SQL入門-淘寶電商數(shù)據(jù)報(bào)告

1、淘寶用戶行為數(shù)據(jù)分析報(bào)告（SQL）目錄一、背景和目的1二、理解數(shù)據(jù)1三、分析思路1四、數(shù)據(jù)淸洗2五、分析過程6六、結(jié)論19一、背景和目的電商行業(yè)如今已經(jīng)走向了精細(xì)化經(jīng)營(yíng)的一步。從全本的粗放式發(fā)展到今天的使用大數(shù)據(jù) 指導(dǎo)營(yíng)銷戰(zhàn)略。如今電商甚至?xí)亩嗑S度多方而來分析消費(fèi)者行為，從而來幫助自己更好地 理解用戶的需求以及尋找目標(biāo)客戶?；谶@個(gè)背景下，我們會(huì)針對(duì)來自阿里巴巴的消費(fèi)者 行為數(shù)據(jù)，來進(jìn)行數(shù)據(jù)分析。二、理解數(shù)據(jù)數(shù)據(jù)來源于：本數(shù)據(jù)集包含了 2017年口月25日至2017年12月3日之間，有行為的約一百萬隨機(jī) 用戶的所有行為（行為包括點(diǎn)擊、購(gòu)買、加購(gòu)、喜歡）°數(shù)據(jù)集的組織形式和Movie

2、Lens-20M 類似，即數(shù)據(jù)集的每一行表示一條用戶行為，由用戶ID、商品ID、商品類目ID、行為類型 和時(shí)間戳組成，并以逗號(hào)分隔。貝中用戶ID、商品ID和品類ID都是整數(shù)類型，而行為類型是字符串，枚舉類型，且 分為pv （點(diǎn)擊商品詳情頁(yè)）、buy （商品購(gòu)買）、cart （是否加入購(gòu)物車）和fav （是否收藏 商品）整個(gè)數(shù)據(jù)集數(shù)量條數(shù)達(dá)到987, 994條，用戶數(shù)量又4,162,024,涵蓋的商品類目數(shù)疑 達(dá)到9.439,所有行為數(shù)量達(dá)到100,150,807.數(shù)據(jù)分析的途徑將是由navicat鏈接mysql，導(dǎo) 入10萬多條數(shù)據(jù)，且導(dǎo)入過程中將class、itemid和timestamps

3、作為了主鍵，來確保導(dǎo)入的 時(shí)候不岀現(xiàn)重復(fù)值。三、分析思路基于之前了解到的電商環(huán)境和數(shù)據(jù)集合提供的字段，本次的數(shù)據(jù)分析可以運(yùn)用多維度, 如產(chǎn)品緯度、用戶緯度和行為緯度者三個(gè)緯度來進(jìn)行分析。產(chǎn)品您基于實(shí)際數(shù)據(jù)意義，而提出以下問題：淘寶主推產(chǎn)品是否有帶動(dòng)足夠的銷量？是否有效為店鋪其他產(chǎn)品進(jìn)行了引流？ 哪幾天的銷量最高？什么時(shí)間段用戶最活躍？用戶的購(gòu)買疑是否與時(shí)間和促銷活動(dòng) 直接相關(guān)？淘寶用戶從點(diǎn)擊瀏覽到購(gòu)買的一系列過程中，哪一步驟是造成轉(zhuǎn)化率低的最重要要 原因針對(duì)分析口的，采用多維度拆解分析方法對(duì)問題進(jìn)行拆解，并在分析過程中使用 假設(shè)檢驗(yàn)分析法、AARRR分析法和RFM模型分析方法對(duì)用戶使用流程及具

4、體業(yè) 務(wù)指標(biāo)中的問題進(jìn)行分析。四、數(shù)據(jù)清洗數(shù)據(jù)清洗步驟1磐子集s致化處理6數(shù)據(jù)排序7異當(dāng)值處理a. 選擇子集由于數(shù)據(jù)量過大,本篇分析報(bào)告只導(dǎo)入10萬條數(shù)據(jù)，導(dǎo)入式將class, itemid, timestamps 設(shè)為主鍵，保證導(dǎo)入時(shí)無重復(fù)值。通過navicat將數(shù)據(jù)集導(dǎo)入MySQL,整個(gè)報(bào)告分析也是居 于Navicat來進(jìn)行。b. 列名重命名由于導(dǎo)入的數(shù)據(jù)沒有列名，因此為各字段分別添加英文列名c. 刪除重復(fù)值將class, itemid, timestamps三個(gè)字段設(shè)置為主鍵，保證導(dǎo)入的數(shù)據(jù)沒有重復(fù)值d. 缺失值處理將各字段設(shè)置為“notnull”，確保每個(gè)字段中都沒有缺失值，并且利用c

5、ount函數(shù)統(tǒng)汁每一 列有多少行數(shù)據(jù)，各字段數(shù)據(jù)均顯示為10萬個(gè)，說明沒有缺失數(shù)據(jù)。SQL代碼和結(jié)果顯示如下：查詢創(chuàng)建工貝查詢編輯器select COUNT (use rid) r COUNT (itemidl r COUNT (cat ego ry id) r COUNT (behav io r) r COUNT (t imes t amp) from UserBehavior;結(jié)果COUNT(userid)COUNT(itemid)COUNT(categor. COUNT(behavior) COUNT(timestamp)104857610485761048576104857610485

6、76e. 異常值處理由于導(dǎo)入數(shù)據(jù)時(shí)timestamps字段的數(shù)據(jù)類型選擇為varchar,數(shù)據(jù)出現(xiàn)亂碼，因此利用sql 語(yǔ)句修改這一列為日期。代碼和結(jié)果如下：ALTER TABLE userbehavior ADD date VARCHAR(255);ALTER TABLE userbehavior ADD time VARCHAR(255);UPDATE userbehaviorSET date = FROM_UNIXTIME(timestamp/,%Y-%m-%dl),time = FROM_UNIXTIME(timestamp；%H:%i:%s,);F* I 睦 IMt值處S shop

7、(11)Q I Tn UserBehavior $hop (11)useriditemidcategoryidbehaviortimestampdatetime13050592520771汝151:9119302017-11-2907：32：10113231893524510pv15121494352017-12-0201：30：3511338525149192pv15117732142017-11-2717：00：14113409224690421pv15120412602017-11-3019：27：40116310362920476PV15117337322017-11-2706：02：

8、12120284344801426pv15122242482017-12-0222:17:28120410564801426pv15121875432017-12-0212：05：43120873572131531pv15119751422017-11-3001：05：42120873572131531pv15120046682017-11-3009：16：08121044834756105pv15121948302017-12-0214：07：10122665674145813PV15117414712017-11-2708：11：11122683182520377p/p>

9、017-11-2501：21：10122786033002561pv15122515222017-12-0305：52：02122865742465336pv15117971672017-11-2723：39：271230380411153pv15116449422017-11-2605：22：22123333462520771pv15116617332017-11-2506：15：3312576651149192DV15115728852017-11-2509：21：25檢查毎一天數(shù)據(jù)是否都發(fā)生在2017.11.25至2018.05.11之間，查詢導(dǎo)入數(shù)據(jù)日期的最大值 和最小值，發(fā)現(xiàn)最小值早

10、于日期范帀的最小值select min (date) fmax(date) from userbehavior;2017-09-112018-08-28查詢出不符合要求的記錄共有60條，并將其刪除。刪除后，再次驗(yàn)證日期，最 后的結(jié)果才算符合要求。1 #刪除小于2017-11-25#2 select *from userbehavior4 where date<f2017-11-25' delete from userbehavior6 where date<*2017-11-251; select min(date)rmax(date) from userbehavior;

11、9#刪除大于2018-05-1110 select * from userbehavior12 where date>*2018-05-111; delete from userbehavior14 where dato12018-05-111; select min(date)Fmax(date) from userbehavior;25：13min(date)max(date)2017-11-252017-12-04五、分析過程首先我們通過研究用戶的行為轉(zhuǎn)化情況來看。用戶行為我們可以看到，該店鋪的用戸點(diǎn)擊次數(shù)遠(yuǎn)高于加入購(gòu)物車和購(gòu)買次數(shù)，至少說明了該店 鋪的轉(zhuǎn)化率非常的低，從點(diǎn)擊到最后

12、購(gòu)買只有2%.而要回答這一個(gè)問題，就可以從以下兩個(gè)假設(shè)著手，同時(shí)我們也可以運(yùn)用邏輯樹、對(duì)比分析 法和AARRR方法來逐一分析。假設(shè)一：淘寶主推產(chǎn)品未推動(dòng)用戶購(gòu)買1首先先從數(shù)據(jù)庫(kù)中調(diào)取用戶點(diǎn)擊的產(chǎn)品數(shù)據(jù)2.再調(diào)取出用戶購(gòu)買的產(chǎn)品list代碼如下：#用戶點(diǎn)擊前10類別#select categoryid, count(categoryid) as 用戶點(diǎn)擊 from UserBehaviorwhere behavior = 'pv*group by categoryid order by用戸點(diǎn)擊desc limit 10;#用戶購(gòu)買前10名類別#select categoryid, cou

13、nt(categoryid) as 用戶購(gòu)買 from UserBehaviorwhere behavior = 'buy*group by category idorder by用戶購(gòu)買desc limit 10;具體分析：1.1點(diǎn)擊量高的商品類別并不能給店鋪帶來直觀的效益首先從觀察店鋪內(nèi)點(diǎn)擊量為店鋪前20需的商品類別中，我們可以看到整體店鋪的點(diǎn)擊 量非常可觀，各個(gè)類別的點(diǎn)擊數(shù)量也都相對(duì)均衡，英中"4746105的產(chǎn)品類別最受歡迎。用戶點(diǎn)擊量前10而當(dāng)我們看到店鋪中銷量前10名的柱形圖時(shí)，發(fā)現(xiàn)整體的購(gòu)買總量?jī)H僅是百位數(shù)，且 購(gòu)買的產(chǎn)品類別也與點(diǎn)擊量不一致，且并不能成為正比。

14、初步看來，兩邊表格展現(xiàn)出來的產(chǎn) 品類別有個(gè)別一致。用戶購(gòu)買量前20通過2張柱形圖并不能直觀得看出來，我們通過篩選兩表之間相同的產(chǎn)品類別，并制作 兩分圖來展現(xiàn)。如下圖所示，其中點(diǎn)擊量高的并不能帶來直觀的購(gòu)買疑，也就是說大部分點(diǎn) 擊進(jìn)來的用戶，最后也都沒有購(gòu)買那個(gè)吸引他點(diǎn)擊進(jìn)入的店鋪的產(chǎn)品類別。于此，我們可以 基本得出一個(gè)結(jié)論，說明店鋪?zhàn)钗挠脩舻漠a(chǎn)品類別并沒有給店鋪帶來成正比的購(gòu)買量。用戶購(gòu)買戢 用丿一點(diǎn)擊量184 hhhhhhhhhhhhhHI 3002501 295273206914552196801.2低點(diǎn)擊轉(zhuǎn)化和低匝復(fù)購(gòu)買率造成購(gòu)買量和點(diǎn)擊量不成正比雖然我們直接能從二分圖得出結(jié)論，看得

15、出來，點(diǎn)擊量沒有給店鋪帶來直觀的效益。但 是為了更深層次得挖掘到具體的商品，找到那些受關(guān)注髙但是低購(gòu)買率的商品，才算是找到 了低轉(zhuǎn)化率的源頭。所以，我們通過SQL語(yǔ)句將用戶點(diǎn)擊和用戶購(gòu)買前3名的前3名查找出來，并一對(duì)一 進(jìn)行對(duì)比。代碼如下：#用戶點(diǎn)擊第1名商品#select itemid,count(itemid) as 點(diǎn)擊次數(shù)from userbehaviorwhere behavior='pv, and categoryid = 4756105group by itemidorder by點(diǎn)擊次數(shù)desc;#用戶點(diǎn)擊第2名商品#select itemid,count(itemid

16、) as 點(diǎn)擊次數(shù)from userbehaviorwhere behavior='pv, and categoryid = 2355072group by itemidorder by點(diǎn)擊次數(shù)desc;#用戶點(diǎn)擊第3需商品#select itemid,count(itemid) as 點(diǎn)擊次數(shù)from userbehaviorwhere behavior='pv, and categoryid = 4145813group by itemidorder by點(diǎn)擊次數(shù)desc;#用戶購(gòu)買第1名商品#select itemid,count(itemid) as 購(gòu)買次數(shù)from

17、userbehaviorwhere behavior='buy, and categoryid = 2735466group by itemidorder by購(gòu)買次數(shù)desc;#用戶購(gòu)買第2名商品#select itemid,count(itemid) as 購(gòu)買次數(shù)from userbehaviorwhere behavior='buy, and categoryid = 1464116group by itemidorder by購(gòu)買次數(shù)desc;#用戶購(gòu)買第3冬商品#select itemid,count(itemid) as 購(gòu)買次數(shù)from userbehavior

18、where behavior='buy, and categoryid = 4145813group by itemidorder by購(gòu)買次數(shù)desc;在excel中通過vlookup對(duì)所有査找到的數(shù)據(jù)進(jìn)行對(duì)比，比方說，在所有點(diǎn)擊疑第一的 產(chǎn)品類別“4756105”中，我們找到這個(gè)類別下所有被點(diǎn)擊了和被購(gòu)買的商品，并且從被購(gòu)買 的商品一一查找這些商品的點(diǎn)擊量。通過一一對(duì)比，我們發(fā)現(xiàn)，只有點(diǎn)擊量前兩名的商品，都沒有購(gòu)買量。只有產(chǎn)品類別為 "4145813"的名下有10,468個(gè)商品被點(diǎn)擊，其中有300個(gè)被購(gòu)買，且購(gòu)買數(shù)雖:為332件，點(diǎn) 擊到購(gòu)買的轉(zhuǎn)化率為3%。這3

19、00個(gè)商品的總點(diǎn)擊疑是3,262,占總點(diǎn)擊量的10%。換句話說，就是說該店鋪點(diǎn)擊量前三的產(chǎn)品類別下，只有這第三劣的產(chǎn)品類別中，3% 的用戶在點(diǎn)擊后進(jìn)行了購(gòu)買，店鋪點(diǎn)擊的轉(zhuǎn)化率為3%。另外我們?cè)偕钊脒M(jìn)行挖掘，刨去購(gòu)買數(shù)量為1的商品，并研究購(gòu)買量超過2的用戶id 和時(shí)間。代碼如下：select classjtemidateountfitemid) as 商品購(gòu)買數(shù)量from userbehaviorwherebehavior='buy,anditemidin(4438708,3582107,3233904,322)563032,2376866,5019212,3761497,4283735

20、,4536262,374294 3,2732505,3114069,3756418,784500,232919,654637,4691387,4826279,3617007,4101922,1823728,2130461,1040482)group by itemidlassate order by商品購(gòu)買數(shù)量desc; 以重復(fù)購(gòu)買率和死忠客戶可謂說是幾乎沒有。I 對(duì)険 ：二 UserBehavior shop (11)Oj 富：復(fù)購(gòu)買 shop(11)直詢創(chuàng)建工貝直詢編輯器select userid,itemid,date,count(itemid) as 商品購(gòu)買 from userbeh

21、aviorwhere behavior1 buy1 and itemid in (4438768,35821073233904322,1563032,2376866,50192123761497,4283735! group by itemid, use rid, dateorder by商品購(gòu)買數(shù) desc;useriditemiddate商品購(gòu)買數(shù)11533748262792017-12-01211362746913872017-12-0321074072329192017-12-01210278850192122017-11-302101047815630322017 1*1272100

22、73353222017-12-012mn-yn-yoon A GT134：5最后看到有24款商品有銷量超過1件，但僅有這6款商品被6位用戶購(gòu)買了 2件。所通過以上的分析我們可以看岀，該店鋪的轉(zhuǎn)化率低的原因是店鋪主推的商品無法直接帶 動(dòng)用戶的購(gòu)買。只有3%的用戶通過點(diǎn)擊并進(jìn)行了購(gòu)買，其余大部分的用戶都是通過店鋪主 推產(chǎn)品吸引并購(gòu)買了其他產(chǎn)品。苴次，哪怕是用戸點(diǎn)擊進(jìn)行購(gòu)買的時(shí)候，購(gòu)買的數(shù)疑也非常 之少，且沒有重復(fù)購(gòu)買?？梢哉f商鋪展現(xiàn)的主推商品和維護(hù)客戶的機(jī)制都有問題，導(dǎo)致哪怕 產(chǎn)品吸引了消費(fèi)者進(jìn)入了店鋪，購(gòu)買了非主推產(chǎn)品，但是購(gòu)買力也非常貧乏。假設(shè)二：用戶收藏到最后購(gòu)買的轉(zhuǎn)化率低根據(jù)用戶購(gòu)物的行為

23、習(xí)慣，用戶購(gòu)買流程通常有以下幾種： 點(diǎn)擊T購(gòu)買 點(diǎn)擊T加入購(gòu)物車T購(gòu)買 點(diǎn)擊T收藏T購(gòu)買 點(diǎn)擊T收藏T加入購(gòu)物車T購(gòu)買通過假設(shè)一我們已經(jīng)了解到點(diǎn)擊是無法對(duì)宜接購(gòu)買產(chǎn)生實(shí)際影響，也就是說淘寶的推送 機(jī)制不完善。然而到了用戶緯度，我們同樣也需要研究各個(gè)業(yè)務(wù)流程的流失率，來看到是否 店鋪維系客戶機(jī)制是否有改善的可能。查詢創(chuàng)猛工貝查詢編輯器假設(shè)二中通過對(duì)所有行為賦值并分組，運(yùn)用AARRR模型、樹形圖和漏斗圖來可視化所 有數(shù)據(jù)。首先先進(jìn)行對(duì)每類用戶行為的查找和統(tǒng)計(jì)，并創(chuàng)建視圖：1234567select userid,ltemid,100038723820010003877041100038992951

24、000406413510004088601000418548210004236281100042401341000440266510004417931然后根據(jù)用戶行為層層遞進(jìn)去査找: A.總點(diǎn)擊量sumfcase when behaviors'pv忠失 693443/93% then 1 else 0 end) as 'pv*, sum(cd$e when bchavior='cart * then 1 else :' end) d$ *cart sumfcase when behavior*fav* then 1 else 0 end) as 'fav

25、', sumfcase when behavior=*buy* then 1 else 0 end) as *buy' from userbehaviorj group by userid,itemid;旦判select sum(pv) as 總點(diǎn)擊屋 from process;1：1總點(diǎn)擊量939537B.根拯AARRR模型和樹形邏輯來查找各個(gè)階段的數(shù)據(jù):査詢創(chuàng)建工具查詢編輯器G 二無標(biāo)H shop (11)對(duì) ft N kviorsho. process shop (11) I 乜用戶行為邏輯樹 shfrom processwhere pv>0 and cart=0

26、and fav=0 and buy=0; select count(userid) as '點(diǎn)擊后未流失 from processwhere pv>o and cart>0 or fav>fl or buy>0; select count (userid) as 點(diǎn)擊后購(gòu)買' from processwhere pv>；* and buy>0 and fav=0 and cart=0; select count(userid) as 點(diǎn)擊后收ST from process12 where pv>0 and fav>0;select

27、 count(userid) as '點(diǎn)擊后加購(gòu)物車.14 from processwhere pv>0 and cart>0 and fav=0;|161733： 15信息結(jié)果1結(jié)果2 結(jié)果3 結(jié)果4 結(jié)果5點(diǎn)擊后流失693443幀 9W132%BQ 實(shí) 138/0.02* tt入跡方 833/0.11%未ifi矢 48923/7%總點(diǎn)擊量742366/100%一東軒 695/0.00% iftS 12180/1.64%克E人韌事炙酥 104KJ/1.4O%277V037%點(diǎn)擊:10i點(diǎn)擊后收藏/加入購(gòu)物車/收就又加入購(gòu)物車：6.59財(cái)買：0.37最后總結(jié)出以上的樹形邏輯

28、圖和pipeline.我們可以看到整個(gè)業(yè)務(wù)流程中：2大部分用戶（93%）首先就在點(diǎn)擊之后流失了，最后也僅有1.32%的購(gòu)買率，可見直接流 失率非常高。2.剩下的7%點(diǎn)擊進(jìn)來的用戶，對(duì)產(chǎn)品進(jìn)行了收藏、加入購(gòu)物車等行為，到最后購(gòu)買的轉(zhuǎn)化 率也遠(yuǎn)遠(yuǎn)比加入購(gòu)物車或者收藏的轉(zhuǎn)化率要低得多。從AARRR漏斗模型庫(kù)可以看到，從用 戶點(diǎn)擊到用戶收藏/加入購(gòu)物車等行為就已經(jīng)丟失了 93%3加入購(gòu)物車的用戶，遠(yuǎn)比直接購(gòu)買和收藏的比例要多?？偨Y(jié)可以得出以下結(jié)論： 淘寶推送存在漏洞 用戶仔細(xì)瀏覽了產(chǎn)品.進(jìn)行收藏和加入購(gòu)物車后，足以說明用戸是已經(jīng)考慮了購(gòu)買，店 鋪的產(chǎn)品或者運(yùn)營(yíng)機(jī)制都沒有刺激到用戶的最終購(gòu)買。-1234

29、567890結(jié)杲1datec(njnt(behavior)2017-11-30994102017-12-011026132017-12-021294742017-12-031288102017-12-041300025002000150010005000假設(shè)三：用戶活躍度與時(shí)間和促銷活動(dòng)相關(guān) 首先查找點(diǎn)擊一年內(nèi)12個(gè)月的點(diǎn)擊和購(gòu)買數(shù)量里閔助連丄貝 select date,count(behavior) from userbehavior where behavior=*pv' group by date order by date asc;select date.count(behav

30、ior) from userbehavior where behavior=*buy' group by date order by date asc;19：1O通過以上圖表發(fā)現(xiàn)，用戶日活在12/02和12/03這兩天達(dá)到峰值，而12/02和12/03兩 天是周末。主要原因是在周末用戶通常都擁有更多的空閑時(shí)間，因此周末的日活顯著高于工 作日的日活。說明用戶會(huì)選擇相對(duì)悠閑的周末進(jìn)行購(gòu)物。而通過RFM模型，幫助我們根據(jù)用戶購(gòu)買時(shí)間和頻率，來泄義用戶的層次，幫助店鋪 更好地左位到重要客戶。根據(jù)之前的數(shù)據(jù)觀察和分析我們對(duì)RFM的各個(gè)指標(biāo)做了以下左 義：R：根據(jù)用戶最近一次的購(gòu)買時(shí)間到2017年

31、12月3日之間的差值，來判斷用戶最近一 次消費(fèi)時(shí)間間隔F：將數(shù)據(jù)集中用戶在2017年口月25日至2017年12月3日這九天時(shí)間內(nèi)購(gòu)買的次 數(shù)作為用戶消費(fèi)的頻率M：數(shù)據(jù)集未提供金額，但是可以通過購(gòu)買數(shù)量來代替具體金額。1 首先先分別創(chuàng)建RFM的統(tǒng)汁表對(duì)魚 UserBehavior shop (11)Q create RFMJable shop (11)查詢倉(cāng)|：REATE VIEW R_table(useridrdeltatime)2 ASSELECT useridfdatediff(,2017-12-4'rdate) AS deltatime4 FROM (SELECT userid,

32、date,row_number() over ( PARTITION BY userid order by date DESC )AS datel FROM userbehaviorWHERE behavior = 'buy'9 )AS tempWHERE datel = 1;1112 CREATE VIEW F_table(userid,frequency)13 ASSELECT useridrcount(distinet date) AS frequency FROM userbehaviorWHERE behavior = 'buy*17 GROUP BY use

33、rid;CREATE VIEW M_table(userid,quantity)ASSELECT useridfcount(date) AS quantity FROM userbehavior22 WHERE behavior = 'buy'23 GROUP BY userid;2.對(duì)RFM三個(gè)指標(biāo)制泄評(píng)分表，并逐一打分按照價(jià)值打分最近一次消費(fèi)間隔消費(fèi)頻率消費(fèi)金額/數(shù)量178天2次以內(nèi)3以內(nèi)25-6天2-3次37個(gè)334天34次7-11 個(gè)42天之內(nèi)5次以上H個(gè)以上1* * Uscrftohavior Qtshop (11 >童詢創(chuàng)azam伽1CREATE VIEW r

34、jx)ints1 2I 35LECT useria,c«Uatlwef1 4(cue1 5v«*ien deltatine >= then 11 6uhpn deltatine x arri dcltat w<s t： then /7ven deltatine >= and deTtatirwe<="then 31 8deltotine >=】ond dcltatinc2 then 41 9eodiIAS r_polntitFROM r_table;125LECT avQ(r_polnt>nFROM rpoints：1 14J

35、15CREATE VIEW f.points1 16AS1 HSELECT userid,frequency.I】8(casei】9v»hen frequency < 2 then 'Sen fregency >= ? and frequency< 3 then 21 21*Oen frequency >= and frcquency< 4 then 3I 22Sen frequency >= : then 5 else 9 endI 23IAS f.point1 24FROM f.table;I 25SELECT avg(f_polnt&

36、gt;I 26FROM f.points；I 27CREATE VIEW n_polnts1 28ASI 295ieCT userid.Qudntity,io$2_KLU«« 3av«(r_port)2 W«93根據(jù)R、F. M打分和平均值的比較，對(duì)用戶進(jìn)行分類評(píng)價(jià)UserBehavior shop (11) | 物無標(biāo)IH shop (11)Q 1create RFM.classify shop (11)亠査詢創(chuàng)建工耳僵曲1CREATE VIEW .classify2AS3SELECT userid,deltatlne.4(case wtien del

37、tatime > 29969 then 禹'else 低'end)AS class5FROM rpoints;6CREATE VIEW 仁classify7AS8SELECT userid,frequency.9(case wtien frequency > 2.0267 then 'J85' else 低'end)AS class10FROM f.points;11CREATE VIEW m_cldssify12AS13SELECT userid,quantity.14(case wtien quantity > 1.5626 the

38、n 高 else 低'end)AS class15FROM «_points;4根據(jù)用戶的分類原則對(duì)用戸進(jìn)行分類，并進(jìn)行統(tǒng)計(jì)用戶分類規(guī)則用戶分類最近一次消費(fèi) 時(shí)何間隔(R)消費(fèi)頻率(F)消費(fèi)金額 (M)1重要價(jià)值用戶高高高2.重要發(fā)展用戶低高3.垂要保持用戶低離高 J4.重要挽留用戶低低高5.般價(jià)值用戶高低6.般發(fā)展用戶高低低7.般保持用戶低高低8般挽留用戶低低低査詢編輯查詢創(chuàng)建工具Create view user.ciass2 ASSELECT auserid,ar_class.bf_class.cm_c:lass, (CASE5WHENarclass高'andb.fclassandcmclassthen'朿箋價(jià)值客戶'6WHENarclass=andb.fclass