原文鏈接：http://tecdat.cn/?p=27482

原文出處：拓端數(shù)據(jù)部落公眾號

?

隨著互聯(lián)網(wǎng)和電子商務的發(fā)展，人們已經(jīng)習慣了網(wǎng)上購物。 在中國，電子商務平臺非常受歡迎。 在每年的618、雙11、雙12活動中，大量用戶在如淘寶等電商平臺瀏覽商品，或收藏、加入購物車或直接購買。 通過用SQL對用戶行為的分析，我們可以挖掘用戶的購買規(guī)律，了解產(chǎn)品的熱度，并結(jié)合門店的營銷策略，實現(xiàn)更精細、更精準的運營，讓業(yè)務獲得更好的增長。

數(shù)據(jù)集包含用戶行為，由用戶ID、產(chǎn)品ID、產(chǎn)品類別ID、行為類型和時間戳組成。 本次分析共導入數(shù)據(jù)約383萬條。 在導入過程中，與主鍵聯(lián)合設(shè)置了5個字段，在導入過程中消除了重復值。

用戶行為間的轉(zhuǎn)化情況

用戶行為轉(zhuǎn)化漏洞分析

從上面的漏斗圖分析可以看出，從用戶進入APP瀏覽頁面開始，購買環(huán)節(jié)的最終轉(zhuǎn)化率為2%。 用戶點擊頁面后，用戶流失巨大。 從瀏覽到購買的轉(zhuǎn)化率是多少？

用戶購買的路徑分析

點擊-收藏-購買的轉(zhuǎn)化路徑分析：用戶瀏覽商品后，約有1/5的用戶進行收藏，然后收藏中約13.26%的用戶進行購買。

轉(zhuǎn)化路徑分析：從上圖可以看出，用戶瀏覽商品后，約有41.13%的用戶會加入購物車，遠高于進行收藏的用戶，但加入購物車后，只有 17% 左右的用戶最終進行了購買，超過 80% 的用戶沒有進行購買。 我們需要分析這個環(huán)節(jié)。 推測的原因可能是：

1、加入購物車是在不同店鋪比較同種產(chǎn)品的價格；

2、為了湊單，全減；

3、先放在一邊，過幾天再買；

4、等其他活動折扣

用戶點擊的商品和下單之間的關(guān)系

這里我們重點關(guān)注用戶點擊的產(chǎn)品與用戶訂購的產(chǎn)品之間的關(guān)系，是否支持我們的假設(shè)：平臺推送的產(chǎn)品不符合用戶的需求。

產(chǎn)品點擊量排名前九的產(chǎn)品類別：

對點擊進行排序后，分析最暢銷的商品，找出點擊與購買之間的關(guān)系。 從上圖我們可以看出，點擊率最高的產(chǎn)品的購買率只有0.56%，而點擊率第6的產(chǎn)品的購買率已經(jīng)達到了5.8%。

結(jié)論：假設(shè)成立

通過以上分析可以得出結(jié)論，電商平臺的推送機制不合理，推送的商品無法匹配用戶的需求，導致用戶在瀏覽過程中沒有找到想要的商品，因此轉(zhuǎn)化率：用戶實際購買的比例非常低，即用戶流失嚴重。

本文章中的所有信息（包括但不限于分析、預測、建議、數(shù)據(jù)、圖表等內(nèi)容）僅供參考，拓端數(shù)據(jù)（tecdat）不因文章的全部或部分內(nèi)容產(chǎn)生的或因本文章而引致的任何損失承擔任何責任。

最受歡迎的見解

1.R語言多元Logistic邏輯回歸 應用案例

2.面板平滑轉(zhuǎn)移回歸(PSTR)分析案例實現(xiàn)

3.matlab中的偏最小二乘回歸（PLSR）和主成分回歸（PCR）

4.R語言泊松Poisson回歸模型分析案例

5.R語言回歸中的Hosmer-Lemeshow擬合優(yōu)度檢驗

6.r語言中對LASSO回歸，Ridge嶺回歸和Elastic Net模型實現(xiàn)

7.在R語言中實現(xiàn)Logistic邏輯回歸

8.python用線性回歸預測股票價格

9.R語言如何在生存分析與Cox回歸中計算IDI，NRI指標