5.1.2 RFM模型分析
1.首先对R进行分析，即近期的购买时间，首先将创建一个临时视图，用来存储用户id和对应最后一次购买时间。然后依据购买时间来进行评级，利用datediff函数来计算时差做分级。
2 F部分，就是一定时间内的消费频率，同样还是先建立一个总体的临时视图，包含用户id和用户的购买次数。然后对购买次数进行划分，以2、4、6、8来作为界限。
因为这里缺失M值的数据，所以这里直接开始整合，整合主要分为四类
而这些高低的分类，我们依据平均值来界定
5.2 商品指标体系
这里需要以商品为基准来计算一些指标信息了。例如商品的点击率，收藏量，加购量，购买次数，购买转化（所有用户中购买占比）
商品都写了，那就再写一个商品分类的下的一些数据吧，只需要改一个参数就可以
5.3 平台指标体系
平台的每日行为指标，每日的点击量，收藏量，加购量，购买量和转化
这里直接count（1）可以查看总的记录数
行为路径分析
类似这种，可以看出每一步的转换率
6 结论
6.1 用户分析
可以对uv的数据进行可视化，看看有无异常的地方，如果有，想想可能的原因。
要有每日uv数据和uv周环比
6.2 用户精细化运营
这里是针对RFM得出的结果来进行差异性运营。
对于高价值可以做vip服务，增加粘性；设计优惠券来提升消费；
对于挽留客户，做广告推送刺激，提升消费频率；
对于深耕客户，做消费券，签到送礼等增加粘性；
对唤回做定向广告，短信召回之类的
6.3 商品分析
找出热销商品，找出各类指标问题的可能原因。
6.4 产品功能路径分析
以下为主要购买路径。可以发现⽤户多以直接购买为主；添加购物⻋的购买在主要购买路径中数量较少。后续的产品加购功能和产品收藏功能还需要结合更多数据做改进⽅案
