Анализ данных о поведении пользователей в электронной коммерции (Python+SQL)

анализ данных

Основное содержание этого анализа разделено на следующие четыре части:

1. Предыстория проекта

2. Введение в набор данных

3. Очистка данных

4. Построение аналитической модели

V. Резюме

1. Предыстория проекта

В рамках проекта проводится индексный анализ набора данных об операциях электронной коммерции JD.com, чтобы понять характеристики покупательского поведения пользователей и предоставить поддержку и предложения для принятия операционных решений. В этой статье используются коды MySQL и Python для расчета индикатора, чтобы адаптироваться к различным средам анализа данных и разработки.

2. Введение в набор данных

Этот набор данных является набором данных соревнований JD, Для получения дополнительной информации, пожалуйста, перейдите по ссылке:Просто ударь ее. Jingdong.com/HTML/detail…. В наборе данных есть пять файлов, которые содержат пользовательские данные с 1 февраля 2018 г. по 15 апреля 2018 г. Данные были десенсибилизированы. В этой статье используется таблица данных о поведении, в которой всего пять полей. , значение каждого поля показано на рисунке ниже Описание поля таблицы данных поведения (jdata_action)

3. Очистка данных

# 导入python相关模块
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from datetime import datetime
plt.style.use('ggplot')

%matplotlib inline

# 设置中文编码和负号的正常显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False


# 读取数据，数据集较大，如果计算机读取内存不够用，可以尝试kaggle比赛
# 中的reduce_mem_usage函数，附在文末，主要原理是把int64/float64
# 类型的数值用更小的int(float)32/16/8来搞定
user_action = pd.read_csv('jdata_action.csv')


# 因数据集过大，本文截取'2018-03-30'至'2018-04-15'之间的数据完成本次分析
# 注：仅4月份的数据包含加购物车行为，即type == 5
user_data = user_action[(user_action['action_time'] > '2018-03-30') & (user_action['action_time'] < '2018-04-15')]

# 存至本地备用
user_data.to_csv('user_data.csv',sep=',')

# 查看原始数据各字段类型
behavior = pd.read_csv('user_data.csv', index_col=0)
behavior[:10]

# OUTPUT
user_id 	sku_id 	action_time 	module_id 	type
17 	1455298 	208441 	2018-04-11 15:21:43 	6190659 	1
18 	1455298 	334318 	2018-04-11 15:14:54 	6190659 	1
19 	1455298 	237755 	2018-04-11 15:14:13 	6190659 	1
20 	1455298 	6422 	2018-04-11 15:22:25 	6190659 	1
21 	1455298 	268566 	2018-04-11 15:14:26 	6190659 	1
22 	1455298 	115915 	2018-04-11 15:13:35 	6190659 	1
23 	1455298 	208254 	2018-04-11 15:22:16 	6190659 	1
24 	1455298 	177209 	2018-04-14 14:09:59 	6628254 	1
25 	1455298 	71793 	2018-04-14 14:10:29 	6628254 	1
26 	1455298 	141950 	2018-04-12 15:37:53 	10207258 	1

behavior.info()

# OUTPUT
<class 'pandas.core.frame.DataFrame'>
Int64Index: 7540394 entries, 17 to 37214234
Data columns (total 5 columns):
user_id        int64
sku_id         int64
action_time    object
module_id      int64
type           int64
dtypes: int64(4), object(1)
memory usage: 345.2+ MB


# 查看缺失值 
behavior.isnull().sum()


# OUTPUT
user_id        0
sku_id         0
action_time    0
module_id      0
type           0
dtype: int64

В каждом столбце данных нет пропущенных значений.

# 原始数据中时间列action_time，时间和日期是在一起的，不方便分析，对action_time列进行处理，拆分出日期和时间列，并添加星期字段求出每天对应
# 的星期，方便后续按时间纬度对数据进行分析
behavior['date'] = pd.to_datetime(behavior['action_time']).dt.date  # 日期
behavior['hour'] = pd.to_datetime(behavior['action_time']).dt.hour  # 时间
behavior['weekday'] = pd.to_datetime(behavior['action_time']).dt.weekday_name # 周

# 去除与分析无关的列
behavior = behavior.drop('module_id', axis=1)

# 将用户行为标签由数字类型改为用字符表示
behavior_type = {1:'pv',2:'pay',3:'fav',4:'comm',5:'cart'}
behavior['type'] = behavior['type'].apply(lambda x: behavior_type[x])
behavior.reset_index(drop=True,inplace=True)

# 查看处理好的数据
behavior[:10]

# OUTPUT
user_id 	sku_id 	action_time 	type 	date 	hour 	weekday
0 	1455298 	208441 	2018-04-11 15:21:43 	pv 	2018-04-11 	15 	Wednesday
1 	1455298 	334318 	2018-04-11 15:14:54 	pv 	2018-04-11 	15 	Wednesday
2 	1455298 	237755 	2018-04-11 15:14:13 	pv 	2018-04-11 	15 	Wednesday
3 	1455298 	6422 	2018-04-11 15:22:25 	pv 	2018-04-11 	15 	Wednesday
4 	1455298 	268566 	2018-04-11 15:14:26 	pv 	2018-04-11 	15 	Wednesday
5 	1455298 	115915 	2018-04-11 15:13:35 	pv 	2018-04-11 	15 	Wednesday
6 	1455298 	208254 	2018-04-11 15:22:16 	pv 	2018-04-11 	15 	Wednesday
7 	1455298 	177209 	2018-04-14 14:09:59 	pv 	2018-04-14 	14 	Saturday
8 	1455298 	71793 	2018-04-14 14:10:29 	pv 	2018-04-14 	14 	Saturday
9 	1455298 	141950 	2018-04-12 15:37:53 	pv 	2018-04-12 	15 	Thursday

4. Показатели анализа построения аналитической модели

  1. Анализ показателей трафика
  2. Анализ частоты потребления пользователей
  3. Распределение поведения пользователей во временном измерении
  4. Воронка конверсии поведения пользователей
  5. Анализ удержания пользователей
  6. Анализ продаж продукта
  7. Стратификация ценности пользователя RFM

1. Анализ показателей трафика

pv, uv, доля числа пользователей-потребителей, доля от общего числа посещений пользователями-потребителями, количество посещений пользователей-потребителей на душу населения и показатель отказов.

  • PV UV
# 总访问量
pv = behavior[behavior['type'] == 'pv']['user_id'].count()
# 总访客数
uv = behavior['user_id'].nunique()
# 消费用户数 
user_pay = behavior[behavior['type'] == 'pay']['user_id'].unique()
# 日均访问量
pv_per_day = pv / behavior['date'].nunique()
# 人均访问量
pv_per_user = pv / uv
# 消费用户访问量
pv_pay = behavior[behavior['user_id'].isin(user_pay)]['type'].value_counts().pv
# 消费用户数占比
user_pay_rate = len(user_pay) / uv
# 消费用户访问量占比
pv_pay_rate = pv_pay / pv
# 消费用户人均访问量
pv_per_buy_user = pv_pay / len(user_pay)

# SQL
SELECT count(DISTINCT user_id) UV, 
(SELECT count(*) PV from behavior_sql WHERE type = 'pv') PV
FROM behavior_sql;

SELECT count(DISTINCT user_id)
FROM behavior_sql
WHERE&emsp;WHERE type = 'pay';

SELECT type, COUNT(*) FROM behavior_sql
WHERE 
user_id IN
(SELECT DISTINCT user_id
FROM behavior_sql
WHERE type = 'pay')
AND type = 'pv'
GROUP BY type;

print('总访问量为 %i' %pv)
print('总访客数为 %i' %uv)
print('消费用户数为 %i' %len(user_pay))
print('消费用户访问量为 %i' %pv_pay)
print('日均访问量为 %.3f' %pv_per_day)
print('人均访问量为 %.3f' %pv_per_user)
print('消费用户人均访问量为 %.3f' %pv_per_buy_user)
print('消费用户数占比为 %.3f%%' %(user_pay_rate * 100))
print('消费用户访问量占比为 %.3f%%' %(pv_pay_rate * 100))


# OUTPUT
总访问量为 6229177
总访客数为 728959
消费用户数为 395874
消费用户访问量为 3918000
日均访问量为 389323.562
人均访问量为 8.545
消费用户人均访问量为 9.897
消费用户数占比为 54.307%
消费用户访问量占比为 62.898%

Доля посещений на душу населения и общее количество посещений пользователей-потребителей выше среднего.Пользователи с предыдущими рекордами потребления более склонны проводить больше времени на веб-сайте, что указывает на то, что опыт покупок на веб-сайте является приемлемым, а старые пользователи имеют определенная зависимость от веб-сайта.Пользователям без записей о потреблении необходимо быстро понять способ использования и ценность продукта, а также укрепить связь между пользователями и платформой.

  • показатель отказов
# 跳失率：只进行了一次操作就离开的用户数/总用户数
attrition_rates = sum(behavior.groupby('user_id')['type'].count() == 1) / (behavior['user_id'].nunique())

# SQL
SELECT 
(SELECT COUNT(*)
FROM (SELECT user_id 
FROM behavior_sql GROUP BY user_id 
HAVING COUNT(type)=1) A) /
(SELECT COUNT(DISTINCT user_id) UV FROM behavior_sql) attrition_rates;

print('跳失率为 %.3f%%'  %(attrition_rates * 100) )

# OUTPUT
跳失率为 22.585%

Показатель отказов за весь вычислительный цикл составляет 22,585%. По-прежнему много пользователей покидают страницу всего после одной операции. Необходимо улучшить макет главной страницы и пользовательский опыт продукта, чтобы повысить привлекательность страницы. продукт.

2. Анализ частоты потребления пользователей

# 单个用户消费总次数
total_buy_count = (behavior[behavior['type']=='pay'].groupby(['user_id'])['type'].count()
                   .to_frame().rename(columns={'type':'total'}))
# 消费次数前10客户
topbuyer10 = total_buy_count.sort_values(by='total',ascending=False)[:10]
# 复购率
re_buy_rate = total_buy_count[total_buy_count>=2].count()/total_buy_count.count()

# SQL
#消费次数前10客户

SELECT user_id, COUNT(type) total_buy_count 
FROM behavior_sql 
WHERE type = 'pay'
GROUP BY user_id
ORDER BY COUNT(type) DESC
LIMIT 10


#复购率
CREAT VIEW v_buy_count 
AS SELECT user_id, COUNT(type) total_buy_count
FROM behavior_sql
WHERE type = 'pay'
GROUP BY user_id;

SELECT CONCAT(ROUND((SUM(CASE WHEN total_buy_count>=2 THEN 1 ELSE 0 END)/
SUM(CASE WHEN total_buy_count>0 THEN 1 ELSE 0 END))*100,2),'%') AS re_buy_rate 
FROM v_buy_count;

topbuyer10.reset_index().style.bar(color='skyblue',subset=['total'])


# 单个用户消费总次数可视化
tbc_box = total_buy_count.reset_index()
fig, ax = plt.subplots(figsize=[16,6])
ax.set_yscale("log")
sns.countplot(x=tbc_box['total'],data=tbc_box,palette='Set1')
for p in ax.patches:
        ax.annotate('{:.2f}%'.format(100*p.get_height()/len(tbc_box['total'])), (p.get_x() - 0.1, p.get_height()))
plt.title('用户消费总次数')

В течение всего цикла расчета максимальное количество покупок составляет 133 раза, а минимальное - 1 раз.Большинство пользователей совершают покупки менее 6 раз.Реклама может быть соответствующим образом увеличена, опыт покупок может быть улучшен, а количество потребления пользователей может быть увеличено. 10 лучших пользователей времени покупок: 1187177, 502169 и т. д., их удовлетворенность должна быть улучшена, а коэффициент удержания должен быть увеличен.

print('复购率为 %.3f%%'  %(re_buy_rate * 100) )

# OUTPUT
复购率为 13.419%

Если уровень выкупа низкий, следует усилить механизм отзыва для старых пользователей, чтобы улучшить покупательский опыт.Также возможно, что из-за небольшого объема данных данные в течение статистического периода не могут объяснить полный цикл покупок, поэтому вывод неверный.

3. Распределение поведения пользователей во временном измерении

  • Количество ежедневного потребления, количество ежедневных активных пользователей, количество ежедневных потребителей, доля количества ежедневных потребителей и количество ежедневного потребления на душу населения пользователями-потребителями.
# 日活跃人数（有一次操作即视为活跃） 
daily_active_user = behavior.groupby('date')['user_id'].nunique()
# 日消费人数
daily_buy_user = behavior[behavior['type'] == 'pay'].groupby('date')['user_id'].nunique()
# 日消费人数占比
proportion_of_buyer = daily_buy_user / daily_active_user
# 日消费总次数
daily_buy_count = behavior[behavior['type'] == 'pay'].groupby('date')['type'].count()
# 消费用户日人均消费次数
consumption_per_buyer = daily_buy_count / daily_buy_user

# SQL
# 日消费总次数
SELECT date, COUNT(type) pay_daily FROM behavior_sql 
WHERE type = 'pay'
GROUP BY date;
# 日活跃人数
SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql 
GROUP BY date;
# 日消费人数
SELECT date, COUNT(DISTINCT user_id) user_pay_daily FROM behavior_sql 
WHERE type = 'pay'
GROUP BY date;

# 日消费人数占比
SELECT
(SELECT date, COUNT(DISTINCT user_id) user_pay_daily FROM behavior_sql 
WHERE type = 'pay'
GROUP BY date) /
(SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql 
GROUP BY date) 
# 日人均消费次数
SELECT
(SELECT date, COUNT(type) pay_daily FROM behavior_sql 
WHERE type = 'pay'
GROUP BY date) /
(SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql 
GROUP BY date) 

# 日消费人数占比可视化

# 柱状图数据
pob_bar = (pd.merge(daily_active_user,daily_buy_user,on='date').reset_index()
           .rename(columns={'user_id_x':'日活跃人数','user_id_y':'日消费人数'})
           .set_index('date').stack().reset_index().rename(columns={'level_1':'Variable',0: 'Value'}))
# 线图数据
pob_line = proportion_of_buyer.reset_index().rename(columns={'user_id':'Rate'})

fig1 = plt.figure(figsize=[16,6])
ax1 = fig1.add_subplot(111)
ax2 = ax1.twinx()

sns.barplot(x='date', y='Value', hue='Variable', data=pob_bar, ax=ax1, alpha=0.8, palette='husl')

ax1.legend().set_title('')
ax1.legend().remove() 

sns.pointplot(pob_line['date'], pob_line['Rate'], ax=ax2,markers='D', linestyles='--',color='teal')
x=list(range(0,16))
for a,b in zip(x,pob_line['Rate']):
    plt.text(a+0.1, b + 0.001, '%.2f%%' % (b*100), ha='center', va= 'bottom',fontsize=12)

fig1.legend(loc='upper center',ncol=2)
plt.title('日消费人数占比')

Количество ежедневных активных пользователей и количество ежедневных потребителей существенно не колебались, а доля количества ежедневных потребителей превышала 20%.

# 消费用户日人均消费次数可视化

# 柱状图数据
cpb_bar = (daily_buy_count.reset_index().rename(columns={'type':'Num'}))
# 线图数据
cpb_line = (consumption_per_buyer.reset_index().rename(columns={0:'Frequency'}))

fig2 = plt.figure(figsize=[16,6])
ax3 = fig2.add_subplot(111)
ax4 = ax3.twinx()

sns.barplot(x='date', y='Num', data=cpb_bar, ax=ax3, alpha=0.8, palette='pastel')
sns.pointplot(cpb_line['date'], cpb_line['Frequency'], ax=ax4, markers='D', linestyles='--',color='teal')

x=list(range(0,16))
for a,b in zip(x,cpb_line['Frequency']):
    plt.text(a+0.1, b + 0.001, '%.2f' % b, ha='center', va= 'bottom',fontsize=12)
plt.title('消费用户日人均消费次数')

Количество ежедневных потребителей составляет более 25 000, а количество ежедневного потребления на душу населения более 1 раза.

dau3_df = behavior.groupby(['date','user_id'])['type'].count().reset_index()
dau3_df = dau3_df[dau3_df['type'] >= 3]


# 每日高活跃用户数（每日操作数大于3次）
dau3_num = dau3_df.groupby('date')['user_id'].nunique()

# SQL
SELECT date, COUNT(DISTINCT user_id) 
FROM
(SELECT date, user_id, COUNT(type)
FROM behavior_sql
GROUP BY date, user_id
HAVING COUNT(type) >= 3) dau3
GROUP BY date;

fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(dau3_num.index, dau3_num.values, markers='D', linestyles='--',color='teal')
x=list(range(0,16))
for a,b in zip(x,dau3_num.values):
    plt.text(a+0.1, b + 300 , '%i' % b, ha='center', va= 'bottom',fontsize=14)
plt.title('每日高活跃用户数')

Количество активных пользователей в день в основном превышает 40 000. Число было относительно стабильным до 04.04.2018. После этого число росло, достигая максимума 8 и 9 числа, а затем уменьшаясь. колебания данных должны быть вызваны маркетинговой деятельностью.

# 高活跃用户累计活跃天数分布
dau3_cumsum = dau3_df.groupby('user_id')['date'].count()


# SQL
SELECT user_id, COUNT(date) 
FROM
(SELECT date, user_id, COUNT(type)
FROM behavior_sql
GROUP BY date, user_id
HAVING COUNT(type) >= 3) dau3
GROUP BY user_id;

fig, ax = plt.subplots(figsize=[16,6])
ax.set_yscale("log")
sns.countplot(dau3_cumsum.values,palette='Set1')
for p in ax.patches:
        ax.annotate('{:.2f}%'.format(100*p.get_height()/len(dau3_cumsum.values)), (p.get_x() + 0.2, p.get_height() + 100))
plt.title('高活跃用户累计活跃天数分布')

В течение статистического периода у большинства высокоактивных пользователей совокупное количество активных дней составляло менее шести дней, но были также сверхактивные пользователи до 16 дней.Для пользователей с высоким совокупным количеством дней следует ввести постоянные вознаграждения за вход, чтобы продолжить чтобы сохранить их привязанность к платформе.Для пользователей с небольшим совокупным количеством дней должны быть соответствующим образом отправлены push-уведомления об активности, чтобы вспомнить их.

#每日浏览量
pv_daily = behavior[behavior['type'] == 'pv'].groupby('date')['user_id'].count()
#每日访客数
uv_daily = behavior.groupby('date')['user_id'].nunique()

# SQL
#每日浏览量
SELECT date, COUNT(type) pv_daily FROM behavior_sql 
WHERE type = 'pv'
GROUP BY date;
#每日访客数
SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql 
GROUP BY date;

# 每日浏览量可视化

fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(pv_daily.index, pv_daily.values,markers='D', linestyles='--',color='dodgerblue')
x=list(range(0,16))
for a,b in zip(x,pv_daily.values):
    plt.text(a+0.1, b + 2000 , '%i' % b, ha='center', va= 'bottom',fontsize=14)
plt.title('每日浏览量')


# 每日访客数可视化

fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(uv_daily.index, uv_daily.values, markers='H', linestyles='--',color='m')
x=list(range(0,16))
for a,b in zip(x,uv_daily.values):
    plt.text(a+0.1, b + 500 , '%i' % b, ha='center', va= 'bottom',fontsize=14)
plt.title('每日访客数')

Тенденция ежедневного изменения количества просмотров страниц и количества посетителей примерно одинакова. Количество пользователей сильно колеблется до и после 04.04.2018. 4 апреля — день перед праздником Цинмин. Объем данных значительно уменьшился в тот день, но затем постепенно выздоровел. Предполагается, что это должно быть влияние праздничных маркетинговых мероприятий или рекламных мероприятий.

#每时浏览量
pv_hourly = behavior[behavior['type'] == 'pv'].groupby('hour')['user_id'].count()
#每时访客数
uv_hourly = behavior.groupby('hour')['user_id'].nunique()

# SQL 
# 每时浏览量
SELECT date, COUNT(type) pv_daily FROM behavior_sql 
WHERE type = 'pv'
GROUP BY hour;
# 每时访客数
SELECT date, COUNT(DISTINCT user_id) uv_daily FROM behavior_sql 
GROUP BY hour;

# 浏览量随小时变化可视化

fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(pv_hourly.index, pv_hourly.values, markers='H', linestyles='--',color='dodgerblue')

for a,b in zip(pv_hourly.index,pv_hourly.values):
    plt.text(a, b + 10000 , '%i' % b, ha='center', va= 'bottom',fontsize=12)
plt.title('浏览量随小时变化')


# 访客数随小时变化可视化
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(uv_hourly.index, uv_hourly.values, markers='H', linestyles='--',color='m')

for a,b in zip(uv_hourly.index,uv_hourly.values):
    plt.text(a, b + 1000 , '%i' % b, ha='center', va= 'bottom',fontsize=12)
plt.title('访客数随小时变化')

Количество просмотров страниц и количество посетителей имеют одинаковый часовой тренд: с 1:00 до 5:00 большинство пользователей отдыхают, а общая активность низкая. С 5:00 до 10:00 пользователи начинали вставать и работать, активность постепенно увеличивалась, а затем стабилизировалась, после 18:00 большинство людей возвращалось к бездействию, а количество просмотров и посетителей увеличивалось. вторая волна повышения, пришедшая в 20:00 на пик, а затем постепенно снижающаяся. Можно увеличить усилия по продвижению продукта и увеличить инвестиции в маркетинговую деятельность в 9:00 и 20:00.Желательно иметь больший доход, и это подходит для обслуживания системы между 13:00 и 17:00.

# 用户各操作随小时变化
type_detail_hour = pd.pivot_table(columns = 'type',index = 'hour', data = behavior,aggfunc=np.size,values = 'user_id')
# 用户各操作随星期变化
type_detail_weekday = pd.pivot_table(columns = 'type',index = 'weekday', data = behavior,aggfunc=np.size,values = 'user_id')
type_detail_weekday = type_detail_weekday.reindex(['Monday','Tuesday','Wednesday','Thursday','Friday','Saturday','Sunday'])

# SQL
# 用户各操作随小时变化  
SELECT hour,
SUM(CASE WHEN behavior='pv' THEN 1 ELSE 0 END)AS 'pv',
SUM(CASE WHEN behavior='fav' THEN 1 ELSE 0 END)AS 'fav',
SUM(CASE WHEN behavior='cart' THEN 1 ELSE 0 END)AS 'cart',
SUM(CASE WHEN behavior='pay' THEN 1 ELSE 0 END)AS 'pay'
FROM behavior_sql
GROUP BY hour
ORDER BY hour


# 用户各操作随星期变化  
SELECT weekday,
SUM(CASE WHEN behavior='pv' THEN 1 ELSE 0 END)AS 'pv',
SUM(CASE WHEN behavior='fav' THEN 1 ELSE 0 END)AS 'fav',
SUM(CASE WHEN behavior='cart' THEN 1 ELSE 0 END)AS 'cart',
SUM(CASE WHEN behavior='pay' THEN 1 ELSE 0 END)AS 'pay'
FROM behavior_sql
GROUP BY weekday
ORDER BY weekday

tdh_line = type_detail_hour.stack().reset_index().rename(columns={0: 'Value'})
tdw_line = type_detail_weekday.stack().reset_index().rename(columns={0: 'Value'})
tdh_line= tdh_line[~(tdh_line['type'] == 'pv')]
tdw_line= tdw_line[~(tdw_line['type'] == 'pv')]

# 用户操作随小时变化可视化
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(x='hour', y='Value', hue='type', data=tdh_line, linestyles='--')
plt.title('用户操作随小时变化')

Почасовая смена пользовательских операций аналогична PV и UV и связана с работой и отдыхом пользователя Кривые добавления в корзину и оплаты близко подогнаны, что указывает на то, что большинство пользователей привыкли покупать сразу после добавление в корзину. Количество подписчиков относительно невелико, и можно делать точные нажатия в зависимости от продуктов в корзине пользователя. Количество комментариев также относительно невелико, что указывает на то, что большинство пользователей не очень заинтересованы в том, чтобы давать отзывы о покупках.Некоторые системы вознаграждения могут быть настроены для увеличения количества пользовательских комментариев и повышения лояльности пользователей.

# 用户操作随星期变化可视化
fig, ax = plt.subplots(figsize=[16,6])
sns.pointplot(x='weekday', y='Value', hue='type', data=tdw_line[~(tdw_line['type'] == 'pv')], linestyles='--')
plt.title('用户操作随星期变化')

В рабочие дни с понедельника по четверг пользовательские операции меняются относительно плавно в течение недели, с пятницы по субботу, когда это выходной день, пользовательские операции значительно увеличиваются, а в воскресенье возвращаются к норме.

4. Воронка конверсии поведения пользователя

# 导入相关包
from pyecharts import options as opts
from pyecharts.charts import Funnel
import math

behavior['action_time'] = pd.to_datetime(behavior['action_time'],format ='%Y-%m-%d %H:%M:%S')

# 用户整体行为分布
type_dis = behavior['type'].value_counts().reset_index()
type_dis['rate'] = round((type_dis['type'] / type_dis['type'].sum()),3)

type_dis.style.bar(color='skyblue',subset=['rate'])

В общем поведении пользователей 82,6% поведения просматривается, а фактическая платежная операция составляет только 6,4%. Кроме того, доля пользовательских комментариев и избранных также низка. Взаимодействие между пользователями на веб-сайте должно быть улучшено. , а количество комментариев и количество комментариев надо увеличить Скорость сбора.

df_con = behavior[['user_id', 'sku_id', 'action_time', 'type']]

df_pv = df_con[df_con['type'] == 'pv']
df_fav = df_con[df_con['type'] == 'fav']
df_cart = df_con[df_con['type'] == 'cart']
df_pay = df_con[df_con['type'] == 'pay']


df_pv_uid = df_con[df_con['type'] == 'pv']['user_id'].unique()
df_fav_uid = df_con[df_con['type'] == 'fav']['user_id'].unique()
df_cart_uid = df_con[df_con['type'] == 'cart']['user_id'].unique()
df_pay_uid = df_con[df_con['type'] == 'pay']['user_id'].unique()
  • pv - buy
fav_cart_list = set(df_fav_uid) | set(df_cart_uid)

pv_pay_df = pd.merge(left=df_pv, right=df_pay, how='inner', on=['user_id', 'sku_id'], 
                     suffixes=('_pv', '_pay'))

pv_pay_df = pv_pay_df[(~pv_pay_df['user_id'].isin(fav_cart_list)) & (pv_pay_df['action_time_pv'] < pv_pay_df['action_time_pay'])]

uv = behavior['user_id'].nunique()
pv_pay_num = pv_pay_df['user_id'].nunique()
pv_pay_data =  pd.DataFrame({'type':['浏览','付款'],'num':[uv,pv_pay_num]})
pv_pay_data['conversion_rates'] = (round((pv_pay_data['num'] / pv_pay_data['num'][0]),4) * 100)

attr1 = list(pv_pay_data.type)
values1 = list(pv_pay_data.conversion_rates)
data1 = [[attr1[i], values1[i]] for i in range(len(attr1))]

# 用户行为转化漏斗可视化

pv_pay=(Funnel(opts.InitOpts(width="600px", height="300px"))
            .add(
            series_name="",
            data_pair=data1,
            gap=2,
            tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%"),
            label_opts=opts.LabelOpts(is_show=True, position="inside"),
            itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1)
        )
        .set_global_opts(title_opts=opts.TitleOpts(title="用户行为转化漏斗图"))
        )
pv_pay.render_notebook()

  • pv - cart - pay
pv_cart_df = pd.merge(left=df_pv, right=df_cart, how='inner', on=['user_id', 'sku_id'], 
                     suffixes=('_pv', '_cart'))

pv_cart_df = pv_cart_df[pv_cart_df['action_time_pv'] < pv_cart_df['action_time_cart']]
pv_cart_df = pv_cart_df[~pv_cart_df['user_id'].isin(df_fav_uid)]

pv_cart_pay_df = pd.merge(left=pv_cart_df, right=df_pay, how='inner', on=['user_id', 'sku_id'])

pv_cart_pay_df = pv_cart_pay_df[pv_cart_pay_df['action_time_cart'] < pv_cart_pay_df['action_time']]

uv = behavior['user_id'].nunique()
pv_cart_num = pv_cart_df['user_id'].nunique()
pv_cart_pay_num = pv_cart_pay_df['user_id'].nunique()
pv_cart_pay_data =  pd.DataFrame({'type':['浏览','加购','付款'],'num':[uv,pv_cart_num,pv_cart_pay_num]})
pv_cart_pay_data['conversion_rates'] = (round((pv_cart_pay_data['num'] / pv_cart_pay_data['num'][0]),4) * 100)

attr2 = list(pv_cart_pay_data.type)
values2 = list(pv_cart_pay_data.conversion_rates)
data2 = [[attr2[i], values2[i]] for i in range(len(attr2))]

# 用户行为转化漏斗可视化

pv_cart_buy=(Funnel(opts.InitOpts(width="600px", height="300px"))
            .add(
            series_name="",
            data_pair=data2,
            gap=2,
            tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%"),
            label_opts=opts.LabelOpts(is_show=True, position="inside"),
            itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1)
        )
        .set_global_opts(title_opts=opts.TitleOpts(title="用户行为转化漏斗图"))
        )
pv_cart_buy.render_notebook()

  • pv - fav - pay
pv_fav_df = pd.merge(left=df_pv, right=df_fav, how='inner', on=['user_id', 'sku_id'], 
                     suffixes=('_pv', '_fav'))

pv_fav_df = pv_fav_df[pv_fav_df['action_time_pv'] < pv_fav_df['action_time_fav']]
pv_fav_df = pv_fav_df[~pv_fav_df['user_id'].isin(df_cart_uid)]

pv_fav_pay_df = pd.merge(left=pv_fav_df, right=df_pay, how='inner', on=['user_id', 'sku_id'])

pv_fav_pay_df = pv_fav_pay_df[pv_fav_pay_df['action_time_fav'] < pv_fav_pay_df['action_time']]

uv = behavior['user_id'].nunique()
pv_fav_num = pv_fav_df['user_id'].nunique()
pv_fav_pay_num = pv_fav_pay_df['user_id'].nunique()
pv_fav_pay_data =  pd.DataFrame({'type':['浏览','收藏','付款'],'num':[uv,pv_fav_num,pv_fav_pay_num]})
pv_fav_pay_data['conversion_rates'] = (round((pv_fav_pay_data['num'] / pv_fav_pay_data['num'][0]),4) * 100)

attr3 = list(pv_fav_pay_data.type)
values3 = list(pv_fav_pay_data.conversion_rates)
data3 = [[attr3[i], values3[i]] for i in range(len(attr3))]

# 用户行为转化漏斗可视化

pv_fav_buy=(Funnel(opts.InitOpts(width="600px", height="300px"))
            .add(
            series_name="",
            data_pair=data3,
            gap=2,
            tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%"),
            label_opts=opts.LabelOpts(is_show=True, position="inside"),
            itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1)
        )
        .set_global_opts(title_opts=opts.TitleOpts(title="用户行为转化漏斗图"))
        )
pv_fav_buy.render_notebook()

  • pv - fav - cart - pay
pv_fav = pd.merge(left=df_pv, right=df_fav, how='inner', on=['user_id', 'sku_id'], 
                     suffixes=('_pv', '_fav'))

pv_fav = pv_fav[pv_fav['action_time_pv'] < pv_fav['action_time_fav']]

pv_fav_cart = pd.merge(left=pv_fav, right=df_cart, how='inner', on=['user_id', 'sku_id'])

pv_fav_cart = pv_fav_cart[pv_fav_cart['action_time_fav']<pv_fav_cart['action_time']]

pv_fav_cart_pay = pd.merge(left=pv_fav_cart, right=df_pay, how='inner', on=['user_id', 'sku_id'], 
                     suffixes=('_cart', '_pay'))

pv_fav_cart_pay = pv_fav_cart_pay[pv_fav_cart_pay['action_time_cart']<pv_fav_cart_pay['action_time_pay']]

uv = behavior['user_id'].nunique()
pv_fav_n = pv_fav['user_id'].nunique()
pv_fav_cart_n = pv_fav_cart['user_id'].nunique()
pv_fav_cart_pay_n = pv_fav_cart_pay['user_id'].nunique()
pv_fav_cart_pay_data =  pd.DataFrame({'type':['浏览','收藏','加购','付款'],'num':[uv,pv_fav_n,pv_fav_cart_n,pv_fav_cart_pay_n]})
pv_fav_cart_pay_data['conversion_rates'] = (round((pv_fav_cart_pay_data['num'] / pv_fav_cart_pay_data['num'][0]),4) * 100)

attr4 = list(pv_fav_cart_pay_data.type)
values4 = list(pv_fav_cart_pay_data.conversion_rates)
data4 = [[attr4[i], values4[i]] for i in range(len(attr4))]

# 用户行为转化漏斗可视化

pv_fav_buy=(Funnel(opts.InitOpts(width="600px", height="300px"))
            .add(
            series_name="",
            data_pair=data4,
            gap=2,
            tooltip_opts=opts.TooltipOpts(trigger="item", formatter="{b} : {c}%"),
            label_opts=opts.LabelOpts(is_show=True, position="inside"),
            itemstyle_opts=opts.ItemStyleOpts(border_color="#fff", border_width=1)
        )
        .set_global_opts(title_opts=opts.TitleOpts(title="用户行为转化漏斗图"))
        )
pv_fav_buy.render_notebook()

Анализ временного интервала потребления пользователей по разным путям

  • pv - cart - pay
pcp_interval = pv_cart_pay_df.groupby(['user_id', 'sku_id']).apply(lambda x: (x.action_time.min() - x.action_time_cart.min())).reset_index()

pcp_interval['interval'] = pcp_interval[0].apply(lambda x: x.seconds) / 3600
pcp_interval['interval'] = pcp_interval['interval'].apply(lambda x: math.ceil(x))

fig, ax = plt.subplots(figsize=[16,6])
sns.countplot(pcp_interval['interval'],palette='Set1')
for p in ax.patches:
        ax.annotate('{:.2f}%'.format(100*p.get_height()/len(pcp_interval['interval'])), (p.get_x() + 0.1, p.get_height() + 100))
ax.set_yscale("log")
plt.title('pv-cart-pay路径用户消费时间间隔')

  • pv - fav - pay
pfp_interval = pv_fav_pay_df.groupby(['user_id', 'sku_id']).apply(lambda x: (x.action_time.min() - x.action_time_fav.min())).reset_index()

pfp_interval['interval'] = pfp_interval[0].apply(lambda x: x.seconds) / 3600
pfp_interval['interval'] = pfp_interval['interval'].apply(lambda x: math.ceil(x))

fig, ax = plt.subplots(figsize=[16,6])
sns.countplot(pfp_interval['interval'],palette='Set1')
for p in ax.patches:
        ax.annotate('{:.2f}%'.format(100*p.get_height()/len(pfp_interval['interval'])), (p.get_x() + 0.1, p.get_height() + 10))
ax.set_yscale("log")
plt.title('pv-fav-pay路径用户消费时间间隔')

В соответствии с двумя путями большинство пользователей завершили платеж в течение часов 4. Большинство покупательских намерений пользователей очень ясны, и это также показывает, что макет классификации продуктов на веб-сайте и методы расчета покупок относительно разумны.

# SQL
# 漏斗图
SELECT type, COUNT(DISTINCT user_id) user_num
FROM behavior_sql
GROUP BY type
ORDER BY COUNT(DISTINCT user_id) DESC



SELECT COUNT(DISTINCT b.user_id) AS pv_fav_num,COUNT(DISTINCT c.user_id) AS pv_fav_pay_num
FROM
((SELECT DISTINCT user_id, sku_id, action_time FROM users WHERE type='pv' ) AS a
LEFT JOIN
(SELECT DISTINCT user_id, sku_id, action_time FROM users WHERE type='fav'
AND user_id NOT IN 
(SELECT DISTINCT user_id
FROM behavior_sql
WHERE type = 'cart')) AS b
ON a.user_id = b.user_id AND a.sku_id = b.sku_id AND a.action_time <= b.action_time
LEFT JOIN
(SELECT DISTINCT user_id,sku_id,item_category,times_new FROM users WHERE behavior_type='pay') AS c
ON b.user_id = c.user_id AND b.sku_id = c.sku_id AND AND b.action_time <= c.action_time)
;

При сравнении четырех различных методов конверсии наиболее эффективным путем конверсии является просмотр прямой оплаты с коэффициентом конверсии 21,46%, за которым следует просмотр плюс оплата покупки с коэффициентом конверсии 12,47%. сложные, коэффициент конверсии увеличивается ниже. Коэффициент конверсии метода дополнительной покупки выше, чем у метода покупки коллекции. Причина этого в том, что интерфейс корзины удобен для входа и может использоваться для сравнения цен у разных продавцов. требует более утомительных операций для просмотра товаров, поэтому коэффициент конверсии низкий.

Функция поиска продукта может быть оптимизирована, точность и простота использования поиска продукта могут быть улучшены, а время поиска пользователем может быть сокращено. Рекомендуйте продукты на главной странице в соответствии с предпочтениями пользователя, оптимизируйте и переупорядочивайте страницы отображения сведений о продукте, повышайте желание клиентов размещать заказы и предоставляйте такие функции, как покупка в один клик, чтобы упростить шаги по покупке. повысить конверсию.

Для временного интервала потребления пользователем вы можете еще больше сократить время оплаты пользователя и увеличить объем заказа за счет покупки купона с ограниченным сроком действия, специальной цены с ограниченным сроком действия и т. д.

5. Анализ уровня удержания пользователей

#留存率
first_day = datetime.date(datetime.strptime('2018-03-30', '%Y-%m-%d'))
fifth_day = datetime.date(datetime.strptime('2018-04-03', '%Y-%m-%d'))
tenth_day = datetime.date(datetime.strptime('2018-04-08', '%Y-%m-%d'))
fifteenth_day = datetime.date(datetime.strptime('2018-04-13', '%Y-%m-%d'))

#第一天新用户数
user_num_first = behavior[behavior['date'] == first_day]['user_id'].to_frame()
#第五天留存用户数
user_num_fifth = behavior[behavior['date'] == fifth_day ]['user_id'].to_frame()
#第十留存用户数
user_num_tenth  = behavior[behavior['date'] == tenth_day]['user_id'].to_frame()
#第十五天留存用户数
user_num_fifteenth = behavior[behavior['date'] == fifteenth_day]['user_id'].to_frame()

#第五天留存率
fifth_day_retention_rate = round((pd.merge(user_num_first, user_num_fifth).nunique()) 
                                 / (user_num_first.nunique()),4).user_id
#第十天留存率
tenth_day_retention_rate = round((pd.merge(user_num_first, user_num_tenth ).nunique()) 
                                 / (user_num_first.nunique()),4).user_id
#第十五天留存率
fifteenth_day_retention_rate = round((pd.merge(user_num_first, user_num_fifteenth).nunique()) 
                                     / (user_num_first.nunique()),4).user_id

retention_rate =  pd.DataFrame({'n日后留存率':['第五天留存率','第十天留存率','第十五天留存率'],
                                'Rate':[fifth_day_retention_rate,tenth_day_retention_rate,fifteenth_day_retention_rate]})

# 留存率可视化

fig, ax = plt.subplots(figsize=[16,6])
sns.barplot(x='n日后留存率', y='Rate', data=retention_rate,
             palette='Set1')
x=list(range(0,3))
for a,b in zip(x,retention_rate['Rate']):
    plt.text(a, b + 0.001, '%.2f%%' % (b*100), ha='center', va= 'bottom',fontsize=12)
plt.title('用户留存率')

Коэффициент удержания отражает качество продукта и способность удерживать пользователей.Согласно платформе Facebook, распространяется правило коэффициента удержания «40-20-10» (числа в правиле представляют коэффициент удержания на следующий день, коэффициент удержания на 7-й день и коэффициент удержания на 30-й день), коэффициент удержания на пятый день статистического периода составил 22,81%, а коэффициент удержания на 15-й день составил 17,44%, что отражает высокий пользовательская зависимость платформы, и, поскольку развитие платформы достигло стабильной стадии, коэффициент удержания пользователей не будет увеличиваться.Большие колебания, если объем данных достаточен, ежемесячный коэффициент удержания может быть рассчитан в единицах лет. Необходимо разумно организовать рассылку новостей и внедрить такие механизмы, как регистрация и вознаграждение, чтобы повысить прилипчивость пользователей и еще больше повысить уровень удержания.

# SQL
#n日后留存率=(注册后的n日后还登录的用户数)/第一天新增总用户数
create table retention_rate as select count(distinct user_id) as user_num_first from behavior_sql
where date = '2018-03-30';
alter table retention_rate add column user_num_fifth INTEGER;
update retention_rate set user_num_fifth=
(select count(distinct user_id)  from behavior_sql
where date = '2018-04-03' and user_id in (SELECT user_id FROM behavior_sql
WHERE date = '2018-03-30'));
alter table retention_rate add column user_num_tenth INTEGER;
update retention_rate set user_num_tenth=
(select count(distinct user_id)  from behavior_sql
where date = '2018-04-08' and user_id in (SELECT user_id FROM behavior_sql
WHERE date = '2018-03-30'));
alter table retention_rate add column user_num_fifteenth INTEGER;
update retention_rate set user_num_fifteenth=
(select count(distinct user_id)  from behavior_sql
where date = '2018-04-13' and user_id in (SELECT user_id FROM behavior_sql
WHERE date = '2018-03-30'));

SELECT CONCAT(ROUND(100*user_num_fifth/user_num_first,2),'%')AS fifth_day_retention_rate,
CONCAT(ROUND(100*user_num_tenth/user_num_first,2),'%')AS tenth_day_retention_rate,
CONCAT(ROUND(100*user_num_fifteenth/user_num_first,2),'%')AS fifteenth_day_retention_rate
from retention_rate;

6. Анализ продаж продукта

# 商品总数
behavior['sku_id'].nunique()

# OUTPUT 
239007

# 商品被购前产生平均操作次数
sku_df = behavior[behavior['sku_id'].isin(behavior[behavior['type'] == 'pay']['sku_id'].unique())].groupby('sku_id')['type'].value_counts().unstack(fill_value=0)
sku_df['total'] = sku_df.sum(axis=1)
sku_df['avg_beha'] = round((sku_df['total'] / sku_df['pay']), 2)

fig, ax = plt.subplots(figsize=[8,6])
sns.scatterplot(x='avg_beha', y='pay', data=sku_df, palette='Set1')
ax.set_xscale("log")
ax.set_yscale("log")
plt.xlabel('平均操作次数')
plt.ylabel('销量')

В нижнем левом углу меньше операций и меньше покупок, что является продуктом с меньшей частотой непопулярных покупок.

В левом верхнем углу меньше операций и больше покупок, он относится к быстроходным потребительским товарам, мало брендов на выбор, и несколько брендов монополизируют отрасль.

В правом нижнем углу больше покупок и меньше брендов, но частота покупок низкая, поэтому это должен быть ценный предмет.

В правом верхнем углу больше операций и больше покупок, популярные бренды имеют больше возможностей и покупаются чаще.

# 商品销量排行
sku_num = (behavior[behavior['type'] == 'pay'].groupby('sku_id')['type'].count().to_frame()
                                            .rename(columns={'type':'total'}).reset_index())
# 销量大于1000的商品
topsku = sku_num[sku_num['total'] > 1000].sort_values(by='total',ascending=False)
# 单个用户共购买商品种数
sku_num_per_user = (behavior[behavior['type'] == 'pay']).groupby(['user_id'])['sku_id'].nunique()

topsku.set_index('sku_id').style.bar(color='skyblue',subset=['total'])

Есть 13 продуктов, которые имеют более 1000 заказов в расчетный период, из которых 152 092 имеют самый высокий номер заказа 1736. Комбинация продуктов имеет скидки и т. д., чтобы увеличить количество продуктов, приобретенных одним пользователем.

# SQL
# sku销量排行
SELECT sku_id, COUNT(type) sku_num FROM behavior_sql 
WHERE type = 'pay'
GROUP BY sku_id
HAVING sku_num > 1000
ORDER BY sku_num DESC;

7. Иерархия пользователей RFM

#RFM
#由于缺少M（金额）列，仅通过R（最近一次购买时间）和F（消费频率）对用户进行价值分析
buy_group = behavior[behavior['type']=='pay'].groupby('user_id')['date']

#将2018-04-13作为每个用户最后一次购买时间来处理
final_day = datetime.date(datetime.strptime('2018-04-14', '%Y-%m-%d'))

#最近一次购物时间
recent_buy_time = buy_group.apply(lambda x:final_day-x.max())
recent_buy_time = recent_buy_time.reset_index().rename(columns={'date':'recent'})
recent_buy_time['recent'] = recent_buy_time['recent'].map(lambda x:x.days)

#近十五天内购物频率
buy_freq = buy_group.count().reset_index().rename(columns={'date':'freq'})

RFM = pd.merge(recent_buy_time,buy_freq,on='user_id')

RFM['R'] = pd.qcut(RFM.recent,2,labels=['1','0'])
#天数小标签为1天数大标签为0
RFM['F'] = pd.qcut(RFM.freq.rank(method='first'),2,labels=['0','1'])
#频率大标签为1频率小标签为0

RFM['RFM'] = RFM['R'].astype(int).map(str) + RFM['F'].astype(int).map(str)

dict_n={'01':'重要保持客户',
        '11':'重要价值客户',
        '10':'重要挽留客户',
        '00':'一般发展客户'}

#用户标签
RFM['用户等级'] = RFM['RFM'].map(dict_n)

RFM_pie = RFM['用户等级'].value_counts().reset_index()
RFM_pie['Rate'] = RFM_pie['用户等级'] / RFM_pie['用户等级'].sum()

fig, ax = plt.subplots(figsize=[16,6])
plt.pie(RFM_pie['Rate'], labels = RFM_pie['index'], startangle = 90,autopct="%1.2f%%",
        counterclock = False,colors = ['yellowgreen', 'gold', 'lightskyblue', 'lightcoral'])
plt.axis('square')
plt.title('RFM用户分层')

Доля различных типов пользователей немного различается, поэтому следует увеличить долю важных ценных пользователей и уменьшить долю общих клиентов разработки. Ценность пользователя классифицируется с помощью модели RFM, и для пользователей с разными ценностями должны быть приняты разные стратегии работы.Для важных клиентов необходимо повысить удовлетворенность этой части пользователя, обновить сервис, выдать специальные льготы, и увеличить коэффициент удержания этой части пользователя, и уделять ей особое внимание при продвижении бизнеса, чтобы избежать отвращения пользователей. Для важных клиентов они часто совершают покупки, но не потребляли в последнее время.Они могут продвигать другие сопутствующие товары, выдавать купоны, подарки и рекламную информацию и т. д., чтобы напомнить этим пользователям. Для важных удержанных клиентов, которые недавно совершили покупку, но частота покупок низкая, вы можете узнать их неудовлетворенность платформой с помощью вежливого анкетирования, улучшить опыт покупок и повысить привязанность пользователей. Для общих клиентов, занимающихся разработкой, отправляйте регулярные электронные письма или текстовые сообщения, чтобы напомнить им, и попытайтесь превратить их в важных удержанных клиентов или важных удержанных клиентов.

# SQL
# RFM
CREATE VIEW RF_table AS
SELECT user_id, DATEDIFF('2018-04-14',MAX(date)) AS R_days,
COUNT(*) AS F_count
FROM behavior_sql WHERE type='pay' GROUP BY user_id;

SELECT  AVG(R_days), AVG(F_count)
FROM RF_table

create view RF_ layer as
SELECT user_id, (CASE WHEN R_days < 7.1697 THEN 1 ELSE 0 END) AS R,
(CASE WHEN F_count < 1.2129 THEN 0 ELSE 1 END) AS F
FROM RF_table
ORDER BY user_id DESC;


create view customer_value as
select user_id, R, F, (CASE WHEN R=1 and F=1 THEN "重要价值客户"
                            WHEN R=1 and F=0 THEN "重要挽留客户"
                            WHEN R=0 and F=1 THEN "重要保持客户"
                            WHEN R=0 and F=0 THEN "一般发展客户" ELSE 0 END) as 用户价值
FROM RF_ layer;
SELECT * FROM customer_value;

V. Резюме

1. Он может увеличить инвестиции в продвижение канала, провести точную массовую рекламу, представить новые преимущества для пользователей, привлечь новых пользователей, запустить групповые покупки, обмен любезностями и другие действия для продвижения старых и новых, запустить рекламные мероприятия для стимулирования старых пользователей и увеличить количество посетителей и просмотров страниц. Улучшите качество продукта, повысьте привлекательность страниц сведений о продукте для пользователей и снизьте показатель отказов.

2. Проводите маркетинговые мероприятия в соответствии с меняющимися законами действий пользователей с течением времени, чтобы мероприятиям было легче достигать пользователей и продвигать больше продуктов, представляющих интерес для пользователей, во время пиковых посещений пользователей.

3. Уровень выкупа низкий, что указывает на то, что пользователи недовольны опытом покупок на платформе, и им необходимо найти пользовательские слоты, повысить удовлетворенность пользователей покупками, оптимизировать механизм продвижения продукта, предоставить особые преимущества старым пользователям и улучшить их. права и интересы. Коэффициент конверсии также низок.Необходимо улучшить механизм поиска по платформе, чтобы снизить эффективность поиска, оптимизировать путь к покупкам, чтобы упростить процесс совершения покупок, а также улучшить способ отображения сведений о продукте, чтобы облегчить получение информации.

4. Уровень удержания относительно стабилен.Чтобы еще больше повысить уровень удержания, вы можете регулярно запускать действия seckill, запускать эксклюзивные купоны и запускать подарочную ссылку для входа, чтобы увеличить время и глубину просмотра пользователей, а также улучшить липкость пользователей. Анализируйте реальный опыт пользователя и оценку продукта, чтобы повысить лояльность пользователей.

5. Используйте RFM для стратификации пользователей, разделения пользователей на группы с очевидными характеристиками, применения различных маркетинговых методов для точного маркетинга и использования ограниченных ресурсов компании, чтобы отдать приоритет обслуживанию наиболее важных клиентов компании.

Категории