淘宝用户体验分析总结

淘宝用户体验分析总结 第一篇

因为数据中用户行为分为四类，按照浏览在前，购买最后的话，一共有一六种组合，利用桑基图分析如下所示：

一般认为购买之前必须得先浏览，因为所给数据是截取给定时间内的，所以会存在上图下方unpv的情况。现在只考虑最后产生购买行为的情况，用户从浏览到最后购买其实只有（一）浏览-购买、（二）浏览-加购物车-购买、（三）浏览-收藏-购买、（四）浏览-加购物车-收藏-购买（浏览-收藏-加购物车-购买）等四种情况，再次利用桑基图分析如下： 由上图可知，大多数购买行为发生在浏览之后，并没有加购物车、收藏等行为。

淘宝用户体验分析总结 第二篇

效果验证

AB实验是最直观的一种评估策略因果效应的科学手段，做AB实验需要两个前提条件：同质性与无偏性。实验中的不同组应该是同质的，意味着样本构成需相同或极其相似以确保结果的可比性，这通常是通过平台工具随机分流来实现。实验也应该是公正的，核心指标只受实验策略本身的直接影响。只有控制了全部干扰因素，才有可能接近Treatment和Result之间的因果关系。相对传统的优化前后对比方式，AB实验有以下优势：

同质 - 保证可比性

可以有效控制其他干扰因素。

可以避免选择性偏差。

无偏 - 保证效果复现

AB的一般步骤

明确AB假设和实验变量

AB实验不是价值衡量的许愿池，我们先要回答一个问题：如何判断一个策略是否可以通过AB实验来进行评估？避免无用功或引发舆情。AB有其特定的适用场景，如下场景是无法进行AB或者成本过高：

策略已经全量，需后置评估策略上线效果

策略渗透率过低，使用AB无法得到置信的样本量

策略本身不具备随机AB的条件

进行AB的成本较高，ROI较低

判断可以AB后需明确实验变量，一个好的实验变量要满足以下几点：

实验变量需根据假设来创建

需要符合单一变量原则

定义实验关键指标

确定分流方式

如何确定分流对象及保证分流的均匀性是该步骤需要解决的问题：

淘宝用户体验分析总结 第三篇

可以得到用户的平均访问深度为，也就是说在一一月二五到一二月三日九天内平均每个用户每天要访问一零个界面，可见淘宝用户粘度很高。

按照流失率=只浏览一次界面/总用户计算的话，发现流失人数只有六七九人，Bounce Rate 是 左右，所以平台整体流失率是相当低的。我觉得可以考虑将只有浏览记录再无其他行为的用户视为流失用户，分析此类人群的跳失原因。

之后可以细分到各个商品种类以及各个商品，计算其用户跳失率并采取相应的措施。

淘宝用户体验分析总结 第四篇

人性化帮助原则主要是对用户友好。 诚然，任何考虑用户体验的原则都是对用户友好。但是，“人性化帮助原则”则是一种具体的友好。 例如开屏的动画指引、页面上的各种友好提示、产品人员用心编写的帮助文档，这些都是希望减少用户使用系统的难度，让用户能够愉快地使用系统。尼尔森的可用性原则有十条，由于篇幅有限，所以这里只列举了四条。如果想要深入了解的话，可以去分析全部的原则。

前面说过，用户体验是一个很玄的东西。 有可能你看了很多讲用户体验的书和理论，最后还是做不好用户体验。 但是，不用沮丧，用户体验并不是一蹴而就的，只要用心，你就会发现，用户体验可能就藏在你熬夜画的清晰明了的业务流程图里，在你费劲心思调研的用户需求里，在认真思考的模块结构里，在斟酌的控件位置里，在审美及格线上的风格配色里，在用心编写的帮助文档里…… 当你把产品该做的事情认真考虑好，认真做好，其实，用户体验就是一件自然而然、水到渠成的事情。

淘宝用户体验分析总结 第五篇

（一）选择子集

由于数据量过大，本篇分析报告只导入一零万条数据。通过navicat将数据集导入MySQL。

（二）列名重命名

原数据集缺少列名，列名是第一条数据，所以需要添加列名。同时将userid、itemid及timestamp设置为主键，全部列设置为不是null。

注意：添加列名时不会覆盖第一条数据，故不用再特意添加第一条数据。

（三）检验有无缺失值

共计一零零,零零零条数据，无缺失值。

（四）检验有无重复值

得出结果为空，证明无重复值。

（五）异常值处理

将时间戳转换为日期和时间。

检查数据是否发生在二零一七年一一月二五日至二零一七年一二月三日之间，发现最小发生日期为二零一七年九月一一日。

查找发生日期小于二零一七年一一月二五日的异常值，共计四四条。

将这四四条异常数据删除。

删除后，再次检查数据是否发生在二零一七年一一月二五日至二零一七年一二月三日之间，发现所有数据都在此区间，符合要求。

淘宝用户体验分析总结 第六篇

可以通过( ) / / ( )等快速了解数据

通过对数据查看，发现原数据集是按照user_id排好序的，如果之前采用随机抽样的话，可能会破坏原有数据的信息，比如用户A在浏览多次后最终完成下单支付，随机抽样的话，可能会错过用户购买记录，最终导致数据分析不准确。

数据集原有的时间列是采用时间戳存储的，为了方便后续分析，这里将原有时间戳转为北京时间，并从中抽取出日期、时间和小时数据，处理代码如下：

格式修改完后数据如下：

淘宝用户体验分析总结 第七篇

分析商品浏览TopN和商品销售TopN的数据：

分别查看商品浏览量前一零和商品销售量前一零：

针对支付率较高的商品应该分析其原因，思考是否能拓展到其他商品上去。

进一步查看购买量前一零和浏览量前一零的交集：

由上图可知存在部分商品浏览量高但购买量较低，应进一步分析原因。

此部分只对商品大类进行分析，可以套用此代码，将‘categoryid’换为‘item_id’进一步分析具体商品销售情况。