用户购物行为数据分析

数据分析报告总结：

1.销售部门要增加用户感兴趣需求高的商品类型TOP3：4756105，4145813，2355072的投放需求量，增加该类商品广告引流。

2.运营部门在用户搜寻商品最活跃的时间段即下午6点至晚上11点对需求高商品类型的商品多策划一些营销活动，提高销售转化率。集中资源在这段时间增强营销推广力度，制定优惠策略促进客户下单购买，有效促进商品销量的提升。

3.销售部门可以根据用户行为整体转化率预测未来销售的大致转化或者流失情况，为未来的商品活动评估做出预测，及时有针对性地调整营销策略。

4.运营部门可以引导用户加购和收藏，比如制定优惠、促销活动等方式促进用户的购买转化率的提升，同时对接平台制定合理推送机制，降低用户点击后就直接流失的可能性

5.运营部门可以根据用户RFM价值分类名单，对于消费频率高但是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。对于消费频率不高但是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。

本文利用SQL进行数据分析，用Excel进行可视化展示。

全文目录：

一、分析背景

二、分析目的

三、理解数据

四、明确问题

五、分析思路

六、清洗数据

七、构建模型及可视化

八、总结和建议

一、分析背景

UserBehavior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，为平台提供更精准的隐式反馈推荐。用户行为是淘宝针对具有隐式反馈的推荐问题的用户行为数据集。本数据集包含了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。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、商品种类ID、行为类型和时间戳组成，并以逗号分隔。

该数据集来源于阿里云天池，数据集链接如下：

数据集-阿里云天池 (aliyun.com)https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1#1

二、分析目的

数据分析是基于业务的，从业务出发，通过数据分析得出结论并提出改进业务的方式方法，促进业务的发展，提升业务的销售额和盈利，为公司创造价值。

通过用户行为数据挖掘出客户价值，提高用户的忠诚度和粘性，对不同的价值客户采取更有针对性的销售策略及广告推广策略，精准营销，促进用户的成功购买率，提高用户的成交转化率，进而提高商家的销售额和盈利。

注：由于淘宝用户行为数据集有1亿多条用户数据，数据量巨大，所以本次分析用Navicat对该数据集截取了200万条用户行为数据进行分析。

三、理解数据

查看部分数据如下：

3.1 字段理解

字段	含义	数据类型
user_id	用户ID	整型
item_id	商品ID	整型
category_id	商品类型	整型
behavior_type	行为类型	文本
timestamp	时间戳	整型

3.2 行为字段理解 

行为类型	含义	数据类型
pv	点击	文本
buy	购买	文本
cart	加购	文本
fav	收藏	文本

查看整体数据量：

 >>数据集涉及19544个用户的共有200万条用户行为数据（第1行数据被当作字段名）。

四、明确问题

1. 淘宝用户对什么样的产品感兴趣？
2. 淘宝用户是如何流失？具体在哪个环节流失的？
3. 不同时间的用户需求量和购买量的关系，怎么根据时间制定策略？
4. 怎么根据不同RFM类型用户制定用户留存策略？

五、分析思路

因该数据集涉及商品及其类型、用户行为数据和时间记录，所以可以从用户行为、用户价值、及业务流程维度分别进行分析，采用多维度拆解分析方法对问题进行拆解，用假设检验分析法、对比分析法以及用户RFM模型分析法具体分析用户的购买喜好、用户的集中购买时间点以及用户购买的业务流程的转化情况等具体的业务指标中的问题，得出分析结论并提出改进办法促进业务的提升。

六、清洗数据

数据清洗按以下流程进行：