一、 分析背景及目的
在电商平台竞争激烈的大环境下，谁获得了用户、留住用户，谁就能分得更多的蛋糕。对用户行为进行分析，才能知道准确的用户画像，才能探寻用户在网站上浏览、点击、购买背后的商业真相。对于电商企业来说，了解用户画像，“精细化”营销的同时更能节省成本。对于用户来说，大大节省了其在上万种商品中购买到合适商品的时间。本文利用SQL对某电商平台的用户画像数据进行分析，提供精准运营策略。
二、 数据来源
以下数据来自阿里云天池：
该数据集包含了从2014年11月18日到2014年12月18日，某电商平台约一百万随机用户的所有行为。由于数据量庞大，此处只导入10万条信息进行处理。
本数据集主要描述了用户购买行为信息，主要包括用户ID、商品ID、用户对商品的行为类型、用户位置、商品类别、行为时间等。
三、 分析思路
根据目前所掌握的数据，提出以下分析思路。下文将逐一进行验证与分析。
四、 数据清理过程
（一）数据导入
此处选择在SQLyog中导入，因为数据量很大，本文只导入10万条数据，数据库表命名为users。
（二）缺失值处理
经检验，原始数据没有缺失值。
（三）一致化处理
因为数据集时间范围是2014-11-18到2014-12-18之间，查询表内日期是否符合要求。经查询，均符合要求。
五、 分析过程
（一）用户时间倾向
首先我们以星期维度来看用户浏览和下单的次数，从上图可知，星期五、星期日的浏览次数和购买次数均相对较高，尤其是周日。对比工作日，用户在周末有更多的自我掌配时间，平台可在周五及周末加大推送力度。
其次是用户在不同时间段浏览和下单的次数，从上图可看出，在18:00~22:00这个时间段内，用户浏览和下单的次数均呈显著增长趋势，在21:00和22:00两个时间段达到最高。因此在做精准营销时，可以选择在上述时间段内对用户进行推送，以实现精准营销的目的。
（二）用户行为倾向
通过转化率分析可看出，用户浏览页面数在用户总行为数中占比高达94.56%，但是最终购买商品的用户比例仅为1.00%，相当于每一百人仅有1人购买，用户从浏览到购买的转化率低，这是为什么呢？
通过假设检验分析方法，针对此问题提出三种假设，分析数据验证假设是否成立。
假设1验证：平台商品品类较少
商品品类共有2282个大品类，商品种类共有36790。商品品类与种类还是很丰富的。因此转化率低，与品类少没有关系，假设1不成立。
假设2验证：推荐商品不符合用户需求
从商品类来看，购买量前10的商品类中，仅12189、1863、5232和5894商品类出现在浏览量前10中，重合度为40%。因此假设2成立，推荐商品类不是用户喜欢产品导致支付转化率降低。
假设3验证：用户行为路径转化
本次数据集里面用户行为字段中包括四种行为：详情页浏览，收藏，加入购物车和购买。因此本次报告在分析用户购买流程中主要考虑以下几种流程：
浏览→购买
浏览→收藏→购买
浏览→加入购物车→购买
浏览→收藏→加入购物车→购买
可以看到
1、在成功购买的行为中，浏览后直接购买支付成交次数相对较低，为4.10%，因此假设3成立。
2、用户收藏再加入购物车后，成交次数大幅提升，因此可以引导用户加入购物车或收藏商品。
（三）RFM模型用户价值分析
通过RFM模型对用户进行细分，找出有价值用户，并根据不同类型用户制定对应的策略来提升购买转化率。
R：根据用户最近一次购买时间到2014-12-18之间差值，来判断用户最近一次消费时间间隔
F：数据集中2014-11-18到2014-12-18这段时间内购买次数作为用户消费频率
M：消费金额，数据集中不涉及，因此忽略此条件
通过分析发现，重要发展用户和重要挽留用户占比大。对于重要发展用户，要想办法提高其消费频率；重要挽留用户有流失的风险，可主动联系用户，调查清楚哪里出了问题，想办法解决；给重要价值用户提供VIP甚至VVIP服务；重要保持用户忠实度高，可以采用短信活动提醒、APP推送提醒等方式与他们保持不间断联系，提高复购率。
六、 结论与意见
1、 用户时间倾向方面，星期五、星期日的浏览次数和购买次数均相对较高，尤其是周日。平台用户活跃时间段，在18:00~22:00这个时间段内，用户浏览和下单的次数均呈显著增长趋势，在21:00和22:00两个时间段达到最高。建议运营部门在晚上6点至10点，多策划一些营销活动，集中开启商品相关推送。
2、 用户行为倾向方面，用户的浏览量较大，但购买支付的转化率较低。其原因主要是平台的推荐机制与用户需求不一致，浏览后流失率很大。建议相关部门优化平台的搜索匹配度和推荐策略，主动根据用户喜好推荐相关的商品，对搜索结果排序优先级进行优化。
3、 用户购买路径方面，用户浏览->收藏/加购->购买路径的转化率相对较高。在商品详情页的展示上突出用户关注的重点信息，优化加入购物车和收藏按键的触达，增加功能的使用次数。
4、 用户类别中，重要发展用户和重要挽留用户的占比较大，需要对他们作出更精细的营销策略。对于重要发展用户，可以让算法部门进行购物篮分析，改进推荐机制，较大程度的满足用户的需求。对于重要挽留用户，想办法弄明白即将流失原因，制定相应的挽回策略。
评论(0)