本文的目的在于从淘宝用户行为数据出发，建立用户行为漏斗模型，分析用户行为整体转化情况；也会具体分析不同用户行为路径的表现，再试图从商品维度解释转化率低的原因。
本文的数据源于阿里云天池（User Behavior Data from Taobao for Recommendation）。
数据源链接：/dataset/dataDetail?dataId=649&userId=1
数据分析工具：SQL+EXCEL
注：以下操作截取了其中100,000条数据记录，而非全部数据，并已完成了一些数据清洗工作。
1、概念
1.1 转化率
转化率是电商平台的一个重要数据指标。简单的说，一般是指用户从浏览商品页面到转化为其它用户行为（如购买）的比率。如何提高转化率，是电商运营的重点。
计算公式：转化率 = 用户行为转化总次数 / 用户浏览页面总次数 * 100%
1.2 漏斗模型
漏斗模型用于反映用户行为从起点到终点各阶段的转化率情况。
对应于本次分析的场景，就是要反应用户从浏览页面到完成购买之间的各转化率情况。
2、数据分析
2.1 数据概况
2.2 具体分析
（1）首先统计一下每个用户的用户行为情况
create view userBehavior_Route asselect userID,itemID,categoryID,sum(case when behavior = 'pv' then 1 else 0 end) as pv_num,sum(case when behavior = 'cart' then 1 else 0 end) as cart_num,sum(case when behavior = 'buy' then 1 else 0 end) as buy_num,sum(case when behavior = 'fav' then 1 else 0 end) as fav_numfrom userbehavior_archived1group by userID, itemID, categoryID;select * from userBehavior_Route;
结果如下：
（2）统计各用户行为的整体情况
select sum(pv_num) as pv,sum(cart_num) as cart,sum(buy_num) as buy,sum(fav_num) as favfrom userBehavior_Route;
结果如下：
基于此，绘制用户行为漏斗如下。以用户浏览为起点，转化为加购行为转化率为6.1%，转化为收藏行为转化率为3.1%，转化为购买行为的转化率为2.3%。
（3）分析用户行为路径
这部分旨在分析用户从浏览出发，接下来做了什么，可能是加购，可能是收藏，可能是购买，也可能是流失了。
selectsum(case when pv_num > 0 then 1 else 0 end) as pv_total,sum(case when pv_num > 0 and fav_num = 0 and cart_num = 0 and buy_num = 0 then 1 else 0 end) as pv_loss,sum(case when pv_num > 0 and fav_num > 0 and cart_num = 0 and buy_num = 0 then 1 else 0 end) as pv_fav_loss,sum(case when pv_num > 0 and fav_num = 0 and cart_num > 0 and buy_num = 0 then 1 else 0 end) as pv_cart_loss,sum(case when pv_num > 0 and fav_num > 0 and cart_num > 0 and buy_num = 0 then 1 else 0 end) as pv_fav_cart_loss,sum(case when pv_num > 0 and fav_num > 0 and cart_num > 0 and buy_num > 0 then 1 else 0 end) as pv_fav_cart_buy,sum(case when pv_num > 0 and fav_num = 0 and cart_num = 0 and buy_num > 0 then 1 else 0 end) as pv_buy,sum(case when pv_num > 0 and fav_num > 0 and cart_num = 0 and buy_num > 0 then 1 else 0 end) as pv_fav_buy,sum(case when pv_num > 0 and fav_num = 0 and cart_num > 0 and buy_num > 0 then 1 else 0 end) as pv_cart_buy,sum(case when pv_num > 0 and fav_num > 0 then 1 else 0 end) as pv_fav,sum(case when pv_num > 0 and fav_num = 0 and cart_num > 0 then 1 else 0 end) as pv_cart,sum(case when pv_num > 0 and fav_num > 0 and cart_num > 0 then 1 else 0 end) as pv_fav_cartfrom userBehavior_Route;
结果如下：
将上面的数据以更直观的方式呈现出来，如下：
基于上面的数据，计算一下不同用户行为路径下从浏览到购买的转化率：
a、浏览-购买 转化率：1.45%
b、浏览-收藏-购买 转化率：0.11%
c、浏览-加购-购买 转化率：0.33%
d、浏览-收藏-加购-购买 转化率：0.03%
能够发现用户行为路径越长，转化率越低。
那么，是不是说明收藏、加购行为可以取消了呢？也不见得。
再计算一下，以收藏或加购为起点，购买为终点，转化率情况。
a、收藏-购买：8.6%
b、加购-购买：9.3%
c、收藏-加购-购买：6.2%
可以看出，如果用户完成了浏览、收藏或加购这一系列动作之后，再进一步完成购买行为的概率还是很高的，所以在实际营销中，对于用户加购和收藏的商品可以针对性的采取营销手段，刺激用户完成购买。
（4）探究浏览-购买转化率低的原因
针对这个问题，我们从商品的角度来分析，旨在分析浏览量高的商品是否对应着购买量高的商品。
（4.1）从浏览量高的商品切入
提取浏览量top100的商品
select itemID, count(itemID) as numberfrom userbehavior_archived1where behavior = 'pv'group by itemIDorder by count(itemID) desclimit 100
能够看出浏览量靠前的商品的浏览量还是有比较明显的优势的。接下来选取top10的商品，进一步查看一下它们的购买情况。
create or replace view item_pv as select itemID, count(itemID) as pv_numfrom userbehavior_archived1where behavior = 'pv'group by itemIDorder by count(itemID) desclimit 10;select * from item_pv;select itemID, count(itemID) as buy_num from userbehavior_archived1where behavior = 'buy'and itemID in (select itemID from item_pv)group by itemIDorder by count(itemID)
结果如下：
也就是说浏览量前十的商品中仅有4款商品被购买了一次！！！
商品这个维度可能过于精细了，那么再来看看商品类别这个维度的情况吧。
选取商品类别top10来分析。下图呈现了top10商品类别的浏览量。
那么top10浏览量的购买情况是怎样的呢？
将浏览量和购买量放在一起，看一下各商品pv-buy转化率如何？
发现这些商品浏览量top10的pv-buy转化率平均只有0.9%，应该说是很低了。
（4.2）从购买量高的商品切入
现在反过来看一下购买量高的商品类别的情况（方法参考上面的操作）。
结果如下：
从上面可以看出，购买量top10的商品类别的浏览量只有5个排进了浏览量top10，如果排除这5个，剩余的5个商品类别的平均浏览量不足700，而pv-buy转化率可以达到4.2%。
（4.3）建议
以上分析反映出来了营销策略不够精准，没有在浏览页面上更多的资源用于显示用户目标商品。所以，在实际的营销过程中，可以根据用户的购买、收藏、加购商品情况精准营销，在用户界面，最大限度地提供用户感兴趣的商品。
