发布时间：2025-06-24 16:52:10  作者：北方职教升学中心  阅读量：778

3.3 用户行为习惯

-- 一天的活跃时段分布selecthour(datetime)ashour,sum(casewhenbehavior_type ='pv'then1else0end)aspv,--点击数sum(casewhenbehavior_type ='fav'then1else0end)asfav,--收藏数sum(casewhenbehavior_type ='cart'then1else0end)ascart,--加购物车数sum(casewhenbehavior_type ='buy'then1else0end)asbuy  --购买数fromuser_behaviorgroupbyhour(datetime)orderbyhour;

--一周用户的活跃分布selectpmod(datediff(datetime,'1920-01-01')-3,7)asweekday,sum(casewhenbehavior_type ='pv'then1else0end)aspv,--点击数sum(casewhenbehavior_type ='fav'then1else0end)asfav,--收藏数sum(casewhenbehavior_type ='cart'then1else0end)ascart,--加购物车数sum(casewhenbehavior_type ='buy'then1else0end)asbuy  --购买数fromuser_behaviorwheredate(datetime)between'2017-11-27'and'2017-12-03'groupbypmod(datediff(datetime,'1920-01-01')-3,7)orderbyweekday;

• 小结：晚上21点-22点之间是用户一天中最活跃的时候，凌晨 4 点，则是活跃度最低的时候。总体的复购率为 66.01%，说明用户的忠诚度比较高。总体的转化率为 2.25%，这个值可能是比较低的，从加到购物车数来看，有可能部分用户是准备等到电商节日活动才进行购买。

  文章目录

  • 0 简介
  • 1. 数据集说明
  • 2. 数据处理
  • • 2.1 数据导入
    • 2.2 数据清洗
  • 3.数据分析可视化
  • • 3.1 用户流量及购物情况
    • 3.2 用户行为转换率
    • 3.3 用户行为习惯
    • 3.4 基于 RFM 模型找出有价值的用户
    • 3.5 商品维度的分析

  ---

  0 简介

  今天学长向大家介绍一个机器视觉的毕设项目，大数据电商用户行为分析及可视化(源码+论文)

  项目运行效果：

  毕业设计 基于大数据淘宝用户行为分析

  项目获取：

  https://gitee.com/assistant-a/project-sharing

  1. 数据集说明

  这是一份来自淘宝的用户行为数据，时间区间为 2017-11-25 到 2017-12-03，总计 100,150,807 条记录，大小为 3.5 G，包含 5 个字段。所以合理推断：一般电商节前一段时间的转化率会比平常低。

3.4 基于 RFM 模型找出有价值的用户

RFM 模型是衡量客户价值和客户创利能力的重要工具和手段，其中由3个要素构成了数据分析最好的指标，分别是：

• R-Recency（最近一次购买时间）
• F-Frequency（消费频率）
• M-Money（消费金额）

--R-Recency（最近一次购买时间）, R值越高，一般说明用户比较活跃selectuser_id,datediff('2017-12-04',max(datetime))asR,dense_rank()over(orderbydatediff('2017-12-04',max(datetime)))asR_rankfromuser_behaviorwherebehavior_type ='buy'groupbyuser_idlimit10;--F-Frequency（消费频率）, F值越高，说明用户越忠诚selectuser_id,count(1)asF,dense_rank()over(orderbycount(1)desc)asF_rankfromuser_behaviorwherebehavior_type ='buy'groupbyuser_idlimit10;--M-Money（消费金额），数据集无金额，所以就不分析这一项 

对有购买行为的用户按照排名进行分组，共划分为5组，
前 - 1/5 的用户打5分
前 1/5 - 2/5 的用户打4分
前 2/5 - 3/5 的用户打3分
前 3/5 - 4/5 的用户打2分
前 4/5 - 的用户打1分
按照这个规则分别对用户时间间隔排名打分和购买频率排名打分，最后把两个分数合并在一起作为该名用户的最终评分

withcte as(selectuser_id,datediff('2017-12-04',max(datetime))asR,dense_rank()over(orderbydatediff('2017-12-04',max(datetime)))asR_rank,count(1)asF,dense_rank()over(orderbycount(1)desc)asF_rankfromuser_behaviorwherebehavior_type ='buy'groupbyuser_id)selectuser_id,R,R_rank,R_score,F,F_rank,F_score,R_score +F_score ASscorefrom(select*,casentile(5)over(orderbyR_rank)when1then5when2then4when3then3when4then2when5then1endasR_score,casentile(5)over(orderbyF_rank)when1then5when2then4when3then3when4then2when5then1endasF_scorefromcte)asaorderbyscore desclimit20;

• 小结：可以根据用户的价值得分，进行个性化的营销推荐。假如有商品维表，可以再展开，以商品纬度进行分析，比如不同行业、

  --数据清洗，去掉完全重复的数据insertoverwrite tableuser_behaviorselectuser_id,item_id,category_id,behavior_type,timestamp,datetimefromuser_behaviorgroupbyuser_id,item_id,category_id,behavior_type,timestamp,datetime;--数据清洗，时间戳格式化成 datetimeinsertoverwrite tableuser_behaviorselectuser_id,item_id,category_id,behavior_type,timestamp,from_unixtime(timestamp,'yyyy-MM-dd HH:mm:ss')fromuser_behavior;--查看时间是否有异常值selectdate(datetime)asdayfromuser_behavior groupbydate(datetime)orderbyday;--数据清洗，去掉时间异常的数据insertoverwrite tableuser_behaviorselectuser_id,item_id,category_id,behavior_type,timestamp,datetimefromuser_behaviorwherecast(datetimeasdate)between'2017-11-25'and'2017-12-03';--查看 behavior_type 是否有异常值selectbehavior_type fromuser_behavior groupbybehavior_type;

  3.数据分析可视化

  3.1 用户流量及购物情况

  --总访问量PV，总用户量UVselectsum(casewhenbehavior_type ='pv'then1else0end)aspv,count(distinctuser_id)asuvfromuser_behavior;

  

  --日均访问量，日均用户量selectcast(datetimeasdate)asday,sum(casewhenbehavior_type ='pv'then1else0end)aspv,count(distinctuser_id)asuvfromuser_behaviorgroupbycast(datetimeasdate)orderbyday;

  

  

  --每个用户的购物情况，加工到 user_behavior_countcreatetableuser_behavior_count asselectuser_id,sum(casewhenbehavior_type ='pv'then1else0end)aspv,--点击数sum(casewhenbehavior_type ='fav'then1else0end)asfav,--收藏数sum(casewhenbehavior_type ='cart'then1else0end)ascart,--加购物车数sum(casewhenbehavior_type ='buy'then1else0end)asbuy  --购买数fromuser_behaviorgroupbyuser_id;--复购率：产生两次或两次以上购买的用户占购买用户的比例selectsum(casewhenbuy >1then1else0end)/sum(casewhenbuy >0then1else0end)fromuser_behavior_count;

  

  • 小结：2017-11-25 到 2017-12-03 这段时间，PV 总数为 89,660,671 ，UV 总数为 987,991。

  项目运行效果：

  毕业设计 基于大数据淘宝用户行为分析

  项目获取：

  https://gitee.com/assistant-a/project-sharing

  详细分析文档