Gugle数据分析揭示淘宝用户行为深度洞察
本次任务旨在深入解析淘宝用户行为数据，通过构建RFM价值模型，全面监控用户价值动态。
首先，我们采用严谨的数据清洗流程:
数据来源：阿里云天池数据集 dataId=649
数据处理：使用pandas导入CSV，处理缺失值，调整时间格式，拆解日期时间字段
异常数据剔除策略是基于日期顺序和时间格式化的筛选，确保数据的准确性和一致性。
数据分析与可视化
用户行为的时间维度分析揭示了显著趋势：
12月1-2日（周五周六）的pv剧增，可能是促销活动，需对比历史数据确认。
12月2-3日的热度下滑后，周日的购买行为值得关注。
购买量的上升预示了购物节前的预热，12月12日购物节活动的影响明显。
进一步，我们对各时段用户行为进行了细致的细分分析，发现：
pv、fav、cart、buy的行为分布，以小时为单位，形成了鲜明的图例：fav: 绿色，cart: 橙色，buy: 红色
用户行为规律：凌晨03-04点为低谷，10点趋于平稳，18点至22点为高峰，次日03-04点又出现低谷。这为商家优化广告投放和主页推送策略提供了重要依据。
购买转化率深度剖析
buy vs pv的转化率分析，展示在子图1中：rate与pv amount的关系。
buy vs fav的转化率分析，子图2揭示了：rate与fav amount的联系。
buy vs cart的转化率，子图3揭示了：rate与cart amount的关联。
结果显示，pv的购买转化率较低，而fav和cart则显示出更高的忠诚度要求。商家需要据此调整策略，如对价格敏感的用户进行促销，对忠诚用户则提供个性化服务或VIP活动。
RFM用户价值模型构建
R: 未回购天数
F: 购买频率
M: 平均购买金额（目前数据未提供，可由R和F计算得出）
通过RFM模型，我们对用户进行价值排名，并使用Kettle ETL工具自动化监测用户评分，定期生成Excel报告。
工作流程包括数据导入、数据库操作及报告生成，每15分钟生成25400个用户数据。
Tableau将帮助我们可视化用户价值分布与转化率，突出两极化现象，提醒运营团队关注价值模型的动态变化，提升高价值用户，降低低价值用户。
通过AARRR模型分析，不断调整策略以优化运营。项目已完成，期待更多数据驱动的洞察和讨论。
——欢迎一同探讨学习，期待你的参与！