用户行为数据包括哪些(详解用户行为数据知识)-昊阳知识网

数据人学习平台上线了：www.shujurenclub.com

@知乎：鲸歌

电商行业数据分析师；

为头部品牌提供数据咨询服务；

热衷学习与分享；

电商用户行为分析报告内容如下（数据链接）：

https://tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1

分析背景

你知道吗？1999年成立的阿里巴巴，现在的年龄已经20 了，可想而知，它陪伴了多少人的青葱岁月！

你知道吗？现在的淘宝用户规模已超7亿，每一位用户在淘宝上留下的印迹，积少成多，可能是绕地球的n圈。

你知道吗？未来的商业世界可能会是全连接的形式，商业世界会愈加透明，未来可期，你准备好了吗？

分析目的

通过对用户行为的解读分析，以此来洞察隐藏在用户各个行为背后的寓意，结合洞察的结论提出相关的优化建议给至平台和商家，从而实现平台、商家和用户的共赢。

分析思路

— userbehavior表的概括性指标SELECT count(distinct 用户ID) as ‘用户总量’,count(DISTINCT 商品ID) as ‘商品总量’,count(DISTINCT 商品类目ID) as ‘商品类目总量’,count(DISTINCT 日期) as ‘统计时间天数’from userbehavior;SELECT 行为类型,count(行为类型) as ‘行为总量’from userbehaviorGROUP BY 行为类型ORDER BY 行为总量 desc;

通过对上图概括性指标的获取，可知在userbehavior表以用户行为为主，源数据集逾百万条，以导入MySQL数据10万条作为样本集进行分析，具体数据导入和清洗可详见第七部分附录含sql对应操作语句。

— 根据统计周期内的订单完成状态（即行为类型=’buy’）将用户区分为：已购用户和未购用户SELECT sum(case when 行为数量 = 0 then 1 else 0 end) as ‘未购用户’,sum(case when 行为数量 > 0 then 1 else 0 end) as ‘已购用户’,sum(case when 行为数量 = 0 then 1 else 0 end) sum(case when 行为数量 > 0 then 1 else 0 end) as totalfrom (SELECT DISTINCT 用户id, sum(case when 行为类型=’buy’ then 1 else 0 end) over (PARTITION by 用户id ) as ‘行为数量’from userbehavior) as t

因数据集时间集中在2017年11月25日至12月3日之间，所以在分析中产生的结论还需其他样本集的进一步论证。

分析内容

4.1

未购用户分析

— 创建未购用户信息视图create view 未购用户表(用户ID,商品ID,商品类目ID,行为类型,行为日期,日期,时间) as SELECT 用户ID,商品ID,商品类目ID,行为类型,行为日期,日期,时间from userbehaviorwhere 用户id not in (SELECT DISTINCT 用户idfrom userbehavior where 行为类型 = ‘buy’);

4.1.1 提出假设1：用户闲逛心理，无明确购买需求；

收集证据：下图先对未购人群的行为分组，划分为单一行为和组合行为【条形图】，后对单一行为（pv）进行商品和品类洞察【散点图】；

— 人群行为统计SELECT 用户id,max((case when 行为类型= ‘pv’ then ‘pv’ else 0 end ))as ‘pv’,max((case when 行为类型= ‘fav’ then ‘fav’ else 0 end )) as ‘fav’,max((case when 行为类型= ‘cart’ then ‘cart’ else 0 end )) as ‘cart’from 未购用户表GROUP BY 用户id;

4.1.2 提出假设2：用户有明确购买需求，但并不紧急需要，所以先收藏加购后等待活动营销时间节点再下单购买；

收集证据：下图对组合行为进行重点分析，尤其是通过时间趋势联系双12活动，观察未购用户在此期间的行为组合类型和日行为总量变化趋势；

收集证据：汇总统计未购用户在统计周期内的登录天数；

— 未购用户日登录频次SELECT 用户ID,count(DISTINCT 日期) as ‘登录天数’,count(行为类型) as ‘行为总量’from 未购用户表group by 用户ID;

得出结论：从上图可发现，近50%的用户登录天数>=7天,可侧面说明此类用户对app已养成深度购物习惯，随着平台app玩法的日渐增多，用户对平台的黏性更强，尤其是现在很多品牌都有会员制，采取签到等活动，因此假设成立。

收集证据：因userbehavior表不涉及产品关于供货量、缺货量和评论量等信息，故无数据可论证；

得出结论：因无数据明证，故假设无法论证，需后续补充数据验证。

4.1.5 提出假设5：未购用户存在比价心理，推测被竞品转化；

收集证据：因userbehavior表不涉及竞品和产品价格等信息，故无数据可论证；

得出结论：因无数据明证，故假设无法论证，需后续补充数据验证。

4.2

已购用户

— 创建已购用户信息视图create view 已购用户表(用户ID,商品ID,商品类目ID,行为类型,行为日期,日期,时间) as SELECT 用户ID,商品ID,商品类目ID,行为类型,行为日期,日期,时间from userbehaviorwhere 用户id in (SELECT DISTINCT 用户idfrom userbehavior where 行为类型 = ‘buy’)

4.2.1 统计周期内，已购用户的订单数量组成比例分布情况是什么样？

— 已购用户的成交单量分布SELECT 用户ID,成交单量from (SELECT DISTINCT 用户id, sum(case when 行为类型=’buy’ then 1 else 0 end) over (PARTITION by 用户id ) as ‘成交单量’from userbehavior) as twhere 成交单量> 0order by 成交单量 desc

由上图可知，80%的订单量<=4单，且1单占据Top1，那么为什么仅下1单的用户那么多呢？

提出假设：推测在统计周期内仅完成1单的用户，相较多单用户【>=2单】其决策周期较长；

收集证据：将仅下1单的用户购买时长与整体已购用户的购买时长做对比；

得出结论：通过以上2图，可发现在统计周期内，仅下一单的用户决策时间较长，影响决策的因素可能是产品的价格等，假设成立。

4.2.2 统计周期内，已购用户的行为转化贡献占比是什么样?

— 已购人群行为统计SELECT 用户id,max((case when 行为类型= ‘pv’ then ‘pv’ else 0 end ))as ‘pv’,max((case when 行为类型= ‘fav’ then ‘fav’ else 0 end )) as ‘fav’,max((case when 行为类型= ‘cart’ then ‘cart’ else 0 end )) as ‘cart’,max((case when 行为类型= ‘buy’ then ‘buy’ else 0 end )) as ‘buy’from 已购用户表GROUP BY 用户id;

4.2.3 统计周期内，已购用户在日期时间分布上呈现什么样的特征？