype ='buy'  THEN 1 ELSE 0 END)  AS 购买数量,
ROUND(SUM(CASE WHEN behaviortype = 'pv' THEN 1 ELSE 0 END )/COUNT(DISTINCT userid),0) AS 人均点击数量
FROM userbehavior
GROUP BY time_hour
ORDER BY time_hour;

SQL查询结果如下：

可视化：使用Excel进行展示

分析说明：以点击数为例进行分析，上图显示，每天零点过后到2:00，网站点击量逐渐下降，在2-4点出现一天中点击量最低谷。应该是用户进入休息状态，直到凌晨5点，网站的点击量开始逐渐和上升，这符合一般用户的作息习惯。网站的点击量在10点左右产生一个小高峰，11-12点略有下降，这应该是用户午餐时间。下午13点-16点网站的点击量相对高于上午，其中在15点出现小高峰。17-18点网站点击量下降，可能是用户下班回家高峰导致。19点以后，网站点击量再次逐渐上升，在21点到达一天中的巅峰，22-23点逐渐缓慢下降，用户开始准备入睡，但是这段时间的平均点击量仍然较高。由此我们可以推断：一天当中，用户最活跃的时间段是下班以后。

3.2.4 行为流量转化漏斗

这部分分析的是用户点击 – 收藏和加购 - - 下单的购物环节中，流量的转化率。其中，因为 收藏和加购 两个行为没有先后之分，所以将这两个行为放在一起，二者合并为购物环节的一个路径进行分析。

SQL查询语句如下：

-- 用户行为流量转化
SELECT 
SUM(CASE WHEN behaviortype = 'pv'   THEN 1 ELSE 0 END) AS 总点击数量,
SUM(CASE WHEN behaviortype = 'fav'  OR behaviortype = 'cart' THEN 1 ELSE 0 END ) AS 总收藏和加购数量,
SUM(CASE WHEN behaviortype = 'buy'  THEN 1 ELSE 0 END) AS 总下单数量,

-- 计算加购收藏转化率
CONCAT(ROUND(SUM(CASE WHEN behaviortype = 'fav'  OR behaviortype = 'cart' THEN 1 ELSE 0 END )/SUM(CASE WHEN behaviortype = 'pv' THEN 1 ELSE 0 END) * 100,2),'%') AS pv2cart_or_fav,

-- 计算下单转化率
CONCAT(ROUND(SUM(CASE WHEN behaviortype = 'buy' THEN 1 ELSE 0 END)/SUM(CASE WHEN behaviortype = 'pv' THEN 1 ELSE 0 END)*100,2),'%') AS pv2buy

FROM userbehavior; 

最终得到用户购物行为各环节转化率，如下：

可视化：使用Excel展示

分析说明：《精益数据分析》一书指出，据2012年的一项研究表明，在整个互联网范围内，平均转化率为2.13%。

图中所示购买行为的转化率（pv2buy）为2.34%，高于行业平均值，说明淘宝用户行为的转化率较好。

3.2.5 复购率

复购率，指消费者对该品牌产品或者服务的重复购买次数，重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。

复购率 = 重复购买客户数量 / 客户样本数量。

SQL查询语句如下：

-- 5.复购率
SELECT 
sum(CASE WHEN 购买>1 THEN 1 ELSE 0 END) AS '复购次数',
sum(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS '购买次数',
CONCAT(ROUND(sum(case when 购买>1 THEN 1 ELSE 0 END)*100/ sum(case when 购买>0 then 1 else 0 end ),2),'%') AS '复购率'
FROM user_behavior_data;

SQL查询结果如下：

分析说明：计算得到复购率高达65.87%。

由此看来，顾客对淘宝店铺商品的喜爱程度较高，且满意度较高，所以愿意回购。也说明社会对产品本身的认可度比较高，说白了就是我们所卖的产品没有错，这个产品会让我们挣钱。

复购率高，我们就不用去花费高额的钱去拉新客户，因为获取一个新客户的成本比让一个老客户来购买的成本来要多。

3.2.6 跳失率

跳失率，显示顾客通过相应入口进入，只访问了一个页面就离开的访问次数占该入口总访问次数的比例。

SQL查询语句如下：

-- 6.跳失率=只浏览了一个页面的访客数/总访客数
-- Bounce Rate = Single Page Visitors / Total Visitors
select COUNT(*) from 
(
	SELECT userid from userbehavior 
	GROUP BY userid 
	HAVING COUNT(behaviortype)=1
)as t;

SQL查询结果如下：

分析说明：就这9天内而言，跳失率为零。说明没有用户只浏览了一个界面以后就离开，就像我们看短视频一样，这个视频对我们有着足够强烈的吸引力，让我们停留下来看完。由此可见淘宝的商品广告足够有创意或者吸引力。

但是此处缺乏用户在每个网页的停留时间，所以我们不进行网页驻留时间分析。

3.3 用户分析

3.3.1 用户行为user_behavior列转行数据

SQL查询语句如下：

-- 按照用户ID分组，用户行为user_behavior行转列数据
CREATE VIEW user_behavior_data AS
SELECT userid,
COUNT(behaviortype) AS 用户行为数总计,
sum(CASE WHEN behaviortype ='pv'   THEN 1 ELSE 0 END)  AS 点击,
sum(CASE WHEN behaviortype ='fav'  THEN 1 ELSE 0 END)  AS 收藏,
sum(CASE WHEN behaviortype ='cart' THEN 1 ELSE 0 END)  AS 加购,
sum(CASE WHEN behaviortype ='buy'  THEN 1 ELSE 0 END)  AS 购买
FROM userbehavior
GROUP BY userid
ORDER BY 用户行为数总计 DESC;

SQL查询结果如下：

按照用户ID进行分组，得到视图user_behavior_data。将源数据user_behavior列转为行存储的数据格式，我们通过这个视图可以清楚地看到每个用户的行为（pv 、fav 、cart、buy）以及对应的行为数量，便于后面进行用户的RFM价值分类。

3.3.2 不同行为的用户数量

SQL查询语句如下：

-- 不同行为的用户数量
SELECT
SUM(CASE WHEN 点击>0 THEN 1 ELSE 0 END) AS 点击用户数,
SUM(CASE WHEN 收藏>0 THEN 1 ELSE 0 END) AS 收藏用户数,
SUM(CASE WHEN 加购>0 THEN 1 ELSE 0 END) AS 加购用户数,
SUM(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS 购买用户数
FROM user_behavior_data;

SQL查询结果如下：

分析说明：产生点击的用户数有980名，最终购买的用户是671名，由此计算出购买转化率是68.4%。

那么，这671名用户从点击到购买发生了什么？用户到底更偏向于哪一种购买方式呢？我们如何才能提高最终的购买转化率呢？接下来我们对用户购买的流程进行分析。

3.3.3 用户漏斗转化分析

从点击到下单购买，中间用户可能会收藏该商品，加购该商品，将这些可能性组合一下，我们认为，一共有四种购买路径：

（1）点击–直接购买

SQL查询语句如下：

-- 路径1：点击--直接购买
SELECT 
SUM(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS 购买用户数
FROM user_behavior_data
WHERE 加购=0 AND 收藏=0;

SQL查询结果如下：

可视化：使用Excel展示

分析说明：可以看出有7.45%的用户是直接购买的。

（2）点击–加购不收藏–购买

SQL查询语句如下：

-- 路径2：点击--加购不收藏--购买
SELECT 
SUM(CASE WHEN 加购>0 THEN 1 ELSE 0 END) AS 加购不收藏用户数,
SUM(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS 购买用户数
FROM user_behavior_data
WHERE 加购>0 AND 收藏=0;

SQL查询结果如下：

可视化：使用Excel展示

（3）点击–收藏不加购–购买

SQL查询语句如下：

-- 路径3：点击--收藏不加购--购买
SELECT 
SUM(CASE WHEN 收藏>0 THEN 1 ELSE 0 END) AS 收藏不加购用户数,
SUM(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS 购买用户数
FROM user_behavior_data
WHERE 加购=0 AND 收藏>0;

SQL查询结果如下：

可视化：使用Excel展示

（4）点击–加购且收藏–购买

SQL查询语句如下：

-- 路径4：点击--加购且收藏--购买
SELECT 
SUM(CASE WHEN 加购>0 THEN 1 ELSE 0 END) AS 加购且收藏用户数,
SUM(CASE WHEN 购买>0 THEN 1 ELSE 0 END) AS 购买用户数
FROM user_behavior_data
WHERE 加购>0 AND 收藏>0;

SQL查询结果如下：

可视化：使用Excel展示

分析说明：从上面的漏斗图中可以看出，用户浏览页面以后，仅有7.45%的人选择直接购买；有48.78%的人选择加购物车，然后下单购买；有12.04%的人选择收藏，然后下单购买；有25%的人选择收藏并且加购，然后下单购买。

这四种方式比较说明，加购物车购买是用户最喜欢的一种方式，其次喜欢的就是加购且收藏。推断原因可能是因为加购物车，用户可以享受满减等优惠或者折扣。所以，我们可以引导用户将商品加购物车，提高中间转化率。

3.3.4 用户RFM价值分析

RFM模型是衡量客户价值和客户创利能力的重要工具和手段。这三个要素构成了数据分析最好的指标：

• 最近一次消费(Recency)
• 消费频率(Frequency)
• 消费金额(Monetary)

本数据集中不包括M数据，本次不考虑该指标。

（1）分析购买频率F

SQL查询语句如下：

-- 1.分析购买频率F
SELECT MAX(购买次数F),MIN(购买次数F) ,AVG(购买次数F)
FROM
(
	SELECT userid,COUNT(behaviortype) as 购买次数F
	FROM userbehavior
	WHERE behaviortype = 'buy'
	GROUP BY userid
	ORDER BY 购买次数F DESC
) AS t

SQL查询结果如下：

分析说明：用户购买次数，最多达到43次，哇真是疯狂的购物者；最少的是1次；平均每人购买了3次。

（2）分析购买间隔R

SQL查询语句如下：

-- 2.分析购买间隔R
SELECT MAX(购买间隔R),MIN(购买间隔R) ,AVG(购买间隔R)
FROM
(
	SELECT userid,DATEDIFF('2017-12-04',MAX(dates)) as 购买间隔R
	FROM userbehavior
	WHERE behaviortype = 'buy'
	GROUP BY userid
	ORDER BY 购买间隔R DESC
) AS t

SQL查询结果如下：

分析说明：用户购买间隔，也就是用户最后一次购买距今的时间间隔，可以看到R最大是9天，最小是1天，平均值是3.45天。

（3）整合R 和 F，创建视图

SQL查询语句如下：

-- 3.整合创建视图
CREATE VIEW user_RFM_model AS
SELECT 
	userid,
	COUNT(behaviortype) as 购买次数F,
	DATEDIFF('2017-12-04',MAX(dates)) as 购买间隔R
FROM userbehavior
WHERE behaviortype = 'buy'
GROUP BY userid
ORDER BY 购买次数F DESC,购买间隔R ASC

SQL查询结果如下：

可视化结果：使用Tableau可视化

使用 R=4 和 F=4两条参考线，我们把散点图分为四个象限：

R	F	用户类型
低	高	重要价值用户
低	低	重要发展用户
高	高	重要保持用户
高	低	重要挽留用户

注：高和低都是和平均值比较。

分析说明：利用RFM模型对用户进行分群，我们找出有价值的用户。这样我们就能对用户进行精确化运营：

对于第一象限的用户，即 消费频率高 且 近期有消费 的高价值用户，应该保持当前的情况；

对于第二象限的用户，即 消费频率不高 但 近期有消费的重要发展用户，应该用会员权益或者发放优惠券的形式促进消费次数；

对于第三象限的用户，即 消费频率不高 且 近期没有消费 的潜在用户，我们应该双管齐下，想办法争取；

对于第四象限的用户，即 消费频率高 但 近期没有消费 的重要保持用户，使用邮件推送、APP push的方法、活动短信提醒的方法召回。

3.4 商品流量分析

3.4.1 商品SKU 下单量 的帕累托分析

（1） 按照商品种类分组

按照商品种类分组，分析下单次数:

SQL查询语句如下：

-- 按照商品种类分组，分析下单次数
SELECT itemid, COUNT(itemid) as 下单次数
FROM userbehavior 
WHERE behaviortype='buy'
GROUP BY itemid 
ORDER BY 下单次数 DESC

SQL查询结果如下：

在Navicat右下角得到总记录数：

分析说明：如上表所示，我们发现，在被下单购买的1984件商品中，单个商品被购买的次数最多不超过4次，也就是说，其实没有出现卖得特别火爆的商品。

（2） 按照下单次数分组

按照下单次数分组，分析每种下单次数对应的商品种类（也就是下单次数的直方图）：

SQL查询语句如下：

-- 按照下单次数分组进行分析
-- 做出直方图
create view item_buy AS
select t.下单次数,COUNT(t.itemid) AS 商品数量
FROM
(
	SELECT itemid, COUNT(itemid) AS 下单次数
	FROM userbehavior 
	WHERE behaviortype='buy'
	GROUP BY itemid ORDER BY 下单次数 DESC
) AS t
GROUP BY t.下单次数 
ORDER BY t.下单次数 DESC;

SQL查询结果如下：

分析说明：可以看到下单量最大为4，最小为1。下单量为1的商品高达1881种，占比达到98.8%（销售记录大于零商品总共有1984种）。

（3）帕累托结果可视化

使用Tableau，可视化展示商品的下单量：

分析说明：上图显示的结果并不符合二八定律，80%的下单量并不是由20%的商品带动的。这也说明了，互联网环境下，以淘宝为代表的电商平台，其商品售卖主要是依靠商品的长尾效应，并非爆款商品的带动。

3.4.2 商品SKU 浏览量 的帕累托分析

（1） 按照商品种类分组

按照商品种类分组，分析浏览次数:

SQL查询语句如下：

-- 按照商品种类分组，分析浏览次数
SELECT itemid, COUNT(itemid) as 浏览次数
FROM userbehavior 
WHERE behaviortype='buy'
GROUP BY itemid 
ORDER BY 浏览次数 DESC 

SQL查询结果如下：

在Navicat右下角得到总记录数：

分析说明：如上表所示，我们发现，在所有被浏览过的60592件商品中，单个商品的浏览次数最多39次，最少1次。

那大部分的商品都被浏览了多少次呢？接下来我们绘制浏览次数的直方图进行分析。

（2） 按照浏览次数分组

按照浏览次数分组，分析每种浏览次数对应的商品种类（也就是浏览次数的直方图）：

SQL查询语句如下：

-- 按照浏览次数分组，分析商品种类
create view item_pv AS
select t.浏览次数,COUNT(t.itemid) AS 商品数量
FROM
(
	SELECT itemid, COUNT(itemid) as 浏览次数
	FROM userbehavior 
	WHERE behaviortype='PV'
	GROUP BY itemid 
	ORDER BY 浏览次数 DESC
) AS t
GROUP BY t.浏览次数 
ORDER BY t.浏览次数 DESC;

SQL查询结果如下：

续上图

分析说明：上面我们看到，只有1件商品被浏览了39次，高达45718件商品（占比75%）都只被顾客浏览了一次。

（3）帕累托结果可视化

使用Tableau，可视化展示商品的浏览量：

分析说明：上图显示的结果并不符合二八定律，80%的浏览量是由66%的商品带动的。这还是表现了互联网环境下商品的长尾效应。

3.2.3.3 商品流量四象限分析

通过象限法，对浏览量和下单量两个维度指标进行分析，分析出推广环节中可能存在的问题。

使用Tableau，可视化展示商品的浏览量 和 下单量 散点图：

使用浏览次数=15 和 下单次数 =3 两条参考线，我们把商品流量的散点图分为四个象限：

第Ⅰ象限：浏览次数高，购买量高。满意消费者。说明网民比较容易看到相关商品的广告，也比较愿意点购买该商品，即“对的信息传递给了对的人，对的人找到了他要的信息”。

第Ⅱ象限：购买量高，浏览量低。糟糕的广告。即很少人点击广告，但是点击广告的人中，有不少人购买了。说明广告信息传播准确，网站层级也不会有多大问题，主要问题应该是出现在广告投放层级，例如排名不好或创意不够吸引人。

第Ⅲ象限：购买量低，浏览量低。不精准人群。可以简单理解为很少人点广告，就算点了广告，也很少人购买。说明广告没有很好的展现到目标人群面前，或者广告创意吸引力不够。另外在网站层级也可能出现问题。

第Ⅳ象限：浏览量高，购买量差。失望的消费者。可以简单理解为点击广告的人很多，但都不产生购买。说明可能是广告创意夸大诱导网民点击；另外，购买量差的矛盾应该指向网站和产品（服务）本身，例如网站打开速度慢，着陆页建设差，自身产品毫无优势等。

分析说明：上图我们可以发现，大部分商品集中分布在第三象限。说明针对这部分商品，我们应该提高广告的创意吸引力 和 改进算法，精准广告投放人群。

其他象限的商品此处不作赘述。

四、数据报告

4.1 结论

通过对这份淘宝用户行为数据的分析，我们可以得到以下结论：

1.每日流量：用户在周末和工作日的点击/收藏/加购/购买行为没有太大波动；
2.每时流量：晚上7点以后是用户活跃度最高的时间段，这段时间内点击/收藏/加购/购买行为都明显高于其他时间段；
3.转化率：浏览到购买的用户转化率（pv2buy）是68.4%，由此看出愿意购买的用户数量很多；但是，浏览到购买的行为仅为转化率2.34%；
4.购买方式：用户最喜欢的购买方式是加购物车购买，其次喜欢的就是加购且收藏。
5.用户客群：利用RFM模型对用户进行分群，我们找出有价值的用户；
6.商品种类：无论是点击量还是销售量，主要依靠商品的长尾效应。

4.2 建议

1.周末相对于工作日而言，用户的空闲时间增多，这是一个突破口。在这个前提下，可以考虑在周末开展促销活动，挖掘部分用户，引导用户消费；
2.在晚上7点以后开展营销活动，活动比较容易触达用户，可以提高网站流量；
3.针对提高用户浏览-购买行为转化率（仅为2.3%），建议两步走：

• 第一步，提高中间行为 收藏和加购 的流量，建议卖家主动引导用户收藏加购，比如在商品 主图 或者 详情页 推出“收藏加购有小礼品赠送 或 收藏加购会提前发货”等吸引新用户，还可以让客服人员主动告知顾客；当然也可以通过短信营销唤醒老顾客，鼓励他们收藏。
• 第二步，提高最终行为 购买 的流量，前面有了收藏加购率，商家就要增添宝贝的亮点，搞搞促销活动或者提升售前售后服务，满足不同用户的需求，直击用户的痛点，刺激他们的购买欲望，这样水到渠成，成交自然就上来了。

4.使用RFM模型对客户群进行划分，对不同的客群采用差异化策略管理，达到精准营销：

• 对于重要价值用户，关注并保持， j继续提升这部分客群满意度，增加留存；
• 对于重要发展客户和保持用户，及时通过邮件、短信或者客户端提醒，召回客户；或者，用会员权益或者发放优惠券的形式促进消费次数；
• 对于重要挽留客户，一方面应该优化推荐算法，分析其购物习性和商品偏好，精准投放广告，让用户看到喜欢的商品；另一方面，应该提升广告创意和吸引力，以唤醒他们的购买意愿。

5.长尾效应的确能带来一部分收益，但是，繁多的种类对于商家来说其实是一种经营负担。二八定律告诉我们，商家其实可以通过打造爆款商品来获利。打造爆款商品具体的建议是：品控上提高产品质量，宣传上增大力度（直播、微淘、引流到其他平台），展现上突出产品优势等（主图、详情页）。