电商实战分析
用Excel进行数据分析
1. 理解数据
a. 找到数据源，分成两张表
b. 购买商品表字段信息：
i. 用户ID 商品ID
ii. 商品二级类 商品一级分类 商品属性
iii. 购买数量 购买日期
c. 婴儿信息表字段信息：
i. 用户ID 出生日期 性别
2. 提出问题
a. 相关指标（根据指标体系，确立指标，也就是有多少变量）
i. 婴儿用品
1) 运营指标
a) 成交：金额；数量；用户数
b) 订单：金额；数量；用户数
c) 效率：客单价
2) 会员
a) 购买使用率：复购率，平均购买次数
b) 会员数量：注册会员数；活跃会员数；会员留存率；会员？？率
b. 提出问题
i. 1.在2012年7月-2014年12月，为什么销量呈现上涨趋势？
ii. 2.哪类商品最热销，可主推？
iii. 3.用户年龄段、性别对于销量的影响？如何做到精准营销？
c. 分析思路（可以按照逻辑树分析）
i. 销量上涨
1) 老用户
2) 新用户购买数量
a) 对比分析
b) 假设验证
c) 多维度拆解
d) 4P营销理论
i) 产品：假设不成立
ii) 价格假设不成立
iii) 渠道假设不成立
iv) 宣传 假设成立
One. 如何有效促销
i) 商品：哪些商品销量暴涨：对比分析，热销产品
ii) 用户：精准营销
i) 不同年龄的不同需求。
ii) 不同性别的不同需求。
3. 数据清洗
a. 选择子集--去除编号字段--列重命名-英文变中文--一致化处理--日期函数格式统一分列形式
b. 数据整合：VLOOKUP ID匹配婴儿信息，只提取可以匹配的信息
c. 异常值处理：可以用IF函数替换成男女，真假判定。
4. 数据分析
a. 为什么上涨
i. 拆解分析思路，对于第一层进行基本说明
ii. 根据图表表示为什么是这样的走向。
b. 哪个热销
i. 4P营销理论，利用假设检验法，分别从产品、价格、渠道、宣传，四个方面进行分析。包括销量不明显和没有数据源所以假设不成立。结论是宣传促进销量成立
ii. 不同月份同比环比的数据，得到结论
1) 促销非常好
2) 商品数目增加促进销量增加
c. 如何进行有效促销
i. 主推热销产品不同商品在一类二类时订单量对比。结论：针对特殊日期促销
ii. 针对不同用户精准营销
1) 不同年龄性别，这些1级分类的商品销量如何。每年总销量男女对比
5. 得到结论
1.促销活动一定要有针对性，50013636类商品是热销商品，评估后，可以采取相应的促销手段。
2.精准营销，针对需求的多少去针对性推送广告以此来减免广告费用，提高广告效率，对于女婴产品可以集中在1岁进行15结尾类的商品进行推广，男婴产品可以在0-2岁集中推广。
3.推广渠道按照年龄划分，如果需求量在0-1岁比较大，线上推广可以结合母婴类APP在不同模块和功能点处进行针对性推广。
4.对于28的商品类和68结尾的商品类销量最大，可以进行大力的宣传和推广，在保证产品质量的同时提高产品的销量。
--------------------------------------------------------------------------------------------------------------------------------------------
用mysql进行数据分析
1. 分析背景
1. 分析背景
2. 数据说明：来自淘宝天猫
a. 数据说明：
i. user id, item id, category id商品所属类目，
ii. behavior type 包括('pv','buy','cart','fav'), timestamp行为发生的时间戳
b. 行为类型：仅对于100W数据进行分析
i. Pv ：商品详情页点击量
ii. Buy 购买量
iii. Cart 加入购物车量
iv. fav收藏商品量
2. 分析思路：用户数据、行为数据、商品数据
1. 提问
1.哪些商品是热搜商品？哪些是畅销商品？热搜商品是否就是畅销商品？
2.用户各个行为类型的占比是多少？行为之间的转化率是怎样的？哪个环节流失比较严重？
3.工作日或周末，每天不同时间段对于用户行为的影响
4.使用RFM方法对用户进行分类
2. 方法：
a. 采用多维度拆解分析方法对问题进行拆解，
b. 使用漏斗模型、对比分析法、RFM模型分析法、假设检验分析方法分析
3. 分析思路（转化率->核心指标 ->用户行为分析)
a. 用户行为分析
i. 产品：
1) 热搜产品；热卖产品；热搜类别；热卖类别
2) 分析对剑商品是否是用户喜欢的商品，及推荐机制是否合理
ii. 行为
1) 浏览次数，购买次数，收藏次数，加购次数
2) 行为漏斗分析各个环节的转化率，通过多维度拆解分析那个环节转化率低。
iii. 时间
1) 探索用户行为规律提出对应的策略
2) 用户行为与时间关系，一天内不同时间的销量分析。
3) 用户行为和星期关系，一周内不同天销量分析
iv. 用户
1) 最近购买时间；购买频率；购买金额
2) 运用FRM 分析，对用户分层
3. 数据清洗
1. 选择子集：各字段有分析价值
2. 列重命名：通过navicate 操作
3. 删除重复值
Select userID, itemID, ItemStamp from userbehavior
Groupr by userID, itemID, Timestamp having count(1)>1;
4. 缺失值处理
Select count(UserID), count(ItemID),count(CategoryID), count(BehaviorType),
Count(Timestamp) from userbehavior;
5. 一致化处理
a. 新增日期和时间字段
alter table userbehavior add Date date not null,add Time varchar(10) not null;
b. 更新字段内容
UPDATE userbehavior set Date = FROM_UNIXTIME(TimeStamp,'%Y-%m-%d'),
Time = FROM_UNIXTIME(TimeStamp,'%k');
6. 异常值处理
a. SELECT max(Date),MIN(Date) from userbehavior;
b. 删除异常值：select count(1) from userbehavior WHERE Date < '2017-11-25';
c. 共1099999条数据，异常数据520条
DELETE from userbehavior WHERE Date < '2017-11-25';
select count(1) from userbehavior;
4. 数据分析
1. 用户行为路径分析：
SELECT BehaviorType,count(1) 行为类型计数 from userbehavior GROUP BY BehaviorType;
2. 发现浏览到购物转化率低，用漏斗法观测。
3. 分析：浏览量：购买，加购：购买，收藏：购买，加购收藏：购买，流失。
4. 分析每种转化率
create view user_P
AS
select UserID, ItemID,
sum(case when BehaviorType = 'pv' then 1 else 0 end) as '点击',
sum(case when BehaviorType = 'cart' then 1 else 0 end) as '加购',
sum(case when BehaviorType = 'fav' then 1 else 0 end) as '收藏',
sum(case when BehaviorType = 'buy' then 1 else 0 end) as '购买'
from userbehavior
GROUP BY UserID, ItemID;
a. 用户在每个商品上的行为记录，分别包括点击次数，加购次数，收藏次数和购买次数
-- 点击量
SELECT sum(点击) from user_p;
-- 点击--购买--10834
SELECT sum(购买) from user_p
where 点击>0 and 购买>0 and 收藏=0 and 加购=0;
-- 点击--加购--29628
SELECT sum(加购) from user_p
where 点击>0 and 收藏=0 and 加购>0;
-- 点击--加购--购买--3169
SELECT sum(购买) from user_p
where 点击>0 and 购买>0 and 收藏=0 and 加购>0;
-- 点击--收藏--11957
SELECT sum(收藏) from user_p
where 点击>0 and 收藏>0 and 加购=0;
-- 点击--收藏--购买--1044
SELECT sum(购买) from user_p
where 点击>0 and 购买>0 and 收藏>0 and 加购=0;
-- 点击--收藏+加购-1847
SELECT sum(收藏)+sum(加购) from user_p
where 点击>0 and 收藏>0 and 加购>0;
-- 点击--收藏+加购 -- 购买 -- 158
SELECT sum(购买) from user_p
where 点击>0 and 收藏>0 and 加购>0 and 购买>0;
-- 点击--流失--867742
SELECT sum(点击) from user_p
where 点击>0 and 收藏=0 and 加购=0 and 购买=0 ;
b. 原因分析
i. 平台问题==》推荐机制不合理==》浏览购买TOP10，分析两者是否合理
1) 浏览10
SELECT CategoryID,count(CategoryID) 点击次数 from userbehavior
where BehaviorType = 'pv'
GROUP BY CategoryID ORDER BY 点击次数 DESC limit 10;
2) 购买10
where BehaviorType = 'buy'
3) 点击10
select * from
(SELECT itemid,count(BehaviorType) as 购买量
from userbehavior
where BehaviorType = 'buy'
group by itemid ) as a
where itemid in('812879','138964','3845720','3708121','2032668','2331370','2338453','1535294','3031354','4211339');
ii. 商品
1) 质量不好==》用户对质量没有信心
2) 种类少==》种类少，相似度高
3) 样式陈旧==》样式不新颖
4) 刷单行为==》评论是假的
5) 聚焦于点击量高购买量低的上商品。
6) 推荐的商品顾客并不喜欢购买，由于高浏览量并没有带来购买，所以转化率低。
iii. 总结：
1.优化推荐机制，把更多流量给到顾客愿意购买的商品
2.通过更好的商品推荐，页面交互，积分会员等功能等降低流失率
3.引导加购，可以加强营销机制引导顾客加购，比如加购物车联系客服领优惠券
c. 用户什么时候浏览
i. 提出假设：周末
ii. 收集证据
select Date,count(BehaviorType) as '总数',
sum(case when BehaviorType = 'pv' then 1 else 0 end) as '点击',
sum(case when BehaviorType = 'cart' then 1 else 0 end) as '加购',
sum(case when BehaviorType = 'fav' then 1 else 0 end) as '收藏',
sum(case when BehaviorType = 'buy' then 1 else 0 end) as '购买'
from userbehavior GROUP BY Date;
d. 基于FRM分析模型的用户分层
select UserID,datediff('2017-12-3',max(Date))+1 as R ,count(BehaviorType) as F from userbehavior //最早的，到现在的，频率==》购买量==》按用户分类
where BehaviorType = 'buy'
group by UserID
i. 给R和F按价值打分
select *,
(case when R<=2 then 4
when R between 3 and 4 then 3
when R between 5 and 7 then 2
when R between 8 and 9 then 1 end) as Rscore,
//4:<2; 3:3~4; 2:5~7; 1:8~9作为R分数的评判
(case when F between 1 and 6 then 1
when F between 7 and 12 then 2
when F between 13 and 18 then 3
when F>=19 then 4 end) as Fscore
//1:1~6； 2：7~12；3:13~18；4：>=19作为F分数的评判
from //select * from table
//按照用户分类分层
(select UserID,datediff('2017-12-3',max(Date))+1 as R ,count(BehaviorType) as F
from userbehavior
where BehaviorType = 'buy'
group by UserID) m//应该是命名为m
ii. 用户分类
select 用户分类,count(UserID) as '人数' from//select 表头 from f
(select userid,
(case when RScore>'3.0533' and FScore>'1.1043' then '重要价值用户'
when RScore>'3.0533' and FScore<'1.1043' then '重要发展用户'
when RScore<'3.0533' and FScore>'1.1043' then '重要保持用户'
when RScore<'3.0533' and FScore<'1.1043' then '重要挽留用户'
else 0 end) as '用户分类'
from //select userid,? From n
(select *,
(case when R<=2 then 4
when R between 3 and 4 then 3
when R between 5 and 7 then 2
when R between 8 and 9 then 1 end) as Rscore,//R
(case when F between 1 and 6 then 1
when F between 7 and 12 then 2
when F between 13 and 18 then 3
when F>=19 then 4 end) as Fscore//F
from
(select UserID,datediff('2017-12-3',max(Date))+1 as R ,count(BehaviorType) as F
from userbehavior
where BehaviorType = 'buy'
group by UserID) m) n) f
group by 用户分类; //觉得这一句很重要，但是不知道没有这一句会发生什么。
5. 结论：
6. 建议：
|
楼主