1.背景：通过数据分析环节挖掘消费者的潜在需求，用数据驱动业务价值，让决策更加精准。
2.任务：探索用户行为规律，寻找高价值用户，分析商品特征，寻找高贡献（热销）商品，分析产品功能，优化产品路径。
3.工作：使用“人货场”模型（建立指标体系）：
- “人”：UV、PV、各种行为统计，活跃时间，留存率，客户价值的RFM模型；
- “货”：热销TOPN的商品与品类；
- “场”：行为路径分析(漏斗分析)；
4.结果：找到活跃用户时间点，找到影响转化率提升的关键卡点，找到热销商品，找到高价值客户 分析结论：文中标记为红色的部分
1.数据集包含了2017年11月25日至2017年12月3日之间，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）。 2.数据集的组织形式和MovieLens-20M类似，即数据集的每一行表示一条用户行为，由用户ID、商品ID、商品类目ID、行为类型和时间戳组成，并以逗号分隔
5.1.1 用户行为统计
5.1.2 总访问量成交量时间变化分析（天）
由总访问量、成交量时间变化分析知，从17年11月25日至17年12月1日访问量和成交量存在小幅波动，2017年12月2日访问量和成交量均出现大幅上升，2日、3日两天保持高访问量和高成交量。 此现象原因之一为12月2日和3日为周末，同时考虑2日3日可能存在某些促销活动，可结合实际业务情况进行具体分析。 （图中周五访问量有上升，但成交量出现下降，推测此现象可能与周末活动导致周五推迟成交有关。）
5.1.3 PV、UV、PV/UV（流量质量）
从前面的总访问量与成交量时间变化得知，在12月2号和12月3号这两天交易量达到高峰，如果结合PV/UV浏览深度一起看它们的趋势变化， 12月2号和12月3号这两天的浏览深度与12月1号之前的浏览深度对比，都有微小的下降，猜测这两天可能是限时活动且促销活动，用户更倾向于直接下单。
5.1.4新用户留存率
5.1.5活跃用户留存率
从新老用户留存率的数值对比也可看出，12月2号和12月3号这两天新老用户都很积极参与，说明周末两天举行的活动对用户来说吸引十足，参与度都很高
5.1.6 RFM模型
通过RMF模型，根据业务对最近一次消费使劲按和消费频率数据进行对用户进行打分。根据高低值打分，将用户分为价值用户、发展用户、保持用户和挽留用户四种，并对不同类别的用户占比进行分析，从而实现差异化营销。
5.3.1 热销商品（点击量 收藏量 加购量 购买次数 购买转化 统计）
商品的点击量 收藏量 加购量 购买次数 购买转化
5.3.2 热销品类（点击量 收藏量 加购量 购买次数 购买转化 统计）
品类的点击量 收藏量 加购量 购买次数 购买转化
找出热销商品和品类，找出购买率低，冷门的品类，对于购买较低的品类可能因为自有特性导致用户购买意愿低，比如非必需品、奢侈品等。
5.4.1漏斗模型
功能路径分析：找出影响提升下单转化率的关键点
在接近1千万条用户行为记录，从PV到下单的转化率为2%，如果行业标准为1%，对比来看还不错；从PV到收藏加上加入购物车一环节中，发现流失较大，这一环节是影响整体转化率提升的关键卡点，后续的加购功能和产品收藏功能还需要结合更多数据做改进方案