电商用户行为分析（二）
3、RFM模型分析：
由于数据没有购买金额相关指标，因此本文只分析R和F两个指标：
R(Recently): 最近一天的购买时间差(以2014-12-18为基准)
F(Frequency): 近期的购买频率
R
F
根据R和F的情况，将R/F分为四组：
R值0-5、6-15、16-23,、24-30分别对应4、3、2、1分
F值1-5、6-10、11-20、21以上分别对应1、2、3、4分
（1）、计算R和F的判断值：
计算R和F的判断值：
步骤：
1、统计用户R值和F值
2、给RF分组，给用户打分(数值分组、
3、计算R_score和F_score的平均值，确定评分标准
select avg(R_score),avg(F_score) #R、F的平均分
from
(select
a.user_id
,R
,(case WHEN R BETWEEN 0 AND 5 THEN 4
WHEN R BETWEEN 6 AND 15 THEN 3
WHEN R BETWEEN 16 AND 23 THEN 2
WHEN R BETWEEN 24 AND 30 THEN 1
ELSE 0
END) R_score #给R按价值打分
,F
,(case WHEN F BETWEEN 1 AND 5 THEN 1
WHEN F BETWEEN 6 AND 10 THEN 2
WHEN F BETWEEN 11 AND 20 THEN 3
WHEN F BETWEEN 21 AND 82 THEN 4
ELSE 0
END) F_score #给F按价值打分
from
(select user_id,
DATEDIFF('2014-12-18',max(date)) as R, #R的分数
count(*) as F #F的分数
from user1 where behavior_type='buy'
group by user_id)
as a)
as b;
RFM评分
RF平均值
（2）给不同价值用户贴上价值标签
给不同价值用户贴上价值标签
SELECT
c.用户分类
,count(c.用户分类)
FROM
(
SELECT
user_id
,(case when R_score>2.92 AND F_score>1.08 THEN '重要价值客户'
when R_score>2.92 AND F_score<1.08 THEN '重要深耕客户'
when R_score<2.92 AND F_score>1.08 THEN '重要唤回客户'
when R_score<2.92 AND F_score<1.08 THEN '重要挽留客户'
END)用户分类
FROM
(select
a.user_id
,R
,(case WHEN R BETWEEN 0 AND 5 THEN 4
WHEN R BETWEEN 6 AND 15 THEN 3
WHEN R BETWEEN 16 AND 23 THEN 2
WHEN R BETWEEN 24 AND 30 THEN 1
ELSE 0
END) R_score #给R按价值打分
,F
,(case WHEN F BETWEEN 1 AND 5 THEN 1
WHEN F BETWEEN 6 AND 10 THEN 2
WHEN F BETWEEN 11 AND 20 THEN 3
WHEN F BETWEEN 21 AND 82 THEN 4
ELSE 0
END) F_score #给F按价值打分
from
(select user_id,
DATEDIFF('2014-12-18',max(date)) as R, #R的分数
count(*) as F #F的分数
from user1 where behavior_type='buy'
group by user_id)
as a)
as b)
as c
GROUP BY c.用户分类
客户分类
用户分类
用户分层结果分析：
重要深耕用户的比例最高，这部分用户粘性比较大，可以派发大额度优惠券、大促活动或超低价商品来吸引用户，提高消费频率；
重要挽留用户占比较大，这种用户有即将流失的危险，需要主动联系用户，对用户进行调研，调查清楚哪里出了问题，可以通过短信，邮件，APP推送等唤醒客户，尽可能减少流失；
对于重要价值用户，消费频率高且最近消费距离现在时间短，需要倾斜更多资源，给其提供VIP服务或个性化服务；
对于重要唤回用户，这类用户忠诚度比较高，可以根据用户的购买记录推送用户偏好的品牌或品类，提高复购率。
4、用户生命周期分析
结合AARRR模型对用户生命周期阶段进行划分，因为数据集没有金额，所以这里也只从R、F两个维度进行分析：
（1）指标选择
指标选择
SELECT
behavior_type
,count(behavior_type)数量
FROM user1
GROUP BY behavior_type
image.png
（2）权重计算
计算各指标权重
**（3）计算得分排名
计算得分排名
SELECT
user_id
,b.得分
,rank() over(ORDER BY 得分 DESC) as 排名 #对得分进行排名
FROM
(
SELECT
*
,(浏览*0.1+收藏*0.2+加购物车*0.2+购买*1)得分 #计算用户活跃度得分
FROM
(
SELECT
user_id
,sum(case when behavior_type='pv' then 1 else 0 end)浏览
,sum(case when behavior_type='fav' then 1 else 0 end)收藏
,sum(case when behavior_type='cart' then 1 else 0 end)加购物车
,sum(case when behavior_type='buy' then 1 else 0 end)购买
FROM user1
GROUP BY user_id
) as a
ORDER BY 得分 DESC
) as b
排名
（4）周期划分
生命周期计算
#给每一位用户打上周期标签
#已知总用户数8477人，按比例划分:
#成熟期：排名小于8477*20%
#成长期：排名介于8477*20%到8477*50%
#休眠期：排名介于8477*50%到8477*75%
#流失期：排名大于8477*75%
SELECT
*
,(case when 排名<=1695 then '成熟期'
when 排名>1695 AND 排名<=4239 then '成长期'
when 排名>4239 AND 排名<=6358 then '休眠期'
when 排名>6358 then '流失期'
else 0 end )周期标签
FROM
(
SELECT
user_id
,b.得分
,rank() over(ORDER BY 得分 DESC) as 排名 #对得分进行排名
FROM
(
SELECT
*
,(浏览*0.1+收藏*0.2+加购物车*0.2+购买*1)得分 #计算用户活跃度得分
FROM
(
SELECT
user_id
,sum(case when behavior_type='pv' then 1 else 0 end)浏览
,sum(case when behavior_type='fav' then 1 else 0 end)收藏
,sum(case when behavior_type='cart' then 1 else 0 end)加购物车
,sum(case when behavior_type='buy' then 1 else 0 end)购买
FROM user1
GROUP BY user_id
) as a
ORDER BY 得分 DESC
) as b
) as c
所处生命周期阶段
给每个用户打上标签之后，就可以根据用户所属的不同阶段，并结合具体情况进行精细化运营；
5、总结建议
通过对运营指标、用户行为、漏斗模型特征、用户价值的分析，可得出如下结论：
1、总体运营指标方面：
1）从对流量指标和订单产生效率指标分析可知，促销活动对用户各项指标的影响非常大。
建议：要充分利用好节假日的机会，策划相关营销活动，提升用户活跃度，提高销售转化。
2）用户行为转化率很低但跳失率却不高，这说明用户在首页进行多次点击后并未找到中意的商品，有意向-购买转化率50%，说明有过半数的加购物车最终也没有成交。
建议：优化产品详情页、收藏页、购物车页面，可以通过活动、优惠券、倒计时购物车等方式增加客户购买紧近感，促进用户下单的利益“诱导。
2、用户行为特征：
1）时间上的活跃度特征：活动日活跃平日平稳；周末活跃平日平稳；晚间活跃白天一般。
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）商品上的活跃度特征：仅购买一次的用户占47%，购买5次以内占比90%以上，说明留存率很低，结合基于独立访客的转化率来看，运营效果不好。
建议：针对活跃商品和用户提炼其画像，分析其背后的需求逻辑，优化商品结构，建立用户详细信息库，通过合适的渠道，进行精准营销活动推送，提高用户复购率。
3）购买路径上的特征：直接购买占比58%、浏览购占比47%，用户并不会走完每一个步骤，商品品质和首页引导对销量转化非常关键。
建议：优化商品结构，确保商品品质，提升用户满意度；优化首页界面，减少用户购物筛选难度，提升下单概率，提升转化效率。
4）复购率上的特征：总体复购率53%，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、漏斗模型
通过漏斗模型发现用户从浏览到购买的转化率低。
建议：
1）优化电商平台的搜索匹配度和推荐策略，主动根据用户喜好推荐相关的商品，优化商品搜索的准确度和聚合能力，对搜索结果排序优先级进行优化。
2）商品在详情页突出展示用户感兴趣的信息，优化信息呈现的方式，减少用户的时间成本。
3）从商品本身考虑，根据客户反馈对商品进行改进优化，增加点击后的购买率。
4、用户价值
有购买行为的用户中，大概有53%的用户会重复购买，整体上看用户的忠诚度较高。通过RFM模型对用户进行分层，分析得到用户主要集中在重要深耕用户和重要挽留用户上。
1）、重要价值客户仅为6.7%，高价值用户比例低。
建议：提高重要价值客户比例，可通过提升重要深耕客户的购买频次等方式实现
2）、重要保持客户64.9%，最近有购买，但是购买次数很少的客户比例较高。
建议：建立用户画像进行深耕，进行精细化个性化运营，刺激消费，转化为重要价值用户。
3）、重要挽留/唤回客户仅为28.5%，这部分客户已经很久没有购买了，要防止流失。
建议：分析历史购买记录，分析用户画像，挖掘需求点，尽可能挽回这部分用户。
