本文是对淘宝业务分析案例的汇总。本次分析从用户，商品以及平台三大方面展开，利用了漏斗分析、维度拆分、象限分层、RFM模型等分析方法，通过MySql进行数据的处理，最后利用PowerBI进行数据的可视化。
移动互联网企业从粗放式到精细化运营管理过程中，需要结合市场、渠道、用户行为等数据分析，对用户开展有针对性的运营活动，提供个性化、差异化的运营策略，以实现运营业务指标。本项目利用sql对淘宝用户行为数据进行分析，通过用户行为分析业务问题，提供针对性的运营策略。
- 查看数据缺失值：判断各列的数量是否一致
- 通过查看数据发现，time为时间戳格式，需要进行时间格式转化
- 通过查看发现数据主要聚集在11月25日到12-03日之间，取此区间，删除其他数据
1. 常规指标情况
1.1 PV，UV，用户平均访问量(PV/UV)
1.2 日平均访问量DAU：
1.3 复购率
复购率：在某时间窗口内重复消费用户（消费两次及以上的用户）在总消费用户中占比
- 单日复购率
1.4 跳失率
跳失率：仅仅访问了单个页面的用户占全部访问用户的百分比，或者指从首页离开网站的用户占所有访问用户的百分比。即用户的behavior为1。 跳失率是衡量网站APP内容质量的重要标准。
9天时间跳失率仅为1，表明淘宝在产品与内容的运营上表现优秀，有足够的用户吸引力，确保用户可以长时间驻留选择。
- 流量( PV)转化漏斗
- 用户(UV)转化漏斗
3.2 用户行为分析——按小时拆解：
4.1 商品浏览量排行榜Top10
4.2 商品销量排行榜Top10
4.3 浏览量Top10中购买量Top10的占比
浏览量Top10的商品，只有1件在销量Top10，商品推荐算法不太准确，导致用户浏览的商品都不是自己满意的商品，需要对商品推荐算法再优化。
4.4 四象限法分类优化——商品浏览数与销量的关系
这里根据商品的浏览量与购买量将商品划分为四个象限，实际划分标准需要根据实际业务区划分。这里根据二八法则对两个维度进行划分。
5.1 R维度分析
可知数据集的时间间隔在区间[0:8]天，这里我们定义[0:3]为'1'，[4:8]为'0'。（实际工作中看情况定义）
5.2 F维度分析
通过查看，用户购买次数最少为1次，最多为72次。这里我们将36次作为标准，定义够阿米次数在[1:14]为0，[15:72]为1。
5.3 RF维度分析
- 将RF合并
- 为用户分层
image.png