淘宝用户行为数据分析报告.docVIP

淘宝用户行为数据分析报告 / 01 项目背景 选取了2017年11月25日至2017年12月3日之间，有行为的约500名随机用户的所有行为（行为包括点击、购买、加购、喜欢），数据量约5万，分析了用户行为与商品规律。 注：因获得数据时间范围有限，该数据为临近双十二数据，因此以下结论并不严谨，仅是为了锻炼数据分析能力。 02 分析思路 03 分析过程 3.1 前提 数据来源：阿里天池。 分析工具：MySQL 8.0，Navicat for MySQL。绘图工具：Excel。 对数据进行数据清洗后再进行进一步分析，处理过程略，下文中仅显示数据处理后结果，不展示处理过程。 3.2 整体数据 3.2.1 数据体量 3.2.2 整体数据概览 3.2.3 日均数据概览 从图中数据可以看出，12月2日和12月3日的日访客数和点击数较前几日更多，可能由于这两日为周末，且双十二临近，但访客数与点击数的提升并未影响成交量，因缺少后续数据，故暂时推测为这是为双十二活动预热。 3.3 用户分析 3.3.1 复购率和跳失率 复购率=购买次数1的用户/所有购买用户 跳失率=点击次数为1的用户/所有点击用户 从复购率可以看出，一半以上的用户有复购行为，且跳失率为0，说明淘宝对用户有足够的吸引力，让用户停留。 因仅有9天的数据，对用户复购时间特征没有足够的数据进行分析，因此没有对复购时间特征进行分析。 3.3.2 用户行为分析 用户行为可分为四种：点击、收藏、加购、购买，对这四类行为进行分析。 因用户购买途径有4种：点击-购买；点击-收藏-购买；点击-加购-购买；点击-收藏-加购-购买。因此，从上图中暂时无法判断点击、收藏、加购与成交数的关系，需进一步分析。 将用户成交方式分为四类：仅有点击行为；仅有收藏行为；既有收藏行为又有加购行为；仅有加购行为。分别计算出这四类人群的成交率。成家率=有下单行为的该类用户/该类用户总人数。可以看出，有收藏加购行为的和仅加购用户的购买率相较另外两者更高，因此，可以推测，用户的加购行为在一定程度上可以提高成交率。 3.3.3 用户时间分布分析 以日为单位对用户行为进行分析，可以看出，加购量与点击量几乎呈正相关趋势，收藏数与点击数相关性也较好，而购买量则与其他量没有呈现出明显的相关性。由前文我们已经推测，12月2日与12月3日点击量较高是由于周末和双十二近邻的缘故，但成交量没有随之提升同样可能是由于双十二活动预热所致，要研究成交量与其他行为的关系需要更多的数据进行进一步分析。 以小时为单位对用户行为进行分析，可以看出，晚上7点到11点是用户点击量行为的高峰期，此时用户加购量也随之增加，但下午1点却是用户下单的高峰期。因此，如果商家想以增长曝光度为目的，可以在晚上7点到11点之间做活动，如果是以提高营收为目的的活动，则可以在下午1点左右开始。 3.4 商品分析 3.4.1 商品转化分析 对商品进行转化漏斗分析，可以看出从点击到购买有很大的流量损失。同样，对不同渠道的商品购买方式进行分析。 3.4.2 购买路径分析 对商品购买路径进行分析，点击购买率=商品仅点击后购买量/商品仅点击量，收藏购买率与加购购买率同上。可以看出，加购购买率明显高于收藏购买率与点击购买率。 3.4.3 热门商品分析 分别对点击量、收藏量、加购量和购买量前十的商品大类进行分析。可以看出点击量、收藏量和加购量前几名较后几名差距较大，但是购买量却没有表现出明显的差距，说明没有爆款的出现。 根据四者韦恩图可以看出，点击、收藏与加购前十品类的重合度较高，但购买量前十品类与其他三者的重合度却没有那么高，说明对于部分品类商品而言，虽然能吸引许多用户，但是购买转化率却相对较低，这部分产品的转化率有释放空间。 04 结论与建议 4.1 结论 通过以上分析，可以得到以下结论: 在2017年11月25日至2017年12月3日这段时间内，淘宝用户的回购率相对较高，跳失率低，说明淘宝对用户有着较好的留存效果。 从用户角度看，加购后成交率较收藏后成交率与直接点击成交率更高。 用户在点击量与加购量几乎呈正相关趋势，周末和活动邻近之前的点击量与加购量均有所提升，但购买量并未有显著提升。周末对用户购买量的影响需要更多数据进一步分析。用户在晚上7点到11点之间打开淘宝的频率极高，但成交量却是下午1点的时候更高，说明淘宝成为了用户的一种消遣方式，而不仅仅是购物工具。 从商品角度而言，商品加购后成交率较直接点击后成交率与收藏后成就率更高。 虽然商品点击量、收藏量、加购量前十的商品呈现出一定的差距，但成交量前十的商品差距却不大。且成交量前十的商品中有近一半商品未在另外3个榜单之中。 整体而言，淘宝的用户留存率较高，但夜间成交量转换率和热搜商品品类的成交转化率有提升空间。 4.2 建议 通过上述结论，对