某电商平台用户行为数据分析

时间：2023-03-16 00:24:02 | 来源：电子商务

时间：2023-03-16 00:24:02 来源：电子商务

一、背景与分析目的

近些年来，随着经济的增长及科技的发展，电商行业发展迅速，运营过程中所产生的可供操作数据随之爆炸性增长，随着行业竞争加剧，纯流量运营的时代已经远去。为了盈利，各家电商公司越来越注重精细化的运营，注重对于数据的分析。

本文旨在通过对某电商平台用户的行为（用户行为包括点击、喜欢、购买、加购）数据进行分析，进而提出可以落地的业务建议，以促进业务的增长。

二、理解数据

1、原始数据集介绍

数据集(UserBehavior)包含了2017年11月25日至2017年12月3日之间，某电商用户的行为（行为包括点击、购买、加购、喜欢）。

2、字段含义

字段	说明
user_id	整数型，用户ID
item_id	整数型，商品ID
category_id	整数型，商品品类ID
behavior_type	字符型，行为类型（'pv','buy','cart','fav'）
timestamp	整数型，时间戳

behavior_type（用户行为）一共有四种，分别是：

行为类型	说明
pv	page view,浏览
buy	购买
cart	加入购物车
fav	收藏

三、数据清洗

1、查询是否有重复值

category_id字段指的是商品的大类名称，item_id字段指的是是某个商品的唯一标识，因此，查重时使用item_id字段已经足够了

select *from userbehaviorgroup by user_id,item_id,behavior_type,timestamphaving count(*) > 1;查找出来所有字段均为Null值，说明该数据集中没有重复值。

2、查询是否存在空值

select *from userbehaviorwhere user_id is NULL or category_id is NULLor item_id is NULL or behavior_type is NULLor timestamp is NULL;查找出来所有字段均为Null值，说明该数据集中没有空值。

3、如何处理时间戳数据?

在计算机中，「时间戳」一般是指 Unix 时间戳，即自从 Unix 纪元（格林威治时间 1970 年 1 月 1 日 00:00:00）到当前时间的秒数。时间戳不会跟着时区的改变而改变，所以不管在哪个时区，时间戳都是一致的。

为了后文分析方便，我们通过'timestamp'字段，又建立了一系列的时间字段，代码实现如下：

-- 给表添加一列叫dates,用于记录行为发生的日期，如'2017-11-25'为2017年11月25日alter table userbehavior add datesvarchar(255);-- 给新列dates赋值update userbehaviorset dates =from_unixtime(timestamp,'%Y-%m-%d');-- 给表添加一列叫hours,用于记录发生的小时时间，如'21'为晚上9点alter table userbehavior add hoursvarchar(255);-- 给新列hours赋值-- 特别注意，此处的时间格式中,"小时“部分的字符需要用大写的H，才能转为24小时制update userbehaviorset hours = hour(from_unixtime(timestamp,'%H:%i:%s'));-- 给表添加一列叫datetime，用于记录行为发生的日期和时间，如'2017-11-25 21:30:00'为2017年11月25日晚上9点30分alter table userbehavior add datetimevarchar(255);-- 给新列datetime赋值update userbehaviorset datetime =from_unixtime(timestamp,'%Y-%m-%d %H:%i:%s');-- 给表添加一列叫weekday,用于记录行为发生在星期几，如'1'为星期一alter table userbehavior add weekdayvarchar(255);/*-mysql中，可以通过函数WEEKDAY()将日期转化为星期几，但是索引是从0开始，即0表示星期一、1表示星期二.....-为了使该字段更符合阅读习惯，可以将其进行加1操作，结果即为1对应星期一，2对应星期二...*/update userbehaviorset weekday = WEEKDAY(datetime) + 1;接着，我们将超出分析范围的时间范围剔除掉：

-- 将超出指定时间范围的数据剔除掉DELETEfrom userbehaviorwhere dates < '2017-11-25'or dates > '2017-12-03';经过处理后，数据集如下（以下给出部分数据）：

四、明确问题

1、整体认识：描述性统计分析

首先，我们要对业务有个整体性的认识，本案例主旨是分析用户行为，所以要知道总共有多少会员。

select count(distinct user_id) as 会员数from userbehavior;即在2017年11月25日至2017年12月3日之间，总共记录了983名会员的行为数据。

2、AIPL漏斗分析

知道整体有多少个会员后，接下来要进一步对他们的行为进行观察，分析的是电商用户行为，在电商领域我们比较常用的方法是阿里提出的AIPL营销模型：

A（Awareness）认知：广告曝光、页面浏览人群
I（Interested）兴趣：关注互动、浏览店铺主页、浏览产品详情页、收藏加购
P（Purchase）购买：支付
L（Loyalty）忠诚：复购、评论、分享

AIPL营销模型可以将会员行为与相应的运营周期联系起来。

【AI】部分就是运营中的拉新，处于此阶段时，浏览、收藏、加购的用户数越多，运营拉新指标就完成地越好，但此部分同样意味着拉新成本的支出。

【PL】则对应着运营的收割行为，通俗地讲，即是将前期推广引进的新客变现，以此回收拉新成本，提升ROI。

回到本案例，将会员的浏览、收藏、加购、购买消费划入到AIPL的各个流程中，便于我们根据不同的流转情况，对运营现状有整体的把握。

接下来，利用CASE表达式对表结构进行【行列互换】，此操作通过【创建视图】来完成：

create view behavior ASselect user_id,datetime,dates,hours,max(case behavior_type when 'pv' then 1 else 0 end) as view,max(case behavior_type when 'fav' then 1 else 0 end) as favor,max(case behavior_type when 'cart' then 1 else 0 end) as cart,max(case behavior_type when 'buy' then 1 else 0 end) as buyfrom userbehaviorgroup by user_id,datetime;创建出的视图如下所示（给出部分数据）：

计算处A、I、P的值：

对A、I、P阶段的行为进行统计，代码实现如下：

select sum(view) as 'A',sum(favor)+sum(cart) as 'I',sum(buy) as 'P'from behavior;计算L的值：

对于会员复购行为，计算思路是：

• 通过【窗口函数】统计会员的每一次消费动作，即记录第n次消费
• 有了每个会员的第n次消费记录字段后，即可将第一次消费列为首次消费，而第二次开始的皆为【复购消费】
• 最后统计【复购消费】行为，即为“L”即可

第一步，查询每位会员第N次消费的记录（并给出部分数据）

select user_id,datetime,buy,dense_rank() over (partition by user_id order by datetime) as n_consumefrom behaviorwhere buy = 1order by user_id,datetime;第二步，剔除掉用户第一次购买的记录并计算复购次数

select sum(buy) as Lfrom(select user_id,datetime,buy,dense_rank() over (partition by user_id order by datetime asc) as n_consumefrom behaviorwhere buy = 1) as twhere n_consume > 1;3、总结

AIPL漏斗图如下图所示，

进行整体分析的目的是为了找出用户运营存在的问题或特点，并提出接下来的分析目标。一般情况下，要用到到对比分析来判断用户运营的优劣，比如同比和环比，因为案例中缺少相关的数据，故无法使用对比分析，仅从业务经验出发进行判断。

接下来，根据业务经验按轻重缓急列出问题的重要性排序，有序进行分析，这样业务才能在有限资源的条件下选择分析结论进行落地实践：

1）【A→I】拉新环节，环节转化率为9.12%，相对来说较差，可能拉新完成率较低，值得注意。将该问题列为优先级：重要紧急P0

2）【P→L】收割（促进客户复购），环节转化率为64.31%，做得较好，可以据此总结业务经验或复购规律，进一步推广应用。将该事项列为优先级：重要不紧急P1

3）【I→P】收割（促进客户首次购买），环节转化率为23.02%，效果还可以，可以进一步挖掘用户购买转化路径。将该事项列为优先级：不重要不紧急P2

五、数据分析

【P0：A→I】环节的转化率较低，此案例应用【人货场】方法进行分析

【P1：P→L】环节中用户复购表现教好，通过【用户复购分析】，挖掘、总结复购特征

【P2：I→P】环节目的在于进一步透析用户购买行为，采用【AIPL+RFM】分析方法进行分析

1、【P0：A→I】

此环节计划通过【人货场】分析，解决A用户认知到I兴趣用户行为转化率低的问题。

1）【人】

该部分主要在于观察用户行为特点，以总结经验。此案例中，数据维度有限，会员自身行为相关的数据除了商品外就是时间，商品计划在【货】部分进行分析，【人】部分旨在分析用户A到I高效转化的时间特征。

首先，计算各时段AI的转化分布：

计算思路：

• 第一步，查询出各时段会员的浏览次数
• 第二步，查询出每个小时会员收藏与加入购物车行为的次数
• 第三步，将前两步的查询结果进行联结，查询出各时段A→I的转化率情况

#第一步，查询出每个小时会员的浏览次数select hour(datetime) as '小时',count(*) as 'A-浏览'from behaviorwhere view = 1group by hour(datetime)order by hour(datetime) ASC;#第二步，查询出每个小时会员进行收藏与加入购物车行为的次数select hour(datetime) as '小时',count(*) as 'I-兴趣'from behaviorwhere favor = 1 or cart = 1group by hour(datetime)order by hour(datetime) asc;#第三步，根据前两步计算出A→I转化率的均值select a.`小时`,avg(`A-浏览`) as `A-浏览 均值`,avg(`I-兴趣`) as `I-兴趣 均值`,concat(round(avg(`I-兴趣`)/avg(`A-浏览`),3)*100,'%') as 'A→I转化率'from(select hour(datetime) as '小时',count(*) as 'A-浏览'from behaviorwhere view = 1group by hour(datetime)) as aleft join(select hour(datetime) as '小时',count(*) as 'I-兴趣'from behaviorwhere favor = 1 or cart = 1group by hour(datetime)) as ion a.`小时` = i.`小时`group by a.`小时`order by a.`小时`;可以看到，在查询结果中，有很多不同的值，根据对比分析方法，我们需要【比较基准】才知道这些转化率哪些高，哪些低，才可进一步判断。这里，以常见的“平均值”作为对比的基准，代码实现如下（即上一步去掉分组的步骤）：

select a.`小时`,avg(`A-浏览`) as `A-浏览 均值`,avg(`I-兴趣`) as `I-兴趣 均值`,concat(round(avg(`I-兴趣`)/avg(`A-浏览`),3)*100,'%') as 'A→I转化率'from(select hour(datetime) as '小时',count(*) as 'A-浏览'from behaviorwhere view = 1group by hour(datetime)) as aleft join(select hour(datetime) as '小时',count(*) as 'I-兴趣'from behaviorwhere favor = 1 or cart = 1group by hour(datetime)) as ion a.`小时` = i.`小时`order by a.`小时`;每个时段的浏览人数都不同，选择浏览值大于平均值3733的时段来观察，在这些时段中，我们选择转化率大于平均值9.1%的时段。

这些时段既是浏览人数多，又是转化率高的时段，即11点、15点-17点、19点、22-23点。其中，23点为转化率大于10%，为最大值，可作为最佳投放时间。

2）【货】

【货】分析部分需要分析【人货匹配】情况，进而针对性地将货品根据会员行为进行调整。

分析之前，先查询出AI阶段涉及的商品种类的总数量：

select count(distinct item_id) as 'A'from userbehaviorwhere behavior_type = 'pv';结果如图所示，共有60592款商品被有效浏览。

接下来，计算会员感兴趣的商品：

select count(distinct item_id) as 'I'from userbehaviorwhere behavior_type in ('favor','cart');接下来，结合【假设检验分析方法】，针对有效浏览与产生兴趣的商品数差异较大的情况，提出以下的假设。

假设：用户偏好的商品主要集中在少数商品，而大部分长尾商品被错误地推荐给用户。

验证思路：

将被浏览最多的前100款商品以及用户最感兴趣（即加入购物车、收藏）的前100款商品进行交叉匹配，如果交叉出的商品数较少，则假设成立，反之，则假设不成立。

计算思路如下：

• 第一步，查询出被浏览最多的前100款商品，按降序排列
• 第二步，查询出用户最感兴趣的前100款商品，按降序排列
• 第三步，将前两步的查询结果进行交叉匹配，查看交叉数量

#第一步，查询出被浏览最多的前100款商品，按降序排列select item_id,count(*) as 'A'from userbehaviorwhere behavior_type = 'pv'group by item_idorder by A DESClimit 100;查询结果如下（给出部分数据预览）：

#第二步，查询出用户最感兴趣的前100款商品，按降序排列select item_id,count(*) as 'I'from userbehaviorwhere behavior_type in ('favor','cart')group by item_idorder by I DESClimit 100;查询结果如下（给出部分数据预览）：

#第三步，计算交叉数量select count(*) as 'AI交叉商品数'from(select item_id,count(*) as 'A'from userbehaviorwhere behavior_type = 'pv'group by item_idorder by A DESClimit 100) as ACinner JOIN(select item_id,count(*) as 'I'from userbehaviorwhere behavior_type in ('favor','cart')group by item_idorder by I DESClimit 100) as ICon AC.item_id = IC.item_id;结果显示，仅有5款商品既是高浏览量，也是高收藏/加购的，

假设成立：用户偏好的商品主要集中在少数商品，而大部分长尾商品则是被错误地推荐到用户。进而可判断：【人货匹配】效率低。

3）【场】

【场】广义上来说指的是与用户的触点，在线上电商，则是在线店铺、平台、投放渠道等。

从这个角度，分析此段时间淘宝平台的活动情况：

• 结合业务经验，数据时段在双十一之后，双十二之前，是两个大促的中间节点。
• 查询2017年度双十二的相关信息如下：

活动：天猫双12年终品牌盛典
预热时间：2017年12月7日00:00:00-2017年12月11日23:59:59；
上线时间：2017年12月12日00:00:00-2017年12月12日23:59:59。

• 通过上述活动时间可知，分析的时间段正处于双十二活动预热时间前夕的低潮期，客观上，营销效果整体比较平淡，进而影响AI转化率。

4）【人货场】分析总结

• 人：为了提升AI转化率，可选择在浏览值大于3733且转化率大于9.1%的时间段加大投放力度；其中，23点转化率大于10%，为最佳投放时间。
• 货：人货匹配的效率低，平台推荐的商品大部分为长尾商品，不能很好地吸引用户兴趣，需要进一步针对用户优化商品投放信息。
• 场：从平台活动周期角度来说，分析时间段正处于大促活动预热前的低潮期，此客观因素也在一定程度上导致转化率低。

2、【P1：P→L】

此部分我们进行【用户复购分析】进而挖掘复购行为特征。

结合具体的业务，复购分析的目的是为了优化用户触达策略，即何时何地向哪些已购用户推送什么商品可提升复购率。此案例中，将通过分析用户【复购周期】以解决业务中触达时间的问题。

对于此，现在分析用户复购周期问题，从业务角度主要包括何时触达和触达多久两部分。

1）何时触达

可通过计算用户平均回购周期，即可在用户发生购买行为后，在平均回购周期内对其进行营销触达。

计算步骤：

第一步，建立一张视图，记录了所有用户的购买记录

#创建一个视图，记录所有用户的购买记录CREATE view consumeas select `user_id`,`dates`,dense_rank() OVER (PARTITION BY `user_id` ORDER BY `dates`) AS `consume_num` from `behavior` where `buy` = 1group by `user_id`,`dates` order by `user_id`,`dates`;结果如下（给出部分数据预览）：

第二步，根据上一步的视图查询出所有用户每次消费的回购周期：

-- 计算出每个用户每次消费的回购周期select a.user_id,a.dates,a.consume_num,datediff(a.dates,b.dates) as '回购周期（天）'FROM(select * from consume) as ainner join(select * from consume) as bon a.user_id = b.user_idand b.consume_num = a.consume_num - 1;结果如下（给出部分数据预览）：

第三步，基于以上查询结果，可以将每人次的回购周期进行平均，取得最终的平均回购周期

-- 将每人次的回购周期进行平均，取得最终的平均回购周期select avg(datediff(a.dates,b.dates)) as '平均回购周期（天）'from(select * from consume) as ainner join(select * from consume) as bwhere a.user_id = b.user_idand b.consume_num = a.consume_num - 1;结论：根据计算结果，预计在用户购买行为发生后的2-3天内对其进行触达会有较好的效果。

2）触达多久

通常情况下，我们需要计算出不同时段购买的客户的最长消费周期，供业务触达时参考，但由于本案例中时间间隔较短，因此此项数据参考意义不大，不计算。

3、【P2：I→P】

此前AIPL漏斗分析显示，平台用户复购率高达63%，也就是说，只要成功促进用户发生首次购买行为，接下来就由较高的概率复购，此部分的重点放在如何提升AI→P上。

1）用户首购特征

为了提高AI客户的购买转化率，可以通过高购买率客户与低购买率客户对比，挖掘高购买率客户特征，进而指导业务上的运营策略。

先创建一个视图，统计每个客户的购买率及其他数据，代码实现如下：

#创建视图，统计每个客户的购买率与其他数据create view user_featureASselectuser_id,sum(view) as '浏览',sum(favor) as '收藏',sum(cart) as '加购',sum(buy) as '购买',(sum(cart) + sum(favor))/sum(view) as '加购率',sum(buy)/(sum(view) + sum(cart) + sum(favor)) as '购买率',dense_rank() over (order by sum(buy)/(sum(view) + sum(cart) + sum(favor)) desc) as '购买率排序'from behaviorgroup by user_id;创建完的视图如下所示（给出部分数据预览）：

select *from user_featureorder by 购买率 desc;计算完每个客户的购买率之后，接着挖掘高购买率客户与低购买率客户的特征。

结合【二八原则】进行判断，可以认为前20%为高购买率客户，最后20%为低购买率客户。

第一步，查看购买率排序的名次情况（可能出现几位客户在同一名词的情况）

select count(distinct 购买率排序) as 总名次from user_feature;根据387 * 20% ≈ 77，高购买率客户可以被定义为前77名的客户，而根据387 - 77 = 310，低购买率客户可以被定义为310名之后的客户。

第二步，查询出高购买率客户的特征

select avg(浏览) as '平均浏览数',avg(收藏 + 加购) as '平均兴趣数',avg(加购率) as '平均加购率'from user_featurewhere '购买率排序' <= 77;select count(distinct category_id) as '购买品类集中度' from userbehaviorwhere behavior_type ='buy'and user_id in (select distinct user_id from user_featurewhere `购买率排序` <= 77);第三步，查询出低购买率客户的特征

select avg(`浏览`) as '平均浏览数',avg(`收藏`+`加购`) as '平均兴趣数',avg(`加购率`) as '平均加购率'from user_featurewhere `购买率排序` > 310 and `购买率` > 0;select count(distinct category_id) as '购买品类集中度' from userbehaviorwhere behavior_type ='buy'and user_id in (select distinct user_id from user_featurewhere `购买率排序` > 310);总结：

• 高购买率客户浏览商品数91远低于低购买率客户浏览商品数195；
• 高购买率客户平均加购率11%略大于低购买率客户平均加购率10%；
• 高购买率客户品类集中度399远大于低购买率客户品类集中度96；

综上所述，我们得到的人群画像：

高购买率人群浏览商品数量少，但加购率高，大概率为决策型顾客，看对了商品就着手购买；

低购买率人群更多是纠结型顾客，需要反复浏览商品来确认最终想要的。

此外，低购买率人群品类集中度很高，建议列出这些品类，有目的地优化品类信息，减少用户的浏览跳失率。

2）AIPL+RFM分析

最后，为了促进用户购买，需要进行精细化的用户运营，即可通过RFM模型分析方法实现，由于数据限制，并没有用户购买金额数据，故此处与AIPL模型相结合，重新定义R、F、M：

R：客户最近一次购买离分析日期的距离，用来判断购买用户活跃状态，间隔越短，分值越高

F：客户收藏、加购行为的次数，次数越多，分值越高

M：客户购买行为次数，次数越多，分值越高

第一步，计算每位用户最近一次购买行为的间隔天数

#第一步，计算每位用户最近一次购买行为的间隔天数select user_id,datediff('2017-12-03',dates) as 'R'from consume as awhere consume_num = (select max(consume_num)from consume as bwhere a.user_id = b.user_id);查询结果如下（给出部分数据）：

第二步，计算每位用户收藏、加购的行为次数以及购买的行为次数

select user_id,(sum(favor) + sum(cart)) as 'F',sum(buy) as 'M'from behaviorgroup by user_id;查询结果如下（给出部分数据）：

第三步，将前两步的查询结果按user_id字段进行合并，创建出RFM的视图

create view RFMasselect r.user_id,R,F,Mfrom(select user_id,datediff('2017-12-03',dates) as 'R'from consume as awhere consume_num = (select max(consume_num)from consume as bwhere a.user_id = b.user_id)) as rleft join (select user_id,(sum(favor) + sum(cart)) as 'F',sum(buy) as 'M'from behaviorgroup by user_id) as fmon r.user_id = fm.user_id;查询结果如下（给出部分数据）：

第四步，计算出RFM的比较基准，这里使用的是均值，但具体业务应具体分析：

#第四步，计算出RFM的阈值(即比较基准）select avg(R),avg(F),avg(M)from RFM;第五步，根据RFM的比较基准以及RFM的定义，将每位可以划分到不同的用户价值组中

create view user_RFM asselect user_id, case when R < 2.4501 and F > 9.3115 and M > 2.8018 then '重要价值用户' when R < 2.4501 and F > 9.3115 and M < 2.8018 then '一般价值用户' when R < 2.4501 and F < 9.3115 and M > 2.8018 then '重要发展用户' when R < 2.4501 and F < 9.3115 and M < 2.8018 then '一般发展用户' when R > 2.4501 and F > 9.3115 and M > 2.8018 then '重要唤回用户' when R > 2.4501 and F > 9.3115 and M < 2.8018 then '一般唤回用户' when R > 2.4501 and F < 9.3115 and M > 2.8018 then '重要挽留用户' when R > 2.4501 and F < 9.3115 and M < 2.8018 then '一般挽留用户' end as '用户价值族群'from RFM;结果如下所示（给出部分数据预览）：

第六步，统计各组用户数及用户占比，用于对用户运营现状进行分析，并给出运营策略方向。

select `用户价值族群`, count(user_id) '用户数', concat(round(count(user_id)/983*100,3),'%') as '用户数占比'from user_RFMgroup by `用户价值族群`order by `用户价值族群`;结果如下：

上图所示为RFM模型分组结果，对比分析往往需要和对照组比对分析，但因数据限制，此处结合业务经验进行判断：

从【用户RFM转化路径】角度来看：重要价值用户占比较少，一般由一般价值用户、重要发展用户、一般发展用户转化而来。

一般价值价值用户占比较少，重要发展用户，一般发展用户占比较多，可以有限对这两个人群进行“升级”

六、提出建议

首先，通过AIPL营销模型（漏斗分析方法），对用户现状有整体的认识，并分析、总结出三个分析目标。现对分析结论结合业务场景总结经验及提出建议。

1、【A→I】【人货场】业务建议

--从“认知”到“兴趣”阶段的转化率过低

通过【人货场】分析，可得以下业务建议：

• 推广部门：优化投放策略，在A→I转化率高的时间点，尤其是23点加大投放力度，提升AI转化率，进而提升整体转化
• 产品部门：针对【人货匹配】效率低的问题，及时处理低转化率的商品，总结高转化率产品特性，开发新品
• 运营部门：针对【人货匹配】效率低的问题，参考高转化商品描述，优化产品标题、内容描述；针对大促前低潮期，提出吸引行的促销政策，提高此阶段销售

2、【P→L】【复购分析】业务建议

--从“购买”到“忠诚”阶段的转化率高。

通过【用户复购分析】后，可得以下建议：

• 用户部门：针对用户复购周期特性，客户消费后2-3天内结合回馈手段即使进行触达

3、【I→P】【购买特征+RFM】业务建议

--表现较好

通过分析，可得建议如下。

1）针对【高购买率用户特征】

• 用户部门：针对高购买率客户，即决策型客户，可以搭配精准推荐模型，触达优质商品，提升购买率，针对低购买率客户，即纠结型客户，可能更多为【热门商品领域】，触达热门商品，提高购买率

2）使用【AIPL + RFM】分析方法

• P0优先级：

重要价值用户（R高F高M高）维护：用户处于购买活跃期，感兴趣的商品多，购买次数也多 → 针对兴趣产品，保持一定频率的触达，持续维护。

一般价值用户（R高F高M低）：用户处于购买活跃期，感兴趣的商品多，购买次数少 → 针对该部分客户，目的就是要让他们购买，所以可以和运营部门沟通，降低利润，给出有力折扣促进购买，进而转为重要价值用户。

P1优先级：

一般发展用户（R高F低M低）：用户处于购买活跃期，感兴趣的商品少，购买次数少 → 可通过商品组合推荐，即通过连带提升该人群购买频次，进而转为重要发展用户。

重要发展用户（R高F低M高）：用户处于购买活跃期，感兴趣的商品少，购买次数多 → 通过关联算法，找出与兴趣商品关联高的商品进行推荐触达，提高用户收藏、加购数，进而转为重要价值用户。