Analysis of User Behavior Data from Taobao for Recommendation

数据来源：阿里云天池数据集
报表地址：userbehavior
UserBehavior是阿里巴巴提供的一个淘宝用户行为数据集，用于隐式反馈推荐问题的研究。
本数据集包含了2017年11月25日至2017年12月3日之间，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢）。
关于数据集中每一列的详细描述如下：

列名称	说明
用户ID	整数类型，序列化后的用户ID
商品ID	整数类型，序列化后的商品ID
商品类目ID	整数类型，序列化后的商品所属类目ID
行为类型	字符串，枚举类型，包括('pv', 'buy', 'cart', 'fav')
时间戳	行为发生的时间戳

用户的行为类型分别表示为

行为类型	说明
pv	商品详情页pv，等价于点击
buy	商品购买
cart	将商品加入购物车
fav	收藏商品

为了了解用户行为和商品，优化业务，明确运营目标，本编分析随机在总量为100,150,807条的数据中抽取约600万条数据做样本。
分析以以下结构展开：

根据分析结构，做出以下分析判断：
1.用户使用时间主要集中于18:00~24:00，22:00达到最高峰，周末对使用频率没有特别大的影响；
2.12月2日，3日销量（流量）上升主要原因为促销活动导致的活跃用户数量上升；
3.销售环比增加率最高的是12月2日（活动首日）为27.7%，其余非活动日销售环比增长率在-5.6%~3.4%之间波动；
4.活跃用户增长最高是12月2日（活动首日）为31%，其余非活动日活跃用户增长率在-0.773%~1.617%之间波动；
5.每日新增用户日渐减少，直到12月2日，3日，新增用户为0；
6.pv转化率为2.2%，有3624个商品的pv转化率小于2.2%；
7.D类商品的销售量最高，其次为B类。
8.平均复购率为9.39%，B类商品的复购率最高。

运营建议：
1.可以选择用户最有购买意愿的时间段（18:00~22:00）推送广告；
2.新增用户日渐减少，活动结束后可能会流失大量活跃用户，应做好引流，保持用户增长；
3.针对pv转化率小于2.2%的商品继续做风控分析；
4.可以做针对D类和B类的广告推荐。

用户行为分析

一 .用户使用时间段

1.用户使用的日期主要集中在12月2日(周六)，12月3日(周日)，高峰在12月6日，低谷在11月28日。11月25日，26日同为周末，但流量远小于12月2日，3日，原因需要结合渠道和活动分析。

2.用户使用的时间18:00~22:00有一个上升期，22:00达到高峰。

二.用户增长

11月25日~12月3日日均活跃用户45210人，日均增长新用户2059人。
1.11月25日~ 12月1日活跃用户数环比增长率在-0.773%~1.617%之间波动，总体变化不大，12月2日活跃用户增加31.02%(13403人)

2.11月26日新增用户9327人，随后每日新增用户逐渐减少。12月2日，3日没有新增用户。

由上，12月2日活跃用户数增加31.02%的原因不是吸引了大量新用户，而是之前积累的老用户返回平台导致。

三.用户购物习惯

用户的购买方式以浏览时直接购买（45.72%）与添加购物车后购买（42.31%）为主。

四. 客单分析

1.11月25日~ 12月3日累计订单数量117700单，平均每位用户订单数为3单，相对于11月25日~12月1日，12月2日，3日的人均订单数量略有下降。

用户行为综合分析：
1.用户浏览最多的日期是12月2日，3日，因为与11月25日，26日同为周末，但浏览量明显上升，排除节假日影响，推测为其他渠道引流或者活动导致。
2.12月2日，3日活跃用户数明显上升，但是新增用户数持续下降，加上用户购买习惯中，加购再购买的行为占很大比例，因此推测，用户提前将商品加入购物车，等到12月2日，3日活动日期再进行购买。
3.12月2日，3日人均客单有所下降，推测可能有合并购买优惠的活动。