淘宝用户体验分析总结实用5篇

【导言】此例“淘宝用户体验分析总结实用5篇”的文档资料由阿拉题库网友为您分享整理，以供您学习参考之用，希望这篇资料对您有所帮助，喜欢就复制下载支持吧！

淘宝用户体验分析总结1

因为数据中用户行为分为四类，按照浏览在前，购买最后的话，一共有16种组合，利用桑基图分析如下所示：

一般认为购买之前必须得先浏览，因为所给数据是截取给定时间内的，所以会存在上图下方unpv的情况。现在只考虑最后产生购买行为的情况，用户从浏览到最后购买其实只有（1）浏览-购买、（2）浏览-加购物车-购买、（3）浏览-收藏-购买、（4）浏览-加购物车-收藏-购买（浏览-收藏-加购物车-购买）等四种情况，再次利用桑基图分析如下： 由上图可知，大多数购买行为发生在浏览之后，并没有加购物车、收藏等行为。

淘宝用户体验分析总结2

人性化帮助原则主要是对用户友好。 诚然，任何考虑用户体验的原则都是对用户友好。但是，“人性化帮助原则”则是一种具体的友好。 例如开屏的动画指引、页面上的各种友好提示、产品人员用心编写的帮助文档，这些都是希望减少用户使用系统的难度，让用户能够愉快地使用系统。尼尔森的可用性原则有十条，由于篇幅有限，所以这里只列举了四条。如果想要深入了解的话，可以去分析全部的原则。

前面说过，用户体验是一个很玄的东西。 有可能你看了很多讲用户体验的书和理论，最后还是做不好用户体验。 但是，不用沮丧，用户体验并不是一蹴而就的，只要用心，你就会发现，用户体验可能就藏在你熬夜画的清晰明了的业务流程图里，在你费劲心思调研的用户需求里，在认真思考的模块结构里，在斟酌的控件位置里，在审美及格线上的风格配色里，在用心编写的帮助文档里…… 当你把产品该做的事情认真考虑好，认真做好，其实，用户体验就是一件自然而然、水到渠成的事情。

淘宝用户体验分析总结3

效果验证

AB实验是最直观的一种评估策略因果效应的科学手段，做AB实验需要两个前提条件：同质性与无偏性。实验中的不同组应该是同质的，意味着样本构成需相同或极其相似以确保结果的可比性，这通常是通过平台工具随机分流来实现 。实验也应该是公正的，核心指标只受实验策略本身的直接影响。只有控制了全部干扰因素，才有可能接近Treatment和Result之间的因果关系。相对传统的优化前后对比方式，AB实验有以下优势：

同质 - 保证可比性

可以有效控制其他干扰因素。

可以避免选择性偏差。

无偏 - 保证效果复现

AB的一般步骤

明确AB假设和实验变量

AB实验不是价值衡量的许愿池，我们先要回答一个问题：如何判断一个策略是否可以通过AB实验来进行评估？避免无用功或引发舆情。AB有其特定的适用场景，如下场景是无法进行AB或者成本过高：

策略已经全量，需后置评估策略上线效果

策略渗透率过低，使用AB无法得到置信的样本量

策略本身不具备随机AB的条件

进行AB的成本较高，ROI较低

判断可以AB后需明确实验变量，一个好的实验变量要满足以下几点：

实验变量需根据假设来创建

需要符合单一变量原则

定义实验关键指标

确定分流方式

如何确定分流对象及保证分流的均匀性是该步骤需要解决的问题：

淘宝用户体验分析总结4

（一）选择子集

由于数据量过大，本篇分析报告只导入10万条数据。通过navicat将数据集导入MySQL。

（二）列名重命名

原数据集缺少列名，列名是第一条数据，所以需要添加列名。同时将userid、itemid及timestamp设置为主键，全部列设置为不是null。

注意：添加列名时不会覆盖第一条数据，故不用再特意添加第一条数据。

（三）检验有无缺失值

共计100,000条数据，无缺失值。

（四）检验有无重复值

得出结果为空，证明无重复值。

（五）异常值处理

将时间戳转换为日期和时间。

检查数据是否发生在2017年11月25日至2017年12月3日之间，发现最小发生日期为2017年9月11日。

查找发生日期小于2017年11月25日的异常值，共计44条。

将这44条异常数据删除。

删除后，再次检查数据是否发生在2017年11月25日至2017年12月3日之间，发现所有数据都在此区间，符合要求。

淘宝用户体验分析总结5

可以得到用户的平均访问深度为，也就是说在11月25到12月3日9天内平均每个用户每天要访问10个界面，可见淘宝用户粘度很高。

按照流失率=只浏览一次界面/总用户计算的话，发现流失人数只有679人，Bounce Rate 是左右，所以平台整体流失率是相当低的。我觉得可以考虑将只有浏览记录再无其他行为的用户视为流失用户，分析此类人群的跳失原因。

之后可以细分到各个商品种类以及各个商品，计算其用户跳失率并采取相应的措施。