淘宝用户行为分析与价值评估-优快云博客

本文链接：https://blog.youkuaiyun.com/LSKDBW/article/details/117658978

该博客详细介绍了淘宝用户行为的数据清洗、分析概览、行为转化和价值评估。通过清洗去除重复、缺失和异常值，对用户行为进行时间序列处理。分析包括总体UV、PV、行为数量和成交量，以及用户行为转化漏斗。通过用户行为习惯分析，揭示了用户在不同时间段的行为模式。最后，根据购买时间和次数对用户价值进行了评估和分级，提出了提高转化率和用户满意度的策略建议。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

数据清洗

SELECT * FROM userbehavior

– 数据清洗
– 删除重复值
SELECT * FROM userbehavior
GROUP BY user_id,item_id,category_id,behavior_type,timestamp
HAVING COUNT(*)>1;

– 处理缺失值
select
count(user_id),
count(item_id),
count(category_id),
count(behavior_type),
count(timestamp)
FROM userbehavior;

– 时间序列处理：
– Timestamp列无法直接进行分析，需要对其列转化为三列，分别为时间，日期，小时
alter table userbehavior add column date_time timestamp(0) null;
– FROM_UNIXTIME：
update userbehavior set date_time = FROM_UNIXTIME(timestamp,’%Y-%m-%d %H:%i:%s’);

ALTER TABLE userbehavior ADD COLUMN Date char(10) NULL;
UPDATE userbehavior SET Date = FROM_UNIXTIME(Timestamp,’%Y-%m-%d’);

ALTER TABLE userbehavior ADD COLUMN Time char(10) null;
update userbehavior set Time = SUBSTRING(Date_time FROM 12 FOR 2);

SELECT * FROM userbehavior

– 异常值处理
– 由于项目背景是要通过对2017年11月25日至2017年12月3日之间的淘宝用户行为数据集进行隐式反馈推荐问题的研究，
– 所以要对这个时间段外的数据进行删除处理。
select max(date_time),min(date_time) from userbehavior;

– 把不在2017-11-25至2017-12-03这个时间段内的异常时间值删除
delete from userbehavior where date >‘2017-12-03’ or date < ‘2017-11-25’;
– 再次检查是否存在不在2017-11-25至2017-12-03这个时间段内的异常值
select max(date_time),min(date_time) from userbehavior;

SELECT * FROM userbehavior;

SELECT count(DISTINCT User_ID) as 用户数,
count(DISTINCT Item_ID) as 商品数量,
count(DISTINCT Category_ID) as 商品类目数量,
count(Behavior_type) as 行为数量
FROM userbehavior;