数据集介绍：淘宝用户购物行为数据集包含了2017年11月25日至2017年12月3日之间（9天），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），用以进行隐式反馈推荐问题的研究。
分析目标:通过对用户购物行为数据分析，为客户提供更精准的隐式反馈推荐。①从用户角度：分析用户行为规律，提高用户忠诚度，帮助用户快速找到商品；②从网站角度：提高网站交叉销售能力，提高成交转化率。
工具：Navicat for MySQL,tableau/excel
1.数据预处理:列名重命名;查缺;去空;去重;去异常;时间戳格式化
2.数据分析：
①用户行为习惯分析：用户最活跃的日期以及每天活跃时间段。
②用户行为转化分析-基于AARRR漏斗模型：分析用户从浏览到购买整个过程中，确定各个环节的转化率和流失率，提出改善转化率的意见。
③类目偏好分析：从商品的点击、收藏、加购、购买的频率，探索用户对商品的购买偏好，找到针对不同商品的营销策略：什么产品以及产品类目的购买率最高，找出最受欢迎的产品，优化产品推荐。
④用户价值分析-RFM模型：找出最具有价值的核心付费用户群，针对这些用户的购买偏好推送个性化的产品销售方案。
#数据分析 #数据分析转行 #数据分析师 #电商数据分析 #电商 #MySQL #大数据 #项目实战 #数据分析项目 #深度学习
分析目标:通过对用户购物行为数据分析，为客户提供更精准的隐式反馈推荐。①从用户角度：分析用户行为规律，提高用户忠诚度，帮助用户快速找到商品；②从网站角度：提高网站交叉销售能力，提高成交转化率。
工具：Navicat for MySQL,tableau/excel
1.数据预处理:列名重命名;查缺;去空;去重;去异常;时间戳格式化
2.数据分析：
①用户行为习惯分析：用户最活跃的日期以及每天活跃时间段。
②用户行为转化分析-基于AARRR漏斗模型：分析用户从浏览到购买整个过程中，确定各个环节的转化率和流失率，提出改善转化率的意见。
③类目偏好分析：从商品的点击、收藏、加购、购买的频率，探索用户对商品的购买偏好，找到针对不同商品的营销策略：什么产品以及产品类目的购买率最高，找出最受欢迎的产品，优化产品推荐。
④用户价值分析-RFM模型：找出最具有价值的核心付费用户群，针对这些用户的购买偏好推送个性化的产品销售方案。
#数据分析 #数据分析转行 #数据分析师 #电商数据分析 #电商 #MySQL #大数据 #项目实战 #数据分析项目 #深度学习
