type
status
date
slug
summary
tags
category
icon
password
电商网购平台用户消费行为
数据时间:1997年1月~1998年6月;用户行为数据,约6万条。
结论
1. 整体趋势:按年的月份趋势销量和销售额在1-3月份相对极高,然后骤降,原因可能跟这段时间的大力促销或与商品的季度属性有关。
2. 用户个体特征:每笔订单的金额和商品购买量都集中在区间的低段水平,都是小金额小批量进行购买,此类交易群体,可在丰富产品线和增加促销活动提高转换率和购买率。
3. 大部分用户的消费总额和购买总量都集中刚在低段,长尾分布,这个跟用户需求有关,可以对商品进行多元文化价值的赋予,增强其社交价值属性,提高用户的价值需求.
4. 用户的消费周期:有二次以上消费的用户,平均68天,所以在50天到60天期间,应该对这批用户进行刺激召回,细致点,比如10天回复满意度,30天发放优惠券,55天的时候提醒优惠券的使用。
5. 用户的生命周期:有二次及以上消费的用户的平均生命周期是276天。用户的生命周期分别在20天内与400至500天间,应该在20天内对客户进行引导,促进其再次消费并形成消费习惯,延长其生命周期;在100至400天的用户,也要根据其特点推出有针对性的营销活动,引导其持续消费。
6.新客户的复购率约为12%,老客户的复购率在20%左右;新客户的回购率在15%左右,老客户的回购率在30%左右,需要营销策略积极引导其再次消费及持续消费。
7.用户质量:用户个体消费有一定规律性,大部分用户的消费集中在2000以下,用户消费反应了2/8法则,消费排名前20%的用户贡献了80%的消费额。所以说,狠抓高质量用户是万古不变的道理,这些高质量客户都是“会员”类型,需要专门为会员优化购物体验,比如专线接听、特殊优惠等等。
导入数据
user_id:用户ID,
order_dt:购买日期,
order_products:购买产品数量,
order_amount:购买金额
数据预处理
用户个体消费分析
用户消费金额,消费次数(产品数量)描述统计
用户消费分布图
用户累计消费金额占比分析(用户的贡献度)
用户消费行为
首购时间
最后一次购买时间
用户分层
构建RFM模型
为了进行精细化运营,可以利用RFM模型对用户价值指数 (衡量历史到当前用户贡献的收益)进行计算,其中
- R: (Recency,最近一次消费),R值越大,表示客户交易发生的日期越久,反之则交易发生的日期越近
- F: (Frequency,消费频率),F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃(此处我们选择购买产品数量作F)
- M:(Monetary,消费金额),M值越大,表示客户价值越高,反之则表示客户价值越低
根据上述三个维度,对客户做细分

新老、活跃、回流用户分析
- 新用户的定义是第一次消费。
- 活跃用户即老客,在某一个时间窗口内有过消费。
- 不活跃用户则是时间窗口内没有消费过的老客。
- 回流用户:相当于回头客的意思。
- 用户回流的动作可以分为自主回流与人工回流,自主回流指玩家自己回流了,而人工回流则是人为参与导致的。
用户购买周期
用户生命周期
绘制所有用户生命周期直方图+多次消费
用户复购率
用户回购率
回购率分析