数据分析实战之淘宝用户行为分析(5) - 数据分析报告
数据分析实战之淘宝用户行为分析(5) - 数据分析报告
- 数据分析实战之淘宝用户行为分析(4) - 用户购买行为分析
- 数据分析实战之淘宝用户行为分析(3) - 用户行为路径分析
- 数据分析实战之淘宝用户行为分析(2) - 用户行为数据分析
- 数据分析实战之淘宝用户行为分析(1) - 数据清洗
1.目的
本项目基于阿里天池提供的数据，通过挖掘用户行为，分析用户行为的规律与特点，从而实现业务的提升。
2.局限性
- 由于数据的不完整性，所分析的时间段局限于2017年11月25日到2017年12月3日。
- 无法进行时间段间的对比(周或月)，因此无法判断这个时间段得出的行为结论是否具有典型性。统计时间段内的用户行为可能会受到双十二节日的影响。
- 无法通过年度、季度、月度分析，得出更宏观的结论。
3.理解数据
经过数据清洗，处理后的数据集包括7个特征：
| User_ID | 用户ID |
|---|---|
| Item_ID | 商品ID |
| Category_ID | 商品种类ID |
| Behavior_type | pv、uv、cart、buy |
| 时间段 | 凌晨(00:00-06:00)、上午(06:00-11:00)、中午(11:00-13:00) 下午(13:00-16:00)、傍晚(16:00-18:00)、晚上(18:00-24:00) |
| Date | 日期 |
| Weekday | 星期几 |
4.用户行为数据分析
2017年11月25日至2017年12月3日区间内，淘宝总访问量(PV)达到3,431,902，日均访问量达到381,322。独立访问量(UV)达到32,543, 日均独立访问量达到3,615。从访问量上来看，11/25和11/26这个周末的访问量对比工作日有些许上涨，但增量幅度不大。然而12/02和12/03这个周末的访问量相比工作日则上升明显，很有可能是受到双十二活动的影响。从日增长率上来看，PV与UV的日增长率曲线趋于一致。周一出现负增长，周三开始稳定的正增长，周六出现爬升，周日出现回落。日增长率的趋势变化能反映出用户心理变化。工作日开始，访问量较低。可能由于周末累积的工作多，空闲时间较少等等。到周中访问量开始出现持续增长，可能因为工作量减少或者内心出现工作倦怠感导致。周六达到最大PV、UV以及日增长率，因为周末开始了。
从时间段维度分析， 用户在晚上(19:00-24:00)最活跃。其次较活跃的时间段为下午和上午。
从人均访问量(PV/UV)角度分析，人均访问量在晚上明显偏多。从其他维度分析，人均访问量在周五达到最大值。但是由于人均访问量的波动范围较小，基本上在14~15左右。因此单看这段时间的数据，无法得出有价值的结论。
5.用户行为路径分析
通过分析可知，由页面浏览到加入购物车的转化率为6.22%，而由页面浏览到最终购买的转化率为2.24%。从转化的独立用户数来看，浏览了页面的用户中有7.32%会转化为加入购物车的用户，有4.02%会转化为最终购买的用户。在所有的访问行为中，有12.93%的访问结束后离开了网站，没有进行任何其他行为。单从这些数据无法判断出各个行为的转化率是高是低，表现较好还是表现较差。需要再结合其他时间段的转换率数据综合评估，或者与竞品进行比较判断。
6.用户购买行为分析
在统计时间内，有65.8%的用户在淘宝平台上有超过一次购买行为，对相同商品有复购行为的用户占所有有购买行为用户的0.04%，对同类商品有复购行为的用户占所有有购买行为用户的0.11%。对相同商品或同类别商品的复购概率非常小，可能是因为统计时间过短造成的。近66%的用户有超过一次的购买行为侧面反映了平台的体验感佳和用户黏性强。
从不同行为下的购买率来看，同时被收藏和加购的商品中，有12.96%会被最终购买；仅加购却没有收藏的商品中，有6.5%会被最终购买；仅收藏却没有加购的商品中，有4.49%会被最终购买。同时被收藏和加购的商品比仅有其中一项行为的商品更容易被购买，仅加购的商品比仅收藏的商品更有可能被购买。
通过分析可知最受欢迎(购买次数最多)的十类商品ID，需要再结合更多的信息进行针对性分析。
7.结论及建议
- 平台的活动推广，如促销唤醒、满减活动的消息提示，选择在周六晚上进行推送。
- 尽可能提高首页推荐的个性化程度和准确度，降低跳失率。
- 引导用户对商品同时进行收藏和加购。鼓励用户收藏加购商品和加购收藏了的商品。
嘿嘿。