第十二章电子商务大数据分析技术

1、 数据来源、分析目的和思路

为了分析产品和用户的购物行为，数据集来源于阿里云天池搜索：

该数据集包含约100万随机用户在2017年11月25日至2017年12月3日期间的所有行为（点击、购买、添加购买等）。数据集信息如下：

2商品编号：id4162024

3类别ID 9439

4类型行为类型：PV（产品详情页PV，相当于点击）、buy（产品购买）、cart（将产品添加到购物车）、fav（集合产品）100150807

2、 分析文本

从图中可以看出，11月25日至12月1日光伏发电量相对稳定，12月2日光伏发电量明显增加，达到本周***值，12月3日光伏发电量略有下降。据推测，由于12月2日和3日是***，PV增加。不过，这段时间不涉及节日。11月25日和26日也是***。其PV值应与12月2日、3日相似，可用作异常点分析，找出原因。根据PV，我们可以调整广告和其他资源的时间和数量，节约成本，提高营销效率。

网站的dau如下：

根据该数据计算出的每日活动与每日PV一致。异常点也在11月25日和26日，可以进一步分析。首先定位异常用户组，然后从内部和外部找出原因。外部因素包括pest和竞争对手，内部因素包括网站调整、产品价值、用户需求和营销计划。

定义：当天之前没有行为的用户是新用户，否则是老用户。每天统计新老用户数如下：

对于这一数据，从11月26日开始，12月1日新用户数缓慢减少到0，12月2日老用户数缓慢增加到突然增加。新老用户数量总体稳定。

日期次日保留率3天保留率5天保留率7天保留率

由于12月1日至12月3日新用户数为0，因此无法计算保留率；12月2日和12月3日活跃用户较多，对应这两天的保留率较高。一般情况下，保留率趋于逐渐降低，趋于稳定。一般来说，由于数据少、时间短，一般的保留曲线无法得到，但可以运用计算方法。另外，根据保留量和添加量可以预测日常生活。

结合经验，根据每个转化率，我们可以判断2017年11月25日至2017年12月3日期间的产品质量和网站销售额。

用户分析包括行为事件、转换、保留、分布、点击、用户行为路径、聚类、属性、粘性分析等。根据数据进行用户聚类分析。

根据用户id，统计每个用户的cart、fav、buy和PV四种行为。由于样本量大，采用k-means方法进行聚类。分析数据满足聚类要求。比较了聚类数3和聚类数4的结果。根据变量对分类的贡献和实际的分类特征，选择3号聚类。聚类结果如下：

卡特3128

Fav184型

购买232

三大类中，***类用户多，其特点是商品浏览量相对较少，购物车和购买率增加的商品数量相对较多；第二类用户少，其特点是商品数量相对较少在购物车中增加了收缴率和购买率，这是不活跃的类别；第三个类别在两个类别中的***个类别之间有很多用户和功能，商品浏览量相对多，用户更喜欢收集商品多于其他两个类别。对于分类，可以进行准确营销。

根据矩阵对用户进行分类，对不同类型的用户采取不同的措施，达到准确营销的目的。从图中可以看出，***象限是针对大量浏览和购买的用户。这样的用户在购物时更加谨慎，喜欢比较更多的商品。第二象限是针对浏览量少、购买量大、购物快捷准确、主动性强、无需为此类用户投入过多资源维护的用户。第三象限的用户浏览量减少，购买量减少。这样的用户可能不喜欢网上购物，也可能有很强的购物目的。对于这样的用户，可以采取广告和优惠券等措施。在第四象限，用户浏览量大，购买量小。对于此类用户，他们可以启动全面的缩减活动。在确定营销计划后，随机选择不同类型的用户对营销计划进行测试，然后通过假设检验对实施效果进行评价。