Всем привет, мы снова встретились, я ваш друг Цюаньчжаньцзюнь.

Предисловие

Эта статья для Таобаоappоперацииданные,На основе общеотраслевых показателейповедение пользователяпровести анализ,включатьUV、PV、Добавить анализ пользователей、Анализ оттока воронки、Анализ удержания、Анализ ценности пользователь, анализ выкупа и другое содержимое; Инструментами анализа, используемыми в этой статье, в основном являются MySQL, включающие групповое суммирование, ссылочные переменные, представления, связанные запросы и т. д.

1. Задавайте вопросы

1. Бизнес-проблемы и логика анализа этого анализа

На этот раз я хочу дать объяснения и предложения по улучшению следующих проблем посредством анализа данных о поведении пользователей Taobao:

1) На основе модели воронки AARRR,Обычно используетсяЭлектронная коммерцияПоказатели анализа,Анализируйте по трем аспектам: количество новых пользователей, коэффициент конверсии каждой ссылки и коэффициент удержания новых пользователей.,Определить факторы, влияющие на количество новых пользователей,Найдите области конверсии, которые нуждаются в улучшении,Обнаружьте существующие проблемы, которые остаются

2) Изучите модели поведения пользователей в разных временных масштабах и найдите модели активности пользователей в разные периоды времени.

3) Найдите наиболее ценную группу основных платящих пользователей и проанализируйте поведение этих пользователей.

4) Найдите предпочтения пользователей в отношении различных типов продуктов и сформулируйте маркетинговые стратегии для разных продуктов.

Логика этого анализа следующая:

2. Модель и система, использованные в данном анализе

Анализ электронной коммерции обычно проводится по четырем аспектам, а именно анализу эффективности процессов, анализу трафика/пользователей, анализу товаров и анализу продуктов. Он разбирает и отслеживает связи, создающие проблемы, посредством эффективности процесса, а также проводит стратификацию пользователей по их привязанности и ценности. и анализ удовлетворенности и предупреждение об оттоке, классифицировать уровни продукта с помощью анализа жизненного цикла продукта и корреляционного анализа, а также улучшать процесс просмотра и покупки пользователями с помощью анализа продукта. В этой статье используются широко используемые индикаторы анализа данных электронной коммерции и модель воронки AARRR для анализа каждого шага поведения пользователя после входа в приложение, а также модель RFM для оценки ценности пользователя, поиска наиболее ценной группы пользователей и определения различий для них; эти пользователи. Система анализа данных электронной коммерции Индикаторы анализа данных электронной коммерции Модель воронки AARRR

2. Понять данные

1. Источник данных

Набор данных содержит все данные о поведении около миллиона случайных пользователей в период с 25 ноября 2017 г. по 3 декабря 2017 г. (поведение включает клики, покупки, дополнительные покупки и лайки). Размер набора данных: количество пользователей — примерно 1 миллион (987 994), количество продуктов — примерно 4,1 миллиона (4 162 024), количество категорий продуктов — 9 439, общее количество записей о поведении пользователей Taobao — 100 миллионов (100 150 807).

2. На этот раз выбраны образцы данных

Исходный набор данных содержит в общей сложности 100 миллионов записей, что представляет собой огромный объем данных. В ходе анализа было выбрано около 1 миллиона записей. Общая ситуация с данными приведена в следующей таблице.

3. Значение поля и объем данных

3. Очистка данных

1. Выберите подмножество

Каждое поле в наборе данных допустимо, и все они выбраны здесь.

2. Переименуйте имена столбцов.

Исходный набор данных не имеет заголовка таблицы. Используйте инструкции SQL для создания таблиц и 6 полей и импортируйте данные о поведении пользователей Taobao в базу данных Mysql.

3. Удалите повторяющиеся значения.

При импорте данных определите первичный ключ как: user_id, item_id, метки времени, чтобы исключить дублирование данных.

4. Обработка недостающих значений

При создании таблицы все пять полей определяются как NOT NULL, а импорт данных гарантирует отсутствие пропущенных значений.

5. Последовательная обработка

Преобразуйте тип данных времени, добавьте три поля: datentime, даты и часы и поместите в них преобразованные данные.

ALTER TABLE UserBehavior ADD COLUMN datentime TIMESTAMP(0) NULL;
UPDATE UserBehavior
SET datentime = FROM_UNIXTIME(timestamps);

ALTER TABLE UserBehavior ADD COLUMN dates CHAR(10) NULL;
UPDATE UserBehavior
SET dates = SUBSTRING(datentime FROM 1 FOR 10);

ALTER TABLE UserBehavior ADD COLUMN hours CHAR(10) NULL;
UPDATE UserBehavior
SET hours = SUBSTRING(datentime FROM 12 FOR 2);

6. Обработка выбросов данных

Проверьте, находится ли дата в указанном диапазоне: с 25 ноября 2017 г. по 3 декабря 2017 г.

SELECT MAX(timestamps),
       MIN(timestamps),
       MAX(datentime),
       MIN(datentime)
FROM UserBehavior;

Проверьте правильность времени и удалите все данные, которые не соответствуют правилам.

DELETE FROM UserBehavior
WHERE datentime < '2017-11-25 00:00:00'
OR datentime > '2017-12-04 00:00:00';

Всего было удалено 509 строк данных, точность даты и времени была проверена еще раз, и результаты соответствовали требованиям.

Данные после чистки:

4. Постройте модель

1. Модель воронки для анализа поведения пользователей

Данные в основном включают количество новых пользователей каждый день, потерю пользователей на протяжении всего процесса от просмотра до окончательной покупки (включая просмотр, избранное, дополнительные покупки и покупки), удержание пользователей на следующий, 3-й и 7-й день. и удержание пользователей на следующий, 3-й и 7-й день. Количество повторных покупок и коэффициент повторных покупок за период исследования.

1) Привлечение клиентов: ежедневно новые пользователи

Здесь 25 ноября 2017 года выбрано в качестве первого дня активации приложения, а новые пользователи определяются как пользователи, совершившие свою первую покупку. Как показано на рисунке ниже, с 25 ноября 2017 г. по 3 декабря 2017 г. новые пользователи появлялись каждый день, но количество новых пользователей уменьшалось, а 2 декабря произошел небольшой отскок, поэтому маркетинговые мероприятия стартовали выходные Или разогреваемая маркетинговая кампания Double 12 может привлечь новых пользователей.

2) Конверсия: ситуация конверсии и потерь

● Показатели ААП за 9 дней следующие:

Общее количество посещений пользователей (УФ): 9768 Всего просмотров страниц (PV): 897293

#вычислить УФ, PV
ВЫБЕРИТЕ COUNT(DISTINCT(user_id)) КАК 'UV',
(ВЫБЕРИТЕ счетчик (поведение) FROM UserBehavior
ГДЕ поведение = 'pv') AS 'PV',
ИЗ UserBehavior;

● Показатель отказов=Количество пользователей, которые нажали только один раз, чтобы просмотреть/общее количество посещений пользователей

Когда статистический период составляет 9 дней, 586 человек покинули приложение после просмотра одной страницы, что составляет 0,65% от общего числа посещений, что практически незначительно, что указывает на то, что Taobao достаточно привлекателен для того, чтобы пользователи оставались.

SELECT COUNT(DISTINCT user_id) AS «Количество пропущенных пользователей»
FROM UserBehavior
WHERE user_id NOT IN(SELECT DISTINCT user_id FROM UserBehavior WHERE behavior = 'fav')
AND user_id NOT IN(SELECT DISTINCT user_id FROM UserBehavior WHERE behavior = 'cart')
AND user_id NOT IN(SELECT DISTINCT user_id FROM UserBehavior WHERE behavior = 'buy');

● Расчет воронки конверсии поведения пользователей

В процессе покупок сбор и добавление в корзину являются действиями, определяющими намерения совершить покупку, и порядок приоритетов отсутствует, поэтому эти две ссылки объединяются в один этап процесса покупки. Как видно из рисунка ниже, коэффициент конверсии от просмотра до подтверждения намерения покупки составляет всего около 9%. Точка защемления появляется в процессе добавления в избранное или покупки. Возможная причина в том, что пользователи тратят много времени. поиск подходящих продуктов. Целенаправленная оптимизация функции фильтрации платформы позволяет пользователям легче находить подходящие продукты, а также дополнительно уточняет показатели процесса для анализа с целью выявления ключевых проблем, влияющих на отток пользователей.

# Сначала создайте поведение пользователявид
CREATE VIEW user_behavior
AS
SELECT user_id, count(behavior),
SUM(CASE WHEN behavior='pv' THEN 1 ELSE 0 END) AS «Количество кликов»,
SUM(CASE WHEN behavior='fav' THEN 1 ELSE 0 END) AS «Количество коллекций»,
SUM(CASE WHEN behavior='cart' THEN 1 ELSE 0 END) AS «Количество покупок»,
SUM(CASE WHEN behavior='buy' THEN 1 ELSE 0 END) AS «Количество покупок»
FROM userbehavior
GROUP BY user_id
ORDER BY COUNT(behavior) DESC;
# Посчитайте коэффициент конверсии еще раз
SELECT CONCAT(ROUND(SUM(количество кликов)/SUM(количество кликов)*100,2),'%') AS 'pv',
CONCAT(ROUND((SUM(количество дополнительных покупок)+SUM(количество коллекций))/SUM(количество кликов)*100,2),'%') AS 'pv_to_favcart',
CONCAT(ROUND(SUM(количество покупок)/SUM(количество кликов)*100,2),'%') AS 'pv_to_buy'
FROM user_behavior;

● Самостоятельный расчет воронки посетителей

Примерно 68% приложений имеют платящих пользователей, и коэффициент конверсии пользовательских платежей довольно высок.

SELECT behavior,COUNT(DISTINCT user_id) AS «Количество пользователей»
FROM userbehavior
GROUP BY behavior
ORDER BY COUNT(DISTINCT user_id) DESC;

3) Удержание: статус удержания новых пользователей.

Согласно данным в таблице ниже, показатели удержания на следующий день, 3-й и 7-й день поддерживаются на уровне около 20%. В качестве недельного показателя удержания производительность по-прежнему очень хороша, но в качестве следующего дня. Коэффициент удержания в день не очень идеален. Его можно разделить, объединив дизайн продукта и путь конверсии нового пользователя. Проанализируйте причины оттока пользователей, сократите отток пользователей и улучшите уровень удержания на следующий день за счет постоянных модификаций и корректировок. Кроме того, уровень удержания 2 и 3 декабря увеличился на 2–8% по сравнению с предыдущим, поэтому рекламная деятельность It; может оказать определенное положительное влияние на улучшение удержания.

Примечание. В этом исследовании все пользователи по состоянию на 25 ноября 2017 года рассматриваются как новые пользователи, что не соответствует фактической ситуации. Фактическая ситуация рассматривается для анализа. Сохранение приложения Taobao прошло период потерь и период дистилляции и вступило в стабильный период. Таким образом, в этих условиях, если уровень удержания достигнет 20%, это все равно будет очень впечатляюще.

4) Реализация: анализ выкупа

На рисунке ниже показано количество пользователей, соответствующих разным временам повторной покупки. Установлено, что пользователи, совершающие повторную покупку более 5 раз, составляют только 10% от числа пользователей с покупательским поведением. Мы обнаружили, что очень мало пользователей с высоким уровнем повторной покупки. Продавцы могут учитывать качество продукции и качество обслуживания. Найдите причины в трех аспектах: опыт логистики, определение проблемных точек и поиск решений в области высоких показателей повторных покупок.

Рассчитанный с помощью блока кода ниже, уровень повторных покупок составляет 65%. Общий уровень повторных покупок приложения Taobao довольно впечатляющий. Бизнес-ориентация должна быть преобразована в повышение лояльности пользователей и поощрение пользователей к более частому потреблению.

SELECT CONCAT(ROUND
(SUM(case when Количество покупок>=2 then 1 else 0 end) 
 / SUM(case when Количество покупок>0 then 1 else 0 end) * 100), '%') 
 AS «Коэффициент выкупа» 
FROM user_behavior;

2. Анализ моделей поведения пользователей в разных временных масштабах.

Изучаем весь период времени (9 дней, здесь, думаю, не имеет смысла изучать одну неделю) и день как единицу, анализируем покупательское поведение пользователей, выясняем правила активных пользователей.

1) Анализируйте поведение пользователей каждый день в течение 9 дней с 25 ноября по 3 декабря 2017 года.

Из рисунка видно, что активность пользователей относительно стабильна в диапазоне дат исследования, со значительным ростом только 2 и 3 декабря. Эта дата, а также 25 и 26 ноября являются выходными, поэтому, за исключением специальных маркетинговых мероприятий, выходные могут влияние на улучшение активности пользователей невелико; Кроме того, по нескольким показателям наблюдается наибольший прирост кликов и наименьший прирост коллекций 2 декабря. Это может быть связано с тем, что акции Double Twelve только начали набирать обороты и пользователи начинают просматривать большое количество товаров, добавляя к покупкам; Корзина — это первый шаг пользователей к покупке товаров оптом. Установить действие, поэтому количество действий по добавлению в корзину также значительно увеличивается.

SELECT dates, COUNT(behavior),
SUM(CASE WHEN behavior='pv' THEN 1 ELSE 0 END) AS «Количество кликов»,
SUM(CASE WHEN behavior='fav' THEN 1 ELSE 0 END) AS «Количество коллекций»,
SUM(CASE WHEN behavior='cart' THEN 1 ELSE 0 END) AS «Количество покупок»,
SUM(CASE WHEN behavior='buy' THEN 1 ELSE 0 END) AS «Количество покупок»
FROM userbehavior
GROUP BY dates
ORDER BY dates;

2) Анализируйте поведение пользователей каждый час дня.

Здесь SQL используется для извлечения ежедневных данных, а Excel используется для построения динамических диаграмм. Замечено, что ежедневные тенденции изменения поведенческих данных одинаковы. Здесь мы выбираем для анализа только одну пятницу, 1 декабря 2017 года; Наблюдая за картинкой ниже, мы видим, что 1 декабря есть два пиковых периода, а именно с 20:00 до 22:00 вечера и с 10:00 утра до 13:00 дня. Это соответствует времени. когда многие офисные работники делают перерыв в полдень и вечером, что соответствует распорядку труда и отдыха большинства людей; Кроме того, мы обнаружили, что пик количества дополнительных покупок и сборов приходится на 20-22 вечера, а пик объема покупок приходится на 10 часов утра. Большинство людей любят добавлять покупки ночью и покупать утром, указывая на сборы и покупки. являются асинхронными, пик сбора обычно происходит за некоторое время до покупательского поведения, тогда как дополнительная покупка является предпродажным действием, и ее пиковое значение также произойдет перед покупательным поведением.

3. Анализ ценности пользователя

1) Стратификация ценностей пользователя (модель RFM)

Поскольку в данных отсутствует столбец M (объем потребления), на данный момент ценность клиента оценивается с помощью данных R (время последней покупки) и F (частота потребления).

С помощью скоринга вы сможете понять характеристики каждого клиента и добиться дифференцированного маркетинга. Например, пользователи с user_value=44 могут быть классифицированы как VIP-пользователи, на которых нужно сосредоточиться и не вызывать недовольства при запуске действий, а пользователи с user_value=14, которые не очень привязчивы и имеют короткие интервалы потребления, могут фокусироваться на операционных действиях; этих пользователей, чтобы увеличить частоту использования продуктов пользователями, вы можете привлечь внимание пользователей с помощью групповых скидок, обмена баллов, комплексных продаж и других действий для таких пользователей, как user_value=41, которые не очень лояльны, но имеют сильную покупательную способность. вам нужно обратить внимание на их покупательские привычки. Сделайте точный маркетинг.

SELECT r.user_id,f.frequency,recent_rank,freq_rank,
CONCAT(
CASE WHEN recent_rank<=(6589)/4 THEN '4' 
WHEN recent_rank>(6589)/4 AND recent_rank<=(6589)/2 THEN '3'
WHEN recent_rank>(6589)/2 AND recent_rank<=6589/4*3 THEN '2'
ELSE '1' END,
CASE WHEN freq_rank<=(6589)/4  THEN '4' 
WHEN freq_rank>(6589)/4  AND freq_rank<=(6589)/2 THEN '3'
WHEN freq_rank>(6589)/2 AND freq_rank<=6589/4*3 THEN '2'
ELSE '1' END
)AS user_value
FROM 
(SELECT a.*,(@rank:=@rank+1) AS recent_rank FROM
(SELECT user_id,
DATEDIFF('2017-11-25',max(dates)) AS recent
FROM userbehavior AS t1 WHERE behavior='buy' GROUP BY user_id ORDER BY recent
)AS a,(SELECT @rank:=0) AS b) AS r,
(SELECT *,(@rank2:=@rank2+1) AS freq_rank FROM
(SELECT user_id,count(*) AS frequency FROM userbehavior WHERE behavior='buy' 
GROUP BY user_id  ORDER BY frequency DESC)
AS a,(SELECT @rank2:=0)AS b) AS f 
WHERE r.user_id=f.user_id;

4. Анализ продаж продукции

1) Ситуация со сбытом продукции

Подсчитайте время покупки всех товаров и найдите товары с наибольшим количеством покупок, просмотров, коллекций и добавлений в корзины.

Среди 392 778 продуктов, проанализированных в этом анализе, пользователи приобрели в общей сложности 16 743 продукта, но в этих статистических данных не было продукта с очень концентрированным количеством покупок, 14 817 продуктов были куплены только один раз, что составляет 10% от количества продуктов; куплено пользователями 88,5%, что указывает на то, что продажи продуктов в основном зависят от кумулятивного эффекта продуктов с длинным хвостом, а не от продуктов с горячими продажами.

SELECT product_buytimes, COUNT(*) AS product_type_count
FROM
(SELECT COUNT(user_id) AS product_buytimes
FROM UserBehavior
WHERE behavior = 'buy'
GROUP BY item_id) AS product_buypool
GROUP BY product_buytimes
ORDER BY product_buytimes ASC;

● Топ-20 продаж продукции Перечислите 20 самых продаваемых продуктов. Продукт с item_ID 3122135 имеет самый высокий объем продаж (в 15 раз). Значит, продукт с наибольшим количеством просмотров также имеет самый высокий объем продаж?

● Просмотр товаров топ20 Мы видим, что продукт с наибольшим количеством просмотров — 812879, а продукт с наибольшим количеством просмотров даже не входит в топ-20 продаж, что указывает на то, что эти продукты, которые привлекают больше внимания пользователей, не были хорошо конвертированы в реальные продажи. .

● Коллекция товаров топ 20 На рисунке ниже показаны 20 лучших продуктов в коллекциях. Видно, что продукты, занимающие 1, 15 и 20 места в 20 лучших коллекциях, также появляются в 20 лучших продуктах при просмотре, занимая 2, 10 и 4 места соответственно, что указывает на то, что вероятность синхронизации сбора и просмотра выше.

● Топ 20 товаров для дополнительной покупки Среди 20 лучших товаров, которые были добавлены в корзину чаще всего, вы можете видеть, что товары с 3-м, 4-м и 10-м продажами занимают 1-е, 10-е и 8-е места по количеству дополнительных покупок, что указывает на взаимосвязь. между количеством дополнительных покупок и продаж является более прямым.

2) Продажи по категориям товаров В продажах категорий продуктов наблюдается относительно очевидная тенденция к концентрации. Топ-20 показаны в таблице ниже. Демонстрацию продуктов можно оптимизировать, а объединение продуктов можно усилить на основе наиболее продаваемых категорий, тем самым увеличивая продажи.

SELECT category_id , COUNT(*) AS cat_count
FROM userbehavior
WHERE behavior = 'buy'
GROUP BY category_id
ORDER BY cat_count DESC;

5. Выводы и предложения

В этой статье проанализировано в общей сложности 1 миллион данных о поведении пользователей приложения Taobao, подняты бизнес-проблемы с четырех разных точек зрения, а также использованы модели AARRR и RFM для анализа данных и даны следующие выводы и предложения.

1. Проанализируйте все аспекты использования пользователями с помощью модели AARRR.

1) Получить пользователей Поскольку в данных не указано время первого входа каждого пользователя, мы временно рассматриваем 25 ноября 2017 г. как время первого входа каждого пользователя.

В течение периода исследования новые пользователи появлялись каждый день, но количество новых пользователей уменьшалось, и в выходные дни, когда была запущена маркетинговая кампания, наблюдался лишь небольшой отскок. Таким образом, запущенная маркетинговая кампания может привлечь новых пользователей и Каналом продвижения маркетинговой кампании могут стать пользователи. Ключ к росту объемов.

2) Активировать пользователя В процессе покупок сбор и добавление в корзину являются действиями, определяющими намерения совершить покупку, и порядок приоритетов отсутствует, поэтому эти две ссылки объединяются в один этап процесса покупки.

Коэффициент конверсии от просмотра до намерения совершить покупку составляет всего 9%. Конечно, некоторые пользователи совершают покупки напрямую, но это также показывает, что большинство пользователей в основном просматривают страницу и совершают меньше конверсий. Это ссылка в воронке конверсии, которую необходимо улучшить. и улучшено.

Предложения по улучшению коэффициента конверсии по этой ссылке включают: ① Оптимизировать стратегии поиска и рекомендации платформы электронной коммерции, активно рекомендовать соответствующие продукты на основе предпочтений пользователей, оптимизировать точность и возможности агрегирования поиска продуктов, а также оптимизировать приоритет результатов поиска; ② Предоставить клиентам функцию сравнения аналогичных продуктов, чтобы пользователям не приходилось несколько раз возвращаться к результатам поиска для повторной проверки, что упрощает пользователям определение любимых продуктов; ③ Выделите ключевую информацию, которая интересует пользователей, на странице сведений о продукте, оптимизируйте представление информационного потока и сократите затраты пользователей на поиск информации; ④ Оптимизируйте доступ к кнопкам «Добавить в корзину» и «Избранное», чтобы пользователи могли легко получить к ним доступ при пролистывании экрана, увеличивая количество использований этой функции.

3) Улучшить удержание Анализ хранения также рассматривает 25 ноября 2017 года как время первого входа в систему для каждого пользователя.

Удержание в приложении Taobao относительно стабильное. Еженедельные показатели удержания отличные, но удержание на следующий день немного неудовлетворительное. Причины оттока пользователей можно проанализировать на основе дизайна продукта и нового пути конверсии пользователей, и за счет этого можно уменьшить отток пользователей. постоянные модификации и корректировки, время продвижения. Кроме того, уровень удержания 2 и 3 декабря увеличился на 2–8% по сравнению с предыдущим, поэтому маркетинговая деятельность может оказать определенное положительное влияние на улучшение удержания, и можно будет запустить больше маркетинговых мероприятий. частота использования платформы электронной коммерции Taobao.

4) Увеличение дохода 61% пользователей, использующих приложение, являются платными пользователями, и коэффициент конверсии платежей довольно высок.

Около 65% пользователей, совершивших покупки, совершат повторные покупки. Общий уровень повторных покупок приложения Taobao является относительно впечатляющим. Бизнес-ориентация должна быть преобразована в повышение лояльности пользователей и поощрение пользователей к более частому потреблению.

Лишь немногие пользователи могут найти причины высоких показателей повторных покупок по трем аспектам: качество продукции, качество обслуживания и опыт логистики, выявить проблемные точки и искать пути решения проблем с высокими показателями повторных покупок.

5) Рекомендации пользователя Сам Taobao имеет огромную базу пользователей и хорошо известен. Лично я считаю, что пользователи в городах первого и второго уровня в основном достигли насыщения. Коммуникационная работа должна быть нацелена на каналы в городах третьего и четвертого уровня. , нам следует реализовать аналогичные продукты, такие как Pinduoduo, на основе характеристик пользователей с высокой чувствительностью к ценам, групповой переадресации и рекламных акций, чтобы расширить использование этой группы пользователей.

2. Изучите модели поведения пользователей в разных временных масштабах и найдите модели активности пользователей в разные периоды времени.

В течение 9 дней исследования было два выходных. В первые выходные наблюдался лишь небольшой рост, тогда как во вторые выходные наблюдался значительный рост количества кликов и дополнительных покупок из-за разминки маркетинговой деятельности. Следовательно, можно увеличить количество маркетинговых мероприятий. запускаться по выходным для повышения эффективности работы. По-прежнему существует большой потенциал для использования желания потребителей потреблять в свободное время в выходные дни.

Каждый день есть два пиковых периода: с 20:00 до 22:00 и с 10:00 до 13:00. Пользователи обычно предпочитают пополнять свои коллекции ночью и совершать покупки утром.

Маркетинговые мероприятия, ориентированные на пиковые периоды, являются наиболее прибыльными, когда количество пользователей наибольшее и мероприятия легко достигают пользователей. Маркетинговые мероприятия могут осуществляться посредством рекламных акций, групповых покупок и т. д.

3. Используйте модель RFM, чтобы найти наиболее ценные основные группы платящих пользователей и проанализировать поведение этих пользователей.

Пользователи с оценкой 44 являются наиболее ценными пользователями в системе, и на них необходимо уделять особое внимание. И нужно быть осторожным при запуске деятельности, чтобы не вызвать отвращение у пользователей.

Для пользователей с оценкой ценности 14 их приверженность не является сильной, но временной интервал потребления у них короткий. Операционная деятельность может быть сосредоточена на этой группе пользователей, увеличить частоту использования продукта пользователями и привлечь внимание пользователей посредством групповых скидок. погашение баллов и другие действия.

4. Выясните предпочтения пользователей по разным типам продуктов и сформулируйте маркетинговые стратегии для разных продуктов.

Продажи продукции в основном зависят от кумулятивного эффекта продуктов с длинным хвостом, а не от продуктов, пользующихся горячим спросом. Продукты с самыми высокими продажами неизвестны в списке просмотров, а продукты с самым высоким количеством просмотров даже не входят в число 20 самых продаваемых, что указывает на то, что эти продукты, которые привлекают больше внимания пользователей, плохо конвертируются в реальные продажи.

Для этих продуктов с большим количеством просмотров страниц, но низкими продажами продавцы могут увеличить продажи за счет следующих аспектов: ① Честность привлекает пользователей. Чтобы привлечь пользователей к клику, некоторые продавцы размещают на странице отображения продукта очень привлекательные цены, но фактическая цена слишком высока, что, в свою очередь, приводит к потере пользователей; ② Разработайте отображение информационного потока на странице сведений с точки зрения пользователя, чтобы облегчить пользователям получение информации; ③ Оптимизируйте форму демонстрации продукта и используйте более интуитивно понятные методы отображения, такие как видео; ④ Управление оценкой в ​​области комментариев, особенно серьезное отношение к отзывам пользователей в области отрицательных отзывов, анализ собственных недостатков и предоставление положительных ответов и компенсаций.

Заявление об авторских правах: Содержание этой статьи добровольно предоставлено пользователями Интернета, а мнения, выраженные в этой статье, представляют собой только точку зрения автора. Этот сайт предоставляет только услуги по хранению информации, не имеет никаких прав собственности и не принимает на себя соответствующие юридические обязательства. Если вы обнаружите на этом сайте какое-либо подозрительное нарушение авторских прав/незаконный контент, отправьте электронное письмо, чтобы сообщить. После проверки этот сайт будет немедленно удален.

Издатель: Лидер стека программистов полного стека, укажите источник для перепечатки: https://javaforall.cn/188469.html Исходная ссылка: https://javaforall.cn