淘宝人群报告总结分析

淘宝人群报告总结分析 第一篇

一）删除重复值

查询结果显示数据集并无重复数据。

二）缺失值处理

查询结果显示数据集并缺失值。

三）异常值处理

异常值定义为超出分析时间的数据。因为给定的数据中，时间相关的字段是时间戳类型，而时间戳是指格林威治时间一九七零年零一月零一日零零时零零分零零秒(北京时间一九七零年零一月零一日零八时零零分零零秒)起至现在的总秒数，无法直接与日期进行比较，因此，需要对其进行格式化转换，才能继续分析。用函数 FROM_UNIXTIME(时间戳，时间格式) 将时间戳这一列（timestamp）转为不同格式的时间并存放到不同到新列中。

添加后的表格如下图：

删除超出时间范围的数据（异常值）：

删除异常值四四行。

淘宝人群报告总结分析 第二篇

RFM模型通过一个客户的近期购买行为（R）、购买的总体频率（F）以及花了多少钱（M）三项指标来描述该客户的价值状况，如图一一所示。

由于数据集中没有订单金额信息，我们就只从R、F方面分析。

一）查看对应用户的消费间隔R值

#一.先找出每个用户最后一次购买时的日期，与最后一天的时间间隔

CREATE VIEW pay_B AS

SELECT uid,DATEDIFF('二零一七-一二-零三',MAX(ti_st)) AS B FROM sam_ub

WHEREbeh='buy'

GROUP BY uid;

#二.再根据时间间隔等级R值降序排序

SELECT uid,(CASE WHEN B BETWEEN 零 AND 二 THEN 三

        WHEN B BETWEEN 三 AND 五 THEN 二

        WHEN B BETWEEN 六 AND 八 THEN 一

        ELSE 零 END) AS R

FROM pay_B

ORDER BY R DESC;

二）计算消费频次F

付费用户中消费次数从低到高为一-九三次，将其分为六档一-一零，一一-二零，二一-三零，三一-四零，四一-五零，五零以上，对应F评分分别为一-六分，根据其活跃度将用户分为忠诚、活跃等类型。

#一.先计算出用户的消费次数

CREATE VIEWpay_times AS SELECT uid,COUNT(good_id) AS times FROM sam_ub WHEREbeh= _buy_

GROUP BY uidORDER BY COUNT(gid) DESC;

#二.再分级排序

SELECT uid,(CASE WHEN times BETWEEN 一 AND 一零 THEN 一

        WHEN times BETWEEN 一一 AND 二零 THEN 二

        WHEN times BETWEEN 二一 AND 三零 THEN 三

        WHEN times BETWEEN 三一 AND 四零 THEN 四

        WHEN times BETWEEN 四一 AND 五零 THEN 五

        WHEN times >= 五一 THEN 六 ELSE 零 END) AS F

FROM pay_times

ORDER BY F DESC;

三）查看每个用户的R、F和R+F

SELECT id,R,F,R+F RF

FROM (SELECT uid, (CASE WHEN B BETWEEN 零 AND 二 THEN 三

WHEN B BETWEEN 三 AND 五 THEN 二

WHEN B BETWEEN 六 AND 八 THEN 一

ELSE 零 END) AS R

FROM pay_b

ORDER BY R DESC) r

JOIN (SELECT uid ,(CASE WHEN times BETWEEN 一 AND 一零 THEN 零

WHEN times BETWEEN 一一 AND 二零 THEN 一

WHEN times BETWEEN 二一 AND 三零 THEN 二

WHEN times BETWEEN 三一 AND 四零 THEN 三

WHEN times BETWEEN 四一 AND 五零 THEN 四

WHEN times >= 五一 THEN 五 ELSE NULL END) AS F

FROM pay_times

ORDER BY F DESC;

综合评分为八的用户是极度忠诚用户，需要维持好与用户的关系，积极推送用户心仪的商品；大于六的用户属于忠诚客户，可以积极推送营销信息；综合评分在为三-五范围内的用户，属于活跃用户，可以积极推送所关注店铺的上新活动和优惠信息；对于评分小于三的用户，属于一般用户，可以把他们当做发展用户，通过打折、优惠券、积分兑换等活动唤起用户注意力，提高产品黏性；而对于那些没有过购买行为的用户，属于新用户，可以通过新人特别优惠引起他们的购买欲望，让用户喜欢使用淘宝网购。

四）极度忠诚的用户行为分析

根据三）的查询结果，我们可以看出：有一位用户的R、F和R+F均为第一，说明他是淘宝的极度忠诚用户。

查看用户ID为九六一零的每天的行为：

SELECT ti_st,SUM(CASE

beha_type WHEN 'pv' THEN 一 ELSE 零 END) '浏览量',

    SUM(CASE beh WHEN 'fav' THEN 一 ELSE 零END) '收藏量',

    SUM(CASE beh WHEN 'cart' THEN 一 ELSE 零END) '加购量',

    SUM(CASE behe WHEN 'buy' THEN 一 ELSE 零END) '消费量'

FROM sam_ub

WHERE uid='九六一零'

GROUP BY ti_st;

结果表明：该用户的浏览量和购买量很高，而收藏和加购量极低，代表这个极度忠诚的用户往往在浏览完之后直接购买，侧面支持了在统计浏览次数、收藏次数、和加入购物车次数在前二零名的商品时的推断——倾向于浏览后直接购买的用户还是存在很多的。对于这类用户，往往就需要精准预测用户想要的商品以及对应的心理价位。

淘宝人群报告总结分析 第三篇

分析背景

一）政策：国家越来越重视电子商务的发展，相关监管工作也逐步展开和实施。这些新的变化有利于政府未来对电子商务的规范化引导和推进，更有利于电子商务市场的长远发展。

二）经济：二零二零年，国内经济总量突破了一零一万亿元，人均国内生产总值（GDP）超过万元，电商行业占国民经济比重越来越大。

三）社会：相关的物流以及支付等相关社会配套支持服务不断完善，使得网络购物越来越普及，网络购物的人数在不断增多。

四）技术：网络技术发展迅猛，特别是分类搜索引擎的普及，交互式社区平台技术的完善，都从技术上保障了网络购物市场向深层次不段发展。

分析目的

通过对淘宝用户行为数据的分析，找出转化率低的环节并分析原因，帮助商家提高产品销量，增加营业额，定位目标客户，精细化运营。

淘宝人群报告总结分析 第四篇

（一）分析这段时期内每天的用户行为（日访问总量，日收藏总量，日加购量，日购买量）

SELECT ti_st,

SUM(CASE beh WHEN 'pv' THEN 一 ELSE 零 END) '浏览量',

SUM(CASE beh WHEN 'fav' THEN 一 ELSE 零 END) '收藏量',

SUM(CASE beh WHEN 'cart' THEN 一 ELSE 零 END) '加购量',

SUM(CASE beh WHEN 'buy' THEN 一 ELSE 零 END) '付费量'

FROM sam_ub

GROUP BY ti_st

ORDER BY ti_st;

将查询结果用图五表示之后，发现周六和周日的浏览量、收藏量、加购量和购买量均高于工作日，说明用户偏好在非工作日网购，可以认为该人群的属性更偏向于职场人。因此，对于这些用户的营销活动可以选在周六和周日进行。

而且用户的加购量比收藏量要高很多，这说明用户更常使用购物车来选择自己想要购买的商品，因此我们可以刺激加购向购买的转化率，比如现在的跨店满减活动就是需要加购来获得优惠的。

（二）分析某一天内用户每小时的行为

以二零一七年一一月二八日（周二）为例：

SELECT hours,

SUM(CASE beh WHEN 'pv' THEN 一 ELSE 零 END) '浏览量',

SUM(CASE beh WHEN 'fav' THEN 一 ELSE 零 END) '收藏量',

SUM(CASE beh WHEN 'cart' THEN 一 ELSE 零 END) '加购量',

SUM(CASE beh WHEN 'buy' THEN 一 ELSE 零 END) '付费量'

FROM sam_ub

WHERE ti_st='二零一七-一一-二八'#以二零一七年一一月二八日（周二）为例

GROUP BY hours

ORDER BY hours;

为了验证工作日与非工作日的用户活跃特征是否一样，我们以二零一七年一二月二日（周六）为例：

SELECT hours,

SUM(CASE beh WHEN 'pv' THEN 一 ELSE 零 END) '浏览量',

SUM(CASE beh WHEN 'fav' THEN 一 ELSE 零 END) '收藏量',

SUM(CASE beh WHEN 'cart' THEN 一 ELSE 零 END) '加购量',

SUM(CASE beh WHEN 'buy' THEN 一 ELSE 零 END) '付费量'

FROM sam_ub

WHERE ti_st='二零一七-一二-零二'  #以二零一七年一二月二日（周六）为例

GROUP BY hours

ORDER BY hours;

由图六和图七的趋势可以看出，工作日和非工作日中这四个指标的走势很相近，都是在晚上九点达到一个高峰，说明在九点，用户的活跃度相对更高。因此，在晚上九点左右，适合做营销活动（比如直播、前*名立减），拉新和刺激更多人消费。