3分钟了解用户行为分析用户行为数据分析案例( 四 )

然后给这三个指标根据价值分5个等级，进行打分计算分值和平均值，然后根据分值与平均值对比，分出“高”“中”“低” ，综合进行用户分层。
本次分析中的R,F,M具体定义（仅用于演示分析方法，无实际业务参考价值）：
-R：根据用户最近一次的购买时间与2017年12月3日之间的差值，判断用户最近一次消费时间间隔。
-F：将数据集中用户在2017年11月25日至2017年12月3日9天时间内的购买次数作为消费频率
-M：由于本数据集中未包含购买金额字段，暂时排除此指标。
——SQL取数与分析：
1）建立打分标准：先计算R,F的值，并排序，根据R,F值最大值和最小值得区间设计本次得打分标准
关于打分标准：不同业务的用户消费频率，消费金额，精细化运营策略与成本……都是不同，一般常用”分位数“建立打分标准，由于SQL并不是专业得统计分析工具，计算分位数较为复杂，本次仅使用最大值和最小值的区间初略建立规则。
分位数：是指在统计学中把所有数值由小到大排列并分成几等份，取处于对应几个分割点位置的数值。
-查询并计算R ， F值创建视图
-引用RF数值表，分别查询R,F的最大值和最小值
-结合人工浏览的建立打分标准
消费时间间隔：在1~8区间内四等分
消费频率：由于人工浏览时发现很少有超过20次购买的，故消费频率在20以内四等分
2）给R ， F按价值打分
3）计算价值的平均值
4）用平均值和用户分类规则表比较得出用户分类
-查询各类用户数量——Excel可视化
由于缺失了商品价格部分的数据，本模块暂时没有分析结论。
2.5诊断分析：通过描述性分析得到可视化的数据后我们一般会先看一下是否符合业务常识
如：假设一个页面的UV（浏览人数）比PV（浏览次数）还高，那这个数据质量肯定是有问题的
如果符合常识接下来我们会通过与行业平均数据和本产品的同比环比对比看是否正常，如果不正常就要找原因，设计解决方案，如果正常那就看是否有可以优化的地方。
2.5.1诊断分析结论我们首先来看一下这些描述性分析是否符合业务常识和指标是否正常：
1.活跃曲线整体为上升状态，同为周六日， 12月2号， 3号相比11月25日， 26日活跃度更高。
正常：结合描述分析4中的活跃用户的增长。
2.用户在周六周日相比其他时间更活跃
正常：周六周日为休息日，用户有更多时间来刷淘宝，反映在数据上就是活跃度的增加。
3.一天内用户活跃的最高峰期为21点
正常：用户在这个时间段有空闲， 996的都下班啦~
4.从2017年11月15日致2017年12月3日，活跃用户新增38%
还需验证：
如果是由于新注册用户或者老用户召回策略带来的增长符合常识，具体还需结合新注册用户数据和用户召回策略数据做验证。
5.从2017年11月15日致2017年12月3日，活跃用户次日留存增长18.67% ，当日的活跃用户留存也在快速增长，第七日留存比次日留存高18.56% 。
不符合常识：因为从长期来看用户都是会流失的，只是生命周期长短问题，而从淘宝的用户行为来看同批用户的存留数据竟然随着时间的增加而增加。

以上关于本文的内容，仅作参考！温馨提示：如遇健康、疾病相关的问题，请您及时就医或请专业人士给予相关指导!

「四川龙网」www.sichuanlong.com小编还为您精选了以下内容，希望对您有所帮助：

3分钟了解用户行为分析 用户行为数据分析案例( 四 )

3分钟了解用户行为分析用户行为数据分析案例( 四 )