安裝mysql數(shù)據(jù)庫(kù)（官網(wǎng)下載即可，免費(fèi)）
安裝過程如下：
MySQL數(shù)據(jù)庫(kù)安裝

安裝數(shù)據(jù)庫(kù)客戶端（官網(wǎng)下載試用版或破解版），安裝過程如下
https://blog.csdn.net/wypersist/article/details/79834490
數(shù)據(jù)集下載：
天池競(jìng)賽
將下載到的csv文件導(dǎo)入到mysql數(shù)據(jù)庫(kù)，參考以下：
excel導(dǎo)入mysql庫(kù)
拿到數(shù)據(jù)，先看一眼數(shù)據(jù)長(zhǎng)啥樣，是否有null值，什么樣的數(shù)據(jù)類型；

select * from tianchi_mobile_recommend_train_user limit 10;

user_id:用戶唯一標(biāo)識(shí)

item_id:商品標(biāo)識(shí)

behavior_type:用戶對(duì)商品行為類型，{1,瀏覽；2，收藏；3，加入購(gòu)物車；4，購(gòu)買}

user_geohash:用戶位置空間標(biāo)識(shí)，由經(jīng)緯度通過保密算法生成

item_category:商品分類標(biāo)識(shí)

time：行為時(shí)間，精確到小時(shí)

說(shuō)明：用戶位置空間大多為null，難以補(bǔ)充和研究，本例不做地理分析；
商品分類暫時(shí)不做分析；

數(shù)據(jù)范圍：從2014年11月18號(hào)~2014年12月18號(hào)淘寶APP一個(gè)月的行為數(shù)據(jù)；

select count(user_id) as pv,count(distinct user_id) as uv,count(distinct user_id) / count(user_id) as 'uv/pv' from tianchi_mobile_recommend_train_user where behavior_type=1;

pv：統(tǒng)計(jì)周期內(nèi)頁(yè)面瀏覽次數(shù)（不去重）

uv：統(tǒng)計(jì)周期頁(yè)面訪問用戶數(shù)（去重）

pv/uv：1155；平均每1155次瀏覽對(duì)應(yīng)一個(gè)用戶。對(duì)比大盤，歷史基線看這個(gè)數(shù)據(jù)是否可以優(yōu)化提高；

select count(user_id) from ( select user_id from tianchi_mobile_recommend_train_user group by user_id having count(behavior_type)=1 ) as A;

where 后不能接單行函數(shù)，而having可以；having要跟在group by后使用，對(duì)分組后數(shù)據(jù)執(zhí)行篩選（一般用單行函數(shù)，比如計(jì)數(shù)，平均等）；
子查詢給表起別名A是必須的，否則報(bào)語(yǔ)法錯(cuò)誤！
count后不能有空格，真的煩唉；

查詢結(jié)果為4，意味著只有4個(gè)用戶在30天內(nèi)只瀏覽了頁(yè)面，占比4/10000=0.04%（頁(yè)面跳失率=只點(diǎn)擊一次瀏覽的用戶數(shù)/總用戶數(shù)）；說(shuō)明淘寶app的粘性很大。

提問：如果將上述語(yǔ)言改為以下，將會(huì)發(fā)生什么？

select count(user_id) from tianchi_mobile_recommend_train_user group by user_id having count(behavior_type)=1

學(xué)會(huì)一個(gè)套路：

先篩選滿足條件的字段建立一個(gè)子查詢，然后對(duì)子查詢執(zhí)行計(jì)數(shù)，平均等操作。
接下來(lái)對(duì)用戶行為進(jìn)行分析評(píng)價(jià)各功能占比：

select behavior_type,count(distinct user_id) from tianchi_mobile_recommend_train_user group by behavior_type;

瀏覽是用戶進(jìn)入淘寶的第一交互，而第二個(gè)交互是收藏，加入購(gòu)物車，還是直接購(gòu)買，從數(shù)據(jù)上看都是可以的，也符合業(yè)務(wù)邏輯（比如小編本人拿到工資的時(shí)候，瀏覽–購(gòu)買；等錢花的差不多的時(shí)候，就是瀏覽–加入購(gòu)物車—（有錢后）購(gòu)買）。

進(jìn)入淘寶app的10000個(gè)用戶中，67.3%的用戶選擇了收藏，86.1%的用戶選擇了加入購(gòu)物車，89%的用戶完成了購(gòu)買。

進(jìn)行路徑分析
不區(qū)分時(shí)間

select behavior_type,count( user_id) from tianchi_mobile_recommend_train_user group by behavior_type;

沒有去除重復(fù)值，統(tǒng)計(jì)的是點(diǎn)擊次數(shù)（一個(gè)人可以點(diǎn)擊多次）；瀏覽次數(shù)11550581，收藏次數(shù)343564（收藏/占比=2.9%），購(gòu)物車次數(shù)242556（購(gòu)物車/瀏覽=2.1%），下單次數(shù)120205（下單/瀏覽=1%）。

select count(distinct t1.user_id),count(distinct t2.user_id),count(distinct t3.user_id),count(distinct t4.user_id) from ( select distinct user_id from tianchi_mobile_recommend_train_user where behavior_type=1 )t1 left join (select distinct user_idfrom tianchi_mobile_recommend_train_userwhere behavior_type=2 )t2 on t1.user_id=t2.user_id left join (select distinct user_id,from tianchi_mobile_recommend_train_userwhere behavior_type=3 )t3 on t2.user_id=t3.user_id left join (select distinct user_id from tianchi_mobile_recommend_train_userwhere behavior_type=4 )t4 on t3.user_id=t4.user_id

此為漏斗模型，業(yè)務(wù)中經(jīng)常使用left join統(tǒng)計(jì)漏斗數(shù)據(jù)—基于前端埋點(diǎn)。

漏斗模型畫法參考：
漏斗繪制
對(duì)漏斗的說(shuō)明：統(tǒng)計(jì)周期內(nèi)，10000名瀏覽用戶中，有6730名用戶完成了收藏（完成一次就記錄，實(shí)際上可能同一用戶多次點(diǎn)擊收藏），收藏用戶中有6020名用戶添加了購(gòu)物車，添加購(gòu)物車用戶中有5730名用戶完成下單。下單率（完成下單用戶/進(jìn)入app瀏覽用戶）為57.3%。

不同時(shí)間尺度下的用戶行為路徑分析

最開始我是這樣寫的，

select t1.date,count(distinct t1.user_id),count(distinct t2.user_id),count(distinct t3.user_id),count(distinct t4.user_id) from ( select distinct user_id ,DATE_FORMAT(time,'%Y-%m-%d') as date from tianchi_mobile_recommend_train_user where behavior_type=1 )t1 left join (select distinct user_id,DATE_FORMAT(time,'%Y-%m-%d') as datefrom tianchi_mobile_recommend_train_userwhere behavior_type=2 )t2 on t1.user_id=t2.user_id and t1.date=t2.date left join (select distinct user_id,DATE_FORMAT(time,'%Y-%m-%d') as datefrom tianchi_mobile_recommend_train_userwhere behavior_type=3 )t3 on t2.user_id=t3.user_id and t2.date=t3.date left join (select distinct user_id,DATE_FORMAT(time,'%Y-%m-%d') as datefrom tianchi_mobile_recommend_train_userwhere behavior_type=4 )t4 on t3.user_id=t4.user_id and t3.date=t4.date GROUP BY t1.date ORDER BY t1.date

12256906行*6列然后3個(gè)left join的數(shù)據(jù)用一臺(tái)16G的筆記本電腦想跑出結(jié)果—不存在的！（跑了20分鐘，沒出結(jié)果的我不想等了）。

代碼的原意是按天做漏斗，比如看2018-12-12這一天有多少用戶瀏覽，瀏覽的用戶中有多少收藏，收藏的用戶中有多少添加購(gòu)物車，添加購(gòu)物車的用戶中有多少愿意下單。

月維度的用戶行為分析

select DATE_FORMAT(time,'%Y-%m-%d'),sum(case when behavior_type=1 then 1 else 0 end ) as '瀏覽次數(shù)', sum(case when behavior_type=2 then 1 else 0 end ) as '收藏次數(shù)', sum(case when behavior_type=3 then 1 else 0 end) as '購(gòu)物車次數(shù)', sum(case when behavior_type=4 then 1 else 0 end) as '購(gòu)買次數(shù)' from tianchi_mobile_recommend_train_user group by DATE_FORMAT(time,'%Y-%m-%d') ORDER BY DATE_FORMAT(time,'%Y-%m-%d')

這個(gè)語(yǔ)句22s出結(jié)果。
實(shí)現(xiàn)的需求：知道某天有多少瀏覽量，多少收藏量，多少添加購(gòu)物車，多少下單。
導(dǎo)出時(shí)注意設(shè)置格式。

從圖中發(fā)現(xiàn)：2014-12-12這天，各項(xiàng)指標(biāo)都達(dá)到了高峰。背后原因是淘寶平臺(tái)雙十二做活動(dòng)，拉高了各項(xiàng)指標(biāo)。

其中，下單次數(shù)環(huán)比昨日上漲373%，添加購(gòu)物車次數(shù)環(huán)比昨日上漲56.7%，收藏次數(shù)環(huán)比昨日上漲12.2%，瀏覽次數(shù)環(huán)比昨日上漲39.4%。活動(dòng)當(dāng)天，下單漲幅最大，是因?yàn)楹芏嘤脩籼崆翱春昧水a(chǎn)品，等活動(dòng)上線就開買；收藏漲幅最低，是因?yàn)橛脩羰褂檬詹氐男睦眍A(yù)期是下次再看看，這次不再自己購(gòu)買物品清單內(nèi)，優(yōu)先級(jí)是最低的；添加購(gòu)物車漲幅度也很大，是因?yàn)橛脩籼砑淤?gòu)物車可以使用批量付款的原因，這樣可以節(jié)省用戶的購(gòu)買時(shí)間。四項(xiàng)指標(biāo)中圍繞付款的瀏覽，添加購(gòu)物車，下單都得到了較大的漲幅，只有收藏于下單相背離，漲幅較為平穩(wěn)。

建議：對(duì)用戶收藏的商品sku進(jìn)行推薦，在雙十二活動(dòng)結(jié)束后一周，二周密集推動(dòng)高關(guān)聯(lián)商品sku，促進(jìn)收藏商品下單轉(zhuǎn)化率。

分析框架：what—why–action模式。新手，老油子的區(qū)別就在于新手只會(huì)描述，老油子可以提出有洞察性的建議。

周維度的用戶行為分析

我們?nèi)‰p十二所在周，與雙十二之前相距較遠(yuǎn)一周2014-11-24~2014-11-30對(duì)比分析

對(duì)比二三象限，平常周（三象限）周五是各項(xiàng)指標(biāo)最低的時(shí)間點(diǎn)，雙十二（二象限）恰好在周五各項(xiàng)指標(biāo)“逆風(fēng)翻盤”。

對(duì)比一四象限，瀏覽次數(shù)、添加購(gòu)物車次數(shù)、收藏次數(shù)同比周一~周日，各項(xiàng)指標(biāo)都有所增加，雙十二周五瀏覽次數(shù)、添加購(gòu)物次數(shù)同比它周周五強(qiáng)勢(shì)上漲；可見雙十二活動(dòng)，提升當(dāng)周其它時(shí)間點(diǎn)的效果還是很顯著的，背后體現(xiàn)的邏輯就是用戶在為雙十二當(dāng)天活動(dòng)做前期準(zhǔn)備；

從下單用戶上看，雙十二當(dāng)周同比其它周，除了周五強(qiáng)勢(shì)上漲，其它時(shí)間都處于下跌的趨勢(shì)并且下單次數(shù)不如其它周；這從數(shù)據(jù)上解釋了雙十二的“下單吸血效應(yīng)“現(xiàn)象是存在的。

對(duì)于一四象限本打算合成一張圖像，通過設(shè)置主次坐標(biāo)軸可以實(shí)現(xiàn)，但會(huì)造成一個(gè)視覺誤差：添加購(gòu)物車次數(shù)曲線在瀏覽次數(shù)之上。—實(shí)際上，換算成百分比指標(biāo)看趨勢(shì)效果會(huì)好些。

小時(shí)維度的用戶行為分析

截取時(shí)間參考：
mysql截取年月日

select hour(time),sum(case when behavior_type=1 then 1 else 0 end ) as '瀏覽次數(shù)', sum(case when behavior_type=2 then 1 else 0 end ) as '收藏次數(shù)', sum(case when behavior_type=3 then 1 else 0 end) as '購(gòu)物車次數(shù)', sum(case when behavior_type=4 then 1 else 0 end) as '購(gòu)買次數(shù)' from tianchi_mobile_recommend_train_user where DATE_FORMAT(time,'%Y-%m-%d')='2014-12-12' group by hour(time) ORDER BY hour(time)

從圖中可以發(fā)現(xiàn)，四個(gè)指標(biāo)趨勢(shì)一致；其中，雙十二當(dāng)天零點(diǎn)，瀏覽、添加購(gòu)物車、下單達(dá)到峰值A(chǔ)，此后持續(xù)到2點(diǎn)到B開始急劇下降，2~6點(diǎn)是各指標(biāo)低谷；從6點(diǎn)開始上漲直到10點(diǎn)達(dá)到均衡B，10點(diǎn)到19點(diǎn)維持凌晨?jī)牲c(diǎn)級(jí)別的均衡B；19點(diǎn)之后開始上漲直到22點(diǎn)達(dá)到0點(diǎn)級(jí)別的峰值A(chǔ)，此后從22點(diǎn)到24點(diǎn)維持均衡A。

這條數(shù)據(jù)洞察與我們的生活作息規(guī)律是強(qiáng)相關(guān)的。

基于RFM模型尋找最有價(jià)值用戶

由于數(shù)據(jù)集中沒有消費(fèi)金額這列數(shù)據(jù)，就只能找R（最近一次購(gòu)買時(shí)間間隔），F（購(gòu)買頻率）來(lái)尋找最有價(jià)值用戶！

關(guān)于R

統(tǒng)計(jì)周期為1個(gè)月，最近購(gòu)買時(shí)間區(qū)間1-30，將其分為五檔，0-6，7-12，13-18，19-24，25-30分別對(duì)應(yīng)0-4分

create view pay_b as select user_id,DATEDIFF(max(DATE_FORMAT(time,'%Y-%m-%d')),min(DATE_FORMAT(time,'%Y-%m-%d'))) as b--每一個(gè)用戶極端點(diǎn)購(gòu)買時(shí)間之差 from tianchi_mobile_recommend_train_user where behavior_type=4 group by user_id;select user_id, (case when b BETWEEN 25 and 30 then 0when b BETWEEN 19 and 24 then 1when b BETWEEN 13 and 28 then 2when b BETWEEN 7 and 12 then 3when b BETWEEN 0 and 6 then 4else nullend ) as R from pay_b order by R desc;

關(guān)于F

select min(a),max(a) from ( select count(distinct time) as a from tianchi_mobile_recommend_train_user where behavior_type=4 group by user_id ) as A；

create view pay_a as select user_id,count(distinct time) as a from tianchi_mobile_recommend_train_user where behavior_type=4 group by user_id;select user_id, (case when a BETWEEN 1 and 45 then 0when a BETWEEN 46 and 90 then 1when a BETWEEN 91 and 136 then 2when a BETWEEN 137 and 182 then 3when a BETWEEN 183 and 227 then 4else nullend ) as F from pay_a order by F desc;

合并RFM得到：

select t1.user_id,t1.R,t2.F from (select user_id, (case when b BETWEEN 25 and 30 then 0when b BETWEEN 19 and 24 then 1when b BETWEEN 13 and 28 then 2when b BETWEEN 7 and 12 then 3when b BETWEEN 0 and 6 then 4else nullend ) as R from pay_b )t1 inner join ( select user_id, (case when a BETWEEN 1 and 45 then 0when a BETWEEN 46 and 90 then 1when a BETWEEN 91 and 136 then 2when a BETWEEN 137 and 182 then 3when a BETWEEN 183 and 227 then 4else nullend ) as F from pay_a )t2 on t1.user_id=t2.user_id group by t1.user_id order by t1.R desc, t2.F desc

我們盡量選擇R，F分?jǐn)?shù)靠前的用戶作為優(yōu)質(zhì)用戶，然后拉活動(dòng)，做投放，但要注意小成本試錯(cuò)，先小范圍試點(diǎn)，再全量推廣；

對(duì)于R為4，F為0的用戶，用戶消費(fèi)時(shí)間間隔短而付費(fèi)次數(shù)少，運(yùn)營(yíng)活動(dòng)可以重點(diǎn)針對(duì)這部分用戶，比如拼團(tuán)打折，積分兌換，喚起這部分的購(gòu)買熱情。

總結(jié)

以上是生活随笔為你收集整理的数据分析项目某电商app行为数据分析（1）的全部?jī)?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(cuò)，歡迎將生活随笔推薦給好友。