随着电商行业的发展度过红利期，新客获取的流量成本居高不下，对消费品牌的直接影响则是销售贡献中增量的减少。为了弥补乏力的增长，各个品牌越来越重视对存量人群进行精细化运营，因为与获取新客相比，对存量老客的运营维护成本更低，反而能带来更高的转化率。

本次使用的用户行为数据集由阿里云-天池提供。

https://tianchi.aliyun.com/dataset/dataDetail?dataId=649

所提供数据来自阿里巴巴真实业务数据， 是2017年11月25日至2017年12月3日之间用户行为数据，由于原数据较大（100万），在此只导入前10万条数据进行分析。

此数据集中已有的字段及behavior_type值域说明如下：

基于对淘宝用户行为数据的挖掘，形成数据结论后，输出一套能提高运营效率的策略建议赋能业务增长。

项目整体的分析思路：明确问题-分析原因-落地建议。

【明确问题】：通过对整体数据的分析，透视业务现状，并结合分析框架明确业务问题；

【分析原因】：把复杂的业务问题通过多维度分析方法拆解成多个小问题，并选择合适的分析方法、分析模型逐一对问题进行分析

【落地建议】：分析得到的数据结论，需要结合业务场景，转成可落地执行的策略建议，帮助赋能业务增长

现有的5个字段都有用途，故选择所有子集。

– 查找是否存在重复数据并删除

– 新建行id

– 找到重复id并删除重复行记录

查找是否存在缺失值

数据显示无缺失值。

（1）时间戳的处理

为了方便后文更复杂的日期分析，这里用函数FROM_UNIXTIME(时间戳，时间格式) 将时间戳转为不同格式的时间。

（2）剔除超出时间范围的数据

有了日期字段后，就可以直接将超出指定时间范围的数据剔除掉。

至此，已完成数据清洗工作，剩余的数据便是可以直接用来分析的“纯净”数据。

此部分要求对业务有个整体的认识，在本案例中，主旨是进行用户行为分析，所以要知道总共有多少会员、他们分布情况如何等。

根据统计结果可以知道，出现有业务中，共有983名会员在2017年11月25日-12月3日期间发生了动作。

知道整体有多少会员后，接下来要进一步对他们的行为进行观察，因为分析的是淘宝行为，在电商领域比较常用的方法是AIPL营销模型：

A - Awareness 认知：浏览

I - Interested 兴趣：收藏、加购

P - Purchase 购买：购买

L - Loyalty 忠诚：复购

为了方便进行复杂分析，需要对表结构进行【行列互换】，此操作通过【创建视图】来完成：

A. 第N次消费计算 通过dense_rank() 窗口函数对会员按每次消费时间进行排序，即可得到每个会员的第n次消费，将字段命名为 n_consume；并用查询语句新建视图consume

B. 统计L行为 从consume提取复购的次数，即 n_consume 大于1的行为都算进L中，计算结果如图：

根据以上分析结果，可以计算出每个环节的转换率：

A→I：9%；I→P：23%；P→L：64%

整体分析的目的是为了找出用户运营存在的问题或特点，进而提出分析目标，并以此作为接下来进一步分析的目标。

在整体分析到明确问题的过程中，需要有【象限思维】，即按轻重缓急列出问题的重要性排序。这样才能有序地分析，业务才能在有限资源的条件下选择分析结论进行落地实践。

【拉新环节 A→I】 部分做得较差，可能拉新完成率较低。将该问题列为优先级：重要紧急 P0

【收割之客户复购 P→L】 部分做得很好，可以据此总结业务经验或复购规律，进一步推广应用。将该事项列为优先级：重要不紧急 P1

【收割之客户首购 I→P 】部分效果还可以，可以进一步挖掘用户购买转化路径。将该事项列为优先级：不重要不紧急 P2

【P0: A→I 】部分是转化率低的问题，在零售行业中，【人货场】分析是最常用且有效的分析方法，故此案例也将应用该方法进行分析；

【P1: P→L】部分是用户复购表现很好，可以通过【用户复购分析】，挖掘、总结复购特征；

【P2: I→P】部分目的在与进一步透析用户购买行为，可以通过【购买率特征分析】和【RFM模型】进行分析。

【P0: A→I 】部分：通过【人货场】分析，解决A认知用户到I兴趣用户行为转化率低的问题。

【人】的部分主要在于观察用户行为特点，以总结经验。

因为数据维度有限，会员自身行为相关的数据除了商品外就是时间，而商品计划在【货】部分进行分析，故此部分旨在分析用户A到I高效转化的时间特征。

各时段AI转化分布，结合group by 语句，即可计算各时段AI转化情况。

由于计算结果中，有很多不同的值。根据对比思维，我们需要【比较基准】，才知道这些转化率哪些高，哪些低，才可进一步判断。

以常见的“平均值”作为对比的基准，计算语句如下：

分析结论

因为每个时间段浏览的人数不同，为了确保分析的结果有效，在这里要选择浏览量大于平均值3733的时间段来观察。

在这些时间段中，我们认为转化率大于平均值9.1%的时段就是既是浏览人数多，又是转化率高的时段，即11点、15-17点、19点、22-23点。其中，23点的转化率大于10%，为最大值，可以作为最佳广告投放时间。

此部分需要对【人货匹配】情况进行分析，进而可针对性地将货品根据会员行为进行调整。

总商品数统计

在分析之前，需要先对AI阶段涉及的总商品情况进行观察：

接下来，计算用户感兴趣的商品：

接下来，结合【假设验证思维】，基于有效浏览产生兴趣的商品数差异较大的情况，提出假设：用户偏好的商品主要集中在少数商品，而大部分长尾商品则是被错误地推荐到用户。

验证思路：

将被浏览最多的前100款商品 以及 用户最感兴趣(即加购、收藏)的前100款商品 进行交叉查询

如果交叉出的商品数较少，则假设成立

反之，则假设不成立

按如下语句提取被浏览最多的前100款商品和最感兴趣的前100款商品

按验证思路里说的，分别进行A, I 热门的前100款单品交叉，查看交叉数量：

分析结论

结果显示，仅有5款商品既是⾼浏览量，也是⾼收藏/加购的，故假设成⽴：⽤⼾偏好的商品主要集中在少数商 品，⽽⼤部分⻓尾商品则是被错误地推荐到⽤⼾，进⽽可得出【⼈货匹配】效率低的结论。

【场】广义来说指的是与用户的触点，例如在线下零售业，则是门店; 在线上电商，则是在线店铺、平台、投放渠道等。

从这个角度，分析此段时间淘宝平台的活动情况：

结合业务经验，数据时间段在双十一之后，双十二之前，即是两个大促的中间节点

查询2017年双十二的相关信息如下：

活动：天猫双12年终品牌盛典

预热时间：2017年12月7日00:00:00-2017年12月11日23:59:59；

上线时间：2017年12月12日00:00:00-2017年12月12日23:59:59。

6.2.4分析小结 ⼈：为提⾼转化率，可选择在浏览值⼤于3733且转化率⼤于9.1%的时间段加⼤投放⼒度；其中，23点为转化率⼤于10%，为最佳投放时间。

货：⼈货匹配效率低，平台⼤部分商品为⻓尾商品，但它们并不能很好地吸引⽤⼾兴趣，需要进⼀步优化商品信息以提升转化率。

场：从平台活动周期⻆度来说，分析时间段正处于⼤促活动预热前的低潮期，此客观因素也在⼀定程度上导致转化率低。

【P1: P→L】部分：根据此前制定的分析思路，PL部分计划进行【用户复购分析】以挖掘复购特征。

结合具体业务，复购分析的目的是为了优化用户触达策略，即何时何地向哪些已购用户推送什么商品可提升复购率。此案例中，受数据限制及考虑受众，暂不对商品推荐进行建模分析。将通过分析用户【复购周期】以解决业务中触达时间的问题。

现该部分问题转化为分析用户复购周期问题，对于此，从业务角度主要包括何时触达、触达多久两部分。

可通过计算用户平均回购周期，即可在用户发生购买行为后，在平均回购周期内对其进行营销触达。

为了计算方便，这里我们新建一个记录用户第N次购买的视图取名为consume_dates

注意，这里与开头计算AIPL的视图consume的区别，在于这里的窗口函数，是基于dates这个字段，也就是按日期去对用户购买行为进行排序

计算步骤：

select a.user_id,a.dates,a.n_consume, datediff(a.dates,b.dates)‘回购周期(天)’ from consume_dates a,consume_dates b where a.user_id=b.user_id and b.n_consume=a.n_consume-1 结果说明：如图，user_id 为100的用户 n_consume=2，回购周期=2天 即为期第二次消费时，与第一次消费间隔了2天，也就是说该用户在2天前进行了第一次消费。

分析结论

即可以在用户购买行为后的2-3天内对其进行触达。

通过计算不同时段下购买的客户最长购买周期，供业务触达时参考。

分析结论

结果显示，整体平均最长消费间隔为4.42天。

用户的平均回购周期为2.35天，可以在用户购买行为后的2-3天内对其进行触达。而整体平均最长消费间隔为4.42天，可以在4-5天内重复1-2次以确保顾客能接收到足够的营销刺激。

【P2: I→P】部分：由此前漏斗分析可知，平台用户复购率高达64%，也就是说用户只要突破0到1的消费，接下来就有64%的机会复购，所以此部分重点应放在如何提升AI→P。

为了提高AI客户的购买转化率，可以通过高购买率客户与低购买率客户对比，挖掘高购买率客户特征，进而指导业务运营策略。

先创建视图user_feature，以便统计每个客户的购买率。语句如下：

统计可知，共有386个客户，查询语句如下：

高购买率 vs 低购买率

结合【二八原则】，认为前20%为高购买率客户，后20%为低购买率客户。即：386*0.2 =77，即前77位客户为高购买率客户;

386-77 = 309，即309-386位的客户为低购买率客户。

低购买率客户品类集中度：

1）⾼购买率客户浏览商品数36远小于低购买率客户浏览商品数194。

2）⾼购买率客户平均加购率11%大于低购买率客户平均加购率7% 。

3）⾼购买率客户购买品类集中度399 远大于低购买率客户购买品类集中度97。

综上所述可得⼈群画像：⾼购买率⼈群浏览商品数少，但加购率⾼，⼤概率为决策型顾客，看对了商品就下手购 买；而低购买率人群更多是纠结型顾客，需要反复浏览商品来确认最终想要的。 此外，低购买率人群品类集中度⾼，可列出这些品类，有⽬的性地优化品类信息，减少用户浏览跳失率。

为促进用户购买，需进行精细化用户运营，即可通过RFM模型实现。

由于数据限制，并无用户购买金额数据，故此处可与AIPL模型结合，重新定义R、F、M：

R：客户最近一次购买离分析日期的距离，用以判断购买用户活跃状态F：客户收藏、加购行为次数 M：客户购买行为次数 因此，RFM分群结果及人群特征如下：

重要价值用户（R高F高M高）：用户处于购买活跃期，感兴趣的商品多，购买次数也多

一般价值用户（R高F高M低）：用户处于购买活跃期，感兴趣的商品多，购买次数少

重要发展用户（R高F低M高）：用户处于购买活跃期，感兴趣的商品少，购买次数多

一般发展用户（R高F低M低）：用户处于购买活跃期，感兴趣的商品少，购买次数少

重要唤回用户（R低F高M高）：用户已不活跃，感兴趣的商品多，购买次数也多

一般唤回用户（R低F高M低）：用户已不活跃，感兴趣的商品多，购买次数少

重要挽留用户（R低F低M高）：用户已不活跃，感兴趣的商品少，购买次数多

一般挽留用户（R低F低M低）：用户已不活跃，感兴趣的商品少，购买次数少

（1）计算R值

（2）计算F、M值

（3）将前两个表合并，写成一个语句，并新建视图RFM

（1）为了划分R、F、M值的高与低，这里采用常用的平均值法作为阈值，语句如下：

（2）根据以上RFM阈值，及RFM定义，将每个客户划分到不同的用户价值族群中。