电商项目数据分析报告
时间：2023-03-15 21:04:01 | 来源：电子商务
时间：2023-03-15 21:04:01 来源：电子商务
本文结构：
文章结构一、数据介绍1、数据简介 该数据集包含两个表—orderinfo和userinfo。
Orderinfo记录了537510条数据，表的每一行记录了一个订单信息（包括已支付和未支付），该表由订单编号、用户ID、是否支付、订单金额、订单时间构成。
Userinfo记录了每个用户的信息，每一行记录包含一个用户的信息，其中包含的信息有用户ID、性别、出生日期，一共有101535条数据。
2、字段介绍Orderinfo:
Orderinfo其中ispaid包含“已支付”和“未支付”。
Userinfo：
Userinfo二、分析思路1、提出问题2、数据探索该数据集为电商领域的数据，包含了用户的下单信息及用户的信息，包括了用户、订单号、是否支付、订单金额、订单时间五个维度。因为是电商数据，所以得先了解相关的电商运营基础指标，指标如下：
电商常用分析指标了解电商基础运营指标后，结合本数据及看数据能做的分析包含哪些方面：
- 基于price、orderid、paidtime等字段数据可以分析销售额等整体销售业绩指标；
- 基于userid、ispaid、paidtime等字段，可以进行用户行为分析，计算复购和回购的情况。
- 结合userinfo中提供的用户信息，进行用户特征分析。
三、清洗数据导入数据：直接通过sequel pro的导入按钮，将数据源导入。
1、重复值处理不存在重复记录：
2、缺失值处理Orderinfo：
记录均为539414个，无缺失值。
查询结果userinfo表也无缺失值。
3、异常值处理以日期（分组）对orderinfo表的数据量进行查看，得知数据主要集中在2016年3月和4月，5月的数据量只有7条，无参考意义。因此先删除2016年5月的7条数据。
四、构建模型1、总体运营指标：（1）销售业绩指标：销售金额、订单量、单比订单金额
总体销售指标- 现象描述/分析：从2016年3月到4月，订单量下降了6%，成交订单总金额基本维持不变，单比订单金额增长7%。因无其它数据对比，无法展开进一步分析。
2、用户行为分析（1）订单量/下单人数变化趋势（日期、周、小时粒度）
a、日期粒度
日期粒度用户行为走势按日期粒度来看，订单量和下单人数基本呈正相关的关系，且呈现有规律的波动。并且从图标上波动的规律来看，订单量在每周六达到最低点，同时，在4/2与4/3，订单连续两天到达在最低点（4/2-4/4为清明小长假）。我们也会在后面周粒度中去印证这一现象。
b、按周粒度
周粒度用户行为走势如日粒度中的展示结果，订单量周六达到最低点，后面逐渐回升，在周二到周四达到峰值。因此，平台或店铺的营销活动可以选择在工作日展开，以达到最好的促销效果。
c、按小时粒度
小时粒度用户行为走势每日0点到5点订单量快速降低，降到一天中活跃量最低值，6点到10点订单量快速上升，10点达到峰值。12点到21点用户订单量较平稳。
结论：用户白天的购买行为比率相比于晚上会高，白天使用平台购买的目的性最强。
（2）用户的回购率和复购率特征a、回购率：本月购买用户中下个月又再次购买的比例，因此本月回购率=本月购买下个月再次购买的用户数/本月购买的用户总数。
- 现象描述/分析：由于该数据集只展示了2016/4-2016/5的数据，因此只能展示2016年3月的回购率，为23%。无其它月份数据对比，不展开分析。
b、复购率特征
a、复购率
复购率=购买了多次的用户占所有用户的比例
- 现象描述/分析：整体复购率为37.9%，无其它数据比较，不展开分析。
b、复购特征分析
查询代码
看分布
复购特征分析由此可见大部分用户集中在7次以内，将客户按购买1次，2-4次，5-7次，8次以上分组，结果如下：
各购买次数占比如图：
仅购买一次的客户占比为50%，2-4次客户占比为31%，5-7次为18%。说明该平台绝大多数客户购买少于4次，发展空间较大。
3、用户画像--用户特征分析
a、男女消费频次和金额的差异
- 现象描述/分析：有查询结果看来，男女生在消费频次上无太大差异。从中销售额和平均消费金额来看，男女相差也不大。男生总消费额相比女生高5%，而平均消费金额比女生低6%。
b、不同年龄段及性别的消费金额差异
不同年龄段及性别的消费总金额从总体来看，消费人群主要集中在20-50岁，占了总销量的89%，其中以30-34分布最多，20-30次之。在性别分布方面，20-30岁区间女性比男性销量略高，其它区间，均是男性高于女性，后期可以针对具体主力人群进行目的性的广告投放。
4、基于RFM模型分析用户价值：(1) RFM模型简介（2）分类维度及分类标准（3）实现过程参考RFM模型，结合该数据集的字段，通过R（Recency）、F（Frequency）和M(Monetary)三个维度把客户分成8大类：
a、建立视图，统计用户R、F、M值：这里以2016/4/30为参考时间
b、给R、F、M分组，给用户打分—数值分组查看最大值和平均值，确定分组标准。
R值：0-9，10-19，20-29，30-44，45-60分别对应5分、4分、3分、2分、1分；
F值：1-6，7-12，13-18，19-24，24-31分别对应为1分、2分、3分、4分、5分；
M值：1-1000，1001-2000，2001-4000，4000以上分别对应为1分、2分、3分、4分、5分。
（1）为用户价值打分
将R、F、M分组后按照上面的标准进行打分
（2）计算R_score、F_score、M_score的平均值，确定评分标准，按RFM的平均值打标签，然后将R/F/M的评分跟平均值做比较。
（3）给不同价值用户贴上价值标签：
代码：
（4）查看不同价值用户占比情况
各类型用户计数：
可视化展示：
客户类型占比（5）现象描述/分析：
针对不同用户实行不同的营销策略：
- 新客户：该类用户占比最高，新付费用户，需要挖掘客户需求，提高用户粘性，引导用户再次购买。
- 重要价值客户：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，占整体客户的25%。
- 重要深耕客户：该类客户潜力很大，但忠诚度不够，可以推荐其它产品和服务，拓展用户的消费场景和需求，提高用户忠诚度。该类用户也占了很高的比例，20%。
- 重要挽留客户：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，12%比例比较高了。
五、总结建议（1）用户行为特征
现象：按周来看，工作日活跃，周四开始活跃度下降，周六后活跃度继续上升到正常值。按日来看，用户在10点-21点活跃，在10点时，成交量达到最高峰。
建议：营销活动时间节点选择可根据用户以上活跃规律进行，实现活动效果最大化。
（2）用户的回购率和复购率特征
建议：总体复购率37.9%，可针对复购率高的商品和用户，分析其画像，提升复购，增加留存。
(3)用户特征分析
现象：消费人群主要集中在20-50岁，占了总销量的89%。在性别分布方面，20-30岁区间女性比男性销量略高，其它区间，均是男性高于女性。
建议：后期可以针对具体主力人群进行目的性的广告投放和运营。
（4）用户价值
新客户：该类用户占比最高，占了总用户的43%，说明近期针对新用户的运营效果显著。需要挖掘客户需求，提高用户粘性，引导用户再次购买。
重要价值客户：他们是最优质的用户，就是最近有消费且频次高的用户，占整体客户的25%。 需要重点关注并保持， 应该提高满意度，增加留存，
重要深耕客户：该类客户潜力很大，但忠诚度不够，可以推荐其它产品和服务，拓展用户的消费场景和需求，提高用户忠诚度。该类用户也占了很高的比例，20%。
重要挽留客户：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，12%比例比较高了。
在线咨询
