淘宝人群报告总结分析 第1篇

1）删除重复值

查询结果显示数据集并无重复数据。

2）缺失值处理

查询结果显示数据集并缺失值。

3）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1970年01月01日00时00分00秒(北京时间1970年01月01日08时00分00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44行。

淘宝人群报告总结分析 第2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）3项指标来描述该客户的价值状况，如图11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。

1）查看对应用户的消费间隔R值

#1.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('2017-12-03',MAX(ti_st)) AS B FROM sam_ub

WHEREbeh='buy'

GROUP BY uid;

#2.再根据时间间隔等级R值降序排序

SELECT uid,(CASE WHEN B BETWEEN 0 AND 2 THEN 3

        WHEN B BETWEEN 3 AND 5 THEN 2

        WHEN B BETWEEN 6 AND 8 THEN 1

        ELSE 0 END) AS R

FROM pay_B

ORDER BY R DESC;

2）计算消费频次F

付费用户中消费次数从低到高为1-93次，将其分为6档1-10，11-20，21-30，31-40，41-50，50以上，对应F评分分别为1-6分，根据其活跃度将用户分为忠诚、活跃等类型。

#1.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;

#2.再分级排序

SELECT uid,(CASE WHEN times BETWEEN 1 AND 10 THEN 1

        WHEN times BETWEEN 11 AND 20 THEN 2

        WHEN times BETWEEN 21 AND 30 THEN 3

        WHEN times BETWEEN 31 AND 40 THEN 4

        WHEN times BETWEEN 41 AND 50 THEN 5

        WHEN times >= 51 THEN 6 ELSE 0 END) AS F

FROM pay_times

ORDER BY F DESC;

3）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 0 AND 2 THEN 3

WHEN B BETWEEN 3 AND 5 THEN 2

WHEN B BETWEEN 6 AND 8 THEN 1

ELSE 0 END) AS R

FROM pay_b

ORDER BY R DESC) r

JOIN (SELECT uid ,(CASE WHEN times BETWEEN 1 AND 10 THEN 0

WHEN times BETWEEN 11 AND 20 THEN 1

WHEN times BETWEEN 21 AND 30 THEN 2

WHEN times BETWEEN 31 AND 40 THEN 3

WHEN times BETWEEN 41 AND 50 THEN 4

WHEN times >= 51 THEN 5 ELSE NULL END) AS F

FROM pay_times

ORDER BY F DESC;

综合评分为8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6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3-5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3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。

4）极度忠诚的用户行为分析

根据3）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9610的每天的行为：

SELECT ti_st,SUM(CASE

beha_type WHEN 'pv' THEN 1 ELSE 0 END) '浏览量',

    SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0END) '收藏量',

    SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0END) '加购量',

    SUM(CASE behe WHEN 'buy' THEN 1 ELSE 0END) '消费量'

FROM sam_ub

WHERE uid='9610'

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20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3篇

分析背景

1）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。

2）经济：2020年，国内经济总量突破了101万亿元，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。

3）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。

4）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4篇

（1）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 1 ELSE 0 END) '浏览量',

SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0 END) '收藏量',

SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0 END) '加购量',

SUM(CASE beh WHEN 'buy' THEN 1 ELSE 0 END) '付费量'

FROM sam_ub

GROUP BY ti_st

ORDER BY ti_st;

将查询结果用图5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。

（2）分析某一天内用户每小时的行为

以2017年11月28日（周二）为例：

SELECT hours,

SUM(CASE beh WHEN 'pv' THEN 1 ELSE 0 END) '浏览量',

SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0 END) '收藏量',

SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0 END) '加购量',

SUM(CASE beh WHEN 'buy' THEN 1 ELSE 0 END) '付费量'

FROM sam_ub

WHERE ti_st='2017-11-28'#以2017年11月28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2017年12月2日（周六）为例：

SELECT hours,

SUM(CASE beh WHEN 'pv' THEN 1 ELSE 0 END) '浏览量',

SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0 END) '收藏量',

SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0 END) '加购量',

SUM(CASE beh WHEN 'buy' THEN 1 ELSE 0 END) '付费量'

FROM sam_ub

WHERE ti_st='2017-12-02'  #以2017年12月2日（周六）为例

GROUP BY hours

ORDER BY hours;

由图6和图7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9点达到一个高峰，说明在9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。