电子商务用户行为分析报告

一、分析背景

1.行业背景

随着互联网普及率的不断提高，移动终端和支付技术的进步，电子商务在互联网用户中的普及率有所提高，中国电子商务趋于成熟和标准化。同时，电子商务面临着在线平台客户获取成本增加、消费者购物需求多样化和高质量体验的问题。因此，通过数据分析研究客户消费行为、了解客户需求、明确目标客户、采取精准操作非常重要。

2.理解数据

(1)数据源：

阿里巴巴天池https://tianchi.aliyun.com/dataset/dataDetail?dataId= ** 9&userId=1

(2)数据概况:

数据集(UserBehavior.csv)包含了2017年11月25日至2017年12月3日之间，有行为的约一百万随机用户的所有行为（点击浏览、购买、加购、收藏），每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、由逗号组成的行为类型和时间戳。

(3)数据集字段含义:

(4)数据规模

二、分析目的

通过对部分电子商务用户的数据分析，了解客户的购物习惯和偏好，有针对性地推送商品，改进购物过程，提高客户的购物体验，提高商品销售。

三、分析思路

1.用户流失的原因是什么？(商品丰富度、推荐商品是否符合客户需求、购物环节)

2.用户更喜欢哪些商品类别id和商品id？

3.什么时候用户活动高？(哪一天？什么时候？

4.用户什么时候下单？(哪一天？什么时候？

5.根据用户的价值分类，应该采取什么样的营销决策？

四、数据清洗

选择子集→列名重命名→删除重复值→缺失值处理→一致化处理→数据排序→异常值处理

本分析报告的具体清洗步骤如下：

五、分析内容

1.用户流失的原因

(1)提出问题

从下图可以看出，用户点击浏览商品的次数远远大于其他行为，其中购买商品的次数仅占点击浏览商品次数的2%.34%表明用户从点击浏览商品到购买商品的转化率较低，因此有必要分析用户在此过程中放弃购买商品的原因。

(2)假设(商品丰富度、推荐商品是否符合客户需求、购物环节)

假设一：商品种类单一，导致用户放弃购买；

假设2：推荐产品不符合用户需求，导致用户中途放弃；

假设3：购物环节不符合用户的购物习惯，或者中间环节太多导致用户犹豫购买。

(3)验证假设

a.验证假设一

由数据可知，商品一级种类的数量有3128，细分后的商品二级种类数量有 ** 440，远远大于用户数量(983)，说明商品种类丰富，假设不成立。

b.验证假设二

整理数据，获得点击量前十的商品类别id如下图所示。前三大商品类别中id依次为4756105、3607361、4145813。

整理数据，获得购买量前十的商品类别id和商品id，这些商品类别id和商品id它更受用户欢迎。前三大商品类别中id依次为2735466、14 ** 116和4145813，前三种商品id为3027414、4657130和812879。

从上图中发现点击次数前十的商品类别id仅有五个位列购买次数前十，而且点击次数前三中的4756105和3607361在购买次数上排名靠后。如下图，对比点击次数前十和购买次数前十的商品类目id转化率(购买次数/点击次数)，发现点击次数前十中转化率最高的只有1.96%的商品个比例的商品类别id点击次数不在前十，说明推荐商品与用户需求不同，假设二成立。

c.验证假设三

数据集中用户的行为类型有：pv点击浏览商品详情页，fav收藏商品、cart将商品加入购物车和buy购买商品时，用户购物成功的过程如下：

创建购物过程视图如下，然后对每个购物过程进行数据分析：

第一种情况是点击→选择这种购物流程的用户数为1029人。

第二种情况是点击→加购物车→选择这种购物流程的用户数为235人。

第三种情况是点击→收藏→选择这种购物流程的用户数为80人。

第四种情况是点击→收藏→加购物车→选择这种购物流程的用户数为18人。

用户点击率为70753，从现有数据来看，用户流失率非常高。然后观察四个成功的购物过程，发现购物环节越少，转化率越高。此外，第二和第三种情况也是三个环节，购物车转化率明显高于收藏，可以理解为购物车意味着用户购物意愿强于收藏，所以可以尽量减少购物环节，或引导用户进入购物车，减少用户犹豫时间，促进商品交易。从以上分析来看，假设第三个成立的。

综合以上分析，用户流失的主要原因是推荐商品与用户需求不匹配，购物过程复杂。

2.活跃用户和下单时间

(1)用户在工作日和周末积极下单

2017年11月25日至2017年12月3日，将用户活动时间定义为用户行为类型pv用户下单时间为用户行为类型buy时间。从下图来看，根据完整的一周(2017年11月27日至12月3日)，用户的点击量和订单量将高于周末的工作日，尤其是点击量。

(2)用户在一天中的各个时间段活跃下单。

为文选取2017年11月27日(星期一)和2017年12月3日(星期日)的数据，观察用户周末和工作日中一天段的活动和订单情况。

从用户活动的角度来看，用户工作日和周末的活动趋势大致相同。周末的活动总体上高于工作日。此外，用户从早上起床和工作开始活跃一天。午休（13:00-14:00）活动迎来小高峰，然后活动从18:00开始显著增加，到20:00-21:00迎来一天的高峰。在这里，我们可以判断用户利用业余时间浏览商品。

从用户订单的角度来看，每天00:00-17:00的用户工作日和周末订单趋势大致相同，午休时间会有订单高峰。用户在工作日21:00-22:00也会有订单高峰，周末17:00后订单保持稳定，订单量高。

3.用户分类

RFM分析方法旨在根据价值对用户进行分类recency(用户最新消费时间间隔)，frequency和monetary(用户消费金额)，其分类如下表所示:

2017年11月25日至2017年12月3日(共9天)，不包括用户消费金额的数据集建立以下评分标准:

通过RFM筛选出重要价值用户(50人)、重要开发用户(340人)、重要维护用户(13人)和重要保留用户(268人)。

六、结论和建议

1.用户流失的主要原因是推荐商品与用户需求不匹配，购物过程复杂。

(1)购买量前三的商品类别id依次为2735466、14 ** 116和4145813，前三种商品id这些商品类别依次为3027414、4657130和812879id和商品id它们更受用户欢迎，可以向用户推荐这些商品，也可以与其他商品结合销售，以增加销量。

(2)购物环节越少，转化率越高，可以通过尽量减少购物环节，或者引导用户将商品加入购物车，减少用户的犹豫时间，促进商品交易。

2.根据完整的一周(2017年11月27日至12月3日)，用户的点击量和订单量将高于周末的工作日，尤其是点击量。一天中，午休(13:00-14:00)和下班后(20:00-22:00)会有点击和下单的高峰期。因此，商家可以在这段时间内推送相应的商品，开展营销活动。

3.通过RFM分析方法筛选出重要价值用户(50人)、重要开发用户(340人)、重要维护用户(13人)和重要保留用户(268人)。按照28年的原则，商家需要密切关注重要价值用户，提供优质服务，防止其流失；对于人数最多的重要开发用户，可以通过发放优惠券和红包来增加消费频率；对于活动较低的重要用户，可以通过数据分析了解他们的购物需求，积极联系他们，推送相关产品。

七、PPT