电商用户行为数据分析-从0到1

Table of Contents

关于用户行为数据分析：

用户行为分析是互联网公司的核心分析指标。这个过程需要数据分析师通过海量交易数据，分析（新/老）用户在整个产品使用环节（随时间）的行为路径，从而发现异常值，探索出现异常的原因，进而减少用户流失、提升用户的产品参与度、最后帮助产品实现持续性营收。

参考文章： https://mp.weixin.qq.com/s/7tiAw1zv9zlFSfdHdyrvuQ
参考文章： https://mp.weixin.qq.com/s/BWLsix2v-pJ2HUzyYf4NcQ

▲如上图所示，【用户行为分析】的数据地位

以下介绍【用户行为分析】整个流程步骤： #

第一步：整理数据 #

首先把收集回来的行为数据整理成如下格式，方便进一步分析：

user_id：用户身份
item_id：商品ID
behavior_type：用户行为类型（包含点击、收藏、加购物车、购买四种行为，分别用数字1、2、3、4表示）
user_geohash：地理位置（有空值）
item_category：品类ID（商品所属的品类）
time：用户行为发生的时间

第二步：整理需要分析的问题： #

整理需要分析的问题，例如如下这些问题：

（1）. 整体用户的购物情况pv（总访问量）、日均访问量、uv（用户总数）、有购买行为的用户数量、用户的购物情况、复购率分别是多少？
（2）. 用户行为转化漏斗点击— 加购物车— 收藏— 购买各环节转化率如何？购物车遗弃率是多少，如何提高？
（3）. 购买率高和购买率为 0 的人群有什么特征
（4）. 基于时间维度了解用户的行为习惯
（5）. 基于RFM模型的用户分析

第三步： 进行数据清洗： #

3.1 利用ETL工具kettle

3.2 或者 利用posthog自带的ETL工具 Customer data platform – Docs – PostHog

第四步： 构建模型和分析问题 #

例如，分析如下问题：

  1. 总体用户购物情况
  • pv（总访问量）
  • 日均访问量
  • uv（用户总数）
  • 有购买行为的用户数量
  • 用户的购物情况
  • 复购率：产生两次或两次以上购买的用户占购买用户的比例
  • 平均日浏览量（10M）要先按 date group by 算出 pv，再求平均值。
  • 平均日用户量（760K 人）同理
  • Bounce rate 跳出率(只有一次点击行为的用户/总用户数)

假设只有一个页面可以浏览，用户点进页面后要么收藏加购付款，要么跳出。

得到 8% 的跳失率，说明 8% 的用户点进来，没有往下转化就流失掉了，公司应对此查看商品详情页是不是还需改进，网页加载有没有延迟等问题。

分析转化问题 用户行为转化漏斗：

在购物环节中收藏和加入购物车两个环节没有先后之分，所以将这两个环节可以放在一起作为购物环节的一步。最终得到用户购物行为各环节转化率，如下：

可以是行为数漏斗，也可以是独立访客数漏斗，我们这里用后者进行分析。

先按用户，统计每个人的行为：

再计算每个行为的用户数，最后计算转化率，这里我们的转化率是以 view/click -> favorite/add to cart -> purchase 路径为基准进行的计算，并且将收藏和加入购物车的行为进行了合并（考虑到这两个阶段不分先后顺序，而且都是确定购买意向的行为）。

这里表示有点击行为的用户中，86% 的人都点了加购或者收藏，有上述行为的人又购买的人占所有点击人数的 58%。这样的转化率可是非常不错！

第五步：找出有价值的用户（RFM 模型） #

购买率高和购买率为低的人群有什么特征？

购买率高用户特征：

由以上结果可以看出，购买率高的用户点击率反而不是最多的，这些用户收藏数和加购物车的次数也很少，一般不点击超过5次就直接购买，由此可以推断出这些用户为理智型消费者，有明确的购物目标，属于缺啥买啥型，很少会被店家广告或促销吸引。

购买率为低用户特征：

由以上结果可以看出，购买率为低用户分为两类，

第一类是点击次数少的，一方面的原因是这类用户可能是不太会购物或者不喜欢上网的用户，可以加以引导，另一方面是从商品的角度考虑，是否商品定价过高或设计不合理；

第二类用户是点击率高、收藏或加购物车也多的用户，此类用户可能正为商家的促销活动做准备，下单欲望较少且自制力较强，思虑多或者不会支付，购物难度较大。

  1. 基于时间维度了解用户的行为习惯

(1)一天中用户的活跃时段分布

可以看出，每日0点到5点用户活跃度快速降低，降到一天中的活跃量最低值，6点到10点用户活跃度快速上升，10点到18点用户活跃度较平稳，17点到23点用户活跃度快速上升，达到一天中的最高值。

（2）一周中用户活跃时段分布

由于第一周和第五周的数据不全，因此这两周的数据不考虑到此次数据分析中。

由以上结果可以看出，每周用户活跃度较稳定，每周五活跃度会有小幅降低，但是周末会慢慢回升。其中周五用户活跃度突增，这是由双十二电商大促销活动引起。

  1. 基于 RFM 模型找出有价值的用户

RFM模型是衡量客户价值和客户创利能力的重要工具和手段，其中由3个要素构成了数据分析最好的指标，分别是：

  • R-Recency（最近一次购买时间）
  • F-Frequency（消费频率）
  • M-Money（消费金额）

由于数据源没有相关的金额数据，暂且通过 R 和 F 的数据对客户价值进行打分。

（1）计算R-Recency

由于数据集包含的时间是从2014年11月18日至2014年12月18日，这里选取2014年12月19日作为计算日期，统计客户最近发生购买行为的日期距离2014年12月19日间隔几天，再对间隔时间进行排名，间隔天数越少，客户价值越大，排名越靠前。

（2）计算F-Frequency

先统计每位用户的购买频率，再对购买频率进行排名，频率越大，客户价值越大，排名越靠前。

（3）对用户进行评分

对4330名有购买行为的用户按照排名进行分组，共划分为四组，对排在前四分之一的用户打4分，排在前四分之一到四分之二（即二分之一）的用户打3分，排在前四分之二到前四分之三的用户打2分，剩余的用户打1分，按照这个规则分别对用户时间间隔排名打分和购买频率排名打分，最后把两个分数合并在一起作为该名用户的最终评分。

计算脚本如下：

'''
SELECT r.user_id,r.recent,r.recent_rank,f.frequency,f.freq_rank,
CONCAT(  --  对客户购买行为的日期排名和频率排名进行打分
CASE WHEN r.recent_rank <= (4330/4) THEN '4'
WHEN r.recent_rank > (4330/4) AND r.recent_rank <= (4330/2) THEN '3'
WHEN r.recent_rank > (4330/2) AND r.recent_rank <= (4330/43) THEN '2'
ELSE '1' END,
CASE WHEN f.freq_rank <= (4330/4) THEN '4'
WHEN f.freq_rank > (4330/4) AND f.freq_rank <= (4330/2) THEN '3'
WHEN f.freq_rank > (4330/2) AND f.freq_rank <= (4330/43) THEN '2'
ELSE '1' END
) AS user_value
FROM
--  对每位用户最近发生购买行为的间隔时间进行排名（间隔天数越少，客户价值越大）
(SELECT a.,(@rank := @rank + 1) AS recent_rank
FROM  --  统计客户最近发生购买行为的日期距离'2014-12-19'间隔几天
(SELECT user_id,DATEDIFF('2014-12-19',MAX(date)) AS recent
FROM user
WHERE behavior_type = 'buy'
GROUP BY user_id
ORDER BY recent) AS a,
(SELECT @rank := 0) AS b)
AS r,
-- 对每位用户的购买频率进行排名（频率越大，客户价值越大）
(SELECT a.,(@rank2 := @rank2 + 1) AS freq_rank
FROM   --  统计每位用户的购买频率
(SELECT user_id,COUNT(behavior_type) AS frequency
FROM user
WHERE behavior_type = 'buy'
GROUP BY user_id
ORDER BY frequency DESC) AS a,
(SELECT @rank2 := 0) AS b)
AS f
WHERE r.user_id = f.user_id;
'''

通过打分可以了解每位顾客的特性，从而实现差异化营销。比如对于 user_value = 44 的用户，为重点用户需要关注；对于user_value = 41 这类忠诚度高而购买能力不足的，可以可以适当给点折扣或捆绑销售来增加用户的购买频率。

第六步 基于(AARRR) 框架的用户分析 #

用户获取：我们来看看每日新增访问和购买用户

每日新增访问用户数：

每日新增购买用户数：

第7步：报表自动化 #

kettle制作报表自动化：

为了实现监测每个月用户的评分变化，推测客户消费的异动状况，结合数据库使用ETL工具kettle实现定时输出评分结果：

这里kettle实现过程不做详细描述。

第8步： 总结结论： #

  1. 总体转化率只有 1%，用户点击后收藏和加购物车的转化率在 5% ，需要提高用户的购买意愿，可通过活动促销、精准营销等方式。
  2. 购买率高且点击量少的用户属于理智型购物者，有明确购物目标，受促销和广告影响少；而购买率低的用户可以认为是等待型或克制型用户群体，下单欲望较少且自制力较强，购物难度较大。
  3. 大部分用户的主要活跃时间在10点到23点，在19点到23点达到一天的顶峰。每周五的活跃度有所下降，但周末开始回升。可以根据用户的活跃时间段精准推送商家的折扣优惠或促销活动，提高购买率。
  4. 通过 R 和 F 的数据对用户行为进行打分，对每位用户进行精准化营销，还可以通过对R 和 F 的数据监测，推测客户消费的异动状况，挽回流失客户。
What are your Feelings

Powered by BetterDocs