2014年是阿裏巴巴集團移動電商業務快速發展的壹年，例如2014雙11大促中移動端成交占比達到42.6%，超過240億元。相比PC時代，移動端網絡的訪問是隨時隨地的，具有更豐富的場景數據，比如用戶的位置信息、用戶訪問的時間規律等。
通過數據分析，能夠挖掘數據背後豐富的內涵，為移動用戶在合適的時間、合適的地點精準推薦合適的內容。
本案例的目標是從該數據進行隨機抽樣，並用mysql進行分析，提高自己對電商指標體系的認識。
1、字段說明
1、提出問題：
1）分析用戶購物過程中的常見監控指標，了解運營現狀，查看各環節的漏鬥轉化情況，並找到需要改進的節點；
2）研究用戶在不同維度下的行為規律，了解用戶行為特征，優化運營策略；
3）利用RFM模型對用戶進行分類，指導運營針對不同價值用戶進行精細化運營；
4）了解用戶生命周期，針對不同周期的用戶采取不同的運營策略。
2、指標和字段解讀
通過用戶和用戶行為路徑可以分析PV、UV、PV/UV、跳失率、總訂單量等運營指標；
通過用戶行為和時間可以分析用戶的購物行為特征；
通過用戶和商品、商品類別可以分析用戶的購買商品偏好；用戶和時間可以分析用戶的購買時間偏好，便於對不同商品和時間偏好的用戶采取個性化時間推薦（push、短信等推送）；
通過商品類別和用戶行為可以分析不同商品類別受歡迎程度，指導運營進行商品的上新或下架；
通過商品類別和時間可以分析不同商品類別的熱銷時間段，便於做活動的推廣；
結合AARRR模型，可以分析用戶的生命周期，劃分不同用戶所處的周期階段，采用差異化運營；
通過時間和用戶的生命周期字段，結合RFM模型可以給用戶做價值分類，對客戶進行差異化管理。
（查看數據清洗流程： /p/adb82624df14 )
將csv導入mysql的方法：
切換命令行菜單： /article/f00622280752dbfbd3f0c815.html
導入數據： /qq_25504271/article/details/78911151
1）選擇子集
導入之前已選擇好
2）列名重命名
無需更改列名
3）數據類型轉換
可以在設計表菜單欄更好數據類型
4）數據去重
存在重復值，但由於同壹用戶同壹個行為在壹小時內是可能存在多次的，因此這裏不做去重處理。
5）缺失值處理
經查詢，無缺失值
6）關聯數據
由於只有壹個表格，無需做表關聯（如果需要關聯，可以到分析過程中有需要時進行關聯，這樣會提高MySQL的性能。
7）異常值處理
無需處理異常值
8）數據標準化整理
日期數據整理：
為方便後續的分析，將日期數據分為日期和時間兩個維度
行為數據整理：
將用戶行為數據進行替換： 1：pv 2：fav 3：cart 4：buy
以上就完成了數據的整理工作。
1）流量指標：
計算頁面訪客數(pv)、獨立訪客數(uv)、人均點擊數(uv/pv)
頁面訪客：987911次、獨立訪客數：8474位、人均點擊次數116.58次。
95/30≈3.89次，日人均點擊次數大概為3.89次/人/天
2）每日流量指標變化趨勢
通過Navicat導出數據進行可視化處理：
pv、uv指標呈正相關性；
三個指標在大部分時間走勢平穩，由於雙十二的影響，從2014-12-11開始上升，到2014-12-12達到峰值，2014-12-13結束回到正常水平。
1）按照頁面訪客計算漏鬥轉化率
由於在購物環節中，收藏和加入購物車行為沒有嚴格的先後之分，可將兩個個步驟作為同壹步，最終得到用戶購物行為各環節轉化率，如下：
從整體轉化率來看： 瀏覽- 收藏/加購轉化率僅為5%，總體購買轉化率為1%，說明有大部分的用戶在瀏覽後未進行下壹步操作，平時“逛街看看”成為壹種習慣；
從節點轉化率來看： 瀏覽-加購/收藏環節轉化率很低，收藏/加購-購買的轉化率也只有20%，說明有相當壹部分用戶是喜歡“囤貨”，可能是為了等節假日購買？由於整體的節點並不是最細的不可分割節點，整體的數據比較粗糙，如果需要進壹步的深入分析，需要有更細的轉化率數據（由於操作路徑每個環節都會損失壹部分，因此如果能近量的較少客戶購買時所需要的操作步驟，對提升整體轉化率應該會有很好的提高）。
2）獨立訪客計算漏鬥轉化率
用戶每個環節的轉化率差不多，需要更多數據才能發現用戶流失原因。
3)、跳失率
瀏覽頁跳失率： = 只訪問壹次就離開的人數/總用戶數
只加收藏、購物車人數
1）總成交量和人均購買次數：
2）每日總成交和人均成交情況:
1)總體復購率
復購率=復購人數/購買人數=2295/4330=53%
2)商品品類銷量排名(商品復購率)
如果有更多數據，可根據商品品類屬性進行研究和下鉆，優化商品結果，但這裏因為數據脫敏無法進行下鉆分析
3)用戶復購排名
以上用戶對平臺的忠誠度比較高，對平臺的銷售貢獻度也高（利潤貢獻情況還需要具體分析），對不同的客戶可以收集相應的用戶畫像，並對用戶進行分層管理和營銷，從而達到精細化運營
1）、按日期維度
用戶活躍度與總體點擊數是正相關的，走勢平穩，不過在雙十二電商大促這天各項指標暴增，且當天點擊數占比有所下降(用戶的點擊更有針對性，前期已經選好商品，就等雙十二當天直接購買的客戶數量比較多？), 成交數占比大幅上升。
2）、周維度
壹周中的大部分時間用戶活躍度都比較平穩，周五比較特殊，出現了增長（ 查看數據發現雙十二正好是周五，屬於特殊活動日，如果進行詳細分析時應該將雙十二的日期排除分析有更有意義）。
3）、小時維度
晚間用戶較為活躍，但用戶行為傾向於瀏覽；白天尤其是中午左右的時段，購買行為的比率相對壹天中最高，此時購買的目的性最強（瀏覽數占比與購買數占比進行關聯分析得出結論）。
按照商品品類區分（ 矩陣分析 ），根據點擊次數和購買次數兩個維度將所有商品劃分到四個象限：
點擊數高，購買數高。說明此類產品剛需比較強，品牌多且種類豐富，用戶在較高的需求下有很多的選擇；
點擊數低購買數高。用戶的購買決策十分果斷，且對於該類產品的需求量也是很大的，說明該類產品選擇性比較小，可能形成幾個品牌壟斷的情況，或者產品的差異性較小，用戶不願花費過多的精力去挑選。
點擊數低購買數低，絕大多數產品都集中在這個象限，這種產品存在很多的替代品，用戶很難集中在某個子類進行大量購買，而是跳躍式選購。
點擊數高購買數低，這類產品的需求彈性較大，用戶購買存在隨機性。
用戶購買商品分為以下幾類過程：
直接購買
瀏覽後購買
加購物車購買
瀏覽加購物車購買
收藏購買
瀏覽收藏購買
結果顯示，直接夠買的用戶遠遠多於瀏覽後加購或者收藏再購買的用戶，說明大部分購買者都是喜歡直接購買商品的，這個跟周圍朋友的習慣也是符合的，基本上都是在瀏覽的階段都不會馬上購買，而是等到過段時間想買的時候就直接下單，幾個步驟之間相當於是分開的。
用戶的購買次數大部分集中在5次以內，購買頻率都還挺高的