淘宝APP用户行为数据分析.pdfVIP

淘宝APP用户行为数据分析

文：转自：

一.提出问题和应用模型

1.本次分析的目的是想过对淘宝用户行为进行数据分

析，为以下问题提供解释和改进建议：

（1）分析用户使用APP过程中的常见电商分析指标，确

定各个环节的流失率。

（2）利用假设检验思想分析流失原因，找到需要改进的

环节。

（3）研究用户在不同时间尺度下的行为规律，分析不同

尺度下的转化率。

4（）找到用户对不同种类商品的偏好和针对不同商品的

营销策略。

（5）将用户群按照价值划分，并针对不同的用户群提出

营销建议。

2.应用分析模型

（1）基于AARRR漏斗模型分析用户行为

本文过常用的电商数据分析指标，采用AARRR漏斗模

型拆解用户进入APP后的每一步行为。AARRR模型是根

据用户使用产品全流程的不同阶段进行划分的，针对每一

环节的用户流失情况分析出不同环节的优化优先级，主要

过以卜个各阶段来进行分析：

皿A.

AARRR漏斗模型

2（）基于RFM模型找出有价值的用户

由于不同用户对公司带来的收益差别很大，而且根据二八

定律（20%的有价值用户能带来80%的收益），因此需要对

用户进行价值评价，找到最有价值的用户群，并针对这部

分用户进行差异化营销。这里参考RFM模型对用户进行

评价：

R-Recency（最近一次购买时间）

R指用户上一次消费的时间，上一次购物时间距今最近的

顾客常在近期响应营销活动的可能性也最大，对于APP

而言，很久没有购物行为可能意味着用户放弃了APP的

使用，重新唤起用户也需要更多的成本。

F-Frequency（消费频率）

F指用户在某段时间内的购物次数，消费频率越高意味着

这部分用户对产品的满意度最高，用户粘性最好，忠诚度

也最高。

M-Money（消费金额）

M指用户在某段时间内的购物金额,这也是为公司带来价

值的最直接体现，而消费金额较高的用户在用户总体中人

数较少，却能创造出更多价值，是需要重点争取的对象。

这三个维度互相关联，反映了每个用户的现在价值和潜在

价值，将每个维度分成R-5,F.5个区间进行评分，过计

算分数对用户进行分类，可以有针对性地对不同类型用户

采用不同的营销策略。

二.理解数据

1.数据来源

阿里云天池：/data

数据集包含了2017年11月25日000至2017年12月4

日000之间（共9天），淘宝APP移动端用户行为数据。

由于总记录为1亿条，数量过大，此处只处理200万条数

据作为代表，这部分数据中包含19544名用户（按userjd

划分）的为记录。

2.各字段含义

因为数据量太大，直接用excel打不开，这里通过python

输出数据的前5，查看大体格式.

importpandasaspd

data=pd.read_csv(UserBehavior.csv)

print(data.head())

输出结果如下图所示：

122683182520377

0123333462520771

112576651149192

2138308084181361

3143655852520377