（接《用SQL完成購買行為分析（下篇I）》內(nèi)容）

12）查詢首條記錄為fav，總記錄條數(shù)為14的記錄。將前面getNum(3)紅框處替換為12，運(yùn)行g(shù)etNum(14)得到第2條記錄的數(shù)量：

替換為11，得到第3條記錄的數(shù)量：

替換為10，得到第4條記錄的數(shù)量：

替換為9，得到第5條記錄的數(shù)量：

替換為8，得到第6條記錄的數(shù)量：

替換為7，得到第7條記錄的數(shù)量：

替換為6，得到第8條記錄的數(shù)量：

替換為5，得到第9條記錄的數(shù)量：

替換為4，得到第10條記錄的數(shù)量：

替換為3，得到第11條記錄的數(shù)量：

替換為2，得到第12條記錄的數(shù)量：

替換為1，得到第13條記錄的數(shù)量：

替換為0，得到第14條記錄的數(shù)量：

得到Excel表：

總記錄為14條的這一行購買行為出現(xiàn)在第7、10、13條，購買轉(zhuǎn)化渠道如各行所示。

13）首條記錄為fav，每組總條數(shù)18。修改getNum(18)存儲過程，運(yùn)行后得到第2條記錄的數(shù)量：

第3條記錄的數(shù)量：

第4條記錄的數(shù)量：

第5條記錄的數(shù)量：

第6條記錄的數(shù)量：

第7條記錄的數(shù)量：

第8條記錄的數(shù)量：

第9條記錄的數(shù)量：

第10條記錄的數(shù)量：

第11條記錄的數(shù)量：

第12條記錄的數(shù)量：

第13條記錄的數(shù)量：

第14條記錄的數(shù)量：

第15條記錄的數(shù)量：

第16條記錄的數(shù)量：

第17條記錄的數(shù)量：

第18條記錄的數(shù)量：

得到Excel表：

此表僅有一條記錄，它顯示了其購買行為轉(zhuǎn)化渠道。

回顧《中篇》2.2所述所有轉(zhuǎn)化渠道，并回答2.2末尾的3個問題。（1）、分別以pv、cart、fav打頭的購買行為轉(zhuǎn)化渠道具有共性，可總結(jié)為： 多次瀏覽（pv）加最后購買（buy）。具體情況是：以pv開頭的記錄中，有13組各條記錄均僅占1行的記錄，無法對購買行為轉(zhuǎn)化渠道所含記錄條數(shù)按從高到低排序。剩下的9組記錄中，有6組記錄均為多個pv最后一條為buy。雖然，剩下的3組記錄是多個pv，buy在倒數(shù)第2條記錄的情況，但在該組內(nèi)，多條pv加最后一條為buy的記錄的數(shù)量僅比多個pv，buy在倒數(shù)第2條記錄的情況少一條，所以依然認(rèn)為多次瀏覽加最后購買是最主要的購買行為轉(zhuǎn)化渠道。以cart開頭的記錄中，有7組各條記錄均占1行，無法排序。在剩下的6組記錄中，有4組記錄中均為cart打頭，加多個pv和最后一條為buy的記錄。有2組記錄是cart打頭，多個pv，buy在倒數(shù)第2條記錄，但多條pv加最后一條為buy的記錄的數(shù)量僅比多個pv，buy在倒數(shù)第2條記錄的情況少一條。以fav開頭的記錄里，有7組各條記錄均占1行的記錄，無法排序。剩下的6條記錄中，有2條為fav開頭，多個pv最后一條為buy的情況。余下還有3條是多個pv，倒數(shù)第2條為buy。但在該組內(nèi)，多條pv加最后一條為buy的記錄的數(shù)量也僅比多個pv，buy在倒數(shù)第2條記錄的情況少一條。（2）、 以buy打頭的購買行為轉(zhuǎn)化渠道和以pv、cart、fav打頭的購買行為轉(zhuǎn)化渠道的特點(diǎn)不同，可以說是截然相反，且這一特點(diǎn)是獨(dú)立存在的。以buy打頭的主要購買行為轉(zhuǎn)化渠道是：購買（buy）加多次瀏覽（pv）。具體來說是：以buy開頭的記錄中，有2組各條記錄均占一行的記錄，無法排序。剩下的5組記錄都是首條為buy，后跟多個pv。（3）、從buy打頭的購買行為轉(zhuǎn)化渠道可以看出，絕大多數(shù)用戶都在購買之后多次瀏覽了商品，有的購買后瀏覽次數(shù)竟高達(dá)7次。這可以被解釋為算法推薦的商品相關(guān)度高。但是沒有發(fā)生回購，這里的猜測是：用戶的需求已經(jīng)得到滿足，就算價(jià)格上更有競爭力，或是口味上有了新選擇，所以在本次研究時段內(nèi)沒有發(fā)生新的購買。

七、結(jié)論和建議

在本次研究的時段內(nèi)（2017年11月25-12月3日，共9天），購買行為發(fā)生最多的日期是11月27（周一）、11月30（周四）和12月2（周六）、12月3（周日）共4天。每日13——14點(diǎn)，19——22點(diǎn)是購買高峰時段。2——7點(diǎn)是下單非活躍時段。在活躍日期的這4天內(nèi)，共有11名用戶的數(shù)量排名前3。這用戶排名前3的用戶中有5個用戶有回購行為。銷量前3的商品種類有10種，其中一半的商品品種被回購，且最多被回購了3次。除了銷量前4的具體商品ID中有回購記錄的用戶ID和銷量前3的商品種類中有回購行為的用戶ID完全不一致之外，銷量前3的商品種類中有回購行為的用戶ID和用戶排名前3的5個有回購行為的用戶ID完全一致。購買行為服從長尾分布。分別以pv、cart、fav打頭的主要購買行為轉(zhuǎn)化渠道為： 多次瀏覽加最后購買。首條為buy的主要購買行為轉(zhuǎn)化渠道和分別以pv、cart、fav打頭的主要購買行為轉(zhuǎn)化渠道截然相反，具體為：購買加多次瀏覽。鑒于推薦算法的局限性——它只能在用戶下單后，選取推送相關(guān)商品。如果能在用戶瀏覽時（這里針對分別以pv、cart、fav打頭的購買行為轉(zhuǎn)化渠道），提升推薦商品的相關(guān)性，才能提升回購率。同樣，除了提高瀏覽時的推薦相關(guān)性，如果對用戶瀏覽歷史建立檔案，針對購買過該商品的用戶發(fā)布促銷活動及廣告推廣，一樣可以對未來商品復(fù)購率的提升有所幫助。至于，本次研究中的購買行為轉(zhuǎn)化渠道很長，（比如：以pv打頭的購買行為轉(zhuǎn)化渠道總條數(shù)高達(dá)39條，該條記錄含有38條pv。）用戶多次瀏覽，但因?yàn)樵诒敬窝芯恐袩o法確定其購買商品具體性質(zhì)，無法排除該用戶是否在購買低頻高值的大件商品，所以也無法將此類用戶購買的商品排除在外，以削減對轉(zhuǎn)化率低、轉(zhuǎn)化時間長、用戶購進(jìn)次數(shù)低商品的投入，降低成本。

總結(jié)

以上是生活随笔為你收集整理的sql 统计记录条数后 打印出所有记录_用SQL完成购买行为分析（下篇II）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。