Mysql-电商用户行为分析.docVIP

　　2014年见证了阿里巴巴集团移动电子商务业务的飞速发展。 例如，2014年11月11日的移动销售中的移动终端商品总销售额（GMV）占总GMV的42.6％。 与PC时代相比，移动终端可以随时随地访问网络。我们在此选取了淘宝 APP 2014 年 11 月 18 日至 2014 年 12 月 18 日的用户行为数据，用来分析用户背后的行为规律，进而希望建立适当的推荐模型，制定合理的运营方案。（数据来源：User Behavior Data on Taobao App-数据集-阿里云天池） 　　user_id：用户ID 　　item_id：商品ID 　　behavior_type：用户行为标识：1代表点击；2代表收藏；3代表加购；4代表支付 　　user_geohash：地理标识 　　item_category：商品类别 　　time：用户行为时间 　　用户每天的活跃情况如何，有哪些规律。从业务流程的角度分析，用户在哪些阶段容易流失？选择子集 　　item_category 列大多是空值 NULL或者加密过，无法进行位置相关的分析，在此忽略该列，不做分析。导入的过程中也设置了主键，保证没有重复值。 　　一致化处理 时间字段：为了分析时间的影响，将time字段分成日期（date）和时间（times）列字符字段：将behavior_type的1-4转换为点击、收藏、加购和支付。 　　3. 异常值处理 　　结果显示没有发现异常值。 　　1.用户的整体购买情况 　　结果如下： 　　2.流量指标统计总体情况 　　结果如下： 　　3.复购率 　　4.日浏览量的变化 　　对结果进行可视化： 　　由图可以看出，每天的数据基本持平，在12.10号开始增长，12.12当天浏览量和访客量均出现一个小波峰，可以推测平台在12.12左右进行了营销活动。 　　5.用户每天活跃时段分析 　　对结果进行可视化： 　　由图可以看出，用户最活跃的时间段在晚上8点到10点，如果有商品上新或者活动推送，可以尽量选择在此时段。 　　6.用户转化分析 　　从业务流程角度来看，用户购买主要包括：浏览-收藏-加购-支付四个阶段，其中收藏和浏览可以统称为关注。采用漏斗模型对数据进行转化率的分析。 　　由图可知，用户浏览商品后，添加关注的有5.07%左右，而实际发生购买的只有1.04%。也就是说购买的转化率非常低。可以进而从店铺、产品、用户画像、人群分布等角度进一步分析，此处因为数据的缺乏，不做进一步探讨。 　　六、分析结论 　　1.以月来计算，用户每天的点击量基本持平，无明显变化。以天来看，大部分用户的活跃时间主要在晚上8点到十点。 　　2.用户点浏览商品后添加关注的只有5.07%，总体转化率只有1.04%，建议结合商品数据，用户画像数据等进行合理的活动营销，以提升转化率。