mysql 电商实战_SQL电商数据分析实战
一、分析思路
此次使用MySQL实现同等分析操作。分析思路依旧：
二、数据背景
三、数据清洗
①数据拆分
出于电脑性能考虑，源数据过大，利用python拆分3000000条数据进行分析。
②导入数据库
设定存储列不为空值，保证数据无缺失值。
导入后数据结果为
③根据时戳值转化类型，新增datetime列，将datetime列拆分dates列和hours列
拆分结果为
④删除异常数据
可知超出时间范围的数据均为异常值，删除。
四、数据分析
1.流失和转化分析
①pv点击量到购买量的转化
导出数据用tableau展示各环节转化率
②uv访客量到购买量的转化
导出数据用tableau展示各环节的转化率
2.用户行为的时间模式分析
①用户该时期每天活跃度
导出数据用tableau展示结果
②用户一天各时间段活跃度
将hours列设置成小时单位
结果为
按各时间段统计活跃度
导出数据用tableau展示结果
3.商品和商品种类分析
①商品种类点击量和购买量之间的关系
按转化率降序排序结果为
导出数据用tableau展示相关性
②商品类目前10点击量和购买量
③商品点击量和购买量之间的关系
按转化率降序排列结果为
导出数据用tableau展示相关性
④商品前10点击量和购买量
4.用户价值分析
对用户分层
①统计每个用户的购买次数
②统计每个用户最近购买时间
③将结果导出新建“用户购买次数”，“用户最近购买时间”表
④根据购买次数对用户分层
⑤根据用户最近购买时间对用户分层
⑥构建RFM模型综合评估用户
导出用户价值分类表，可以根据RF值找出各层用户，实现精准对策。
五、总结
利用MySQL+Tableau可同样实现Python数据分析操作。
一、分析思路 此次使用MySQL实现同等分析操作。分析思路依旧： 二、数据背景 三、数据清洗 ①数据拆分 出于电脑性能考虑，源数据过大，利用python拆分3000000条数据进行分析。 ②导入数据库 设定存储列不为空值，保证数据无缺失值。 导入后数据结果为 ③根据时戳值转化类型，新增datetime列，将datetime列拆分dates列和hours列 拆分结果为 ④删除异常数据 可知超出时间范围的数据均为异常值，删除。 四、数据分析 1.流失和转化分析 ①pv点击量到购买量的转化 导出数据用tableau展示各环节转化率 ②uv访客量到购买量的转化 导出数据用tableau展示各环节的转化率 2.用户行为的时间模式分析 ①用户该时期每天活跃度 导出数据用tableau展示结果 ②用户一天各时间段活跃度 将hours列设置成小时单位 结果为 按各时间段统计活跃度 导出数据用tableau展示结果 3.商品和商品种类分析 ①商品种类点击量和购买量之间的关系 按转化率降序排序结果为 导出数据用tableau展示相关性 ②商品类目前10点击量和购买量 ③商品点击量和购买量之间的关系 按转化率降序排列结果为 导出数据用tableau展示相关性 ④商品前10点击量和购买量 4.用户价值分析 对用户分层 ①统计每个用户的购买次数 ②统计每个用户最近购买时间 ③将结果导出新建“用户购买次数”，“用户最近购买时间”表 ④根据购买次数对用户分层 ⑤根据用户最近购买时间对用户分层 ⑥构建RFM模型综合评估用户 导出用户价值分类表，可以根据RF值找出各层用户，实现精准对策。 五、总结 利用MySQL+Tableau可同样实现Python数据分析操作。