淘宝用户行为分析

（2）日访问量

（3）复购率：产生两次或两次以上购买的 占有购买行为用户的比例

（4）用户行为漏斗

收藏与加入 车没有先后之分，可以统一作为一个环节。如下：

用户行为漏斗图如下：

全球电商公司的平均 率为2.86%，淘宝为2.34%略低于行业平均，且淘宝作为电商行业龙头，理应有高于行业均值的转化率，说明淘宝在用户行为转化率的提升上有很大空间。

对于以上用户从点击到购买的转化率较低的问题有两种假设：

a、不同的购物路径影响用户的转化率

b、淘宝的推送机制不合理，导致用户最终购买的产品和点击量高的产品不一致

假设a：

通过比率分析发现：

①用户在浏览后有加入购物车或收藏行为的购买率是无后续行为的2.4倍，但购买率均不高。

②用户在浏览商品后有后续行为的比例很低。

假设a成立，用户不同的购物路径影响用户的购买转化率。

假设b：

筛选出浏览量和购买量排名前十的商品id，如下：

查看点击排名前十商品的购买情况，如下：

通过以上图表发现：

①点击量排名前十的商品均不在购买量前十的名单中

②点击量排名前十的商品只有3006793，3769601，4657130，3466280四种商品有被购买，并且购买量均为1

说明淘宝的推送机制存在不合理的现象，导致一些产品的点击量虚高，与顾客喜爱购买的产品不一致，没有形成有效购买转化，即假设b成立。

2、购买率高的用户和购买率低的用户有什么特征

分别截取购买率高和购买率低的用户的一段数据如下：

观察发现，购买率高的用户很少有收藏或者加入购物车的中间环节，基本在点击之后就直接购买，这类用户有明确的购买目标，属于购买自己所缺物品的理智消费者，一些店铺 券之类的优惠活动只是锦上添花，并不是影响其购买转化的关键指标。

购买率低的用户则可大致分为三类：①用户的点击率较少，可能由于不习惯使用网上购物，可以加以引导促成首单 ②用户点击率较高，中间环节较少，可能由于商品价格、性能等原因造成用户点击后就流失 ③用户点击率较高，中间环节较多，但是较少形成购买，这类用户可能在为商家的优惠活动做准备，属于看中价格，有优惠才购买的用户，要想促成其非活动期间的购买难度较大。

3、用户在一周/一天当中的 时间

（1）用户在一天中的活跃时间

观察上图发现，用户的活跃度在晚上22点至第二天凌晨4点迅速下降，之后缓慢爬升，10点至18点用户活跃度较为平稳，18点至22点用户活跃迅速爬升，达到一天中的最高值。

（2）用户一周中的活跃度表现

观察上图发现在日期临近12月2日、3日（周末）时，用户活跃度有明显提升，但由于上个周末前（11月25日之前）的数据较少，且11月25日至11月30日用户的活跃度较为平缓，由此推断12月2日、3日临近双12，存在促销活动造成用户活跃度上升。

4、用户RFM分析

查看用户购买频次和购买时间间隔的分布情况，选取合适的打分标准：

对购买频率排前四分之一的打4分，四分之二到四分之一的打3分，依次类推；时间间隔的打分标准同理，间隔越近打分越高标准如下：

对用户价值进行打分：

将用户的recent得分和freq得分拼合，作为用户的最终得分：

对于用户user_values评分为44的用户是淘宝的重点关注用户，可以为其提供vip服务，维持用户活跃度；对评分为42的用户，其在淘宝最近用过消费，但是频率不高，可以通过交叉销售或者折扣提高其消费频率。

五、结论

1、用户整体的购买转化率在2.34%，点击后加入购物车或收藏的转化率为9.13%，转化率较低。通过假设检验发现原因有：用户的购物路径影响其转化以及淘宝的准送机制不合理。结合用户的天/周活跃变化可以采取以下措施：①在18点至22点用户活跃的高峰期或大促活动期间，增加用户喜爱产品的推送，给予适当优惠鼓励用户收藏或者加购产品。②根据用户搜索推送产品时，多推送其他用户购买多次的产品。

2、购买率高的用户很少有收藏或者加入购物车的中间环节，属于理智型消费者，缺啥买啥，因此很受到到促销等优惠活动的影响而购买商品。购买率低的用户可分为三类：①用户的点击率较少 ②用户点击率较高，中间环节较少 ③用户点击率较高，中间环节较多。对第一类用户可以加以引导，先增加其浏览次数，在给予优惠促成首单；对第二类用户多推送相关联热销商品或是价格与其消费能力较为匹配的商品；第三类用户属于等待型消费者，下单欲望较少，如果没有促销等优惠活动想要促成其购买难度较大。

3、按照用户的消费频次和上次消费时间间隔进行打分，对用户进行精准营销，对于用户user_values评分为44的用户是淘宝的重点关注用户，可以为其提供vip服务，维持用户活跃度；对评分为42的用户，其在淘宝最近用过消费，但是频率不高，可以通过交叉销售或者折扣提高其消费频率。还可以通过监测用户R和F分值的变动，推测用户的消费异状，对有流失危险的用户进行预警。

标签： 淘宝用户行为分析