电商平台用户行为数据分析

时间：2023-03-15 23:02:01 | 来源：电子商务

时间：2023-03-15 23:02:01 来源：电子商务

一、分析背景

由于互联网的快速增长，人口红利的阶段已经一去不返，而近些年的“精细化运营”的概念兴起，各互联网平台以用户的核心的运营策略就需要对用户的偏好，动作有准确的评估和分析，所以用户在各互联网平台的行为数据就尤为关键重要。基于用户行为分析可以指导营销活动走向，找到用户行为特征，为企业的运营和经营提供一定的支持。

二、分析目的

本案例通过国内某电商平台2020年1月1日-1月7日的用户行为数据进行探究用户留存，产品优化，精准营销方面的策略输出。（相关数据已经脱敏，不涉及任何个人信息和商业信息，仅做分析展示使用）

三、分析方法

本案例通过对用户的行为事件分析、留存分析、RFM价值分析等方法来对电商用户行为数据进行分析，基于用户行为偏好构建业务增长策略。

四、分析过程

4.1基本数据情况

运行MYSQL环境，将用户行为数据.csv文件导入可视化软件Navicat中

将表重命名，新建查询：输入SELECT FROM user_action，共产生用户行为数据(2943793*6)条，数据基本情况如下：

各字段的相关解释如下表所示：

4.2数据清洗

重复值：通过数据处理后发现，在用户行为数据中有 7213 行数据是重复的，重复数据对于分析结论是没有价值的，故决定对其进行删除；删除后数据体量变为2,936,580 * 6：

缺失值：通过数据处理后发现，在用户行为数据中只有字段 sp_id 是有缺失值的（2048003条），结合电商业务特点判断此字段缺失是正常的（浏览不一定会产生关联商品），所以对于缺失值不做任何处理。

异常值：数据中的行为数据比较关键，结合电商业务特点可以判断有“浏览”、“提交订单”、“支付”、“加购”、“收藏”等 5 种行为，为了判断用户的各个行为动作发生的次数，我们需要对各行为次数进行计数统计，具体数据如下：

在统计过程中发现了一个异常的行为动作，进行剔除：DELETE FROM user_action1 WHERE behavior_type='浏�44334cb58f28550b651342b5'；

筛选时间：由于分析的时间是1月1日至1月7日的相关数据，所以要对不符合的相关时间点进行去除。通过用户行为时间字段探索，本数据中用户行为最早发生时间为“2020-01-01 00:00:03”，最晚发生时间为“2020-01-08 00:03:21”，故需要将 2020-01-08 的数据删除；使用此时的数据体量变为 2936440 * 6：

至此数据清洗完毕，以下为具体分析。

4.3平台整体运营情况分析

整个交易流程的闭环无非就是三个方面“流量”、”转化”、“交易额”，接下来，我们就从以下三个方面进行深入的分析：

（1）流程层面分析

计算pv(page view)和uv(unique visitor)：

随着元旦假期的开始，平台活跃用户数在 1 月 2 日达到峰值，假期最后一天活跃人数跌落到了谷底，后续保持持续的波动；元旦开始之后，平台用户浏览次数与浏览人数大致保持相同的变化趋势，这是一个常规的现象，但是，2020 年 1 月 1 日当天出现了一个逆势现象（uv人数偏少，pv次数偏多）。

上述逆势现象考虑如下的技术原因：因为元旦假期的来临，大量的用户来到平台，导致出现系统性问题（用户重复进入平台）。

（2）转化层面分析

对于 B to C 平台而言，它最大的核心价值在于连接双边交易，最终目的是吸引用户来到平台进行下单购物，基于此，转化率就是一个非常重要的核心指标。以下是字段page的值对应的页面类型：

输入sql语句计算各页面用户数量，做出百分比堆积柱状图：

通过数据可以看出，随着元旦假期减少，页面流量转化率（首页-支付页）出现了明显的下滑。

随着元旦假期的结束，用户体验核心价值的效率也出现了明显的下滑，这一点很重要，用户到达不了核心页面（详情页）便不会产生连接和交易。

（3）交易层面分析

输入sql语句计算每天付费用户数量以及订单数，根据数据绘制出用户数量和订单数折线图：

2020 年前 7 天，平台共有 5969 位用户产生了支付行为，这些支付行为发生在 7034 次会话中。从时间的维度上进行进一步的切分：元旦当天产生支付行为的会话数（有效会话）和用户数都处于一个比较高的水平上，这说明元旦假期对于平台整体交易具有一定的促进作用；随着元旦假期的结束，“有效会话”数和支付行为用户数都呈现明显的下滑趋势。

4.4用户商品偏好分析

接下来基于用户行为数据来探究用户对于平台商品的喜好程度以此来支持平台运营活动中的选品策略和供应链管理。

（1）商品综述：2020 年 1 月 1 日至 2020 年 1 月 7 日，用户行为中总计涉及到的商品数为761 种，其中用户支付的商品数为 758，商品被购买的比例接近 100%，说明目前平台所上架商品的选择还是很好的，能够满足用户的需求，商品动销率很高；

（2）用户行为商品偏好：用户行为商品偏好更多的是研究用户不同行为的偏好程度，通过此数据看用户对什么样的商品更加的感兴趣从而为后期运营活动的选品、首页商品展示、列表页商品排序甚至是后期的供应链管理都有重要的作用与意义；通过以上数据发现 用户浏览、收藏、加购、提交订单、支付等行为所关联的商品并没有很大程度上的交集，这说明用户的购买行为与上述行为之间没有太大关系，平台在首页、列表页商品展示上面还需要进行更深入的分析，首页的商品推荐也需要更加的细致与深入。

4.5用户行为时间偏好分析

探究用户的行为时间偏好对于更加立体化的了解用户具有重要意义，通过了解用户行为时间偏好能够更好地指引运营策略的精准化实施，比如 push、短信的推送时间，运营位广告的上线时间确定等等；

（1）整体活跃用户变化趋势

2020年前 7天中，平台活跃用户数波动较大，周末（1月 4日/5日周末）相对工作日活跃用户数呈现上涨的趋势；从不同用户行为来看，不同行为活跃用户数的变化趋势基本相同，1月 2日，不同行为的用户是均有所提升，但是提交订单和支付行为用户的提升幅度比其他行为的用户数提升幅度低很多，这说明，节后第二天平台虽然吸引了大量的用户来到平台，但是没有形成有效的交易和转化，这一点需要注意。

(2)时间维度-时刻

①从以下图表可以看出，不同用户行为的用户活跃度变化趋势大致相同，

② 从 0 点到上午 6 点，大部分用户都在休息，不同用户行为的用户活跃度除以比较低的水平；

③ 从上午 6 点开始，不同用户行为的用户活跃度逐渐上升并且一直维持在一个较高的水平；

④ 下午 3点到下午 5点，平台活跃用户数呈现明显的下滑趋势，这一点需要进行结合业务进行解读。

4.6用户价值分析

使用经典模型 - RFM 模型，这个模型利用用户行为数据（登录时间、购买次数、花费金额）来对平台海量用户进行价值分层，目的是将有限的运营资源应用到最优价值的群体上实现“千人千面”的运营策略，最终实现用户运营效果的最大化。

本次是基于用户行为数据来做用户价值分层，鉴于用户行为数据没有提供用户消费金额数据，接下来的分析便从登录时间、购买次数两个维度进行考量 。

（1）分类标准

（2）打分标准建立

通常对节假日的分析复盘在一周之内，本次选的时间截止为2020年1月15日。

2020 年 1 月 1 日-2020 年 1 月 7 日的用户中 R 值的最大值为 14 天，最小值为8天，F值的最大值为 4次，最小值为 1次。基于此，设定的评分标准如下：

(3)利用case when函数计算出每个用户对应的R与F值，按用户价值类型分类计数，并可以用饼图或环形图等可视化图形展示

不同价值类型用户的占比来看，重要发展用户占比过多，相对应重要价值用户占比很低，这在一定程度上说明平台用户粘性不强，忠实用户过少。基于用户行为数据研究用户价值的最终目的是针对于不同价值类型的用户采取不同的运营策略：

A、对能够给平台带来最大收益的高价值用户应该为其提供更好地服务，定期回访，进一步了解用户需求，提升用户满意度，防止这部分用户出现流失；

B、与此同时， 通过数据发现，平台重要发展用户占据很大一部分比例（51.72%），这部分用户的购买次数少，建议平台研究此类用户的用户画像数据，基于用户画像向其推送更多的优质商品、发放优惠券、赠品等措施进而提升复购率，增加客户粘性；

C、重点保持用户和重点挽留用户占比比高，可以向这部分用户发送短信、push、邮件等方式来提醒用户购物，最起码能够占领用户的购物心智。

4.6总结

1.2020 年前 7 天，平台整体运营平稳，受节假日影响平台系统大概率出现高并发问题，影响用户体验；

2.随着元旦假期的结束，用户的核心转化率出现下滑，此类现象出现的原因大概率是用户对于平台不熟悉，不能迅速的抵达产品核心页面，建议平台考虑上线“新手引导”功能点，同时基于用户行为路径分析缩短用户购物流程；

3.周一和周末是平台用户的活跃时间段，平台后期的直播、push 推送、运营页面上线时间建议参考如上时间，提高整体曝光率；

4.从用户价值来看，重要价值用户占比过少，这部分用户要提高其服务力度， 防止其流失，重要发展用户占比过多，需要采取一定的“提频”策略。