AARRRR模型分析（二）—R语言

2022-07-10 00:01:05 阅读：195 来源： 互联网

标签：11 语言模型用户 library 商品 2017 AARRRR

AARRR模型可以说是用户运营和业务增长非常重要的模型。模型以用户的生命周期为核心，把增长步骤拆分为5个步骤，分别是：获取用户(Acquisition)、用户激活(Activiation)、用户留存(Retention)、用户变现(Revenue)、用户推荐(Referal)。区别于传统的市场营销人通过广告投放或者品牌营销焦点在于获取用户，而AARRR模型让大家意识到了公司业务的增长需要关注整个用户生命周期，不仅仅涉及到广告投放获取用户，还需要通过产品优化或运营手段等来实现用户的激活、留存、变现和自传播（用户裂变）。否则公司浪费了很多钱获取了大量用户，但是产品没有把用户留下来，那钱就都打水漂了。又或者你产品可以设计出用户自传播的机制，让老用户给你的产品推荐更多的新用户，那就可以减少获取新用户的费用。

一、不同时间尺度下用户行为模式分析

电子商务的迅速发展和移动互联网的普及，使得越来越多的人选择方便快捷的网上购物，淘宝作为国内最大的电商交易平台之一，拥有巨大的流量优势。在淘宝APP上，商品的搜索、分类导航、个性化推荐和广告等通过让用户在短时间内了解到更多可能需要或者喜欢的商品而促进购买，同时可以通过数据埋点，收集和分析用户的数据，实现更精细化的运营。本文基于数据集的特点，利用R对淘宝APP的用户行为数据进行分析，得出可能存在的业务问题，并提出推荐的解决策略。接上个博客，这里着重分析一周内每天的用户行为

library(stringr)
library(dplyr)
library(lubridate)
library(tidyverse)

columns<- cbind("user_id","item_id","category_id","behavior","timestamps")
df=read.csv('UserBehavior.csv',header=FALSE)
names(df) <-columns

columns1<- cbind("user","item","category","behavior","date")
data=df[5000001:8000000,]
names(data) <-columns1

tt<-as.POSIXlt(data$date,origin ='1970-01-01')
date=paste0(year(tt),"-",month(tt),"-",mday(tt))
date<-ymd(date)
data1 <- data.frame(data[,1:4],date,hour(tt))
columns2<- cbind("user","item","category","behavior","date","hour")
names(data1) <-columns2

summary(data1)
data2<- filter(data1,data1$date<= "2017-12-3")
data3<- filter(data2,data2$date >= "2017-11-25")     #后面分析的数据基础
summary(data3)
kk<-table(data3[,c("date","behavior")])              #交叉分组列表

           behavior
date            buy   cart    fav     pv
  2017-11-25   5955  17116   9163 283830
  2017-11-26   6059  18150   9245 287519
  2017-11-27   6649  16636   8817 271512
  2017-11-28   6131  16540   8639 267496
  2017-11-29   6387  16849   8885 272311
  2017-11-30   6550  17272   9177 278325
  2017-12-01   6218  18861   9088 291565
  2017-12-02   7827  24013  12058 368515
  2017-12-03   7553  23334  11481 362584

二、不同商品种类的用户行为

2.1 统计浏览次数、收藏次数和加入购物车次数最多的商品

knitr::opts_chunk$set(echo = TRUE)

2.2 统计所用商品的购买次数

knitr::opts_chunk$set(echo = TRUE)

根据本次分析的数据，只购买一次的商品有38248种，购买两次的商品有5146种，本次分析的商品有45937种，购买一次的商品占到83.8%，说明商品售卖主要依靠长尾商品的累计效应。而非爆款商品的带动。

总结

到这里基本把AARRR模型简单的讲了一遍，不过要用好AARRR模型可不是这么简单，里面有很多道道，后续有空把每个环节都可以仔细详解一下，欢迎关注我哈。这套模型基本可以用于任何行业，假如你经营了一个餐厅，你完全可以用这个模型来提升你餐厅的销售额，获客方面，你可以通过微信做个人号或者微信群的裂变拉新；用户激活的话你可以通过给新用户一些体验券或者优惠券，来让用户体验到你们店的好味道和好服务，留存方面，现在基本做的好的餐饮企业都会做私域流量（微信群运营客并留存客户）或公众号。

参考文献

1.(淘宝用户行为数据分析)[https://blog.csdn.net/weixin_42739997/article/details/119765990]
2.(淘宝用户行为数据分析)[https://www.likecs.com/show-180687.html]

标签：11,语言,模型,用户,library,商品,2017,AARRRR
来源： https://www.cnblogs.com/haohai9309/p/16461514.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9