目录
一、明确分析目的
二、数据收集
三、数据处理
四、数据分析与展现
五、总结与建议
一、提出问题
1.1分析目的
本文在已有的电商用户行为的基础上，挖掘数据价值，研究时间段用户的转化、下单以及商品销售情况。从而对业务提出建议，提升电商关键指标.....
具体研究问题如下：
1、用户在什么时间段最活跃，容易下单？
2、关键行为指标转化情况如何？
3、如何提高指标间转化率，从而提高订单量？
4、那些商品转化情况最好？那些最差，如何优化？
5、那些商品类目最受欢迎，订单量最高？
1.2分析框架
二、数据理解
2.1数据来源-阿里云天池
链接：电商用户行为数据
2.2数据介绍
该数据为用户在2017年11月25日至12月3日之间具有点击，购买，向购物车中添加商品和偏好商品的所有行为。
数据集由用户ID（user_id），商品ID（item_id），商品类目ID（item_category），行为类型（behavior_type）和时间戳（create_time）组成。分析样本量为3835331条数据。（原数据集约1亿）。
2.3数据导入
此处参考：Linux环境下，MySQL数据导入，不做详细赘述。
三、数据处理
表名：use_behavior2
样本数据：3835331条
3.1删除重复数据
distinct 删除重复值，保留3835329条数据放入use_behavior2_2表中。
create table use_behavior2_2 asselect distinct * from use_behavior2
3.2缺失值处理
在创建表格表格时，5个字段均定义为not null；数据导入保证没有缺失值。
create table use_behavior2(user_id int(5) not null,#用户iditem_id int(20) not null,#商品名称item_category int(20) not null,#商品类目behavior_type varchar(45) not null,#行为类型create_time int(20) not null);#时间戳
3、将时间戳转化为日期时间形式，同时增加日期、时间、周三列
#将时间戳转化为日期时间
alter table use_behavior2_2 add column datetime2 varchar(30) null;
update use_behavior2_2 set datetime2 =from_unixtime(create_time,'%Y-%m-%d %H:%i:%s');
#增加日期列
alter table use_behavior2_2 add column dates date null;
update use_behavior2_2 setdates = date_format(datetime2,'%Y-%m-%d')
#增加时间列
alter table use_behavior2_2 add column times time null;
update use_behavior2_2 set times = date_format(datetime2,'%H:%i:%s')
#增加周列
alter table use_behavior2_2 add column weekdays char(10) null;
update use_behavior2_2 set weekdays = date_format(dates,'%W')
执行结果如下：
3.4数据异常值处理
#确定日期是否在规定范围内：2017年11月25日至2017年12月3日。
select max(datetime2),min(datetime2) ,max(create_time ),min(create_time ) from use_behavior2_2 ub
执行结果：
将不符合规定的数据删除，一共删除1945条数据：
delete from use_behavior2_2 where datetime2 < '2017-11-25 00:00:00' or datetime2 > '2017-12-04 00:00:00'
再次验证日期时间的准确性，下面结果满足要求：
3.5判断行为数据
#判断行为是否为点击浏览(pv)，收藏(fav)，加入购物车(cart)，购买(buy)
select behavior_type from use_behavior2_2 ub group by behavior_type
执行结果：
完成以上数据处理，最终获得3833384条数据进行数据分析。
四、构建模型
1、整体情况
1.1关键指标概览
select behavior_type,count(*) as 次数,count(distinct user_id) as 人数 from use_behavior2_2 ub group by behavior_type order by behavior_type desc
1.2平台活跃趋势
#平台整体活动趋势
select dates as 日期,weekdays,count(*) as 次数,count(distinct user_id) as 人数from use_behavior2_2 ub group by dates;
在这个周期内，活跃度最高是在12月2号，12月3号这两天，明显有提升。
从平常日活情况来看，日常活跃人数稳定在2.6万-2.8万之间。而12月2号、12月3号为周六，周日，在周末效应之下，日活高达3.6万，商品点击次数也有了明显的上升。
从该时间段数据情况可推测周末活跃度高于工作日。因用户的闲暇时间的增加，活跃与购买情况会明显高于工作日。因此可多选取一段时间对规律进行验证，若属实，建议平台与商家在营销活动与运营安排中，注意结合客流量对日常、周末以及法定节假日等节点进行合理安排。
1.3每日购买变动情况
#每日购买变动情况
select dates as 日期,behavior_type as 行为类型,count(*) as 订单数,count(distinct item_id)as 商品数量 from use_behavior2_2 ub where behavior_type = 'buy' or behavior_type ='cart'group by dates,behavior_type
从该购买情况来看，12月2号，3号周末两天的购买情况同时增长，加入购物车和购买也同步发生变化。
2、平台活跃分析
2.1 分时段活跃情况
#分时段活跃情况
select date_format(times,'%H:00:00') as 时段,count(*) as 次数,count(distinct user_id) as 用户数from use_behavior2_2group by 时段
10点到23为活跃高峰期：10点开始进入，一直到19点活跃度基本平稳没有明显的差异。20-21点开始迎来高峰，持续到22-23点出现下降。
2.2 12月2号，12月3号分时段活跃情况
#12月2.3平台分时段活跃情况
select date_format(times,'%H:00:00') as 时段,count(*) 次数,count(distinct user_id) as 用户数from use_behavior2_2 ub where dates ='2017-12-02' or dates = '2017-12-03'group by 时段
周末与日常活跃趋势基本一致，10点进入活跃高峰期期，20-21点迎来高峰期。
建议平台与商户夜间活跃的特性，做好客户服务时间，营销消息推送等安排，以达到更好的促交易目的。
3、订单分析
3.1分时段下单情况
#3.1分时段下单情况
select date_format(times,'%H:00:00') as 时段,count(distinct user_id) as 用户数,count(*) as 订单from use_behavior2_2 ub where behavior_type = 'buy'group by 时段
下单的整体趋势与活跃基本一致，但高峰期增长较小。晚间最高峰20点-22点与白天10点到17点变动趋势基本一致，无太大变化。导致这一现象的可能原因是，晚间高峰期用户有更多的时间和轻松的范围，会无意识浏览商品，贡献活跃。
3.2销量top10 产品
#3.2销量top10 产品
select item_id ,count(*) as 订单量from use_behavior2_2 ub where behavior_type = 'buy'group by item_id order by 订单量 desc limit 10
以上10款商品是平台该事件段内销量最高的10款商品，建议结合商品表对商品特性与商品信息分析其受欢迎的原因，从而考虑如何引导商户调整商品结构。
3.3客户量top10的商品
#3.3客户量top10的商品
select item_id,count(distinct user_id)as 用户数from use_behavior2_2 ub where behavior_type = 'buy'group by item_id order by 用户数 desc limit 10
以上10款商品是平台该段时间内购买客户数最高的10款商品。
3.4销量最高的10大品类
#3.4销量最高的10大品类
select item_category as 商品类目,count(*) as 订单量,count(distinct item_id) as 商品数量from use_behavior2_2 ub2 where behavior_type = 'buy'group by item_category order by 商品数量 desc limit 10
3.5最受客户欢迎的10大品类
#3.5最受客户欢迎的10大品类
select item_category,count(distinct user_id) as 用户数,count(distinct item_id)as 商品数量from use_behavior2_2 ub where behavior_type = 'buy'group by item_category order by 用户数 desc limit 10
3.6订单量最少的10个商品
#3.6订单最少的10个商品
select item_id,count(*) as 订单from use_behavior2_2 ub where behavior_type = 'buy'group by item_id order by 订单 asc limit 10
3.7订单量最少的10个品类
#3.7订单量最少的10个品类
select item_category,count(*) as 订单from use_behavior2_2 ub where behavior_type = 'buy'group by item_category order by 订单 asc limit 10
结合更多商品信息，分析这10个品类订单量低的原因，是类目下商品太少？还是其下商品是季节性产品？亦或是商品类目拆分过细？
4、转化漏斗分析
#用户漏斗转化分析
create view u3 asselect behavior_type,count(user_id) as 用户数from use_behavior2_2 ub group by behavior_type order by behavior_type desc
select behavior_type,(用户数/10000) as 用户数（单位万） from u3
从商品转化情况来看，从点击到加入购物车或者收藏，近9.46%转化率，该转化率过低，建议商家针对商品的详情、标题等进行优化，提高用户转化率；
从商品购买转化情况来看，如果订单被加入购物车或收藏，将有23.62%的可能性成交；
从点击至下单，转化率为2.24%。
说明：考虑到fav（收藏）与cart（加购）无直接转化关系，随本案例做合并处理。
5、下单用户分析
5.1用户购买频次分析
#5.1用户购买频次分析
create view u1 as select user_id,count(*) as 订单量from use_behavior2_2 ub where behavior_type = 'buy'group by user_id
select 订单量,count(*) as 用户数 from u1group by 订单量
从用户购买频次来看，在这9天时间里，有34.2%用户只成交1单，23.22%用户成交2单。最高成交量为10单以上占比3.18%。
建议结合下单金额等指标，制定高净值用户评价体系，从而为平台营销提供数据支持。
5.2用户排行榜
#5.2用户排行榜
select user_id,count(*) as 订单量,count(distinct item_id) as 商品数量from use_behavior2_2 ub where behavior_type = 'buy'group by user_id order by 订单量 desc limit 10
商品的成交是对平台最有价值的指标，也是用户体现价值的重要方式。建议对平台高成交量，高成交额用户予以关注与精益化运营。
5.2复购商品分析
#5.2复购商品分析
select user_id,item_id,count(*) as 订单量from use_behavior2_2 ub where behavior_type = 'buy'group by user_id ,item_id having count(*)>1order by 订单量 desc;
根据执行结果，从所有成交订单来看，有3187款商品被复购。
