一、 分析背景
網(wǎng)上購物漸漸成為了人們的一種生活方式。它為人們提供了很多便利，只需要一部手機(jī)或一臺電腦就可以購買到來自世界各地的商品。正是由于商品的多樣性本谜，人們大多數(shù)會有一個瀏覽商品初家、收藏、加購到消費(fèi)的過程。這些用戶行為數(shù)據(jù)能間接展現(xiàn)出他們的網(wǎng)購習(xí)慣和偏好溜在，結(jié)合業(yè)務(wù)思維從中得到啟發(fā)陌知，優(yōu)化產(chǎn)品，達(dá)到可觀的關(guān)鍵指標(biāo)值掖肋。
二仆葡、 分析目的
現(xiàn)有阿里云（https://tianchi.aliyun.com/dataset/dataDetail?dataId=649）提供的淘寶用戶行為數(shù)據(jù)，其包含了2017年11月25日至2017年12月3日之間志笼，有行為的約一百萬隨機(jī)用戶的所有行為（行為包括點(diǎn)擊沿盅、購買、加購纫溃、喜歡）腰涧。每條用戶行為僅由用戶ID（脫敏）、商品ID（脫敏）紊浩、商品類目ID（脫敏）窖铡、行為類型、時間戳組成坊谁。
為了吸引盡可能多的用戶最終進(jìn)行消費(fèi)费彼，此次進(jìn)行用戶行為分析，找到可進(jìn)一步改進(jìn)的方面口芍，給出可落地的建議箍铲。
三、 分析方法
如何使用現(xiàn)有數(shù)據(jù)分析用戶行為是關(guān)鍵阶界。在這里虹钮，我們從以下幾個方面分析：
? ? ? ?（1） 轉(zhuǎn)化漏斗：使用常用的電商數(shù)據(jù)分析指標(biāo)，使用AARRR漏斗模型（解釋見圖1）拆解用戶進(jìn)入APP后的每一步行為膘融。分析從瀏覽芙粱、收藏/加購到消費(fèi)整個過程中各轉(zhuǎn)化環(huán)節(jié)的轉(zhuǎn)化率和流失率，發(fā)現(xiàn)業(yè)務(wù)環(huán)節(jié)中的薄弱部分并提出可落地執(zhí)行的改進(jìn)建議氧映；
（2）從時間維度分析哪一日或一天中哪個時間點(diǎn)的用戶行為表現(xiàn)春畔，為運(yùn)營活動時間選擇提供可靠的參考；
（3）從商品維度分析哪一種商品最受用戶歡迎岛都，為活動產(chǎn)品范圍設(shè)置提供數(shù)據(jù)支持律姨；
（4）基于RFM模型（解釋見圖2）做用戶細(xì)分，為精準(zhǔn)營銷提供思路臼疫。
R-Recency（最近一次購買時間）
R指用戶上一次消費(fèi)的時間择份，上一次購物時間距今最近的顧客通常在近期響應(yīng)營銷活動的可能性也最大，對于APP而言烫堤，很久沒有購物行為可能意味著用戶放棄了APP的使用荣赶，重新喚起用戶也需要更多的成本凤价。
F-Frequency（消費(fèi)頻率）
F指用戶在某段時間內(nèi)的購物次數(shù)，消費(fèi)頻率越高意味著這部分用戶對產(chǎn)品的滿意度最高拔创，用戶粘性最好利诺，忠誠度也最高。
M-Money（消費(fèi)金額）
M指用戶在某段時間內(nèi)的購物金額剩燥，這也是為公司帶來價值的最直接體現(xiàn)慢逾，而消費(fèi)金額較高的用戶在用戶總體中人數(shù)較少，卻能創(chuàng)造出更多價值灭红，是需要重點(diǎn)爭取的對象侣滩。
這三個維度互相關(guān)聯(lián)，反映了每個用戶的現(xiàn)在價值和潛在價值比伏，將每個維度分成5個區(qū)間進(jìn)行評分胜卤，通過計算分?jǐn)?shù)找到最有價值的用戶，并對用戶進(jìn)行分類赁项，可以有針對性的不同類型用戶采用不同的營銷策略
-------------------------------------------------------------------------------
作者：大白菜995
鏈接：http://www.reibang.com/p/4f64d739fba2
-------------------------------------------------------------------------------
四葛躏、用戶行為分析
1. 數(shù)據(jù)導(dǎo)入及選取
通過數(shù)據(jù)庫管理工具SQLyog將數(shù)據(jù)集導(dǎo)入MySQL中，并為用戶ID（脫敏）悠菜、商品ID（脫敏）舰攒、商品類目ID（脫敏）、行為類型悔醋、時間戳等字段分別起名為uid,gid,gcateid,beh和ti_st摩窃。
由于數(shù)據(jù)太多，考慮當(dāng)前電腦配置和分析效率問題芬骄，只取其中三百萬條數(shù)據(jù)進(jìn)行分析（提取時根據(jù)用戶分組提取猾愿，將提取到的每個用戶所有行為都提取出來），表名為sam_ub账阻。
將不符合業(yè)務(wù)流程的數(shù)據(jù)剔除后蒂秘，最終總共提取了3,023,685條數(shù)據(jù)。
2. 數(shù)據(jù)清洗
2.1 缺失值處理
為避免數(shù)據(jù)集中出現(xiàn)缺失值淘太，影響分析結(jié)果姻僧，檢查是否含有缺失值。若存在蒲牧，視情況可以補(bǔ)充值或刪除所在行數(shù)據(jù)撇贺。經(jīng)查詢，該數(shù)據(jù)集并沒有缺失值冰抢。
2.2 數(shù)據(jù)一致化處理
由于時間戳是含有日期和時間的松嘶，為了保持一致，將時間戳拆分成兩列挎扰，一列為年月日翠订，一列為時間點(diǎn)缓升，只精確到小時。結(jié)合實(shí)際蕴轨，用戶在一個小時內(nèi)重復(fù)訪問或購買商品的行為是正常的，所以不需要去重骇吭。
ALTER TABLE sam_ubd ADD hours CHAR(20);
UPDATE sam_ubd SET hours=per;
UPDATE sam_ubd SET per=FROM_UNIXTIME(per,'%Y-%m-%d');
UPDATE sam_ubd SET hours=FROM_UNIXTIME(hours,'%H');
2.3 異常值處理
異常值的出現(xiàn)也會對分析結(jié)果產(chǎn)生擾亂橙弱，需要刪除不符合業(yè)務(wù)流程（比如用戶行為發(fā)生時間不在該時間段內(nèi)）。
3. 模型構(gòu)建
3.1用戶使用行為的漏斗分析
用戶使用淘寶購買產(chǎn)品的完整流程是“瀏覽→收藏/加購→購買”燥狰。我們需要分析各環(huán)節(jié)的轉(zhuǎn)化率情況棘脐，找到網(wǎng)購流程中的薄弱環(huán)節(jié)。
（1）九天內(nèi)這些用戶的網(wǎng)購總體情況：PV,UV和平均每人訪問量
SELECT COUNT(DISTINCT user_id) AS UV,
(SELECT COUNT(*) FROM sam_ubd WHEREbeha_type='pv') AS PV,
(SELECT COUNT(*) FROM sam_ubd WHEREbeha_type='pv')/COUNT(DISTINCT user_id) 'PV/UV'
FROM sam_ubd;
結(jié)果為：這段時期的總訪問量PV為2708993次龙致，總訪客量UV為29062人蛀缝，平均每人訪問量（PV/UV）為93.2次，平均每人每天訪問次數(shù)超過10次目代。因為沒有前后時間的總體數(shù)據(jù)對比屈梁，所以不能解釋情況的好壞。
（2）跳失率：僅有一個行為的用戶總數(shù)/總訪客量
SELECT COUNT(user_id)
FROM sam_ubd
GROUP BY user_id
HAVING COUNT(beha_type)=1;
用戶網(wǎng)購的第一個行為一定是瀏覽榛了，因此只有一個行為的一定是瀏覽行為在讶，這代表用戶僅瀏覽一次就退出淘寶，再也沒有使用過霜大，可以認(rèn)定為流失用戶构哺。結(jié)果表明，在29062個人中僅有兩位用戶只瀏覽一次就退出战坤，可以認(rèn)為用戶對淘寶還是特別認(rèn)可的曙强，并且愿意使用淘寶網(wǎng)購。
（3）用戶總體行為的轉(zhuǎn)化率
?①用戶總行為數(shù)漏斗計算（用戶ID不去重的情況）：
SELECT beha_type,COUNT(*)
FROM sam_ubd
GROUP BY beha_type
ORDER BY beha_type DESC;
結(jié)果為總訪問量為2708993次途茫，總收藏量為85305次碟嘴，總加購量為170865次，總購買量為58522次慈省。從整體看訪問到購買的直接轉(zhuǎn)化率為58522/2708993=2.16%臀防，在購買流程中各環(huán)節(jié)漏斗轉(zhuǎn)化分別為:從訪問到收藏/加購的轉(zhuǎn)化率為（85305+170865）/2708993=9.49%，從收藏/加購到購買的轉(zhuǎn)化率為58522/（85305+170865）=22.84%边败，用戶行為漏斗流程圖見圖3袱衷。雖然從訪問到購買的轉(zhuǎn)化率不高，但是從收藏/加購到購買的轉(zhuǎn)化率高達(dá)22.84%笑窜，可以看出還是有很多用戶愿意去購買的致燥。
?②獨(dú)立訪客漏斗模型計算（用戶ID去重）
SELECT beh,COUNT(DISTINCT uid) AS '用戶數(shù)'
FROM sam_ub
GROUP BY beh
ORDER BY COUNT(DISTINCT uid) DESC;
這九天內(nèi)，一共有28918位用戶訪問排截，其中22056位用戶加購嫌蚤、11061位用戶收藏辐益、19740位用戶購買商品。從整體看訪問到購買的直接轉(zhuǎn)化率為19740/28918=68.26%脱吱，在購買流程中各環(huán)節(jié)漏斗轉(zhuǎn)化分別為:從訪問到加購的轉(zhuǎn)化率為22056/28918=77.83%智政，從加購到購買的轉(zhuǎn)化率為19740/22056=89.50%，獨(dú)立訪客行為漏斗流程圖見圖4箱蝠⌒妫可以看出，淘寶中大多數(shù)用戶是愿意使用淘寶購買商品的宦搬，說明淘寶這款產(chǎn)品受大眾歡迎牙瓢。
3.2 不同時間維度下用戶行為模式分析
（1）分析這段時期內(nèi)每天的用戶行為（日訪問總量，日收藏總量间校，日加購量矾克，日購買量）
SELECT ti_st,
SUM(CASE beh WHEN 'pv' THEN 1 ELSE 0 END) '瀏覽量',
SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0 END) '收藏量',
SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0 END) '加購量',
SUM(CASE beh WHEN 'buy' THEN 1 ELSE 0 END) '付費(fèi)量'
FROM sam_ub
GROUP BY ti_st
ORDER BY ti_st;
將查詢結(jié)果用圖5表示之后，發(fā)現(xiàn)周六和周日的瀏覽量憔足、收藏量胁附、加購量和購買量均高于工作日，說明用戶偏好在非工作日網(wǎng)購四瘫，可以認(rèn)為該人群的屬性更偏向于職場人汉嗽。因此，對于這些用戶的營銷活動可以選在周六和周日進(jìn)行找蜜。
而且用戶的加購量比收藏量要高很多饼暑，這說明用戶更常使用購物車來選擇自己想要購買的商品，因此我們可以刺激加購向購買的轉(zhuǎn)化率洗做，比如現(xiàn)在的跨店滿減活動就是需要加購來獲得優(yōu)惠的弓叛。
（2）分析某一天內(nèi)用戶每小時的行為
以2017年11月28日（周二）為例：
SELECT hours,
SUM(CASE beh WHEN 'pv' THEN 1 ELSE 0 END) '瀏覽量',
SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0 END) '收藏量',
SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0 END) '加購量',
SUM(CASE beh WHEN 'buy' THEN 1 ELSE 0 END) '付費(fèi)量'
FROM sam_ub
WHERE ti_st='2017-11-28'#以2017年11月28日（周二）為例
GROUP BY hours
ORDER BY hours;
為了驗證工作日與非工作日的用戶活躍特征是否一樣，我們以2017年12月2日（周六）為例：
SELECT hours,
SUM(CASE beh WHEN 'pv' THEN 1 ELSE 0 END) '瀏覽量',
SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0 END) '收藏量',
SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0 END) '加購量',
SUM(CASE beh WHEN 'buy' THEN 1 ELSE 0 END) '付費(fèi)量'
FROM sam_ub
WHERE ti_st='2017-12-02'? #以2017年12月2日（周六）為例
GROUP BY hours
ORDER BY hours;
由圖6和圖7的趨勢可以看出诚纸，工作日和非工作日中這四個指標(biāo)的走勢很相近撰筷，都是在晚上9點(diǎn)達(dá)到一個高峰，說明在9點(diǎn)畦徘，用戶的活躍度相對更高毕籽。因此，在晚上九點(diǎn)左右井辆，適合做營銷活動（比如直播关筒、前*名立減），拉新和刺激更多人消費(fèi)杯缺。
3.3 不同商品種類的用戶行為
1）統(tǒng)計瀏覽次數(shù)蒸播、收藏次數(shù)和加入購物車次數(shù)在前20名的商品
SELECT gid,COUNT(uid) AS times
FROM sam_ub WHERE beh='pv'
GROUP BY gid
ORDER BY times DESC
LIMIT 20;
SELECT gid,COUNT(uid) AS times
FROM sam_ub WHERE beh='fav'
GROUP BY gid
ORDER BY times DESC
LIMIT 20;
SELECT gid,COUNT(uid) AS times
FROM sam_ub WHERE beh='cart'
GROUP BY gid
ORDER BY times DESC
LIMIT 20;
SELECT gid,COUNT(uid) AS times
FROM sam_ub WHERE beh='buy'
GROUP BY gid
ORDER BY times DESC
LIMIT 20;
由圖8可知：
瀏覽次數(shù)位于前列的商品，在收藏袍榆、加購和最終購買的時候胀屿，除了商品ID為303154和1535294外，大多數(shù)并不在前列包雀。這說明了瀏覽次數(shù)多的商品并不是用戶想要的宿崭，可以想象得到“用戶可以通過搜索和主頁瀏覽商品，但對大部分商品并不感興趣”才写。如果可以結(jié)合用戶瀏覽每個商品時的瀏覽時長劳曹，就可以更加準(zhǔn)確地匹配收藏扔水、加購和購買次數(shù)位于前列的商品轨蛤。
收藏次數(shù)或者加購次數(shù)位于前列的商品盗蟆，同樣與最終購買次數(shù)排名靠前的商品ID并沒有很好的匹配。這可以推斷出：傾向于瀏覽后直接購買的用戶也還是存在的房资，并沒有按照理想的產(chǎn)品漏斗（瀏覽-加購/收藏-購買）的流程。故我們可以通過“用戶進(jìn)行加購/收藏后優(yōu)先發(fā)貨”等活動來引導(dǎo)用戶遵循理想的商品購買流程檀头，進(jìn)而簡化分析過程轰异。
2）統(tǒng)計每個商品的購買次數(shù)
SELECT gid,COUNT(uid) '購買次數(shù)'
FROM sam_ub
WHERE beh='buy'
GROUP BY gid
ORDER BY COUNT(uid) DESC;
由于商品個數(shù)實(shí)在太多，下面嘗試查看有相同購買次數(shù)的商品數(shù)量和按商品種類分組的對應(yīng)購買次數(shù)暑始，是否可以得到明顯的結(jié)論搭独。
3）對應(yīng)購買次數(shù)的商品個數(shù)
SELECT times AS "購買次數(shù)" , COUNT(gid)AS "商品數(shù)"
FROM (SELECT gid, COUNT(uid) AS 'times' FROM sam_ub WHERE beh='buy' GROUP BY gid) ????????????????AS buy_times
GROUP BY times
ORDER BY COUNT(gid);
結(jié)果表明，購買次數(shù)多的商品并沒有幾個廊镜，反而只有一次購買的商品牙肝，說明總購買量主要是由僅有一次購買的商品貢獻(xiàn)的。如果將用戶行為的統(tǒng)計天數(shù)擴(kuò)大至一個月嗤朴、一個季度甚至是一年配椭，這種規(guī)律是否依然存在？如果存在雹姊，就說明一些熱門商品的受眾范圍并不是特別廣股缸，建議從自己的品牌口碑、產(chǎn)品質(zhì)量吱雏、物流敦姻、服務(wù)、價格等方面進(jìn)一步改進(jìn)歧杏。
4）統(tǒng)計各類商品的購買次數(shù)
由2）3）可知镰惦，單獨(dú)針對商品ID來分析用戶的偏好是不可行的，我們可以嘗試將商品分類（比如按商品類別分）得滤，查看結(jié)果是否明顯陨献。
SELECT gcateid,COUNT(uid) '購買次數(shù)'
FROM sam_ub
WHERE beh='buy'
GROUP BY gcateid
ORDER BY COUNT(uid) DESC;
由圖10可知，這三個商品類別ID的購買次數(shù)都超過了1000次懂更，最受用戶喜歡眨业，可以專門針對這三個商品類別做優(yōu)惠活動（比如服裝周急膀、彩妝周），刺激更多用戶消費(fèi)龄捡。
3.4 基于RFM理論找出有價值的用戶
RFM模型通過一個客戶的近期購買行為（R）卓嫂、購買的總體頻率（F）以及花了多少錢（M）3項指標(biāo)來描述該客戶的價值狀況，如圖11所示聘殖。
由于數(shù)據(jù)集中沒有訂單金額信息晨雳，我們就只從R、F方面分析奸腺。
1）查看對應(yīng)用戶的消費(fèi)間隔R值
#1.先找出每個用戶最后一次購買時的日期餐禁，與最后一天的時間間隔
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.再根據(jù)時間間隔等級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）計算消費(fèi)頻次F
付費(fèi)用戶中消費(fèi)次數(shù)從低到高為1-93次，將其分為6檔1-10突照，11-20帮非，21-30，31-40讹蘑，41-50末盔，50以上，對應(yīng)F評分分別為1-6分座慰，根據(jù)其活躍度將用戶分為忠誠陨舱、活躍等類型。
#1.先計算出用戶的消費(fèi)次數(shù)
CREATE VIEWpay_times AS SELECT uid,COUNT(good_id) AS times FROM sam_ub WHEREbeh= "buy"
GROUP BY uidORDER BY COUNT(gid) DESC;
#2.再分級排序
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）查看每個用戶的R版仔、F和R+F
SELECT r.uid 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;
綜合評分為8的用戶是極度忠誠用戶游盲，需要維持好與用戶的關(guān)系，積極推送用戶心儀的商品蛮粮；大于6的用戶屬于忠誠客戶背桐，可以積極推送營銷信息；綜合評分在為3-5范圍內(nèi)的用戶蝉揍，屬于活躍用戶链峭，可以積極推送所關(guān)注店鋪的上新活動和優(yōu)惠信息；對于評分小于3的用戶又沾，屬于一般用戶弊仪，可以把他們當(dāng)做發(fā)展用戶，通過打折杖刷、優(yōu)惠券励饵、積分兌換等活動喚起用戶注意力，提高產(chǎn)品黏性滑燃；而對于那些沒有過購買行為的用戶役听，屬于新用戶，可以通過新人特別優(yōu)惠引起他們的購買欲望，讓用戶喜歡使用淘寶網(wǎng)購典予。
4）極度忠誠的用戶行為分析
根據(jù)3）的查詢結(jié)果甜滨，我們可以看出：有一位用戶的R、F和R+F均為第一瘤袖，說明他是淘寶的極度忠誠用戶衣摩。
查看用戶ID為9610的每天的行為：
SELECT ti_st,SUM(CASE
beha_type WHEN 'pv' THEN 1 ELSE 0 END) '瀏覽量',
??? SUM(CASE beh WHEN 'fav' THEN 1 ELSE 0END) '收藏量',
??? SUM(CASE beh WHEN 'cart' THEN 1 ELSE 0END) '加購量',
??? SUM(CASE behe WHEN 'buy' THEN 1 ELSE 0END) '消費(fèi)量'
FROM sam_ub
WHERE uid='9610'
GROUP BY ti_st;
結(jié)果表明：該用戶的瀏覽量和購買量很高，而收藏和加購量極低捂敌，代表這個極度忠誠的用戶往往在瀏覽完之后直接購買艾扮，側(cè)面支持了在統(tǒng)計瀏覽次數(shù)、收藏次數(shù)占婉、和加入購物車次數(shù)在前20名的商品時的推斷——傾向于瀏覽后直接購買的用戶還是存在很多的泡嘴。對于這類用戶，往往就需要精準(zhǔn)預(yù)測用戶想要的商品以及對應(yīng)的心理價位逆济。
五磕诊、結(jié)論建議
1. 產(chǎn)品優(yōu)化
從AARRR模型角度分析，產(chǎn)品的發(fā)展有五個階段：獲取用戶纹腌、提高活躍度、提高留存率滞磺、獲取營收和自傳播升薯。
就樣本數(shù)據(jù)而言，
① 獲取用戶：用戶第一次瀏覽
② 提高活躍度：用戶瀏覽之后發(fā)生收藏击困、加購和購買的行為涎劈。
根據(jù)漏斗分析，我們發(fā)現(xiàn)瀏覽到購買的直接轉(zhuǎn)化率較低阅茶，說明很多用戶并不是瀏覽過后就直接購買的蛛枚。在理想的購買流程中，“加購/收藏——購買”的轉(zhuǎn)化率通常高于“瀏覽——收藏或加購”的轉(zhuǎn)化率脸哀，這說明加購/收藏的商品更容易被用戶購買蹦浦。
為了提高活躍度，需要引導(dǎo)用戶發(fā)生收藏/加購的行為撞蜂。如何讓用戶多多加購/收藏盲镶，這就需要我們做好推薦算法，建立模型來精準(zhǔn)預(yù)測用戶的偏好以及消費(fèi)檔次蝌诡；適當(dāng)?shù)臓I銷活動溉贿，比如加購并收藏的用戶優(yōu)先發(fā)貨，跨店滿減活動浦旱；優(yōu)化產(chǎn)品的購買流程宇色。
③ 提高留存率：用戶使用淘寶的頻率
要提高用戶使用淘寶頻率，我們需要做好個性化推薦，使推薦內(nèi)容吸引到用戶去打開淘寶宣蠕，但要注意不要讓用戶產(chǎn)生厭煩心理例隆。
④ 獲取營收：用戶付費(fèi)
淘寶可以說是電商行業(yè)中的巨頭，付費(fèi)轉(zhuǎn)化率是很高的植影。如果要進(jìn)一步提高付費(fèi)轉(zhuǎn)化率裳擎，我們?nèi)匀恍枰獙Σ煌瑑r值的用戶群體做針對性的營銷活動，見下面的第4小節(jié)思币。
對于退貨方面鹿响，還需要一些其他數(shù)據(jù)來獲取退貨率。若退貨率不高谷饿，說明用戶還是很放心地在淘寶上購買商品惶我。
⑤ 自傳播：轉(zhuǎn)發(fā)到其他平臺、邀請新用戶
淘寶現(xiàn)階段已經(jīng)獲得口碑博投，用戶數(shù)量龐大绸贡。通過年齡層或地區(qū)劃分，查找哪些部分的用戶較少毅哗，針對性地進(jìn)行多渠道推廣的拉新活動听怕。
2. 活動時間選擇
樣本的用戶群體在每天的晚上九點(diǎn)是用戶行為發(fā)生最多的，周六周日的瀏覽虑绵、收藏尿瞭、加購和付費(fèi)量比工作日大。建議拉新和營銷活動在周末翅睛、晚上九點(diǎn)左右進(jìn)行声搁。
3. 對店鋪的建議
由于瀏覽量高的商品大多不是用戶最終購買的，
對于一些想要提高用戶復(fù)購率的熱門店鋪捕发，可以通過提高產(chǎn)品質(zhì)量疏旨、適當(dāng)降低價格、改進(jìn)售前售后流程扎酷。
4.不同用戶群體的營銷建議
根據(jù)RFM模型結(jié)果檐涝，我們劃分出了五類用戶：極度忠誠、忠誠法挨、活躍骤铃、一般、新用戶坷剧。針對各類用戶惰爬，我們給出不同的營銷策略：
對于極度忠誠用戶，他們往往通過瀏覽直接購買惫企，這就需要維持好與用戶的關(guān)系撕瞧，積極推送用戶心儀的商品陵叽；
對于忠誠客戶，可以積極推送營銷信息丛版；
對于活躍用戶巩掺，可以積極推送所關(guān)注店鋪的上新活動和優(yōu)惠信息；
對于一般用戶页畦，可以把他們當(dāng)做重點(diǎn)發(fā)展用戶胖替，通過打折、優(yōu)惠券豫缨、積分兌換等活動喚起用戶注意力独令，提高產(chǎn)品黏性；
而對于那些沒有過購買行為的新用戶好芭，可以通過新人特別優(yōu)惠引起他們的購買欲望燃箭。
