一、分析背景和目的浏览、收藏、购物车、下单是电商最基础环节，本项目通过对用户这四个行为数据的分析，描述了APP运营现状，并从中探索用户行为规律，希望能将这些规律与营销策略相结合，以实现更精准的营销，达到提高销售额的目的。本数据集是包含了2017年11月25日至2017年12月3日之间淘宝用户行为数据集，有行为的约一百万随机用户的所有行为（行为包括点击、购买、加购、喜欢），本案例选取了其中20万条数据进行分析，其中数据包含如下5个数据字段：二、提出问题及分析思路本案例分析思路提出问题根据以上分析思路，解决以下几个问题：1.流量的数量和质量如何？2.付费用户的数量和比例如何？3.用户活跃情况？4.哪些用户是高价值用户，哪些用户是可以引导消费？5.用户活动时间规律？6.用户商品偏好？7.商品成交量贡献情况？8.交易环节转化率、跳失率，流程和页面是否合理？分析用到RFM模型、AARRR模型、漏斗模型。三、数据清洗1. 选择子集选取数据集中20万条数据进行分析。2. 列名重命名原数据集中没有列名，在创建表时，可以先设置好列名，再进行导入。3. 缺失值处理用count函数统计各字段数量，均为199999，没有缺失值。4. 一致化处理时间字段是时间戳格式，不方便分析操作，因此将它和格式化成datetime、date、time三种格式。5. 异常值处理date处理数据集时间范围是2017年11月25日至2017年12月3日，删除范围外数据。四、分析内容1. 流量指标1.1 人均页面访问量=PV/UV1.2 跳出率=只有浏览行为的用户/总用户数跳失率，是指顾客通过相应入口进入，只访问了一个页面就离开的访问次数占该页面总访问次数的比例。由于没有顾客离开这个行为的数据，无法计算只访问了一个页面就离开的访问次数，用只访问一个页面就离开的用户占总用户数比例替代。如图，跳出率只有6.69%，说明店铺的详情页面对顾客的吸引力还不错，用户流量质量较高。1.3 人均成交量=订单量/用户总数人均成交量为2.19。1.4 复购率=复购用户数/总用户数如图，用户整体复购率为46.12%，表现还不错。 2. 用户行为分析2.1 用户行为整体情况分析可以看到，浏览→加入购物车的转化率为6%，加入购物车→购买的转化率为40%，浏览→购买的转化率为2%。说明平台有产品堆砌的情况，使得用户花费更多的时间在寻找和筛选商品上，因此需要优化平台产品推荐功能，把握个性化需求，更为精准化地推荐符合用户偏好的产品。 2.2主流电商网站转化效果对比数据来自艾瑞咨询《6·18电商全方位比拼，用户转化篇》，换算之后如下主流电商6.18浏览-购物车平均转化率是23.65%，是本次分析对象的4倍，购物车-购买平均转化率是56.62%，是本次分析对象的1.4倍，浏览-购买平均转化率围为13.39%，是本次分析对象的6.7倍，而且同样是淘宝数据也比本次分析对象好不少。我认为有两个原因：1.本次分析时间范围介于“11.11”和“12.12”之间，这两个大促活动影响了附近时间的销售。2.对标数据来源于“6.18”大促当日，数据表现比平时好。2.3 独立访客转化率结果：对独立访客的行为进行分析，从一开始的点击页面到最终购买的转化率约为69.6%，说明独立ip用户购买欲望充足，可以通过适当的销售活动进一步引导用户购买。 3. 用户行为模式分析3.1 每日用户点击量如图，从11月25日至12月3日的pv数据显示，12月2日用户点击量激增，推测12月2日平台进行了营销活动。进而对营销活动的效果进行简单的监测分析，如下：如图，从每日客户点击到购买的比率来看，虽然在12月2日和12月3日的点击量较以往有明显的上升，但最终购买量上升微弱，成交率不升反降。其中原因可能有以下几种：a.本次的营销活动方式、渠道、营销的产品等对用户的吸引力不够；b.本次营销活动针对的用户群体范围不广，且平台本身对用户个性化需求的抱把握不够。需要对可能存在的各影响因素进行监测排查，对营销活动方案提出优化建议。 3.2各时段用户点击量根据数据显示，用户点击量在晚上21点至22点这个时段表现为峰值。且很明显，用户在19点至23点的活跃度最高。以各时段用户点击量为主轴，将各时段购买量与之对照分析如下：结论：购买量的波峰也集中在19点至23点。因此，平台可以在这个时间段进行营销活动或可提高用户的点击量，进而也提高这个时段成交量。另外在10-11，13-14，16-17这三个时段的购买量也出现峰值。因此，这些时段用户的购买意愿更高，可以在这些时段通过一定的营销活动促成更多成交量。 3.3工作日用户行为趋势以pv为主轴，可以看到，四类操作有相同的规律，波谷在4点，5点后开始明显上升，10点后趋于稳定，18点后开始更明显的上升，到22点达到波峰，之后下降。 3.4周末用户行为趋势结论：从上面两个图里可以看到，无论工作日还是周末都有类似的规律。所以运营活动时间选在在10点到次日0点更符合用户活动规律。 4.用户价值分析4.1 用户数量和成交用户数量用户数量为1973，成交用户数量为1369，成交用户占比为69.39%。成交用户占比超过用户总数一半。 4.2 用户RFM模型分析RFM的含义：R（Recency）最近一次消费时间：表示用户最近一次消费距离现在的时间。消费时间越近的客户价值越大。1年前消费过的用户肯定没有1周前消费过的用户价值大。F（Frequency）消费频率：消费频率是指用户在统计周期内购买商品的次数，经常购买的用户也就是熟客，价值肯定比偶尔来一次的客户价值大。M（Monetary）消费金额：消费金额是指用户在统计周期内消费的总金额，体现了消费者为企业创利的多少，自然是消费越多的用户价值越大。 由于数据集没有用户消费金额数据，只能统计R和F，将用户分成四个类高、低维度常以平均值和中位数区分。由于电商场景，大部分数据都呈现长尾分布，80%甚至90%以上都集中在低频低额区间，少数的用户提供了大部分销售，采用平均数无法很好的体现数据集的特性，长尾用户很容易被平均，所以选择中位数作为区分标准。F值和用户价值成正比，大于中位数为高维度，小于中位数为低纬度；R值和用户价值成反比，大于中位数为低纬度，小于中位数为高纬度。数据集时间范围是2017年11月25-2017年12月3日，我们将2017年12月4日作为参照日期来计算R值。 第一步，统计最后一次消费时间和消费频率第二步，计算中位数，最后一次消费时间的中位数是4，消费频率的中位数是75第三步，用中位数界定高低维度并对用户分类第四步，统计各类用户人数可以看一般挽留用户占比最高，其次是重要价值用户，一般发展用户和中要保持用户次之。重要用户占50%，一般用户占50%。 对于不同类型用户我们怎么做营销呢？这里要用到AARRR模型：AARRR模型包括获取用户、激活用户、用户留存、获取收入、用户自推荐这五个环节。对于重要价值用户，应该继续保持平台和商品对他们的吸引力，同时可以引导他们自推荐；对于重要保持用户，应该以用户激活为主要目的，通过精准推送、策划趣味性的活动、优化产品设计等手段再次吸引，以激活他们使用；对于一般发展用户，同样以用户激活为主要目的；对于一般挽留用户，应该以用户留存为主要目的，对这类用户做研究，对症下药，提高用户留存率。 量化RFM模型虽然用RFM模型细分了用户群体，获得各类用户数量和分布，但并不知道哪个用户最有价值，接下来我们量化RFM模型，找出最有价值的用户。第一步，先对数据做归一化。因为R、F、M三个数据中M值往往数值大过R、F，如果只是简单相加，R、F会被忽略。数据集虽然没有M数据，但F值也比R值大不少，也需要归一化处理。 用最常用的min-max归一化:先计算R、F最大值与最小值。R最大、最小值分别是193和0，F最大、最小值分别是576和3然后用公式归一化。由于归一化后值在[0，1]之间，我把所有的数据同比放大了100倍，将源数据扩大到了0至100的区间，同时做了四舍五入，让数据可读性更强。经过这样的处理就将数据从原来不同量级无法直观对比，归一化到了0至100的区间，方便直观计算RFM总值。最后我们计算总值，RFM总值 = R值*（-1）+F值+100。 因为R值与用户价值成反比，所以乘以-1取相反数，为了避免出现负值，最后加上100。从结果里可以看到1006307用户价值最大。这个用户平时的习惯是什么样呢？我们接着分析他的使用习惯：从图里可以看出来，这个用户习惯与总体规律不一致，11-27日和12-2日有大量购买行为和浏览行为，11-29有大量购物车行为；一天当中主要行为发生在19-23点，这和总体规律类似。另外从行为类型上看，他没有收藏行为，基本上现看现买。从日维度的分析和行为类型上分析基本可以看出是个土豪，可惜没有商品描述数据，无法知道他都买哪些商品。5.商品分析5.1 商品数量和商品种类数可知此店铺上架商品数为117031，商品类目数为3980 5.2 购买次数分布 结果：从商品购买次数和商品种类统计分析来看，只购买一次的商品种类最多。在用户购买的商品种类共4007种，用户复购的商品种类约占总体的7%。说明存在较强竞争性的产品很少。 5.3 各类行为商品数量排名可以看到，浏览量前三名的商品的购买单量在20名外，浏览多的其它商品是否也这样？将商品分为浏览多购买多、浏览多购买少、浏览少购买多、浏览少购买少四类。电商存在“二八规律”，20%的商品贡献80%的销量，所以以20%为界限，区分浏览和购买的多与少，故四类商品的定义如下：浏览多购买多：pv量前20%且成交单量也为前20%的品类浏览多购买少：pv量前20%且成交单量后80%的品类浏览少购买多：pv量后80%且成交单量前20%的品类浏览少购买少：pv量后80%且成交单量后80%的品类 接下来统计每类商品数量浏览多购买多的商品共有147个 用同样的方式统计出，浏览多购买少有591个，浏览少购买多有314个，浏览少购买少有2043个可以看出浏览少购买少的商品占绝大多数，其次是浏览多购买少，浏览少购买多，最后是浏览多购买多。浏览少购买少占绝大多数符合商品购买次数规律一致，再次验证了以长尾商品为主；浏览多购买少居第二，说明浏览量没有很好的转化为购买；浏览少购买多居第三，这类是生活中刚需商品，大概率是标品；浏览多购买多居最末，符合“二八”规律对于以下浏览多购买多的商品可当作促销主推商品2279428的收藏量最高为5次2331370加入购物车次数最多为6次五、结论与建议1. 用户数量为1973，成交用户数量为1369，成交用户占比为69.39%，总UV是1967，说明商品对用户吸引力还不错。2. PV、UV趋势一致，用户行为趋势一致，周末小幅度增加，12-2、12-3大幅度增加，其余时间平缓。我认为这和“12.12”活动有关。建议营销活动放在周末，类似“12.12”的大活动，提前预热效果更好。3. 用户的浏览量 > 加入购物车 > 收藏量 > 购买单量。时间上四个行为都有统一的规律12月2、3日数量增加，其余时间变化平缓，这与PV、UV趋势一致。4. 根据统计数据显示，用户点击量、购买量在晚上21点至22点这个时段表现为峰值。且很明显，用户在19点至23点的活跃度最高。5. 用RFM模型细分用户群体，一般挽留用户数量最多，占总体32%，重要价值用户数量第二，占总体28%，一般发展用户数量第三，占总体22%，重要保持用户数量最少，占总体18%。对于重要价值用户，应该继续保持平台和商品对他们的吸引力，同时可以引导他们自推荐。对于重要保持用户，应该以用户激活为主要目的，通过精准推送、策划趣味性的活动、优化产品设计等手段再次吸引，以激活他们使用。对于一般发展用户，同样以用户激活为主要目的。对于一般挽留用户，应该以用户留存为主要目的，对这类用户做研究，对症下药，提高用户留存率。6. 购买一次的商品占整体93%，对商品进行分类，浏览多购买少的商品占整体66%。商品销售以长尾商品为主，而非爆款。7. 用漏斗模型分析流量路径转化率，浏览-购物车的转化率是6%，购物车-购买的转化率是40%，比6.18行业数据低不少。我认为有两个原因：1）本次分析时间范围介于“11.11”和“12.12”之间，这两个大促活动影响了附近时间的销售；2）对标数据来源于“6.18”大促当日，数据表现比平时好。8. 跳失率只有6.69%，说明详情页对用户吸引力还不错。人均成交量为2.19。用户整体复购率为46.12%。}

随着互联网行业的快速发展，用户行为分析也成为互联网运营、产品设计中必不可少，而以数据为基础的用户行为分析更是重中之重。本文是基于淘宝用户行为数据，简单运用AARRR模型，RFM模型进行用户行为分析练习。要数据集的私我~
数据分析大致流程一、提出问题日/周/每日时段的PV怎么样？用户获取、每日新增用户有多少？次日/三日/七日留存率怎么样？哪些用户为重要客户？2、理解数据1、导入模块import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False2、导入数据data = pd.read_csv('tianchi_mobile_recommend_train_user.csv')查看数据信息data.info()data.head()可以看到数据集的列分别为：（1）user_id
-----> 用户名（2）item_id ------> 商品ID（3）behavior_type ----->用户行为（1：pv（页面浏览量），2：collect（收藏数），3：cart（加入购物车），4：buy（购买行为）（4）user_geohash ----->用户地理信息 （已被加密处理）（5）item_category ------>商品种类（6）time
------>产生行为的时间3、数据集形状data.shape三、数据清洗1、选择子集前面已经看到user_geoharh多数是null值或被加密，所以对地理信息不做分析2、删除重复值由于一个用户可以有多个行为，因此在此数据集不删除重复值。3、填补缺失值统计缺失值：只有地理位置信息有缺失值，其他字段均无缺失。data.isnull().sum()4、删除异常值对各字段数据计算描述统计量data.describe()个字段虽然都是数值型数据，但没有统计意义。5、抽样这个数据集有一千多万条数据，从中随机抽取一百万条数据作为样本。data1 = data.sample(n=1000000, replace=True)6、一致化处理先对时间字段进行一致化处理from datetime import datetime, timedelta
data1['date'] = data.time.apply(lambda x: x[:10]) # 取出日期
data1['hour'] = data.time.apply(lambda x: x[11:]) #取出小时
data1['week'] = data1.date.apply(lambda x: datetime.strptime(x,'%Y-%m-%d').weekday()) # 周几
data1 = data1.drop(['user_geohash','time'], axis=1)
data1[:5]再对用户行为（behavior_type）进行一致化处理data1['behavior_type'][data1['behavior_type'] == 1] = 'pv'
data1['behavior_type'][data1['behavior_type'] == 2] = 'collect'
data1['behavior_type'][data1['behavior_type'] == 3] = 'cart'
data1['behavior_type'][data1['behavior_type'] == 4] = 'buy'
data1[:5]四、建立模型以及数据可视化1、查看各用户行为数量data1['behavior_type'].value_counts()2、计算pv/uvdate_pv = data1[['user_id', 'date']][data1['behavior_type'] == 'pv'].groupby('date').count()
date_uv = data1[['user_id', 'date']][data1['behavior_type'] == 'pv'].drop_duplicates().groupby('date').count()
date_puv = date_pv / date_uv
fig = plt.figure(figsize=(15,8))
ax = fig.add_subplot(111)
date_pv.plot(color='yellow', ax=ax, linewidth=5)
plt.title('pv/uv, fontsize=20)
plt.xlabel('日期', fontsize=15)
plt.ylabel('pv/uv', fontsize=15)
plt.show()
3、计算一周每日pvdate_wk = data1[['user_id','week']][data1['behavior_type']=='pv'].groupby('week').count()
fig = plt.figure(figsize=(15, 8))
ax1 = fig.add_subplot(111)
date_wk.plot(color='pink', ax=ax1, linewidth=5)
plt.title('一周浏览量')
plt.xticks(range(0, 8))
ax1.set_xticklabels(['周一', '周二', '周三', '周四', '周五', '周六', '周日'])
plt.ylabel('浏览量')
plt.show()周一到周二的浏览量有较大涨幅，周三周四趋于平稳，周四到周六有大幅下降，周日回升。4、每日浏览量date_pv = data1[['user_id', 'date']][data1['behavior_type'] == 'pv'].groupby('date').count()
fig2 = plt.figure(figsize=(15,8))
ax2 = fig2.add_subplot(111)
date_pv.plot(color='green', ax=ax2,linewidth=5)
plt.title('日浏览量', fontsize=20)
plt.xlabel('日期', fontsize=15)
plt.ylabel('浏览量', fontsize=15)
plt.show()可以看到12月12日前相对平稳，12月12日浏览量大幅上升，12月13日又大幅回落，这种现象是双十二购物促销活动造成的。5、各时段流量hour_pv = data1[['user_id','hour']][data1['behavior_type'] == 'pv'].groupby('hour').count()
fig3 = plt.figure(figsize=(15, 8))
ax3 = fig3.add_subplot(111)
hour_pv.plot(color='skyblue',ax=ax3,linewidth=5)
plt.xlabel('时', fontsize=15)
plt.ylabel('浏览量', fontsize=15)
plt.title('一天各时段浏览量', fontsize=20)
plt.show()从图中看出，从晚上12点过后，进入休息时间，浏览量持续下降；直到第二天早上5点左右开始上升，上午10点到下午5点左右比较平稳。从6点左右开始，下班时段，浏览量有一个大幅提升。6、日新增用户newuser_day = data1[['user_id','date']].groupby('user_id').min()['date'].reset_index() # 每个用户注册的日期
newuser_ct = newuser_day['date'].value_counts() # 每日多少人注册
fig4 = plt.figure(figsize=(15,8))
ax4 = fig4.add_subplot(111)
newuser_ct.plot(kind='bar',ax=ax4)
plt.title('每日新增用户数',fontsize=20)
plt.xlabel('日期', fontsize=15)
plt.xticks(rotation=45)
plt.ylabel('人数', fontsize=15)newuser_ct[-5:]从11月18日开始，第二天新增用户急剧下降，随后每日新增用户也是逐渐下降，一个月后每日新增用户只有十几个。考虑举办促销活动吸引新用户注册。7、用户留存分析定义一个函数用来计算留存人数与留存率def retention(data, start_date='2014-11-1', n=0):
if n>0:
new_user = data[['user_id', 'date']].groupby('user_id').min().reset_index() # 每日注册的用户
end_day = datetime.strftime(datetime.strptime(start_date, '%Y-%m-%d') + timedelta(n), '%Y-%m-%d') # 截止日期
start_user = set(new_user[['user_id', 'date']][new_user['date'] == start_date].user_id) #开始日期的新增用户
endday_user = set(data[['user_id', 'date']][data['date'] == end_day].user_id) #截止日期的所有用户
R_user = start_user & endday_user
return [start_date, end_day,len(start_user), len(R_user), round(len(R_user)/len(start_user), 4)]
else :
new_user = data[['user_id', 'date']].groupby('user_id').min().reset_index()
all_date = new_user['date'].unique()
i = 0
result = []
for p_day in all_date:
for p_day2 in all_date[i:]: #计算一个日期与往后每日的留存
start_user = set(new_user[new_user['date'] == p_day].user_id)
end_user = set(data[['user_id','date']][data['date'] == p_day2].user_id)
R_user = start_user & end_user
result.append([p_day,p_day2, len(start_user), len(R_user), round(len(R_user)/len(start_user), 4)])
i = i + 1
return pd.DataFrame(result,columns=['开始日期','留存日期','起始人数','留存人数','留存率'])
可以看到从11月18日开始后的用户留存率是比较稳定的，继续保持。8、漏斗模型分析# 计算各用户行为的用户数量
pv_ct = data1['user_id'][data1['behavior_type'] == 'pv'].count()
collect_ct = data1['user_id'][data1['behavior_type'] =='collect'].count()
cart_ct = data1['user_id'][data1['behavior_type'] == 'cart'].count()
buy_ct = data1['user_id'][data1['behavior_type'] == 'buy'].count()
collect = collect_ct + cart_ct
# 收藏与加入购物车不够买的行为性质差不多，给与合并
df = pd.DataFrame({'环节':['pv','collect','buy'],'人数':[pv_ct,collect,buy_ct]})（1）单一转化率# 单一转化率
temp = np.array(df['人数'])[:-1]
temp1 = np.array(df['人数'])[1:]
single_convs = temp1 / temp
single_convs = list(single_convs)
single_convs.insert(0,1)
single_convs = [round(x,4) for x in single_convs]
single_convs
df['单一转化率'] = single_convs（2）总体转化率# 总体转化率
pre = np.ones(len(df['单一转化率']))
temp4 = pre * df['人数'][0]
all_convs = df['人数'] / temp4
df['总体转化率'] = all_convs
df(3)绘制漏斗图# 画漏斗图
from pyecharts.charts import Funnel
from pyecharts import options as opts
steps = df['环节'].tolist()
step_values = (np.array(df['总体转化率']*100)).tolist()
step_values = [round(x, 4) for x in step_values]
funnel = Funnel(init_opts=opts.InitOpts(theme='dark',width='1000px'))
funnel.add('商品交易漏斗分析',
[list(x) for x in zip(attrs, step_values)],
sort_='descending',
label_opts=opts.LabelOpts(position='inside'))
funnel.set_global_opts(title_opts=opts.TitleOpts(title='漏斗图分析'),
legend_opts=opts.LegendOpts(is_show=True))
funnel.set_series_opts(label_opts=opts.LabelOpts(formatter='{b}:{c}'))
funnel.render_notebook()
用户从浏览到收藏或假日购物车的百分比在5%左右，但进行购买的用户只有1%左右，应对价格进行适当调整或促销来提高转化率。9、RFM模型分析由于数据有限，只能做RF分析。# RFM模型分析
RFM_date = data1[['user_id','date']][data1['behavior_type'] == 'buy'].groupby('user_id').max()
RFM_f = data1[['user_id','behavior_type']][data1['behavior_type'] == 'buy'].groupby('user_id').count()
RFM = RFM_date.join(RFM_f)
RFM['date'] = RFM['date'].apply(lambda x: (datetime.strptime('2014-12-18','%Y-%m-%d')-datetime.strptime(x,'%Y-%m-%d')).days)
RFM = RFM[RFM['behavior_type'] >=2]
# RFM评分函数
def R_S(recent):
if recent < 5:
return 6
elif (recent >= 5) & (recent < 10):
return 5
elif (recent >= 10) & (recent < 15):
return 4
elif (recent >= 15) & (recent < 20):
return 3
elif (recent >= 20) & (recent < 25):
return 2
elif recent >= 25:
return 1
def F_S(freq):
if freq >=55:
return 6
elif (freq >= 40) & (freq < 55):
return 5
elif (freq >= 30) & (freq < 40):
return 4
elif (freq >= 20) & (freq < 30):
return 3
elif (freq >= 10) & (freq < 20):
return 2
elif freq <10 :
return 1
RFM = RFM.rename(columns={'date':'间隔日期','behavior_type':'购买次数'})
RFM['R_S'] = RFM['间隔日期'].apply(R_S)
RFM['F_S'] = RFM['购买次数'].apply(F_S)
RFM['RFM'] = RFM['R_S']*10+RFM['F_S']
RFM.sort_values(by='RFM',ascending=False)分数越高的用户越重要，是最近有购买且购买频率高的用户，重点关注。10、销量前5的商品种类top_5 = data1[['item_category', 'behavior_type']][data1['behavior_type'] == 'buy'].groupby('item_category',as_index=False).count().\
sort_values(by='behavior_type', ascending=False)[:10]
top_5.rename(columns={'item_category':'商品种类', 'behavior_type':'销量'})被购买最多的商品种类为6344，销量为190。五、结论基于AARRR模型分析用户行为：1、用户获取：日新增用户数随时间下降幅度过大，建议可以通过投放广告提高渠道曝光率以及渠道转化率。2、用户活跃度：此数据没有用户活跃相关数据，以转化率来替代。可以看到，用户从浏览到收藏或加入购物车再到购买商品，转化率分别为5.0986%和1.0628，转化率相对较低。绝大部分用户都仅仅在浏览在页面，而浏览过后没有进行收藏或加入购物车，进行购买的用户少之又少。因此，建议（1）在用户购物页面根据用户喜好推荐商品（2）对用户购物页面进行优化，使用户更容易留意到其所喜好的商品（3）适当进行促销并投放优质广告3、提高留存率：留存率相对稳定，没有明显下降的趋势，应注意对重点客户的关注。4、获取收入:数据有限，但看出进行购买的用户比较少。5、自传播：提高广告品质进而提高广告转化率；发起类似“邀请有奖“”活动，提高k因子转化率。}

　　经常在淘宝网购的朋友都知道，平台都会给我们一个淘气值，这个淘气值实际就是一个淘宝购物分。有心的朋友会发现，这个购物分每个人还不一样。那么，淘宝购物分怎么算?淘宝购物分有什么用?　　如何计算淘气值?　　淘宝淘气值是淘宝网的全新会员体系，每个月8号更新，按淘气值的多少划分淘宝会员等级。淘气值超1000分即可成为淘宝超级会员，淘气值超2000将有超多福利和优待，淘气值超2500即有机会成为阿里黑卡俱乐部会员。而且淘气值在淘宝会员日可以享受超多福利噢!　　淘气值的分数由3个维度构成，分别为购物分、奖励分和基础分。　　统计的范围为过去12个月。　　其中购物分就是你购物的总金额啦，目前满分应该是3000分，没猜错的话应该是每购物83元累计1分。这个是本人根据最近两个月的购物分推演出来的。　　奖励分又分为3个维度，分别是购物奖励分、互动奖励分和亲情奖励分。满分多少暂时没有测出来，不过互动奖励分的满分应该是300分。这里的购物奖励分跟购物分是不同的。购物分纯粹只是计算购物金额，而购物奖励分则是计算的你的购物频次，也就是俗称的买买买。而互动奖励分应该是有2个维度，一个是与买家的互动，也就是分享。一个是与卖家的互动，也就是评价晒图。　　基础分其实就是你的账户的基础分数，其中涉及到账户的安全性、账户的信息、购物是否正常等等。满分是400分。正常的账户都是拿到满分的。　　淘气值计算公式是什么?淘气值要如何提升?　　淘气值有什么用?　　1、淘气值600分以上的用户可以领取滴滴快车券、支付宝口碑优惠券、流量券等各种常用的优惠券。　　2、淘气值800分以上会员可与酒店VIP享有同等待遇，比如延时退房等。　　3、淘气值超过1000分即可成为超级会员，淘宝专门为超级会员精心准备了各种高端专属福利，包括万豪金卡、宝马折扣、7.5折人保车险、优酷会员等等特权。　　4、淘气值超过2000分可以获得客服优先的特权哦，而且淘气值达到2000分可以修改淘宝会员名!超过2500分更有机会申请获得阿里黑卡，成为阿里黑卡俱乐部会员。　　淘宝淘气值并不是固定的，它通过分析计算用户近12个月的行为数据，每月8号系统会更新一次分值，购买力、互动指数和购物信誉是其计算的核心依据。　　在哪里查看淘气值?　　点击“淘宝”APP——“我的淘宝”——“会员中心”——“淘气值”，就可以查看详细数值。　　以上就是关于淘宝购物分的一些详细介绍，购物越高我们可以享受的权益就越多。而这个购物分与我们日常使用淘宝的习惯有关。赶快看看你有多少购物分了，可以兑换什么权益了?原标题：怎么算淘宝购物分？责任编辑：曾少林}