電商行業（淘寶為例）項目實戰分析報告
項目背景
隨著電商行業的發展度過紅利期，獲取新客的流量成本高居不下，對消費品牌的直接影響表現為銷售增量減少。為了彌補乏力的增長，各個品牌越來越重視對存量人群進行精細化運營，因為與獲取新客相比，對存量老客的運營維護成本更低，且能帶來更高的轉化率。
此次項目實戰以國內頭部電商淘寶為例，基于對用戶行為數據的挖掘，形成數據結論，最終輸出一套能提高運營效率的策略建議從而賦能業務增長。
分析目標：提高銷售收入
分析時間范圍：2021年11月25日 – 12月3日
數據說明
數據來源
此案例中的用戶行為數據集來源如下：
https://tianchi.aliyun.com/dataset/dataDetail?dataId=649
字段說明
此數據集中已有的字段及behavior_type(行為類型)值域如下：
分析思路
明確問題 — 分析原因 — 落地建議
明確問題：通過對整體數據的分析，透視業務現狀，結合分析框架明確業務問題。
分析原因：將復雜的業務問題通過多維度分析方法拆解成多個具體小問題，并選擇合適的分析方法、分析模型逐一對問題進行分析。
落地建議：匯總各分析部分得到的數據結論，以業務目標為中心同時結合業務場景，提出可落地執行的策略建議，幫助賦能業務增長。
在開始項目分析前，首先要完成數據清洗，找出數據出的異常值，離群值并處理它們，這一步驟的目的是使數據更加貼近真實業務情況，從而使最終的數據結論盡可能的還原業務事實。
異常值：
• 不規范的數據，如空值、重復數據等
• 不符合分析要求的數據，如此案例中，需要分析11月25日-12月3日之間的用戶行為，在此時間段之外的行為都不應該被納入此次分析
處理異常值：
一般情況下，直接刪除即可，本案例中將采取此方式進行異常值處理;
特殊情況應結合業務情況特殊分析。
數據清洗—異常值查找及處理(重復數據/空值/時間戳處理)
1) 查找是否存在重復數據
在表中應用篩選條件直接刪除重復行 或查詢語句 (如下圖)將重復的行找到并刪除
2) 查找是否存在空值
該表中不存在空值
3) 查找是否存在超出分析時間的記錄
因為給定的數據中，時間相關的字段是時間戳類型，而時間戳是指格林威治時間1970年01月01日00時00分00秒(北京時間1970年01月01日08時00分00秒)起至現在的總秒數，無法直接與日期進行比較，因此，需要對其進行格式化轉換成如下幾個時間格式，才能方便于后續分析。
¨ dates 字段：行為發生的日期
¨ hours 字段：行為發生的小時時間
¨ datetime 字段：行為發生的日期時間
¨ weekday 字段：行為發生在星期幾
時間戳的處理
此處，為了方便后文的日期分析，這里用函數 from_unixtime(時間戳，時間格式) 和weekday()兩個時間函數將時間戳轉為不同格式的時間對表格增添，查詢如下：
轉換結果如圖所示：表中多出了dates,hours,datetime,weekday四列
篩選超出時間范圍的數據（結果部分截圖）
有了日期字段后，就可以直接將超出指定時間范圍的數據剔除掉。
至此，已完成數據清洗工作，剩余的數據便是可以直接用來分析的“干凈”數據。
完成數據清洗，得到可用的真是數據后，開始分析的第一步——明確問題。
I. 明確問題
目的：基于現有數據，透過業務框架來對業務現狀進行觀察剖析，將籠統的綜合的分析需求拆解成一個一個具體的可落地的分析目標。
電商行業中，明確問題階段最常用AIPL漏斗模型對現狀進行分析明確問題點在哪。
本階段需要對業務對象與情況有個整體的認識;
在此案例中，主旨是進行用戶分析，所以要知道用戶人數、他們的分布情況如何等。
Ø 用戶總數
按如下語句，即可統計出現有業務中，共有983名用戶在2021年11月25日-12月3日期間發生了動作。
查詢結果：
AIPL漏斗分析：
知道整體有多少用戶后，接下來要進一步對他們的行為進行觀察，因為分析的是淘寶行為，在電商領域比較常用的方法是阿里提出的AIPL營銷模型：
• A - Awareness 認知：瀏覽
• I - Interested 興趣：收藏、加購
• P - Purchase 購買：購買
• L - Loyalty 忠誠：復購
AIPL營銷模型可以很好地將用戶行為與相應地運營周期關聯起來。
例如
【A→I】： 運營中的拉新：處于AI階段瀏覽、收藏、加購的用戶數越多，運營拉新指標就完成得越好，但此部分同樣意味著拉新成本的支出;
【I→P】： 用戶在產生興趣后首次進行購買(此步可用于參考用戶行為分析)
【P→L】： 對應著運營的收割環節，即將前期推廣引進的新客變現，以此回收拉新成本，具體體現在ROI。
這樣，我們就可以將用戶的瀏覽(A)、收藏+加購(I)、購買消費(P)劃入到AIPL的各個流程中，便于我們根據不同的流轉情況，對運營現狀有整體的把握。
目前的數據是一維結構，為了方便進行復雜分析，需要對表結構進行【行列互換】(相當于將behavior動作具體分類顯示)，此操作通過【創建視圖】來完成：
查詢結果：(部分節選)
¨ AIP計算
因為AIPL中的“L”為用戶的復購行為，需要單獨計算。
所以這里先對A、I、P 階段的行為進行統計，查詢如圖：
查詢結果：
Ø L計算：
對于用戶復購行為，計算思路是：
1) 通過【窗口函數】，將用戶的每一次消費動作按時間順序標號，即記錄第n次消費
2) 有了每個用戶的第n次消費記錄字段后，即可將第一次消費 列為首次消費，而第二次開始的所有消費行為篩選出，皆為【復購消費】，統計復購消費為“L”即可
¨ 第N次消費計算：
如下語句，通過dense_rank() 窗口函數對對用戶按每次消費時間進行排序，即可得到每個用戶的第n次消費，將字段命名為 n_consume;并用查詢語句新建視圖consume
查詢結果：(部分節選)
¨ 統計L行為
從consume中提取復購的次數，即 n_consume 大于1的行為都算進L中，查詢如圖：
查詢結果：
根據前幾步求出的AIPL值可得到如下的漏斗圖來分析業務現狀：
整體分析目的：找出用戶運營存在的問題或特點，提出接下來的分析目標。
在整體分析→提出目標的過程中，應用【象限思維】，即按輕重緩急列出問題的重要性排序。有序地分析，才能將業務在有限資源的條件下選擇分析結論進行落地實踐。
一般來說，需要應用對比分析來判斷用戶運營結果的好壞，如同比、環比等，因此案例中缺少了相關數據，故無法使用對比分析，僅從業務經驗出發進行判斷。
回到此項目中，有了AIPL漏斗圖后，我們便可直觀地發現用戶運營的情況：
1. 【拉新環節 A→I】 轉化率僅為9%，較差，拉新完成率較低。將該問題列為優先級：重要緊急 P0;
2. 【收割之客戶復購 P→L】 部分做得很好好，64%轉化，可以據此總結業務經驗或復購規律，進一步推廣應用。將該事項列為優先級：重要不緊急 P1;
3. 【收割之客戶首購 I→P 】部分效果還可以，23%轉化，可以進一步挖掘用戶購買轉化路徑。將該事項列為優先級：不重要不緊急 P2;
II. 分析原因
獲得分析目標后，從實戰落地角度，利用重要象限思維，對不同的分析目標，賦予不同的重要性程度，優先解決緊急的重要問題;再綜合各種分析方法，以不同的維度透視數據，在數據中挖掘新的觀點。
分析思路
此部分，需根據第一部分——明確問題中得出的分析目標，指定細分的分析策略：
1. 【P0: A→I 】部分是轉化率低的問題，注重整體店鋪運營策略的制定，在零售行業中，【人貨場】分析是最常用且有效的分析方法，
2. 【P1: P→L】部分是用戶復購表現很好，所以可以通過【用戶復購分析】，挖掘、總結復購特征;
3. 【P2: I→P】部分目的在與進一步透析用戶購買行為，可以采用【購買特征分析+ RFM模型】進行分析：對高購買率人群的特征進行挖掘分析，找到規律后應用到促進購買的環節;做RFM用戶價值分析，針對價值人群進行有目的的精細的轉化運營動作。
i. 【P0: A→I 】拉新環節 — 人貨場分析
此部分通過【人貨場】分析，解決認知用戶(A)到興趣用戶(I)行為轉化率低的問題。
【人貨場】分析
¨ 人
【人】的部分主要在于觀察用戶行為特點，以總結經驗。此案例中，因為數據維度有限，用戶自身行為相關的數據除了商品外就是時間，而商品計劃在【貨】部分進行分析，故此部分可更具體轉化為 分析用戶A到I高效轉化的時間特征。
¨ 各時段AI轉化分布
如以下語句，結合group by 語句，即可計算各時段A→I轉化情況。
A→I的轉化率計算結果已得到，此時我們需要【比較的基準】(閾值)，將現有的每小時轉化率與閾值相比較，才能更明確的判斷轉化率高低。
這里，以常見的“平均值”作為對比的基準(閾值)，查詢語句如下：
得到結果如圖所示：
分析結論：
因為每個時段的瀏覽人數不同，為確保分析的結果有效，所以需要選擇瀏覽值大于平均值3734的時段來觀察，同時，轉化率大于平均值9.1%的時段，代表該時段瀏覽人數多且轉化率高，從結果中可篩選出同時滿足兩個條件的時間段為：11時、15-17時、19時、22時、23時;其中，23時的轉化率為10.1%，為同時滿足這兩個條件的時間段中的最大轉化率，即為最佳投放時間。
¨ 貨
人貨匹配效率分析：商品推薦是否有效
目的：提高針對用戶的商品推薦效率
在分析之前，需要先對A，I階段涉及的總商品情況進行觀察：
¨ 總商品數統計：
A階段的商品數統計
I階段的商品數統計：
查詢結果：
結合【假設驗證思維】，基于有效瀏覽與產生興趣的商品數差異較大的情況，
提出假設：用戶偏好的商品主要集中在少數商品，大部分商品被錯誤地推薦到用戶。
驗證思路：
1. 將被瀏覽最多的前100款商品 以及 用戶最感興趣(即加購、收藏)的前100款商品 進行交叉查詢
2. 如果交叉出的商品數較少，則假設成立
(瀏覽量雖高，但用戶并不感興趣，推薦人群錯誤)
3. 反之，則假設不成立
按驗證思路里說的，分別提取A(瀏覽量), I (用戶感興趣)的前100款單品交叉，查看交叉數量(inner join)
查詢結果：
分析結論：
假設成立，用戶偏好的商品主要集中在少數商品，大部分商品被錯誤地推薦到用戶，人貨匹配效率低。
s 場
【場】：除了用戶行為以及商品之外的內容，廣義來說指的是與用戶的觸點，
例如實體店的場地的布置;電商店鋪頁面的裝修;活動的維度(場景)，比如在特定的一個促銷活動下; 在線上電商，則是在線店鋪、平臺、投放渠道等。
從這個角度，分析此段時間內是否有淘寶平臺的活動對分析期間的銷售產生影響：
1. 結合業務經驗，數據時間段在雙十一后，雙十二前，即是兩個大促的中間節點;
2. 進一步查詢2021年雙十二的相關信息如下：
• 活動：天貓雙12年終品牌盛典
預熱時間：2021年12月9日00:00:00-2021年12月11日23:59:59;
上線時間：2021年12月12日00:00:00-2017年12月14日23:59:59.
3. 由活動時間可知，分析時間段處于雙十二預熱時間前夕的低潮期，客觀上營銷效果整體比較平淡，進而影響AI轉化率。
分析小結（A→I拉新環節）
應用【人貨場】分析：
【人】：選擇瀏覽量高且轉化率高的時段對用戶加大產品投放力度;滿足瀏覽值>3734且轉化率>9.1%，其中，23點轉化率為10.1%，為最佳投放時間。
【貨】：根據假設檢驗分析得到，目前人貨匹配效率低，瀏覽量高的產品卻并不是用戶感興趣的產品，平臺大部分商品為長尾商品，商品被錯誤的推薦給非目標用戶。
【場】：本次分析的時間段處于雙十二預熱時間前夕的低潮期，客觀上一定程度影響AI轉化率。
ii. 【P1: P→L】復購環節 — 復購分析
根據此前制定的分析思路，P→L部分計劃進行【用戶復購分析】以挖掘復購特征。
復購周期分析
目的：優化用戶觸達策略，即何時何地向哪些已購用戶推送什么商品可提升復購率。將通過分析用戶【復購周期】以解決業務中觸達時間的問題。
現該問題轉化為通過分析用戶復購周期，以解決業務中何時觸達、觸達多久的問題。
(一) 何時觸達
可通過計算用戶平均回購周期，即可在用戶發生購買行為后，在平均回購周期內對其進行營銷觸達。
為方便計算，這里我們新建一個記錄用戶第N次購買的視圖取名為consume_dates
查詢結果(部分節選)：
計算步驟：
1. 通過以下語句先計算出每個用戶每次消費的回購周期：
查詢結果(部分節選)：
結果說明：
如圖，user_id 為100的用戶 n_consume=2.回購周期=2天 即為期第二次消費時，與第一次消費間隔了2天，也就是說該用戶在2天前進行了第一次消費。
2. 基于以上語句，可以將每人次的回購周期進行平均，取得最終的 平均回購周期 ：
查詢結果：
觸達時間相關結論：
可在用戶購買行為發生后的2-3天對用戶進行觸達。
(二) 觸達多久
問題轉換思路：
到底在聯系顧客多久后，可以停止對該顧客的聯系，即超過最長購買周期時間間隔后，證明用戶已經大概率不會再回購了;所以這里可通過計算不同時段下購買的客戶最長購買周期。先計算出每個顧客的最長消費間隔，再在其基礎上求平均值。
計算思路：
a表記錄每位用戶第一次消費日期，b表記錄每位用戶最后一次的消費日期(max(dates)，將兩個時間進行datediff，即可求出每位用戶的最長消費時間間隔，再在其基礎上求用戶的平均最長消費時間間隔。
計算步驟：
1. 統計每個客戶“首次消費日期”、“最后消費日期”后，相減即可算得每個客戶的消費周期，命名為“最長消費間隔”。
查詢結果(部分節選)：
2. 求用戶的平均最長消費間隔(這里分兩種方法)
1) 直接求所有用戶的平均最長消費間隔
查詢結果：
2) 基于1中語句，按日期進行分組，計算每天的客戶平均最長消費間隔。
查詢結果：
觸達間隔相關結論：
顧客的平均最長處達間隔為4.4天;
在2021年11月25日周四這天，顧客的平均最長消費間隔最長，為5.7天。
分析小結（P→L復購環節）
用戶復購周期分析：
1. 何時觸達：顧客的平均回購周期是2.3天
2. 觸達多久：顧客的平均最長觸達間隔為4.4天，在2021年11月25日周四這天，顧客的平均最長消費間隔最長，為5.7天
iii. 【P2: I→P】購買環節 — 購買率特征&RFM分析
淘寶平臺的用戶復購率(P→L)高達64%，也就是說用戶只要實現0到1的消費突破，接下來就有64%的機會復購，所以此部分重點應放在如何提升AI→P。
分析思路：
1. 總結高購買率客戶特征：篩選潛在的轉化用戶，再通過促銷優惠等方法刺激轉化
2. RFM模型應用：對現有人群進行分層，針對不同類型的用戶，采取更精準的營銷方式
1. 用戶首購特征
目的：提高AI客戶的購買轉化率P，促進用戶實現0-1的消費突破。
思路：
通過購買率高低人群的對比，挖掘高購買率用戶特征，得出不同的用戶畫像，通過RFM模型對用戶進行分層后，給出不同人群價值的分布及對應人群價值升級的策略建議。
查詢語句如下：
查詢結果(部分節選)：
購買率高 vs 購買率低
計算得到每個客戶的購買率后，需要進一步定義高購買率和低購買率的界限;
結合【二八原則】，
認為前20%為高購買率客戶，貢獻80%的價值;后20%為低購買率客戶。
為求得20%的客戶，直接求得最后一名購買率，在其基礎上*20%即可，查詢語句如下：
由此前統計可知，分析數據共有為用戶，即20%分位為：
• 328*0.2 =65.6.即前65位客戶為高購買率客戶;
• 328-65=263.即263-386位的客戶為低購買率客戶。
高購買率客戶 購買率特征：
查詢結果：
高購買率客戶 品類集中度：（該人群共買了多少種商品品類）
查詢結果：
低購買率客戶 特征：
注意需剔除無購買人群影響
查詢結果：
低購買率客戶 品類集中度：
查詢結果：
結論：
1. 高購買率用戶平均瀏覽數33遠小于低購買率用戶平均瀏覽數185.高購買率用戶的瀏覽更具有目的性。
2. 高購買率用戶加購率11.7%大于低購買率用戶9.5%，對所瀏覽商品更感興趣。
3. 高購買率用戶購買品類集中度360遠大于低購買率用戶137.購買品類更多元。
根據總結得到的人群畫像結論：
高購買率人群：大概率為決策性用戶，瀏覽商品數少，但加購率高，看準商品就下單購買
低購買率人群：糾結型顧客，瀏覽商品數很多單加購率低，看到商品會猶豫不決。
針對低購買率人群的建議：
品類集中度相對較高，可以列出這些品類，讓運營更加有針對性的優化品類信息，減少用戶瀏覽跳失率。
2. AIPL + RFM分析
為促進用戶購買，需進行精細化用戶運營，即可通過RFM模型實現。
RFM模型本質：對用戶進行多指標的聚類。
分析思路：
先分別找到RFM在本項目中的對應含義，分別對RFM的值進行計算，定義RFM的比較標準——閾值(劃分人群的標準)，將之作為分類的依據，將人群細分。
由于數據限制，并無用戶購買金額數據，故與AIPL模型結合，重新定義R、F、M：
• R：客戶最近一次購買離分析日期的距離，用以判斷購買用戶活躍狀態
• F：客戶消費頻次 →收藏、加購行為次數(A+I)
• M：客戶消費金額 →購買行為次數(P+L)
因此，RFM分群結果及人群特征如下：
1. 重要價值用戶(R高F高M高)：用戶處于購買活躍期，感興趣商品多，購買次數多
2. 一般價值用戶(R高F高M低)：用戶處于購買活躍期，感興趣商品多，購買次數少
3. 重要發展用戶(R高F低M高)：用戶處于購買活躍期，感興趣商品少，購買次數多
4. 一般發展用戶(R高F低M低)：用戶處于購買活躍期，感興趣商品少，購買次數少
5. 重要喚回用戶(R低F高M高)：用戶已不活躍，感興趣商品多，購買次數也多
6. 一般喚回用戶(R低F高M低)：用戶已不活躍，感興趣商品多，購買次數少
7. 重要挽留用戶(R低F低M高)：用戶已不活躍，感興趣商品少，購買次數多
8. 一般挽留用戶(R低F低M低)：用戶已不活躍，感興趣商品少，購買次數少
計算步驟：
(1)按以上定義，計算出每個客戶的R、F、M值：
查詢結果(部分節選)：
(2)為了劃分R、F、M值的高 與低，這里采用常用的平均值法作為閾值(也可采用通過業務經驗自定義閾值的方法)查詢語句如下：
查詢結果：
(3)根據以上RFM閾值，及RFM定義，將每個客戶劃分到不同的用戶價值族群中。
其中，R值的定義是衡量用戶的消費活躍程度，距離上一次消費越近，證明用戶消費處于活躍狀態;消費時間距離越近，意味著R值越小，對應的消費活躍的價值越大。
查詢結果(部分節選)：
(4)統計各個族群的用戶數及用戶占比，對用戶運營現狀分析，給出運營策略方向。
結論：
1. 重要型用戶(M值高)累及占比為26.857%，符合二八原則，證明使用這個方法的分層邏輯是合理的
2. 從轉化路徑角度，重要價值用戶占比較少，僅為7.426%，其中，RFM三項中只有一項與重要價值用戶不同的為重要發展用戶12.818%，一般價值用戶3.967%，重要喚回用戶3.154%，這三種是最可能轉化為重要價值用戶的類別。若想提高重要價值用戶，可從這三類著手，其中，重要發展用戶基數占比較多，可以優先對該人群進行營銷，促使他們消費更多，進而轉化為重要價值用戶;一般價值用戶與重要喚回用戶基數較少，需要從其他類別補充人數，可以從基數較大的一般發展和一般挽留中轉化升級為一般價值用戶與重要喚回用戶，再進一步使其成為重要價值用戶。
III. 落地建議
將從不同維度得到的數據結論匯總到一起，在基于現有的業務單元給業務提建議。
通過AIPL營銷模型，對用戶現狀有整體的認識，并分析、總結出三段分析目標。
現對分析結論結合業務場景總結經驗及提出建議：
I. 【P0: A→I】【人貨場】優化拉新
存在問題：從“認知awareness”到“興趣interest”階段的轉化率過低
通過【人貨場】分析，可得以下結論及業務建議：
【人】：(轉化時間特征)選擇瀏覽量高且轉化率高的時段對用戶加大產品投放力度;滿足瀏覽值>3734且轉化率>9.1%，其中，23點轉化率為10.1%，為最佳投放時間。
業務建議：對于推廣部門，優化投放策略，從A→I轉化率高的時間點，尤其是23點，加大投放力度，提高AI轉化率，進而提升整體的轉化
【貨】：(人貨匹配效率)根據假設檢驗分析得到，目前人貨匹配效率低，瀏覽量高的產品卻并不是用戶感興趣的產品，平臺大部分商品為長尾商品，商品被錯誤的推薦給非目標用戶。
業務建議：對于產品部門，及時處理低轉化率的商品，總結高轉化率商品的產品特點去開發新品，進一步優化長尾商品以及大眾商品的推薦邏輯。
【場】：(活動時間場景分析)本次分析的時間段處于雙十二大促預熱時間前夕的低潮期，客觀上一定程度影響AI轉化率。
業務建議：對于運營部門，針對轉化率低的問題，可參考高轉化商品的描述，優化產品標題、內容描述等;針對大促前夕的低潮期，額外的給出更多促銷力度來促進用戶活躍從而提高該階段的銷售。
II. 【P1: P→L】【復購分析】復制經驗
業務現狀：從“購買purchase”到“忠誠loyalty”階段的轉化率較高。
通過【用戶復購分析】，給到用戶運營部門的結論及業務建議：
1. 何時觸達：顧客的平均回購周期是2.3天
業務建議：客戶消費后2-3天，結合回饋手段及時進行觸達
2. 觸達多久：顧客的平均最長觸達間隔為4.4天，在2021年11月25日周四這天，顧客的平均最長消費間隔最長，為5.7天
業務建議：距離顧客上一次消費后的4-5天內，重復1-2次觸達，以確保顧客能接收到足夠的營銷刺激進而提升用戶復購
III. 【P2: I→P】【購買特征+RFM】深入挖掘
現存問題：轉化不高不低，表現較平，深入挖掘出有效策略進一步提高轉化
i. 通過【購買特征分析】，給到用戶運營部門的結論及業務建議：
人群畫像結論：
高購買率人群：大概率為決策性用戶，瀏覽商品數少，但加購率高，看準商品就下單購買。
低購買率人群：糾結型顧客，瀏覽商品數很多單加購率低，看到商品會猶豫不決。
針對高購買率客戶的建議：
配合精準商品推薦模型，觸達優質的長尾商品，提高購買率。
針對低購買率人群的建議：
觸達熱門商品，提高購買率。低購買率人群的品類集中度相對較高，可以列出這些品類，讓運營更加有針對性的優化品類信息，減少用戶瀏覽跳失率。
ii. 通過【AIPL+FRM模型分析】，給到用戶運營部門的結論及業務建議：
結論：
1. 重要型用戶(M值高)總占比為26.857%，符合二八原則，該方法的分層邏輯合理
2. 從轉化路徑角度，重要價值用戶占比較少，僅為7.426%，其中，RFM三項中只有一項與重要價值用戶不同的為重要發展用戶12.818%，一般價值用戶3.967%，重要喚回用戶3.154%，這三種是最可能轉化為重要價值用戶的類別。
若提高重要價值用戶，可從這三類著手，其中，重要發展用戶基數占較多，可優先對該人群進行營銷，促使他們消費更多，進而轉化為重要價值用戶;一般價值用戶與重要喚回用戶基數較少，需從其他類別補充人數，可從基數較大的一般發展用戶中轉化升級為一般價值用戶與重要喚回用戶，再進一步使其成為重要價值用戶。
業務建議：
Ø 優先級P0：
s 重要價值用戶(R高F高M高)：用戶處于購買活躍期，感興趣的商品多，購買商品多;保持一定頻率的觸達，持續性維護該類用戶。
s 重要發展用戶(R高F低M高)：用戶處于購買活躍期，感興趣商品少，購買次數多;可以通過關聯算法，找出與興趣商品關聯高的商品繼續推薦觸達，提高用戶收藏加購，進而轉化為重要價值用戶。
s 一般價值用戶(R高F高M低)：用戶處于購買活躍期，感興趣商品多，購買次數少;可與運營部門溝通，降低利潤，給出折扣促進購買，進而轉化為重要價值用戶。
s 重要喚回用戶(R低F高M高)：用戶已不活躍，但感興趣商品多，購買次數也多; 對該人群進行營銷，吸引該類用戶的興趣使其再進行消費。
Ø 優先級P1：
s 一般發展用戶(R高F低M低)：用戶處于購買活躍期，感興趣商品少，購買次數少;商品組合推薦的形式，提升連帶和購買頻次，轉為一般價值用戶。
樂發網超市批發網提供超市貨源信息,超市采購進貨渠道。超市進貨網提供成都食品批發,日用百貨批發信息、微信淘寶網店超市采購信息和超市加盟信息.打造國內超市采購商與批發市場供應廠商搭建網上批發市場平臺,是全國批發市場行業中電子商務權威性網站。
本文來源： 電商行業（淘寶為例）項目實戰分析報告
