一、背景
淘宝网是亚太地区较大的网络5零售、商圈，由阿里巴巴集团在2003年5月创立。深受大众欢迎，拥有近5亿的注册用户数，每天有超过6000万的固定访客。
与PC时代相比，移动终端能更加方便用户随时随地进行淘宝端行为。
通过分析淘宝app用户的行为，可以为后续的运营管理提供更好的方向。
二、分析问题和思路
1. 通过流量和转化率的分析了解平台的运营整体现状；
2. 通过日活、时活数据了解用户的行为规律，通过RFM模型定义不同用户的价值；
3. 对于异常数据，结合实际情况分析原因；
三、数据处理
1. 数据集描述
2. 数据清洗
1. 导入数据，进行探索。原数据大小为：12,256,906*6，考虑到地理位置列涉及编码问题，不进行探索；直接删除此列；
2. 缺失值查看结果为0，删除user_geohash后数据无缺失值，故而不用进行处理；
3. 重复值删除，删除后数据大小为6,213,379行；
4. 由于需要分析不同日期、小时以及星期时间的用户行为，对数据user_time进行拆分处理和星期化处理；
根据不同的行为（1点击、2收藏、3加入购物车和4购买）对流量进行处理，为后续数据可视化准备；
根据RFM模型，对客户价值进行处理，由于未涉及购买金额，因此简化模型，仅对R和F进行分析；
四、分析主体
平台整体运营情况分析：
1. 平台在11.18~12.18这一个月内，除12.12日相对较高，其余时间日流量（无论是点击量、收藏量、加入购物车量还是购买量）相对平稳，结合实际可知，12.12日的流量猛增为淘宝做活动导致。
2. 用户活动高峰出现在夜间21:00~22:00，推测为在睡前进行淘宝活动；低谷在凌晨02:00~06:00，此时用户处于睡眠阶段；
3. 用户在工作日时在平台较活跃，周末流量最小，可能原因为周末更多为出游和陪伴家人；
利用AARRR模型，发现从客户点击→加购物车/收藏→ 购买几个环节，转化率递减，最后真正购买的只有1.9%，购买转化率比较低。在客户点击→加购物车/收藏的环节，转化率为10.3%，收藏/加入购物车→购买这个环节转化率为18.4%，需要想办法提高这几个环节的转化率。
根据RFM模型，平台31%的用户为高质量客户，这些用户购买量大，且近期活跃，需要重点维护；10%的用户为重要客户，这些用户的购买频率不是很高，但是近期活跃于，可以通过推荐新品等措施来挖掘客户价值；26%的用户为挽留客户，这些用户的购买频率高于均值，但是近期没有购买行为，需要采取诸如优惠券等措施进行挽回；33%的用户为一般客户，此类用户的购买频率不大，且也已有一段时间未消费，需持续正常维持。
五、结论&建议
1. 整体运营情况。平台在11.18~12.18这一个月内，除12.12日相对较高，其余时间日流量（无论是点击量、收藏量、加入购物车量还是购买量）相对平稳，结合实际可知，12.12日的流量猛增为淘宝做活动导致； 用户活动高峰出现在夜间21:00~22:00；低谷在凌晨02:00~06:00； 用户在工作日时在平台较活跃，周末流量最小。
2. 转化率。利用AARRR模型发现：在客户点击→加购物车/收藏→ 购买这几个环节，转化率递减，最终购买的只有1.9%，购买转化率比较低。在客户点击→加购物车/收藏的环节，转化率为10.3%，收藏/加入购物车→购买这个环节转化率为18.4%，需要想办法提高这几个环节的转化率。
3. 客户价值。根据RFM模型，平台31%的用户为高质量客户，这些用户购买量大，且近期活跃，需要重点维护；10%的用户为重要客户，这些用户的购买频率不是很高，但是近期活跃于，可以通过推荐新品等措施来挖掘客户价值；26%的用户为挽留客户，这些用户的购买频率高于均值，但是近期没有购买行为，需要采取诸如优惠券等措施进行挽回；33%的用户为一般客户，此类用户的购买频率不大，且也已有一段时间未消费，需持续正常维持。
