淘宝用户分析

2020-05-14 21:55:42 阅读：324 来源： 互联网

随着网络的发展，网络购物成为一种时尚。平时我只关心淘宝里面的商品，活动等，从未关注过淘宝的数据。这次秉着好奇在"天池"中找到由阿里巴巴发布的一个淘宝用户行为数据，本次分析用SQL语句在MySQL的系统环境下分析淘宝数据。时间节点：2017年11月25日至2017年12月3日。

分析步骤主要有5步：

1、提出问题 2、理解数据 3、数据清洗 4、数据分析（构建模型）5、数据可视化

一、提出问题

1、电商数据分析指标

2、分析目的

希望通过以下3个问题了解淘宝：

1）、用户活跃规律（每天不同时段活跃情况和日活跃情况）是怎样的？

2）、用户从浏览到购买的转化情况？

3）、用户复购率是多少？销量top3 的商品类目有哪些？

根据分析目的，本次分析从用户行为的用户数量、商品数量、商品类目数量、所有行为数量维度。结合AARRR模型和分析上述问题。涉及分析指标如下：

二、理解数据

1、数据来源：阿里云天池

2、数据集介绍：

时间节点：2017年11月25日至2017年12月3日之间，有行为的随机用户的所有行为。

数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、行为类型和时间戳组成。总数量约一亿条（100,150,80）。本次分析随机选取该数据中500万条数据进行分析。数据维度：用户ID，商品ID，商品类目ID等。

数据详细详细介绍：

三、数据清洗

1、选择字段

本次分析所有列字段都需要，所以全部选择。

2、列名重命名

原数据集没有列名，导入数据后，给数据对应列添加新列名。

3、删除重复数据

主键设置：user_id，item_id,和timestamp，删除重复值。

SELECT DISTINCT user_id,item_id,timestamp FROM userbehaviors;

4、检查是否有缺失值

导入数据时，已设置为NOT NULL。所以无缺失值。

5、格式一致化处理

把时间戳改为可读的时间形式。新建一个表user，后续操作都将在user表中进行。新添加两列，Date—日期，Time—时间（表示形式：时）。为便于后续针对不同时段作分析，这里的时间单位为“时”。

CREATE TABLE userbehavior AS 
(SELECT user_id ,item_id,category_id,behavior_type,timestamp,
FROM_UNIXTIME(timestamp,'%Y-%m-%d')AS Date,
FROM_UNIXTIME(timestamp,'%H')AS Time FROM userbehavior)

执行结果：

6、异常值处理

检查日期时间是否在规定范围之内。2017年11月25日至2017年12月3日。

SELECT MAX(Date),MIN(Date),MIN(Time),MAX(Time)
FROM userbehavior;

执行结果：发现日期中有不在规定范围内的数据。接下来，删除异常数据。

异常数据的删除：

发现一共2459行日期不再规定范围内的数据，现已全部删除这些异常数据。

DELETE FROM userbehavior
WHERE Date<'2017-11-25' OR Date>'2017-12-03';

attention:需要解除mysql的的安全输入模式：执行命令SET SQL_SAFE_UPDATES = 0;修改下数据库模式，再进行异常值的删除

检查日期，看是否正确。核对日期在规定时间内。

四、构建模型（数据分析）

问题1：用户活跃规律（每天不同时段活跃情况和日活跃情况）是怎样的？（有用户行为的都为活跃用户）

在2017.11.25-2017.12.03这段时间里，活跃用户数为：37376。

SELECT COUNT(DISTINCT user_id)AS'活跃用户数'
FROM userbehavior;

日活跃用户:

SELECT Date,COUNT(DISTINCT user_id)AS'日活跃用户数'
FROM userbehavior
GROUP BY Date;

分析发现：从2017.12.1开始，整个淘宝用户活跃数据陡增，数据的峰值出现在2017.12.2。对比上周末2017.11.25和2017.11.26的数据，发现2个周末数据相差很大。那么为什么2017.12.2和2017.12.3这两天的用户活跃数会高出这么多？

查看2017.12.2和2017.12.3两天点击商品页(浏览商品)的用户数目：

访问量

这9天里PV(浏览量)，返回结果是：3431904

select count(behavior_type) as 浏览量 from UserBehavior
where behavior_type='pv';

这9天里UV(用户数)，返回结果是：37376

平均访问量是： 3431904/37376 = 91.8

即每个用户平均访问了91个页面。

每天访问量情况

select date,count(behavior_type)as 访问量 from UserBehavior
where behavior_type='pv'
group by date;

每个时段访问量/访客数对比

select a.time,a.访问量,b.访客数 from
(select time,count(behavior_type)as 访问量 from UserBehavior
where behavior_type='pv'
group by time)a
inner join 
(select time,count(distinct user_id) as 访客数 from UserBehavior
group by time)b
on a.time=b.time
order by time asc;

SELECT COUNT(DISTINCT user_id)AS'用户数'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv';

数据显示：2017.12.2，2017.12.3这两天浏览过商品的用户数是37001，占总活跃用户数的98.89%，也就是说在2017.11.25到2017.12.03这段时间里，有98.89%的用户浏览过商品页。

推测：平台是否在做什么活动？了解到，12月临近“双12”活动。是否是因为很多商家在12月1号开始做“双12”的活动预热，从而吸引大量用户活跃起来呢？如果在做活动，那么在这期间哪些商品类目（category_id）点击浏览量排名top10？

SELECT category_id AS'商品类目ID',COUNT(user_id)AS'用户浏览次数',
--concat()连接%,*100加%，round()取两位小数，1157642
CONCAT(
ROUND(COUNT(user_id)*100/950323,2),'%') AS'浏览占比'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv'
GROUP BY category_id
ORDER BY 用户浏览次数 DESC LIMIT 10;

分析结果：发现浏览量前10 的商品类目ID为：4756105，4145813，2355072，3607361，982926，2520377，4801426，1320293，3002561，2465336

浏览占比平均在1.66%，淘宝用户基数大，1.66%%是一个非常大的占比了。说明在2017.12.2，2017.12.3这些商品类目是最受用户关注的。

attetion：求取浏览平均占比的方法：

select AVG(浏览占比) FROM 
(SELECT category_id AS'商品类目ID',COUNT(user_id)AS'用户浏览次数',
CONCAT(ROUND(COUNT(user_id)*100/950323,2),'%') AS'浏览占比'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv'
GROUP BY category_id
ORDER BY 用户浏览次数 DESC ) as b ;

attention：求取12-2和12-3两天的浏览次数的方法(即对应1157642)

select sum(用户浏览次数) as '用户浏览总次数' FROM 
(SELECT category_id AS'商品类目ID',COUNT(user_id)AS'用户浏览次数',
CONCAT(ROUND(COUNT(user_id)*100/950323,2),'%') AS'浏览占比'
FROM userbehavior
WHERE Date in('2017-12-02','2017-12-03') AND behavior_type='pv'
GROUP BY category_id
ORDER BY 用户浏览次数 DESC ) as b ;

时活跃点击量及用户数

从整体分析用户在一天中的活跃情况。

SELECT Time AS'时间',COUNT(*)AS'时活跃量',COUNT(DISTINCT user_id)AS'时活跃用户数'
FROM userbehavior
GROUP BY Time
ORDER BY Time ASC;

发现：点击量和活跃用户主要集中在两个时段，11：00~17:00和20：00~00：00。这两个时间段的总访问量要明显高于其它任何时段。其中两个时段又以14:00和21:00为中心点，其中21：00是一天中活跃的峰值。

为什么用户在晚上21:00是最活跃？可能的原因是这个时候的用户忙完了一天的事情，有更多的时间躺在家里玩手机，逛淘宝了。数据有限，不能深入分析。

晚上21:00是用户最活跃的时候，他们的成交量是否也是最高的呢？

SELECT Time AS'时间', count(*) AS '成交量'
FROM userbehavior
where behavior_type='buy' 
GROUP BY Time
ORDER BY Time ASC;

分析发现，成交量走势和时活跃量走势相似，成交量在一天也有两个黄金时段：10:00-17:00和20:00-00:00，21:00的成交量达到一天中的最高峰。这和时活跃的峰值一样，都是在21:00.说明晚上21:00，用户特别活跃，商品更容易成交。

问题2：用户从浏览到购买的转化情况？

流量指标分析

分析独立访客数UV，页面访问数PV及人均页面访问数（人均访问数=PV/UV）

SELECT COUNT(DISTINCT user_id)AS'UV',(SELECT COUNT(*)FROM userbehavior)AS'PV',
((SELECT COUNT(*)FROM userbehavior)/(SELECT COUNT(DISTINCT user_id)))AS'PV/UV'
FROM userbehavior;

分析结果：UV=37376，PV=3833385,人均访问数=102.5627。也就是说在2017.11.25-2017.12.3这段时间里，平均每个人在淘宝里总访问页面达到102.5627次，平均每人每天访问页面约11.39次（102.5627/9）。说明用户经常使用淘宝。

成交量

用户行为中，只要用户行为为“buy”,即是完成了一次购买，形成一个订单。下面对订单进行分析

select date,count(behavior_type) as 成交量 from UserBehavior
where behavior_type='buy'
group by date
order by date asc;

浏览商品详情页的跳失率？

跳失率=浏览商品详情页即退出的次数/该页面总访问数（浏览即退出：浏览页面后就退出，未进行其他任何行为)=92643/3431903=2.69%

attetion: user_id仅浏览（pv），没有其它操作视为退出的次数；总的访问数不包括其它行为（buy，fav，cart）

SELECT COUNT(user_id)AS'浏览即退出的次数',COUNT(DISTINCT user_id)AS'浏览即退出的用户数'
FROM userbehavior
WHERE user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type='fav')
AND user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type='cart')
AND user_id NOT IN(SELECT DISTINCT user_id FROM userbehavior WHERE behavior_type='buy');

SELECT COUNT(user_id)AS'浏览次数'
FROM usebehavior
WHERE  behavior_type='pv';

商品详情页的跳失率为2.69%，也就是说500万的行为数据中有134500次会在浏览商品详情页后流失退出。那么由此推理1亿的用户行为数据，134500*20=2690000次会浏览即退出。说明用户对商品详情页的关注很大，商品详情页的商品描述，细节等吸引点不足，是流失用户的的重要原因之一。具体造成用户在浏览商品详情页后流失的原因，要根据实际情况分析，建议可以采用在线问卷调查的方式get用户的痛点，针对性调整。

用户行为分析

SELECT behavior_type AS'用户行为',COUNT(*)AS'用户行为数'
FROM userbehavior
GROUP BY behavior_type
ORDER BY 用户行为数 DESC;

分析显示，在整体用户行为数据中，购买行为只有76707/3833385约2%。说明98%的用户行为是没有成交购买商品的，严格来说，没有成交的用户行为都属于流失行为。用户在浏览商品详情页后出现大量的流失。

点击浏览商品详情页到购买的转化率是怎样的呢？

购物车_购买转化率=加入购物车购买的用户数/加入购物车用户数=8503/28122

约为30%。说明加入购物车的用户，有30%的用户都会去购买商品。

-- 加入购物车的用户数量/加入购物车购买的用户数量=转化率
SELECT COUNT(DISTINCT a.user_id)AS'加入购物车数量',COUNT(DISTINCT b.user_id)AS'加入购物车后购买数量'
FROM (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='cart')AS a
LEFT JOIN (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='buy')AS b
-- 连接条件是user_id,item_id,category_id均相等，说名是同一个用户加入同一件商品进入购物车，但是timestamp时间不同
ON a.user_id=b.user_id AND a.item_id=b.item_id AND a.category_id=b.category_id AND a.timestamp<b.timestamp;

商品浏览_加入购物车转化率和购物车_购买转化率同时得出

select * from
-- 浏览商品用户数量
(select count(distinct user_id)as'浏览商品用户数目' from UserBehavior where behavior_type='pv') as b,
-- 加入购物车用户数量
(SELECT * FROM data.conversion_buy) as a
)

商品浏览_加入购物车转化率=28122/37223=75.56%

数据结果显示，从用户点击浏览商品详情页到购买商品，用户浏览商品详情页—加入购物车的转化率很高，达75.56%，说明很多用户购买前有加入购物车的习惯；在加入购物车-购买环节，用户流失非常大，转化率30%，也就是说有约70%的用户加入购物车后流失了。在此购物流程中，购物车—购买环节是用户流失的关键节点。是什么原因造成用户流失的呢？

有可能的原因：加入购物车代表用户正在处于比较商品的阶段，或者等待平台活动，或者放在一起准备支付购买等等。

建议：1、在购物车环节，显示领券，降价等提示；2、向用户推送消息，如店铺活动，类似产品等

收藏-购买转化率

收藏_购买转化率=收藏商品购买用户数/收藏的用户数=3233/14949约为21.63%。

select * from(
-- 浏览商品用户数量
(select count(distinct user_id)as'浏览商品用户数目' from UserBehavior where behavior_type='pv') as c,
-- 收藏后购买的转化率
(SELECT COUNT(DISTINCT a.user_id)AS'用户收藏数量',COUNT(DISTINCT b.user_id)AS'收藏后购买数量'
FROM (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='fav')AS a
LEFT JOIN (SELECT DISTINCT user_id,item_id,category_id,timestamp
      FROM userbehavior
      WHERE behavior_type='buy')AS b
ON a.user_id=b.user_id AND a.item_id=b.item_id AND a.category_id=b.category_id AND a.timestamp<b.timestamp)as d)

数据显示，用户收藏商品后，转化支付购买率为21.63%，78.37%的收藏用户流失了。从购物车-购买和收藏-购买两个购买流程来看，相比之下，用户购物习惯更偏向加入购物车购买。为什么呢？

推测：加入购物车可以直接统一下单，而收藏页面没有下单页面，必须点进商品页面才能下单。具体是什么原因，暂不确定，这里数据不足，不予分析。

3、用户复购率是多少？销量top3 的商品类目有哪些？

用户复购率

-- 用户购买次数
SELECT buy_times,COUNT(*) AS '人数'FROM
(SELECT COUNT(user_id) AS buy_times 
FROM userbehavior
WHERE behavior_type='buy'
GROUP BY user_id)as a
GROUP BY buy_times
ORDER BY buy_times ASC;

购买总人数：25400，总购买次数：76707。人均购买次数：=76707/25400约为3.02次。

select count(behavior_type)as 订单量,count(distinct user_id)as 用户数,count(behavior_type)/count(distinct user_id)as 人均购买次数
from UserBehavior
where behavior_type='buy';

复购率=一定周期内下单次数在两次及两次以上的人数/总下单人数=(25400-8688)/25400约为65.80%。

在淘宝平台购物后，有65.80%的用户都会复购行为，淘宝平台和用户的粘性很高。有的用户购买次数高达到84次（图幅部分没有截图）。9天里有84次的购买行为，平均一天有9次购买行为，这不符合常理，为什么他们的购买次数如此高呢？是否存在刷单现象？进一步分析验证购买次数较高的用户平时购买情况，以及账户，购物，物流等信息才能判断。这里数据有限，不深入探究其原由。

商品类目的销量情况

总商品类目有：7106种

SELECT COUNT(DISTINCT category_id) AS '商品类目数'
FROM userbehavior;

商品类目的浏览top3情况

在这9天内用户销量排名前三的商品类目分别是：4756105（浏览次数187540）,4145813（浏览次数123887），2355072（浏览次数121627）

select 商品类目ID,用户点击浏览次数,(@rank := @rank + 1)AS 'rank' from
(SELECT category_id AS '商品类目ID',COUNT(user_id)AS'用户点击浏览次数'
FROM userbehavior
WHERE behavior_type='pv'
-- and Date in('2017-12-02','2017-12-03')
GROUP BY category_id
ORDER BY 用户点击浏览次数 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 用户点击浏览次数 desc;

商品类目的销量top3情况

在这9天内用户销量排名前三的商品类目分别是：1464116（销量1211）,2735466（销量1148）和4145813（销量1124）。

select 商品类目ID,购买次数,(@rank := @rank + 1)AS 'rank' from
(SELECT category_id AS '商品类目ID',COUNT(DISTINCT user_id)AS'购买次数'
FROM userbehavior
WHERE behavior_type='buy'
-- and Date in('2017-12-02','2017-12-03') 
GROUP BY category_id
ORDER BY 购买次数 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 购买次数 desc;

是否是用户浏览越多，购买越多呢？商品类目的浏览和购买排名一致吗？

分析发现：“购买”排名前三的商品类目和“浏览”的排名并不一致。用户浏览越多，购买却少，为什么呢？（可根据前面列出的用户在详情页流失分析思路进行分析）。“购买”和“浏览”均在前三的是商品类目是4145813.

那么商品类目category_id=4145813的商品销量情况又是怎样的呢？

select 商品ID,购买次数,(@rank := @rank + 1)AS 'rank' from
(SELECT item_id AS '商品ID',COUNT(user_id) AS '购买次数'
FROM userbehavior
WHERE behavior_type='buy'
GROUP BY item_id
ORDER BY 购买次数 DESC) as a,(SELECT @rank := 0 ) as b
ORDER BY 购买次数 desc;

在category_id=4145813中，商品销量排名前三名的是3122135,3031354和2964774。

问题4.参照RFM模型，对用户进行分类找出有价值的用户

RFM模型是衡量客户价值和客户创利能力的重要工具。该模型通过客户的最近交易行为（Recency）、交易频率（Frequency）以及交易金额（Monetary）三项指标来描述该客户的价值状况。一般来说，会将这三项指标分成几个区间进行评分，通过计算评分找到有价值的用户，并对用户进行分类。

最近一次消费(Recency)：是指最近一次消费距离上一次消费之间的时间长短。它反映了客户对产品的态度以及对品牌价值的信任度，它关乎消费者的存留状况。

消费频率(Frequency)：是指某个特定时间内消费的次数。它直接反映了客户的忠诚度，消费频率越高，忠诚度就越高；忠诚度越高的客户数量越多，公司的竞争优势越强，市场份额越大。

消费金额(Monetary)：是指一定时间内消费某产品金额。它反映的是客户的价值，价值越高，给公司创造的利益就更大。

因为数据源里没有金额相关的信息，所以只通过R和F来对客户价值进行评分。

R(Recency)最近的购买行为：

数据集里时间范围是从11月25到12月3日，我将11月25日，设为参数对照日期，即以距离11月25日的天数划分区间，其中0-2天，3-4天，5-6天，7-8天，分别对应为1-4分。

R(Recency)最近的购买行为：

-- 按购买天数评分
-- create view score_01 as
select user_id,
(case when 购买天数 between 0 and 2 then 1
when 购买天数 between 3 and 4 then 2
when 购买天数 between 5 and 6 then 3
when 购买天数 between 7 and 8 then 4 else 0 end
)as 购买得分
from
-- max(date)就是购买该商品的最近一天距离11-25日的天数差，可能会出现同一件商品不同--- 日期多次购买的情况
(select user_id,datediff(max(date),'2017-11-25')as 购买天数
from UserBehavior
where behavior_type='buy'
group by user_id)as a
order by 购买得分;

F(Frequency）购买频率：

从上面对复购用户的分析中，我们也得知，有购买行为的用户，购买频率最高的能达到84次。所以，我们将1-84从低到高，划分为4个档次。1-18，19-36，37-54，55-84分别对应为1-4分。

-- 按购买频率评分：
-- create view score_02 as
select user_id,
(case when 购买次数 between 1 and 18 then 1
when 购买次数 between 19 and 36 then 2
when 购买次数 between 37 and 54 then 3
when 购买次数 between 55 and 84 then 4 else 0 end 
)as 购买频率得分
from
(select user_id,count(behavior_type)as 购买次数
from UserBehavior
where behavior_type='buy'
group by user_id)b
order by 购买频率得分 desc;

通过上面两个步骤，从两个维度：最近购买时间及购买频率，分别给用户进行了评分。接下来用这两项的每一项平均值作为判断高于还是低于，比如重要价值用户，必须是两项的分值都比平均值要高，才能作为重要价值的用户。

下面对用户进行分类

求两项评分的均值：

-- 求评分的均值 
select avg(购买得分)as '平均购买天数得分' from score_01;
select avg(购买频率得分)as '平均购买频率得分'from score_02;

将获得的两项评分分别和它们的均值进行比较，对客户进行分类：

-- 对用户进行分类：
-- create view users_classify as
select user_id,
(case when R>3 and F>1 then '重要价值用户'
when R>3 and F<=1 then '重要保持用户'
when R<=3 and F>1 then '重要发展用户'
when R<=3 and F<=1 then '一般价值用户' else 0 end 
)as 用户类型
from
(select a.user_id,a.购买得分 as R,b.购买频率得分 as F
from score_01 as a inner join score_02 as b
on a.user_id=b.user_id)c;

用户类型计数：

-- 不同用户类型计数
SELECT distinct 用户类型,count(用户类型) as'用户数量'
FROM data.users_classify
group by 用户类型;

对于重要价值用户，他们是最优质的用户，需要重点关注并保持，应该提高满意度，增加留存；

对于重要保持用户，他们最近有购买，但购买频率不高，可以通过活动等提高其购买频率；

对于重要发展用户，他们虽然最近没有购买，但以往购买频率高，可以做触达，以防止流失；

对于一般价值用户，他们最近没有购买，以往购买频率也不高，特别容易流失，所以应该赠送优惠券或推送活动信息，唤醒购买意愿。

五、总结和建议

总结

1）从2017.12.1开始，活跃用户数骤增，推测是因为临近“双12”活动，很多商家在开始做活动预热，浏览量top3的商品类目分别是4756105（浏览次数187540）,4145813（浏览次数123887），2355072（浏览次数121627）。

日访问量和成交量的黄金时间段：11：00~17:00和20：00~0：00。晚21:00是用户全天最活跃的时段，在这个时候成交量也最高。可能的原因是这个时候的用户忙完了一天的事情，有更多的时间躺在家里玩手机，逛淘宝了。

2）淘宝平台与用户的黏度很高，人均每天浏览页面约11次。但根据用户行为的转化情况，用户在浏览商品详情页后大量流失，用户点击浏览商品详情页后的跳出率2.69%。淘宝用户基数很大，推测一个亿的用户行为数据，有2690000次跳出。

3）大部分用户在购买商品前有加入购物车的习惯，对比浏览-加购物车-购买和浏览-收藏-购买两条线，加入购物车购买的机率更大，购买转化率高8.37%。在购物车中可以一键全部下单，收藏夹需要单个下单和找“相似”端口，增加了流失的风险。

4）用户经常使用淘宝购物，淘宝整体复购率约为65.80%。这九天中最高购买频次达到72次，不符合常理，需要进一步验证。商品类目4145813在购买”和“浏览”均排名前三，在此期间很多用户对此类商品很感兴趣。

建议（结合AARRR模型）

1）建议商家在用户行为黄金时段内，经常更新产品信息，黄金展位，活动推荐商品等。在活动前，增加发布产品数，优化产品关键词设置等方式增加曝光率。（AARRR第一环节：获取用户）

2）建议优化商品的详情页（打开速度，商品细节描述等），从语言和视觉传达角度打动用户，提高用户体验度。可以从参考竞品的优秀做法。（AARRR第二环节：激活用户）。

3）建议建立积分商城，通过积分体系提高用户的生命周期，如：购买积分，签到积分等，并可用积分兑换优惠券或购买商品。（AARRR第三环节：提高留存）

4）建议在“购物车”页面，显示出优惠券，减价，剩余库存或者已有多少人购买等信息，刺激用户购买商品。建议在“收藏”页面增设价格变动，显示有多少人收藏，剩余库存等信息，刺激用户下单购买。

建立用户画像，通过行为数据，查看用户最近列表页、搜索栏、收藏页、购物车都有看过或添加过哪些商品，针对用户自有属性进行定向推送，有效引导客户潜在的消费需求，全面提升复购率。（AARRR第四环节：增加收入）

5）建议优化产品，保证产品的质量，提高服务（售前，售后服务）质量，提高购物车—购买和收藏——购买的转化率。（AARRR第五环节：推荐）

用RFM模型对用户进行分类后，可知重要价值用户比较少，用户类型主要还是集中于重要保持用户和一般价值用户。建议根据用户类型，进行有针对性的精准营销。

标签：分析,浏览,用户,购买,淘宝,id,SELECT,user
来源： https://www.cnblogs.com/ucasljq/p/12881525.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

淘宝用户分析

一、提出问题

二、理解数据

三、数据清洗