淘宝用户行为---用户价值分析

本文基于淘宝用户行为数据，建立RFM模型，探究用户的价值。如果想要了解如何使用SQL建立RFM模型，那就继续看下去吧。

本文的数据源于阿里云天池（User Behavior Data from Taobao for Recommendation）。

数据源链接：https://tianchi.aliyun.com/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 RFM模型

RFM模型是会员管理系统中一种会员消费行为分析模型，RFM的含义如下：

R(Recency)代表最近一次消费距今时间
F(Frequency)代表特定时间内的消费频率
M(Monetary)代表特定时间内的消费总金额

RFM模型还是要结合具体的应用场景发挥其价值。

2. 模型建立

本数据集有个小缺陷，就是缺少金额这一字段，所以不能建立完整的RFM模型了，只能建立RF模型，嘿嘿

（1）数据概况

（2）计算每个用户最近一次购买距今天数（R）和购买频次（F）

create view RF_Values as
select userID, max(dt) as last_date, datediff('17-12-03', max(dt)) as R, count(1) as F
from userbehavior_archived1
where behavior = 'buy'
group by userID;

结果如下：

具体地，利用直方图来看一下R值的分布和F值的分布：

（3）建立RF的评分标准，并计算每个用户的R、F评分

RF评分标准如下：

计算各用户的R、F评分：

create view RF_Scores as
select userID,( case when R between 0 and 2 then 4 when R between 3 and 4 then 3when R between 5 and 6 then 2when R between 7 and 8 then 1end) as R_score,( case when F between 1 and 2 then 1 when F between 3 and 4 then 2when F between 5 and 10 then 3when F > 10 then 4end) as F_score
from RF_Values;

结果如下：

接着计算RF评分的平均值：

select avg(R_score), avg(F_score) from RF_Scores;

结果如下：

（4）以RF评分的平均值为基准，评价每个用户的价值

create view user_type as
select userID,( case  when R_score > 3.2846 and F_score > 1.6587 then '价值客户'when R_score > 3.2846 and F_score < 1.6587 then '发展客户'when R_score < 3.2846 and F_score > 1.6587 then '保持客户'when R_score < 3.2846 and F_score < 1.6587 then '挽留客户'end ) as user_type
from RF_Scores;

结果如下：

（5）统计不同用户类型的分布情况

select user_type, count(user_type) as number
from user_type
group by user_type

结果呈现：

3. 小结和建议

从结果看，价值客户和挽留客户占比很高。

对于价值客户，要提供更高质量的VIP服务；

对于发展客户，消费频率较低，需要通过发放优惠券等方式，提高消费频率；

对于保持客户，曾消费频率比较高，最近消费距今比较远，需要通过及时通知近期的活动、感兴趣的产品等方式，促进其消费；

对于挽留客户，可能正在流失，则需要考虑下顾客流失的原因可能是什么，再有针对性地激励对方消费。