淘宝用户分析

Posted 2020-11-28 ucasljq

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：

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。

-- 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。