精华内容
下载资源
问答
  • 电商数据分析
    2022-02-15 22:13:39
    EXCEL对电商数据分析

    背景

    ​ 随着互联网的发展,电商得利于科技的推动以一种线上交易通过快递邮件的方式来送到消费者手中达到最终的交易。电商平台的用户数量十分庞大,同时每天产生的数据也非常的多,对于现在互联网红利时代已经过去要想经营一个好的电商平台并不是那么的容易,必须要有资深的数据分析团队来对数据进行分析。最后通过对用户数据、行为数据、产品数据进行综合分析评价来调整运营策略对不同用户实现精细化运营。

    常用的电商常用指标

    客户价值指标

    商品类别指标

    总体运营指标

    网络流量指标

    • 以上只是罗列的一部分,电商数据的指标还有很多。上面的指标是我们经常去关注的指标,知道指标还需根据实际的业务去理解指标的含义。

    • 应该做到如下几点

      业务含义:该指标在业务上表示什么;

      数据来源:从什么地方收集的原始数据;

      统计时间:统计数据的时间范围是什么。

      指标定义:如果是占比、比例,得定义清楚是什么除以什么;如果是相加,得定义清楚是什么加上什么。

    EXCEL实现电商数据的分析

    • 数据来源

      数据来源于莫电商平台1月分的销售数据,其中包括用户留存数据、商品销售数据、商品价格数据、商品浏览数据。

    业务需求

    现在业务部门需要你分析出:
    (1)1月5日的DAU是多少?
    (2)从留存的角度来看,质量最高的新增用户来自哪一天?

    (3)在1月15日当天,SKU销售激活率是多少?

    (4)商品“品类T582”的详情页购买转化率在哪天最高?
    (5)1月10日当天的ARPU值是多少?

    1月5日的DAU是多少?

    DAU:日活跃用户,表示为当日新增用户+前面几天到现在的留存用用户

    计算1月5日的DAU
    日期当日新增1日留存2日留存3日留存4日留存
    1月1日85982503331429852966
    1月2日5936286027512628
    1月3日970927092775
    1月4日63493432
    1月5日6680

    1月5日的DAU=6680+3432+2775+2628+2966

    1月5日的留存数=18481

    从留存的角度来看,质量最高的新增用户来自哪一天?

    • 对于评价那一天的新增用户质量可以通过计算用户留存率来作为衡量标准,常用的用户留存率考察口径有次日、3日、7次、30天等

    • 用户留存率= 口径考察还在留存的用户/当日新增用户

    • 以7日为列

    • 从上图中可以看出,根据7日留存率用户留存质量最高的为1月9日、1月17日,分别达到了52.35%、44.41,最低的为1月3日、1月12日,用户留存率仅有16.24%、16.36%

    在1月15日当天,SKU销售激活率是多少?

    ​ SKU(stock keeping unit,库存量单位),针对电商而言,一款商品每个品类就是一个SKU,用以区分单品,便于电商品牌识别商品。

    **SKU销售激活率=当日有销售记录的品类数/SKU总数 **

    商品名(单位:件)1月15日
    品类T82718
    品类T44125
    品类T63622
    品类T46251
    品类T74718
    品类T42024
    品类T42448
    品类T7060
    品类T62146
    • 上表是部分数据,SKU总数表示商品名这一列有多少行,有销售的数据为1月15日销售数量大于0
    • SKU总数:108、在1月15日有销售的产品:90
    • SKU销售激活率=90/108=83.33%

    商品“品类T582”的详情页购买转化率在哪天最高?

    • 数据如下

    [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cEAJ4ONd-1644934391847)(D:\个人作品\转化率.png)]

    • 从商品浏览表和销售情况表中分别把品类为T582的浏览数据和购买数据取出
    • 转化率 = 当日的总购买数量/用户浏览总的次数
    • 从转化率这一维度衡量品类T582销售情况,其中在1月29日的转化率最高,达到了71.11%,其次是1月16日达到了68.29%

    1月10日当天的ARPU值是多少?

    **ARPU(The average revenue per user)**的缩写,译为每用户平均收入或平均每用户收入。与 Average revenue per account(缩写 ARPA 每帐户平均收入)和 Average revenue per customer(缩写 ARPC 每客户平均收入)在行业中可以互换使用。

    ARPPU(Averagerevenue per paying user) 的缩写,代表每个付费用户的平均收入。 如果你的企业提供了一个免费层,你的 ARPU 和 ARPPU 指标将会有所不同。这种区别对于那些拥有大量免费用户和一小部分付费用户的产品来说非常重要,这些用户推动了产品的整体盈利能力。 例如,大多数手机游戏和许多面向消费者的生活方式应用程序。

    当天 ARPU=当日销售总额/当日DAU

    当日的DAU根据第一个需求一样,很容易知道为27405

    当日的销售总额 = 各商品单价x各商品数量,然后累加

    当日销售总额=235317

    当天ARPU=235317 / 27405 = 8.57, 相当于平均到每个人下来为平台奉献了8.57元

    总结

    ​ 从电商数据的留存情况、产品的销售情况、某日ARPU值等对数据进行初步分析,了解目前商品的基本销售情况下一步还可以从商品这一维度来分析畅滞品来对库存进行调整。对畅销品要继续推进、对滞销品要分析原因利用多维度分析法、假设检验找到问题的原因并提出总结性检验。最后,数据分析是一种客观分析不存在任何主观因素来导致结论的偏差,一定要对业务指标的理解、业务流程的熟悉。

    RPU值等对数据进行初步分析,了解目前商品的基本销售情况下一步还可以从商品这一维度来分析畅滞品来对库存进行调整。对畅销品要继续推进、对滞销品要分析原因利用多维度分析法、假设检验找到问题的原因并提出总结性检验。最后,数据分析是一种客观分析不存在任何主观因素来导致结论的偏差,一定要对业务指标的理解、业务流程的熟悉。

    更多相关内容
  • 四周上手BI 电商数据分析---本课程从经典电商业务分析入手,案例贯穿,注重实操,在较短的时间里教您快速掌握BI数据分析技巧,让“人人都成为数据师”不再是一句口号!快速掌握BI数据分析,人人都成为数据师,经典...
  • 电商数据分析报告.pdf

    2020-08-14 20:40:05
    电商平台需要获取的数据、进行数据分析、及其对业务的作用。本文分为四个部分:背景、思路、过程、结论,是对数据分析应用的一个实际的案例。
  • 基于Hadoop的电商数据分析系统的设计与实现.pdf
  • 基于Scrapy的电商数据分析系统设计与实现.pdf
  • 《Excel 电商数据分析》教学课件—12商务数据报告撰写与商业分析案例.pdf《Excel 电商数据分析》教学课件—12商务数据报告撰写与商业分析案例.pdf《Excel 电商数据分析》教学课件—12商务数据报告撰写与商业分析案例...
  • 《Excel 电商数据分析》教学课件—05数据与运营平台.pdf《Excel 电商数据分析》教学课件—05数据与运营平台.pdf《Excel 电商数据分析》教学课件—05数据与运营平台.pdf《Excel 电商数据分析》教学课件—05数据与运营...
  • 电商数据分析指标整理,分别从8个方面来说明。分别是总体运营指标,网站流量指标,销售转化指标,客户价值指标(RFM),市场营销活动指标,风控类指标,市场竞争指标。
  • 2020年直播电商数据分析报告—抖音VS快手-面朝研究院-202006.pdf
  • 电商数据分析模板的脑图文件,xmind,使用脑图软件查看
  • 纺服及时尚消费品2021年6月电商数据分析:运动和化妆品国潮继续领先,珠宝板块环比提速.pdf
  • 电商 大数据 人工智能 关系库 数据分析
  • HIve大数据平台数据分析 hive 电商数据分析
  • 电商数据分析ppt.pptx

    2021-09-24 07:45:36
    电商数据分析ppt.pptx
  • 食品饮料行业点评报告:5月电商数据分析,行业短期平淡,均价持续提升(17页).pdf
  • 基于大数据的商业智能在电商数据分析中的应用.pdf
  • 电商评价指标,数据分析关键性指标体系,是电商数据分析师不可多得的好东东,也是数据分析报告的好模板。欢迎大家收藏
  • 电商数据分析

    2015-02-28 12:37:46
    电商销售数据分析, 可以分析目前大的电商的概括
  • Python电商数据分析实战案例

    千次阅读 多人点赞 2021-08-02 00:15:11
    导读:今天给大家带来一个电商数据分析案例。我整理了下,以笔记的形式分享给到大家。案例背景大致是某电商连续几年的总体销售额都在上涨,但近年增速放缓,需要寻求有效的增涨点,以提升市场竞争力。...

    导读: 今天给大家带来一个电商数据分析案例。我整理了下,以笔记的形式分享给到大家。案例背景大致是某电商连续几年的总体销售额都在上涨,但近年增速放缓,需要寻求有效的增涨点,以提升市场竞争力。因为篇幅较长,因此本次案例分析共分为上下两篇。文章较长,建议收藏~


    电商分析基础知识

    在正式开始之前,云朵君为大家准备了一些常见的基础的电商分析基础知识,对于数据分析小白较为友好,电商分析大佬可酌情查看,若有写得不好的地方,还望大佬纠正,共同进步!

    此处参考自知乎:电商数据分析指标[1]

    电商分析指标

    一、 流量指标

    浏览量(PV):用户访问页面的总数。

    访客数(UV):独立访客。一台电脑为一个独立访问人数。可分为新访用户和回访用户。

    当前在线人数:指15分钟内在线的UV数。

    平均在线时间:指平均每个UV访问网页停留的时间长度。停留时间 = 访客打开网站第一个页面的时间点 – 打开网站最后一个页面的时间点。

    平均访问量:用户每次浏览的平均页面值。

    日均流量:平均每天的流量。

    跳出率:只浏览了一个页面就离开的访问次数除以该页面的全部访问次数。分为:首页跳出率、关键页面跳出率、具体产品页面跳出率等。这个指标可以反映出一个页面内容的受欢迎程度。如果跳出率高,说明该页面需要调整和优化。跳出率高不可怕,可怕的是不知道用户跳出的原因。

    二、转化指标

    有了流量之后,我们希望用户按照设计好的要求进行动作,比如希望用户注册、收藏、下单、付款、参加我们的营销活动等等。这些动作就是转化。

    转化率:指进行了相关动作的访问量占总访问量的比例。转化率是电商营运的核心指标,也是用来判断营销效果的指标。

    注册转化率:注册用户数/新访用户数。

    客服转化率:咨询客服人员的用户数/总访问数。

    收藏转化率:即将产品添加到收藏或关注的用户数/该产品的总访问数。

    添加转化率:将产品添加到购物车的用户数/该产品的总访问数。

    成交转化率:成交用户数/总访问数。成交转化率又可细分为渠道转化率、事件转化率、品牌转化率等。

    三、营运指标

    成交指标:成交金额、成交数量、成交用户数

    订单指标:订单金额、订单数量、订单用户数、有效订单、无效订单

    退货指标:退货金额、退货数量、退货用户数、金额退货率、数量退货率、订单退货率

    效率指标:客单价、件单价、连带率、动销率

    采购指标:采购金额、采购数量

    库存指标:库存金额、库存数量、库存天数、库存周转率、售罄率

    供应链指标:送货金额、送货数量、订单满足率、订单响应时长、平均送货时间

    四、会员指标

    传统零售业和电商的会员概念上有一些不同。传统零售业中,用户需要消费到一定的金额数目才有资格成为会员,所以传统零售的会员一定是顾客。而电商中,一般用户只要注册成功便成为会员。二是时效性的差异,大部分传统零售的会员管理有失效的规定,即如果会员不能在一定期限内消费达到某一金额就将会失去会员的资格。而电商中的会员则没有这种限制,只是对不同消费金额的用户设定了不同的等级。

    注册会员数:指曾经在网站上注册过的会员总数。一般来说这个定义没有太大的意义,因为存在有只注册不买的用户和买过东西但已经长时间不使用的用户,所以把这个指标定义为一年中有购买记录的会员更准确。

    活跃会员数: 指在一段时期内有过消费或登录行为的会员总数。

    活跃会员比率: 活跃会员数占总会员数的比例。

    会员复购率: 指在某时期内产生了第二次或以上购买会员数占总购买会员的总数。

    平局购买次数: 某时期内每个会员平均购买的次数。

    会员回购率: 指上一期末活跃会员在下一期时间内有购买行为的会员比率。

    会员留存率: 某时间节点的会员在某特定时间周期内登录或消费过的会员比率。电商一般使用消费数据,游戏、社交领域则使用登录数据。

    五、财务指标

    新客成本:公司花了100万获得了10000个新客户,则新客成本为100元/人。新客成本一般根据渠道计算,这样也可以区分不同的渠道质量。

    单人成本: 营销成本/访客数。这里的访客不区分是否是新访客、是否购买、是否注册等。

    单笔订单成本: 营销成本/产生的订单数

    费销比: 营销成本/订单金额。它的倒数就是ROI。

    核心指标是什么

    对于不同行业、不同性质、不同阶段的公司来说,关注的指标也是不一样的,所以所谓核心指标也并非一成不变的。

    对于一个新电商来说,积累数据,找准营运方向是最重要的,所以这一阶段最关注的的指标就是流量指标,包括了:访客数、访客来源、注册用户数、浏览量、浏览深度、产品的浏览量排行、产品的跳出率、顾客评价指数等等。

    对于已经营运了一段时间的电商来说,通过数据分析提高销量就成为最重要的目标。这个阶段最关注的的指标主要包括流量和销售指标:访客数、浏览量、转化率、新增会员数、会员流失率、客单价、动销率、库存天数、ROI、销售额等。

    对于具有了一定规模的电商来说,利用数据提升整体营运水平就很关键。他们的重点指标就是访客数、浏览量、转化率、复购率、流失率、留存率、客单价、利润率、ROI、新客成本、库存天数、订单满足率、销售额等。

    电商案例分析

    接下来进入我们今天案例分析的主题。

    总体思路

    1、了解行业与公司现状

    • 行业现状与趋势,如涉及哪些业务

    • 公司在市场中地位

    2、沟通明确需求

    • 头脑风暴,挖掘需求或瓶颈

    • 多次沟通,最有价值的分析

    3、最后用数据进行验证

    导入相关模块

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    import datetime
    sns.set()
    pd.set_option('float_format', lambda x: '%.2f' % x)
    
    #显示中文
    plt.rcParams['font.family'] = ['Arial Unicode MS']
    plt.rcParams['axes.unicode_minus']=False
    

    宏观市场分析

    产品生命周期(product life cycle),简称PLC,是产品的市场寿命,即一种新产品从开始进入市场到被市场淘汰的整个过程。

    费农认为:产品生命是指市上的的营销生命,产品和人的生命一样,要经历形成、成长、成熟、衰退这样的周期。就产品而言,也就是要经历一个起步、成长、成熟、衰退的阶段。

    图片来自网络

    1、起步期

    企业规模可能很小,关于该行业的企业如何发展有不同看法,产品类型、特点、性能和目标市场不断发展变化。市场中充满各种新发明的产品或服务,管理层采取战略支持产品上市。产品设计尚未成熟,行业产品的开发相对缓慢,利润率较低,市场增长率较高。

    策略:跟踪对手、参与或观望。

    2、成长期

    该行业已经形成并快速发展,大多数企业因高增长率而在行业中继续存在。管理层需确保充分扩大产量达到目标市场份额。需大量资金达到高增长率和扩产计划,现金短缺。利用专利或者降低成本来设置进入壁垒(内在规模经济),阻止竞争者进入行业。

    策略:增加投入、增加市场占有率、阻止新进入者。

    3、成熟期

    增长率降到较正常水平,相对稳定,各年销售量变动和利润增长幅度较小,竞争更激烈。后期一些企业因投资回报率不满意而退出行业,一小部分企业主导行业,需监控潜在兼并机会(啤酒行业)、探索新市场(中国拖拉机出口)、研发新技术、开发具有不同特色功能的新产品。战略管理至关重要

    策略:提高效率、成本控制、进入和控制市场细分。兼并扩张,研发新品。

    4、衰退期

    行业生产力过剩,技术被模仿后出现的替代品充斥市场,市场增长率严重下降,产品品种减少,行业活动水平随各公司从该行业退出而下降,该行业可能不复存在或被并入另一行业。行业的存在期比任何单一产品都要长。充分运用战略管理很重要

    策略:及时退出。

    数据准备

    本次案例数据量较多,下面按照分类通过思维导图的方式将其展示出来。

    一级市场容量分析

    数据读取

    wxtz=pd.read_excel('./baier/电商案例数据/驱虫剂市场/电蚊香套装市场近三年交易额.xlsx')
    ff=pd.read_excel('./baier/电商案例数据/驱虫剂市场/防霉防蛀片市场近三年交易额.xlsx')
    mssc=pd.read_excel('./baier/电商案例数据/驱虫剂市场/灭鼠杀虫剂市场近三年交易额.xlsx')
    wx=pd.read_excel('./baier/电商案例数据/驱虫剂市场/盘香灭蟑香蚊香盘市场近三年交易额.xlsx')
    jrp=pd.read_excel('./baier/电商案例数据/驱虫剂市场/蚊香加热器市场近三年交易额.xlsx')
    wxp=pd.read_excel('./baier/电商案例数据/驱虫剂市场/蚊香片市场近三年交易额.xlsx')
    wxy=pd.read_excel('./baier/电商案例数据/驱虫剂市场/蚊香液市场近三年交易额.xlsx')
    

    横向合并

    将二级市场到交易额按照月份汇总到一起,形成一级市场到交易数据,用来分析整个一级市场(宏观市场)到市场容量走势

    table = wxy
    for i in [wxp,wxtz,ff,mssc,wx,jrp]:
        table = pd.merge(table,i,how='inner',on='时间')
    table.columns=['时间','电蚊香套装','防霉防蛀片','灭鼠杀虫剂','盘香灭蟑香蚊香盘','蚊香加热器','蚊香片','蚊香液']
    table.head()
    

    查看一级市场趋势

    一般后续分析要按照时间维度进行各种汇总分析,最好把时间字段设置为该表的索引。

    table.set_index('时间',inplace=True)
    table['一级市场销售总额']=table.sum(axis=1)
    table.head()
    # table.一级市场销售总额.plot()
    

    以时间索引为横轴,一级市场销售总额为纵轴,绘制折线图,查看一级市场销售趋势。由图中可以看出,销售总额趋势是周期性增长的。

    回归算法预测销售额

    这里有两点需要注意:

    • 一般作宏观市场容量分析,一般要求5年。

    • 发现年度数据不规整,2018年11月、12月缺失,2015年只有11月、12月。

    • 接下来用回归分别对18年11月、12月数据做出简单的预测。

    先预测18年11月的销售额,提取2015-2017年11月的销售额。

    table_02 = pd.concat([table['2015-11'],table['2016-11'],table['2017-11']],axis=0)
    table_02
    

    对二级市场作回归分析(上表每个字段作一次)。

    from sklearn.linear_model import LinearRegression
    y_11 = []
    x_train=np.array([2015,2016,2017]).reshape(-1,1)
    
    for i in table_02.columns:
        y_train=table_02[i].values
        clf = LinearRegression()
        clf.fit(x_train,y_train)
        y_pred = clf.predict(np.array([[2018]]).round(1))
        y_11.append(round(y_pred[0],2))
    y_11
    
    [5543203.83,
     776627.04,
     38692.61,
     6678677.55,
     71752495.99,
     1801318.82,
     193874.39,
     86784890.23]
    

    将上面得到的结果追加到15年到17年数据表中去。

    date = datetime.datetime.strptime('2018-11-1','%Y-%m-%d')
    y_11 = pd.Series(y_11,index=['电蚊香套装','防霉防蛀片','灭鼠杀虫剂','盘香灭蟑香蚊香盘',
                                 '蚊香加热器','蚊香片','蚊香液','一级市场销售总额']
                    ,name=date)
    table_02.loc[date,:]=y_11
    table_02
    

    同理,预测2018年12月各个杀虫剂销量。

    从预测结果可以看到,2018年11月和12月的市场销售总额,会比前三年还要进一步增加。

    二级市场容量分析

    将原始数据及预测得到的销售数据合并,再继续分析。

    table_04 = pd.concat([table,table_02,table_03],axis=0)
    # 根据索引排序
    table_04 = table_04.drop_duplicates(
          ).sort_index(ascending=False).iloc[:-2,:]
    table_04.head()
    

    统计2016、2017和2018年一级市场年销售总额。并绘制折线图。

    # table_04.resample('Y')['一级市场销售总额'].sum().plot()
    t4 = table_04.resample('Y')['一级市场销售总额'].sum()
    
    时间
    2016-12-31    917966079.69
    2017-12-31   1395872729.27
    2018-12-31   1699011039.03
    Freq: A-DEC, Name: 一级市场销售总额, 
    dtype: float64
    

    由上图可以看出,2018年相对于2017年全年销售总额增速有所降缓。进一步分析二级市场的容量,探寻市场增长点。

    table_05 = table_04.resample('Y').sum()
    table_05
    

    绘制各个驱虫剂三年内年消费总额折线图。

    从结果可以看到:

    • 二级市场里面,灭鼠杀虫剂市场销售额市场最大,增长幅度稳定

    • 接下来对细分市场作分析,集中在灭鼠杀虫市场内,也是由于需求方产品线所处对二级市场。

    • 灭蚊市场占比较大,增加产品多样性可以考虑灭蚊产品。

    二级市场的占比分析

    将所有杀虫剂年销售额除以一级市场销售总额,得到每种杀虫剂市场占比。

    a=[]
    for i in table_05.columns:
        a.append(table_05[i]/table_05.一级市场销售总额)
    table_06=pd.DataFrame(a,index=table_05.columns)
    table_06.T
    

    将上面得到的二级市场占比,进行可视化分析,得到如下图所示的各杀虫剂销售总额占比。

    从结果可以看到:

    • 灭鼠杀虫剂市场一直以来占领一级市场一级市场60%以上的市场份额。

    • 其次是蚊香液产品,占据20%以上份额。

    二级市场增量分析

    将各个杀虫剂每年年销售总额做差分并除以上一年年销售总额得到年增幅。

    incre_01=(table_05.iloc[1,:]-table_05.iloc[0,:])/table_05.iloc[0,:]
    incre_02=(table_05.iloc[2,:]-table_05.iloc[1,:])/table_05.iloc[1,:]
    incre=pd.DataFrame([incre_01,incre_02],index=['16-17年增幅',"17-18年增幅"])
    incre
    

    将上述得到的数据进行可视化。

    由上面分析得到如下几点:

    • 一级市场容量的增幅确实是在放缓,放缓幅度较大。

    • 二级市场容量有所放缓,幅度较小。

    竞争分析

    本节使用行业排名top100品牌数据,包括品牌、行业排名、交易指数、交易增长幅度、支付宝转化指数等几个重要字段。

    brand=pd.read_excel('./baier/电商案例数据/top100品牌数据.xlsx')
    brand.head()
    

    这里我们只需要品牌和交易指数两个字段。

    brand=brand[['品牌','交易指数']]
    brand.set_index('品牌',drop=True,inplace=True)
    brand.head()
    

    并将行业排名TOP10的品牌绘制饼图,查看各个品牌市场占比情况。

    微观市场-竞争分析

    mm=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/螨.xlsx')
    ms=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/灭鼠.xlsx')
    sc=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/杀虫.xlsx')
    sz=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/虱子.xlsx')
    zl=pd.read_excel('./baier/电商案例数据/灭鼠杀虫剂细分市场/蟑螂.xlsx')
    
    t_01=sz[["类别","预估销售额"]]
    t_02=zl[["类别","预估销售额"]]
    t_03=mm[["类别","预估销售额"]]
    t_04=ms[["类别","预估销售额"]]
    t_05=sc[["类别","预估销售额"]]
    

    微观市场容量分析

    将灭鼠杀虫剂细分市场各个类别数据进行合并,并按照类别聚类,对预估销售额进行求和。得到如下图所示的各杀虫剂类别--预估销售总额条形图。

    t = pd.concat([t_01,t_02,t_03,t_04,t_05])
    t.set_index('类别',drop=True,inplace=True)
    (t.groupby('类别').sum()).plot(kind='barh',
                                 color=cmap[1],ax=ax)
    

    从条形图中可以获得不少有价值的信息:

    • 在二级市场内,灭鼠产品的预估销售额是最大。

    • 其次是才是灭蟑产品,目前拜耳的在驱虫剂市场的产品主要集中在灭蟑和杀虫。

    • 可以考虑灭鼠和除螨的产品线。

    三级市场占比分析

    将各个类别的产品除以总销售额,得到每个产品的销售额占比情况,并绘制横向条形图。

    t.groupby('类别').sum().sum(axis=0)
    t = pd.concat([t_01,t_02,t_03,t_04,t_05])
    (t.groupby('类别').sum()/t.groupby('类别').sum().sum(axis=0)
    ).plot(kind='barh',color=cmap[1],ax=ax)
    

    从结果可以看到:

    • 拜耳主营业务市场,灭鼠和灭蟑产品占市场份额60%左右。

    如果要介入灭鼠产品,以较低价引流产品为主,要以什么价格区间的灭鼠产品比较合适。

    引流产品价格定位

    通过对数据表进行描述性统计,得到每个价格区间预告销售额大小。

    ms_02 = ms.loc[:,['类别','宝贝ID','售价','预估销售额']]
    ms_02.describe()
    

    价格数据离散化,设置0,50,100,150,200,250,300七个切割点,将售价切分为六个价格区间。

    bins_01 = [0,50,100,150,200,250,300]
    labels = ['0-50','50-100','100-150','150-200','200-250','250-300']
    ms_02['价格区间']=pd.cut(ms_02['售价'],bins=bins_01,labels=labels)
    ms_02.head()
    

    以价格区间聚合,对预估销售额进行求和,得到如下结果。可以明显看到,价格区间在0-50时,预估销售总额是最高的,且是排名第二的50-100价格区间总预估销售额的近5倍。

    ms_02.groupby('价格区间')['预估销售额'].sum().sort_values(ascending=False)
    
    价格区间
    0-50      15162086.51
    50-100     3335060.19
    100-150    2758086.29
    200-250    2743758.00
    150-200     629813.00
    250-300     237740.00
    Name: 预估销售额, dtype: float64
    

    如果拜耳想介入灭鼠产品,引流产品定位在0-50之间合适,但是哪个细分区间比较合理?

    细化价格区间,将0-50价格区间继续以0,10,20,30,40,50即每10元为一个区间,划分产品售价,得到如下结果。

    bins_02=[0,10,20,30,40,50]
    labels_02=["0-10","10-20","20-30","30-40","40-50"]
    ms_02['价格区间']=pd.cut(ms_02['售价'],bins=bins_02,labels=labels_02)
    ms_02.head()
    

    同样聚合求和并排序,得到如下结果,其中10-20及20-30价格区间总预告销售额相对较高。

    ms_02.groupby('价格区间')['预估销售额'].sum().sort_values(ascending=False)
    
    价格区间
    10-20   8102634.14
    20-30   4969620.92
    30-40   1240874.19
    40-50    707568.49
    0-10     141388.77
    Name: 预估销售额, dtype: float64
    

    如果想做0-50块之间灭鼠引流产品,10-30元以内比较合适,市场比较受欢迎,不容易亏损。

    竞争分析

    谁是我们的竞争对手?他们的策略是什么?和他们相比我们的优势和劣势在哪儿?这些是我们必须经常面对的问题,竞争对手无处不在。作为一名数据分析师,我们又要如何帮助公司制定竞争策略?不能正确识别自己的竞争对手会造成各种被动,既浪费资源,还浪费宝贵的发展时机。

    本次竞争分析将从两个方面着手,一是销售竞争分析,其中包括拜耳、科凌虫控和安速家居销售分析。二是产品结构分析,这一部分将在本次案例分析下篇中继续展开,本篇不涉及。

    销售分析

    本次使用的数据是竞争数据中商品销售数据内的三家公司近30天销售数据。

    安速家居 =pd.read_excel('./baier/电商案例数据/竞争数据/商品销售数据/安速家居近30天销售数据.xlsx')
    科凌虫控 =pd.read_excel('./baier/电商案例数据/竞争数据/商品销售数据/科凌虫控旗舰店近30天销售数据.xlsx')
    

    拜耳销售分析

    查看下本次数据都包含哪些字段。

    拜耳 = pd.read_excel('./baier/电商案例数据/拜耳店铺数据/拜耳近30天销售数据.xlsx')
    拜耳.info()
    
    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 15 entries, 0 to 14
    Data columns (total 16 columns):
     #   Column  Non-Null Count  Dtype  
    ---  ------  --------------  -----  
     0   序号      15 non-null     int64  
     1   店铺名称    15 non-null     object 
     2   商品名称    15 non-null     object 
     3   商品ID    15 non-null     int64  
     4   主图链接    15 non-null     object 
     5   商品链接    15 non-null     object 
     6   商品原价    15 non-null     float64
     7   商品售价    15 non-null     float64
     8   30天销售量  15 non-null     int64  
     9   总销量     15 non-null     int64  
     10  类目      15 non-null     object 
     11  物理形态    11 non-null     object 
     12  型号      15 non-null     object 
     13  净含量     13 non-null     object 
     14  使用对象    15 non-null     object 
     15  销售额     15 non-null     float64
    dtypes: float64(3), int64(4), object(9)
    memory usage: 2.0+ KB
    

    使用切片截取本次分析所需要的字段信息。

    baier = 拜耳[["商品ID",'使用对象',"商品售价","30天销售量","销售额"]]
    baier.head()
    

    根据商品ID聚合,并对销售额求和,按照总销售额排序后绘制条形图如下所示。从结果中可以看出,爆款产品527604730327的销售额远远超过其他任何一个产品。

    cmap = [low_c,high_c]
    (baier.groupby('商品ID')['销售额'].sum().sort_values(ascending=False)
    ).plot(kind='barh',color=cmap[1],ax=ax)
    

    为了查看拜耳产品分不同使用对象的总销售额,对使用对象聚合并所有字段求和,其中主要看30天销售量销售额两个字段即可。其余两个字段聚合求和得到的结果并没有意义。

    baier.groupby('使用对象').sum().sort_values('销售额',ascending=False)
    

    从上面结果可以得到如下信息:

    • 灭蟑产品占拜耳的销售额最大的比重

    • 其次是灭蚁等

    科凌虫控销售分析

    接下来分析科凌虫控销售数据。其数据与拜耳销售数据字段相同,在这里就不做展示。

    同样切片截取需要的字段来分析。并以商品ID聚合,对其他字段求和,得到每种商品的销售数据。

    keling = 科凌虫控[["商品ID",'适用对象',"商品售价","30天销售量","30天销售额"]]
    keling.groupby('商品ID').sum().sort_values('30天销售额',ascending=False)
    

    同样统计各个使用对象30天内销售总量及总额数据。

    keling.groupby('适用对象')['30天销售量','30天销售额'].sum().sort_values('30天销售额',ascending=False)
    

    得到如下主要信息。

    • 热门产品(灭蟑)销售额与拜耳的差距不大

    • 科凌的产品类目覆盖了二级市场里面主要的类目

    安速家居销售分析

    按照上面拜耳及科凌虫控销售数据分析方法,同样用以分析安速家居销售分析数据。

    ansu = 安速家居[["商品ID",'适用对象',"商品售价","30天销售量","30天销售额"]]
    ansu.head()
    
    ansu.groupby('商品ID')['30天销售量','30天销售额'].sum().sort_values('30天销售额',ascending=False)
    
    ansu.groupby('适用对象')['30天销售量','30天销售额'].sum().sort_values('30天销售额',ascending=False)
    

    得到如下主要信息。

    • 热销产品的销售额不及拜耳与科凌

    • 安速的产品类目广,基本覆盖了拜耳和科凌主营产品类目

    • 拜耳热销产品主要集中在灭蟑,主要竞争对手(科凌、安速)在主营业务上构成竞争

    • 主要竞争对手的产品多样化比拜耳做的更好

    • 拜耳灭蟑产品只要竞争对手科凌,杀虫灭蚁产品主要挑战来源于安速

    写在最后

    到目前为止,本次案例算是完成了分析任务的一般。从刚开始介绍了一些简单的电商案例分析基础知识,并从宏观市场及微观市场分析几家电商的销售数据。其中微观市场分析并未结束,将在接下来的下篇中分享给到大家。其主要内容包括如下:

    参考资料

    [1] 

    电商数据分析指标: https://zhuanlan.zhihu.com/p/50754573

    点分享

    点收藏

    点点赞

    点在看

    展开全文
  • Excel在电商运营数据分析中的应用.pdf
  • 某团购网站离线电商数据分析平台视频、ppt、文档,某团购网站离线电商数据分析平台视频、ppt、文档,某团购网站离线电商数据分析平台视频、ppt、文档
  • 电商数据分析与数据化运营

    千次阅读 2021-08-27 14:07:15
    第一章:建立电商运营的上帝视角 1.数据分析师具备的三种能力:懂运营,数据,工具 2.制作数据报告的四大步骤:

    目录

    一.业务必知

    1.服装电商的发展历史及特征

    2.部门组织架构与工作职能

    2.1组织架构

    2.2工作职能

    3.电商的零售特征

     3.1电商的本质是零售

     3.2一个公式,三个指标

    4.电商渠道属性

    4.1天猫

    4.2京东

    4.3唯品会

    5.渠道的活动运营节奏

    5.1认识服装行业的周期

    5.2天猫的运营节奏

     5.3京东的运营节奏

    5.4店铺的说服逻辑与购买路径

    二.分析入门

    6.驱动业务的KOL指标

       6.1以运营为导向的业务框架

       6.2运营

    7."人-货-场"指标全览

    7.1有关人的指标

    7.2有关货的指标

    7.3有关场的指标

    8.快速构表法

    三.实战演练

    9.店铺的数据化诊断

    9.1.用户数

    9.2.平均消费金额

    9.3.复购率

    10.店铺的流量分析

    10.1流量来源分析:流量从哪里来?

    10.2.流量路径分析:流量到哪儿去?

    11.店铺的商品分析

    11.1 商品的销售结构分析

     11.2 商品的库存结构分析

     11.3 商品ABC与主推款跟踪,拉升销售业绩

    11.4 商品屏效分析,助力促销活动

    12.店铺用户分析

    12.1用户唤醒分析,1个老客胜过7个新客

    12.2建立物流地图,优化快递成本

    13.活动分析

    13.1可控的五大数据化促销要素

    13.2巧设优惠券,提升销售额

    14.大促实战

    14.1活动日第一波分析:屏效与ABC分析

    14.2活动日第三波分析:断码分析与预售催付


    一.业务必知

    1.服装电商的发展历史及特征

    纵观最近十几年,国内服饰的电商发展可以分为四大阶段:

    a) 第一阶段:2000年~2006年,文艺风、复古风、设计师品牌等小众 风格的春天。
    
    b) 第二阶段:2006年~2009年,国外大牌ZARA等进入国内,并开始 渠道布局。
    
    c) 第三阶段:2009年~2012年,快时尚品牌UNIQLO等进入快速发展期。
    
    d) 第四阶段:2013年~2016年,潮牌、融合科技感的运动品牌这类宣传自我个性的品牌兴起。

    服装行业最重要的特点是周期——服装的生命周期、风格的生命周期,就连时尚趋势也是有生命周期的。理解了‘周期’的概念后,我们的数据分析就会在宏观层面更具指向性。

    2.部门组织架构与工作职能

    数据分析师:把‘运营、数据、工具’这三种能力综合运用,为电商店铺运营解决某一具体问题的职业。

    数据报告:

                      

    2.1组织架构

    2.2工作职能

    a) 运营部是驾驶员,他们负责根据外部(电商平台)的气候变化情况与飞机自身 (企业内部)的健康状态进行匹配,选择最适合的飞行高度与飞机路线。
    
    b) 商品部与市场部则是两个机翼,负责事业部在飞行过程中的方向选择。如果商品备货过重,则飞机会向右侧倾斜;如果市场推广费过高,则飞机会向左侧倾斜。
    
    c) 设计部是尾翼,负责飞机在飞行过程中的平衡,仔细想想,如果品牌的风格不稳定,是不是品牌就会陷入左右摇摆、飘忽不定的局面?
    
    d) 客服部,不就是负责在 机舱内照顾好已经登机的客人吗?
    
    e) 商业智能部应该是飞行指挥塔。飞行指挥塔负责随时监测飞机内部的各项飞行指标。商业智能部也要随时监测企业经营过程中的一切指标,包括商品、流量、销售额、利润等,并且还要监测外部的行业情报、竞争对手情报,然后针对这些数据进行分析,提交可供决策人员参考的运营分析报告。

    3.电商的零售特征

              3.1电商的本质是零售

           电商=零售,零售=成交。 

               3.2一个公式,三个指标

    UV x 转化率 x 客单价 = 销售额

    UV就是访客,转化率就是买单人数与访客的比值。这个公式是所有电商数据分析的基础!

    这个公式的具体应用,如:

    1.监测店铺运营状态

    2.制作年度运营目标

    4.电商渠道属性

    4.1天猫

    1)天猫的新旧商品销售为7:3,就是说天猫是一个以新品为主的销售渠道(就是刚才所说的机关枪的特性)。

    2)在新品中,天猫有一半销售是以接近正价,也就是大于8折的价格销售出去的。证明这家店铺的新品很被消费者所接受,因此判断,品牌调性与平台属性契合度比较高。

    3)需要注意的是,这家店铺的新品销售中,退货率接近35%,这意味着这家店铺每卖10件新品,其中有4件可能被退回,我暂时还不能判断这个退货率与行业比较是不是正常,不过我个人感觉有点太高了。”

    4.2京东

    1)京东的商品新旧比接近6∶4,也算是以新品为主的销售渠道。

    2)不过有些不同的是,京东的新品中,以67折商品销售为主,67折的商品应该是处于商品生命周期末端的产品。所以,这个数据说明对于服装正价新品的消费力,京东不如天猫,也就是说,天猫以正价新品为主,京东以打折新品为主。

    3)京东的退货率约在25%左右,这一点远远低于天猫的35%。证明在同一单成交记录中,京东的经营成本要小于天猫。因为每一笔退货都会给品牌商带来售后、物流上的经营成本。

    4.3唯品会

    1)在唯品会中,新品的销售贡献不到10%,也就是说,唯品会是几乎完全以旧货为主的销售渠道。

    2)在旧货中,唯品会的主销折扣带在35折,几乎占了总销售额的一半。35折的商品有什么特性?它们几乎是以微利的方式清仓出货的,对吧。所以,唯品会为需要清仓的商品提供了一个较好的销售渠道。

    3)即使是清仓,品牌也不能不赚钱。所以,我们看到,在旧货中,还有40%的销售业绩来自于旧品67折的货。旧品卖到67折,自然可以给品牌提供足够的利润空间了。可是有个问题,这些货同样是旧品,为什么它们能够卖到6~7折呢?这是从旧品中精细挑选出来的比较应季的款式。

    4)用商品运营的专业术语来讲,67折是盈利款,而35折是走量款。盈利款与走量款的销售占比能够达到4∶5,这是品牌与唯品会平台之间达成共识的结果。简单来说,品牌方与唯品会平台的共同目标,就是“唯品会既让品牌达到清仓甩货的目的,又能保证品牌赚钱”。这就是唯品会的属性。

    三者比较

    首先,天猫渠道是一个适合新品销售的渠道,并且它的正价新品消化能力也很不错,所以,我们可以将新品的商品重点向天猫渠道倾斜;其次,京东渠道就显得比较均衡了,它的新旧货占比接近5∶5,而且京东的新品销售集中在6折左右,说明京东平台的新品销售利润率并没有天猫渠道高,而且京东的旧品销售也可以占到50%的销售,说明京东同时也承担了一部分库存清理的功能;最后,唯品会的特征是最明显的,它本身就定位于一个专门做特卖的网站,所以我们往上面铺的货也几乎都是旧货,而且是超低折扣的旧货。

    5.渠道的活动运营节奏

    5.1认识服装行业的周期

    任何一个产品在其销售过程中,都会经历‘介入—成长—成熟—衰退’四个阶段。

     在包括服装在内的零售行业中,几乎所有公司的零售策略、运营节奏都是根据产品生命周期来制定的。

    5.2天猫的运营节奏

    1)SS级是指天猫平台方策划的最大型营销活动。这其中包括双11、双12等重磅活动,也包括“春上新”“春清仓”之类的服装生命周期相 关的主题活动。

    2)S级是天猫平台特意留出来的一些可供品牌合作的空白活动档期,如××品牌日、品牌周年庆等活动。S级活动一般会配备品牌团资源,天猫也会从各个渠道优先将资源分配给正在做品牌合作的商家。

    3)A级活动是天猫平台方根据不同风格的品牌主动策划和包装的不同主题的活动。如“就是在mall买”是一场针对线上线下同款的O2O主题的品牌活动,“独爱设计师”是为了凸显设计师品牌的主题活动。

    4)B级活动是天猫平台根据不同服装品类而主动策划和包装的一系列活动。如“连衣裙节”“T恤节”等。

     5.3京东的运营节奏

    1)京东的活动分为三大级别,这个与天猫的四大级别的划分逻辑类似,这里就不再详细描述了。

    2)京东的营销活动有个特点,就是重要活动是呈现“一头一尾盆地状”策划的。比如“双11”之后,紧跟着会出现一个“双11返场”的活动,而“圣诞活动”也是“双12”的返场活动。这样策划的结果,就会使商家呈现出“两头高,中间低”的盆地式销售趋势。而天猫则是“倒三角形”式的销售趋势。这个区别呈现出来的特征是,天猫的活动流量是有计划地爆发式分配给商家的;而京东的活动流量是按计划均分式分配给商家的。

    3)京东营销活动节奏的另一个特点是,没有像天猫一样,留给商家明显的“品牌合作”机会。

    5.4店铺的说服逻辑与购买路径

    电商靠的是视觉呈现

    1)90%的图片: 电商店铺几乎都是由图片构成,如POP、banner、 产品列表图,详情页的产品大图、模特试穿图、细节图、礼品图、优惠券图等。

    2)9%的文案: 文案是图片的点睛之笔,好的文案可以瞬间击中顾客内心的痛点、笑点,或者利益点。

    3)1%的咨询: 现在电商店铺的咨询率已经越来越低了。除非是对品牌有真爱,否则用户宁愿去逛另一家店,也不会浪费精力使用敲打键盘或者手机屏幕的方式来和你进行文字交流。

    视觉的呈现必须有条理、有结构,这样才能保证“说服”是有效的

    这是一个看脸的时代。首页是每个电商店铺的“脸”,是店铺重要的战场。首页需要承载以下重任:

    1)突出品牌形象,通过视觉(图片、文案、音乐等)建立用户对品牌的信任感;

    2)做好流量梳理,(通过导航条、入口图、POP等)让用户更精准地找到目标需求产品;

    3)抓住利益点,让用户找到留下来的理由(主要是POP文案)。

    电商的购买路径

    首先,业内一般把流量分为“站内流量”和“站外流量”,站内是指电商平台本身的流量,即用户是先登录“天猫”或“京东”,然后再通过直通车、搜索、购物车等方式进入店铺的;站外是指用户是从电商平台之外的渠道进入店铺的,如百度、淘宝客、微信、微博等。由于在行业中,站外流量在店铺流量总和的占比中很少(一般不超 过2%),所以它注定不会成为我们研究的主要流量类型。

    其次,我们会把所有流量都分为“免费”和“付费”两种。由于免费流量与付费流量的路径有很大不同,这样的分类便于针对某一特定路径进行刻意的分析,然后进行优化。

    同时,不管通过何种渠道而来的流量,当它第一次出现在电商店铺时,它只有可能出现在三个位置,即首页、详情页、二级页(又叫活动页),此时这三种页面统一称为“登录页”。长期的数据跟踪结果显示,流量第一次出现在店铺时,在首页登录的流量占到70%以上。因此,首页的“说服逻辑”是否有效便显得非常重要。

    当用户在店铺“着陆”之后,便会在店铺内“随意逛逛”,他们会在首页、详情页、类目页等页面之间来回跳动。此时的流量追踪是非常困难的,并且他们在“逛”的过程中,可能随时都会“逛”到别的同类店铺中去,甚至还会直接关闭浏览器或者APP,于是就造成了大量的“跳失”。

    最后,当用户在店铺看好了意向的商品时,便会将其“加入购物车”,然后选择“付款”。当然,也有少部分人会不经过“购物车”而选择“立即购买”。但绝大多数人都会选择“加入购物车”。

    只要用户没有“付款成功”,便永远存在“跳失”风险。因此,在电商数据分析领域,便出现一种名为“页面分析”的细分工作。这项工作的核心就是:抓住店铺内的主要购买路径,并分析路径中重要的页面,优化页面的说服逻辑。

    二.分析入门

    6.驱动业务的KOL指标

               6.1以运营为导向的业务框架

    在实际运营场景中,一次正常的运营闭环一般会经历 7个步骤:

    首先,运营者们会制订本次的销售目标、销售计划(包括促销方案);在销售计划中,运营者需要着重提出,他们需要的商品资源与推广需求;

    然后,商品与市场推广的负责人会根据运营的需求,提供相应的解决方案,并协商达成一致;

    同时,视觉部门的同事会根据促销方案、活动主题、主推商品等设计店铺的活动二级页、详情页等。他们的页面设计直接影响到活动的促销效果;

    于是,进入下面的客服接待、订单处理、物流发货等环节。

             6.2运营

    以运营为导向的业务框架下的重要指标

    运营模块

    重要职能: 运营模块有两大重要职能,首先是负责达成整个品牌的业绩目标; 运营人员还要注意控制运营成本。销售中的运营成本一般包括销售折损、销售退货、平台扣点、物流、推广费用等。

    组织的运营能力,一般使用业绩达标率、业绩增长率、销售利润额三个指标来进行综合评估。

    商品模块

    商品模块主要分为商品企划与商品运营两大职能

    商品企划是指提前将一个销售周期(一般是指一个季度)的商品需求进行品类、价格带、风格等结构性的规划,并制订有前瞻性的商品销售进度计划。
    商品运营是指从商品入库、商品上架,到制定商品主推策划、商品流通规则、商品折损保护等一系列的运营动作。
    商品企划而言,主要对当季库存率(量 / 额)负责。从更细致的角度而言,就是要随时跟踪品类与主推款的售罄率:各品类的销售进度是否与预期一致?主推款的销售进度是否与预期一致?如果超出预期,是否需要及时补货?如果不达预期,是否需要提前促销?
    商品运营而言,商品的周转天数、新品动销率 /售罄率、活动动销率/ 售罄率、销售折损都是非常重要的数据指标。周转天数越低,证明商品流动越快,则仓储成本更低、资金周转越灵活;销售折损越低,代表商品以更高的价格成交,销售利润就越高;动销率与售罄率则需要根据不同的商品生命周期与销售环境来考虑。

    市场模块

    市场模块主要有三大重要职能:市场推广、会员维护、活动包装
    市场推广主要指通过天猫的直通车、钻展,京东的京东快车、京选
    展位,以及第三方工具百度推广、淘宝客、今日头条等渠道来实现产品
    或者品牌的推广,从而达到为产品或品牌引流的目的。
    在考评市场推广能力时,一般会采用 ROI (投入产出比)、付费用户销售额付费流量转化率三个指标
    视觉编辑模块
    主要负责三方面的职能:店铺视觉、详情页逻辑设计、页面框架设计。
    行业都会采用 流量漏斗 ”+“ 热力图”的方式来分析与诊断。 流量漏斗需要根据制定好的流量浏览路径来分析,不同的分析场景可以制定不同的流量路径。 热力图用于诊断具体的页面结构设计是否合理。
    客服,仓储,财务模块
    对于客服而言,有三个重要指标:一是咨询转化率,就是指在店铺咨询过的访客中,有多少人最终成交了;二是人效,是指经过咨询转化得到的业绩除以客服总人数的人均业绩,人效是体现客服团队贡献值的一个重要指标,目前行业里有一个重要趋势,越来越多的品牌正在将自营的客服团队外包给第三方服务公司,这里面客服的人效降低是一个重要因素;三是服务质量得分,这是店铺DSR 评分中的一项,主要受店铺好评数、差评数、投诉率等影响,是客服售后团队需要重点关注的指
    标。
    对于仓储与物流而言,有两大指标需要重点关注。 一是日均发货单数,在销售订单能够满足的前提,以满负荷的工作状态下,日均能够发出多少个订单是一项重要的能力。 二是库存准确率,也就是盘点差异。

    7."人-货-场"指标全览

    7.1有关人的指标

    流量与用户的区别:“需要注 意的是,在行业中,凡是在店铺内有过成交记录的,都称为用户;而流量的定义明显要高于用户,只要登录过店铺的,都称之为流量。用户有ID与联系方式可以作为单个的‘个体’被追溯和联络;而流量只能作为‘群体’而被统计。”

    1)流量来源:流量来源分为自主、免费、付费、淘外、其他这五类。

    2)新客/老客:在传统零售行业中,一般会根据RFM模型原理,将用户分为几大VIP等级,而在电商行业中,目前普遍的做法是将用户分为“新客户”“老客户”。其中“新客户”是指在店铺内第一次成交的客户,反之则称为“老客户”;

    3)活跃/沉睡用户数:根据客户生命周期,可以将客户大致分为新客户、活跃客户、沉睡客户、流失客户四大类。活跃客户和沉睡客户是在做用户质量分析时需要重点关注的;活跃客户是指××天内有成交记录且购买次数>N次的客户,活跃客户数量越大,店铺的主动和免费流量就越多;沉睡客户是指连续××天内没有购买记录的客户,用户运营团队需要定期执行沉睡客户的“唤醒计划”,因此,针对沉睡客户的监控显得非常有必要。

    7.2有关货的指标

    7.3有关场的指标

    8.快速构表法

    三.实战演练

    9.店铺的数据化诊断

    9.1.用户数

    用户数的多少可以反馈品牌对市场的影响力,并用来评估品牌所占领的市场份额;

    在电商行业中,用户数是指成交后的买家数。通过买家数的多少,以及买家数的年均增长情况,来判断店铺当前所处的运营状态,并且是否保持增长的态势。

    9.2.平均消费金额

    平均消费金额其实可以理解为平均(每人)消费金额以及平均(每单)消费金额。这里是指人均消费金额,也就是前者。通过人均消费金额,可以评估品牌的消费人群定位,以及盈利期望是否合理。

    9.3.复购率

    复购率在零售行业中是非常重要的一个指标。以服装为例,复购率高的品牌,其用户忠诚度非常高。品牌调性、产品,以及服务质量都得到用户的认同。

    在电商企业中,复购率高的品牌,对“付费流量”的依赖相对较低,因此可以节省更多的市场推 广费用。相反,如果是复购率低的品牌,说明其对“新客户”的依赖非常大。无形之中增加了店铺经营的成本,同时也侧面表明品牌并未形成有效的核心竞争力,或者其核心竞争力没有得到用户认可。

    注:行业有可参考的复购率

    连带率=销售件数/交易次数;客单价=销售总额/成交总笔数;件单价=销售总额/销售件数

    10.店铺的流量分析

    10.1流量来源分析:流量从哪里来?

    其次,在流量分析中还需要关注以下几个问题:

    1)店铺的流量是从什么渠道来的?

    2)哪些渠道是主要渠道?

    3)哪些渠道是付费/免费渠道?

    4)哪些渠道的流量转化率最高?

    5)当前流量的渠道分布占比是否正常?

    10.2.流量路径分析:流量到哪儿去?

    11.店铺的商品分析

    在数据分析时,商品一般有两种状态:已销售商品和库存商品。因此,有关商品的分析也可分为两大方向:销售分析库存分析

    11.1 商品的销售结构分析

    在分析商品的销售结构时,可以按照商品年份、季度、波段、大 类、小类、价格带、折扣带等指标来进行分类汇总。具体使用哪些指标和维度,需要根据实际分析需要来选择。
    下面我们通过两个案例来说明:
    案例一 :销售品类综合分析
    案例二 :销售与退货分析

     11.2 商品的库存结构分析

    案例一 :店铺聚划算活动报名盘货计划表

      案例二 : 新品上市跟踪表             

     11.3 商品ABC与主推款跟踪,拉升销售业绩

    案例一 :商品的ABC分级

    1)A级商品:高库存且有高转化率(转化率>2%)的商品,标记为A类商品。因为这类商品既畅销,又有较深的库存作为保障,因此可以作为活动中的主推商品。需要注意的是,在挑选A类商品时,还应注意此款商品的访客不能太低,否则,没有经过“充分”流量测试的商品,其高转化率可能是“伪高转化率”。

    2)B级商品:转化率中等(2%>转化率>0.65%),且经过流量测试的商品,标记为B类商品。由于这类商品经过流量测试,被证明对访客有一定吸引力,但却不如A类商品转化明显,所以可以继续保持当前的销售定位。

    3)C级商品:转化率低(转化率<0.65%)且经过流量测试的商品,标记为C类商品。C类商品应处于店铺阵列页面的底端,基本是属于被放弃的一类商品。

    案例二 :主推款销售追踪表
    调整主推款的策略是需要从多维度考虑 的,一般有几个关键因素
    1 )此款是临时主推,还是本身就定位为主推款。临时主推是为了 临时突击,拉动此款的消化率主推款则是承担着为店铺走量及引流等 综合任务的款式。
    2 )此款库存量还剩余多少?
    3 )此款剩余销售周期还有多久?
    4 )在付费推广时,此款商品 ROI 是否在合理值?

    11.4 商品屏效分析,助力促销活动

    12.店铺用户分析

    用户运营是最近两年在电商行业中流行的一种运营体系,而用户分析则能为用户运营提供一定的数据化参考。其中最著名的是用户画像、顾客生命周期分析等。

    12.1用户唤醒分析,1个老客胜过7个新客

    首先,在大促开始前 7 天,我们需要统计出店铺最近 12 个月内的用 户活跃度数据分析表

    关于‘活跃度’,每家公司都有不同的分类标准。一般的做法是:最近30天内有过消费的客户称为‘活跃用户’,最近(连续)60天内没有消费记录的客户称为‘沉睡用户’,最近(连续)90天内没有消费记录的用户称为‘即将流失客户’。

    其中针对沉睡客户主要以“唤醒”为主,常见的举措是告知本次促销力度,以及提供适量额度的优惠券;针对即将流失客户,除了告知促销信息与力度外,还需要提供较高额度的优惠券,另外,最好再配上走心的文案

    12.2建立物流地图,优化快递成本

    我们知道了订单主要集中在哪些省份之后,接下来,再结合各大快递公司在 不同地区的收费标准,就可以为店铺选择最优的快递方案了。

    13.活动分析

    13.1可控的五大数据化促销要素

    从数据分析角度来讲,可以量化的影响活动的重要因素有5个:优惠券、资源位流量、老客户激活、承接页流量、加购商品监控

    13.2巧设优惠券,提升销售额

    优惠券是电商促销活动中的常规武器,一般分为无门槛优惠券和满减优惠券两种。优惠券的作用在于打消顾客在购买时对于价格的顾虑。把顾客从冷静理性的购物状态带入感性、冲动的购物状态。

    1.设置正确合理的优惠券面额

    方法一:平均客单价设置法

    方法二:价格带宽度设置法

    2.优惠券跟踪分析

    除了能够为业务部门提供设置优惠券的档级建议之外,数据部门更重要的职能是——需要跟踪优惠券的领用与使用情况来判断店铺需要承担的折损与能够带来的销售业绩。

     大促活动中优惠券的领用与使用跟进:

    优惠券带来的折损金额与ROI预估
    注:在大促活动中,优惠券的ROI如果低于15,一般是不太理想的

    14.大促实战

    在电商最重要的节日(双 11 )中,数据部门如何在活动的筹备、预热,活动进行,到最后结束这一整个活动链路进行有效干预,为运营部门提供数据化支持。
    学习了店铺诊断分析,流量分析,商品分析,用户分析,活动分析后,本节课的重点在于“活动现场”的数据支持,如屏效分析、ABC分析、预付与催付等。

    14.1活动日第一波分析:屏效与ABC分析

                            

                                                 4-20 屏效分析

                                                 4-21 主推款:商品ABC分析法

    14.2活动日第三波分析:断码分析与预售催付

                                                表 4-22 淘宝渠道商品断码统计      

                                                  表 4-23 天猫店铺预售情况分析

    展开全文
  • 电商数据分析思维导图.png
  • Excel数据分析项目——电商数据分析实战一、明确目的——以业务为核心目的二、理解数据①商品购买记录数据购买用户信息表三、提出问题四、数据清洗①选择子集②列名重命名③数据类型转换④数据去重⑤缺失值处理⑥...

    一、明确目的——以业务为核心目的

    案例背景:有一份“淘宝母婴用品店的销售数据”需要帮助商家实现盈利最大化
    目标:确定产品销量和哪些因素有关。产品种类、时间、用户年龄段、客户性别。以及它们之间的变化趋势,找出可以改善的点

    二、理解数据

    ①商品购买记录数据

    有表格如下
    在这里插入图片描述
    近3w条数据,7个字段,分别代表如下意义

    字段英文名字段中文名注释
    user_id用户id具有唯一识别性,可作为分析主键
    分析某一个用户的行为时,作为识别键
    auction_id购买行为ID购买行为的唯一标识编号
    可以用来细化用户的购买行为数据
    cat1商品大类用户购买的商品类别
    可通过该数据分析用户喜欢的商品类型
    cat_id商品小类用户购买商品的细分小类
    可进一步分析用户喜欢的类型
    property商品属性简单理解分析数据集,发现商品属性字段分析意义不大
    所以后面将会在表中隐藏
    buy_mount购买数量用户购买商品数量的真实情况
    进一步可通过多用户购买数量判断该商品是否热销
    day购买时间用户购买行为发生的时间
    可推测商品销售趋势,也是比较重要的字段

    P.S:ctrl+tab键可以快速切换到另一个表

    购买用户信息表

    有表格如下
    在这里插入图片描述
    900+数据,3个字段,分别代表如下意义

    字段英文名字段中文名注释
    user_id用户id用户账户名称,我们将会通过这个字段来连接两张表
    birthday出生日期可了解用户的年龄段,是比较重要的字段
    gender性别0 男性,1 女性。可分析购买商品的男女婴儿比例
    是这次分析中的重要字段

    三、提出问题

    再次明晰分析目标,并根据目标提出问题
    目标:确定产品销量和哪些因素有关。产品种类、时间、用户年龄段、客户性别。以及它们之间的变化趋势,找出可以改善的点,实现盈利最大化

    • 哪些类别(细分)的商品比较特效,总销量前五的产品是哪些类别?各自占比是多少?——确定哪些商品应该多供应
    • 不同种类商品的销售趋势是怎么样?增长还是下降?——选出畅销类商品
    • 商品对应的哪个年龄段而言较为畅销?——若有规律,可以尝试将该年龄段的其他商品尝试增加
    • 用户中的性别分布是怎么样的?商品购买数量和用户性别分布是否有关系?
    • 哪些客户更具有购买力,更具有付费意愿?

    四、数据清洗

    一般包括以下8个部分
    选择子集、列名重命名、数据类型转化、数据去重、缺失值处理、关联数据表、异常值处理、数据整理八个步骤
    在清洗之前,要对原始数据做好备份

    ①选择子集

    对不需要的字段直接进行删除,本次分析中property字段与整个分析无关,所以选择对此字段进行删除

    ②列名重命名

    将英文字段转换为中文字段,方便理解分析,改完后的表格如下在这里插入图片描述
    在这里插入图片描述

    ③数据类型转换

    1> 购买数量中的单位不统一,无法进行分析计算,需要进行数据类型转换,可以使用left函数进行字符串提取,会使用到以下几个函数

    • left:字符串从左到右进行切片
    • len = 数字个数+字符个数
    • lenb = 数字个数+字符个数×2

    使用方法如下:
    因为都是数字+【件】的字符串都是从左到右排列的,数字个数就是位置数,根据以上公式,那么len*2-lenb即为数字个数=位置数

    只保留数字的购买数量公式即为(假设原购买数量单元格为E8)
    =LEFT(E8,LEN(E8)*2-LENB(E8)*1 后面 *1可以快速转化为数字

    以上步骤完成数据类型转换以后即可对原购买数量字段进行删除,选择新字段复制-粘贴值即可全部转化为数值而非公式

    2> 购买时间为常规字符串,不是时间型,选中购买时间整个字段 - 数据 - 分列 - 下一步 - 继续选择下一步,选中【日期】,默认为YMD,点击完成 - 最后即可转化为含斜杠的日期格式,同理出生日期同样需要修改

    ④数据去重

    把数据中所有字段完全一致的信息删除
    两个表都需要做后面的操作:单击任意一个单元格 - 数据 - 删除重复值

    ⑤缺失值处理

    有两种处理方法:
    填充数据:数据量较少,删除会影响分析结果
    删除数据:适用于数据量很多,删除数据不会影响到分析结果时

    通过对比发现,商品大类和商品小类两个字段是有缺失的,但是缺失数据相对于整体数据量占比很少,所以直接删除即可

    单击数据区域任何一个单元格,快捷键Ctrl+g进行定位,定位条件选择控制,然后在开始界面的【删除】中选择【删除工作行】即可对有空值的行进行删除

    ⑥异常值处理

    使用筛选功能查看异常值

    选择数据区域任意单元格,Ctrl+shift+L快速调出筛选,发现购买记录表中的购买数量的最大值是1w,偏离了正常值,所以需要对此行进行删除
    用户信息表中出生日期有一个1984年,也偏离了正常值,需要对此行进行删除;性别列也有一个2无意义,进行删除

    ⑦关联数据表

    两个数据表在不同的表格文件中,需要对数据进行合并,使用vlookup函数
    举例查找出生日期,函数为(有些匹配不到),然后用筛选将null值删除

    =VLOOKUP(A3,[2购买用户信息表.xlsx]购买用户信息表! $ A: $ B,2,0)

    用同样的方法求出性别,隐藏null值

    ⑧数据整理

    使用到year函数计算用户年龄,用购买时间-出生日期的年份即可得到用户年龄,然后隐藏负值

    使用IF函数来将性别变为【男女】=IF(H3=0,“男”,“女”)

    五、描述性统计

    需要用到Excel描述统计分析库,需要进行设置添加

    文件 - 选项 - 加载项 - 转到 - 勾选【分析工具库】
    转到数据菜单点击【数据分析】,双击【描述统计】
    在这里插入图片描述
    在这里插入图片描述
    【输入区域】即为需要分析的区域,勾选【标志位于第一行】【汇总统计】【平均数置信度(95%)】,可以生成下面的图表
    在这里插入图片描述
    中位数和众数都是1,代表大多数客户购买力较低

    六、数据可视化

    解决刚开始提出的5个问题

    • 哪些类别(细分)的商品比较特效,总销量前五的产品是哪些类别?各自占比是多少?——确定哪些商品应该多供应
    • 不同种类商品的销售趋势是怎么样?增长还是下降?——选出畅销类商品
    • 商品对应的哪个年龄段而言较为畅销?——若有规律,可以尝试将该年龄段的其他商品尝试增加
    • 用户中的性别分布是怎么样的?商品购买数量和用户性别分布是否有关系?
    • 哪些客户更具有购买力,更具有付费意愿?

    首先创建数据透视表,区域为所有数据,在新的sheet中创建,然后就可以分析上面的5个问题了

    ①哪些类别(细分)的商品比较特效,总销量前五的产品是哪些类别?各自占比是多少?——确定哪些商品应该多供应

    使用数据透视表,【行】设置为商品大类,【值】设置为购买数量,得到下面的数据透视表
    在这里插入图片描述
    选中购买数量列,按降序排列,为了求比例,需要在【值】处再拖入一个购买数量,然后点击此“行”任意一个单元格,右键选择值显示方式 - 总计百分比,就可以显示每个大类的百分比,最终效果图如下
    在这里插入图片描述
    p.s:先选中行再用Ctrl+shift+L可以快速选中下面的所有行

    ②不同种类商品的销售趋势是怎么样?增长还是下降?——选出畅销类商品

    【购买时间】拖到行,【商品大类】拖到列,【购买数量】拖到值
    此时因为只有2013和2014有比较完整的数据,所以对数据进行筛选,只保留2013和2014年的数据,展开可以看到各个季度的具体数据

    对数据进行趋势图绘制,选择需要绘制的数据集,点击【插入】选择折线图,得到图表如下,即可直观看出各类商品的销量趋势
    在这里插入图片描述

    ③商品对应的哪个年龄段而言较为畅销?——若有规律,可以尝试将该年龄段的其他商品尝试增加

    将【年龄】字段拖到行,【购买数量】字段拖到值,可以得到不同年龄的购买数量情况透视表,再拖一个【购买数量】到值并选择显示百分比,可以更直观地看出各年龄购买量占总销量的百分比

    此时采用柱状图进行可视化展示,如下,可以看出0~3岁的销量是最好的
    在这里插入图片描述

    ④用户中的性别分布是怎么样的?商品购买数量和用户性别分布是否有关系?

    将【性别】分别拖到行和值里,可以计算出两个性别的人数,插入饼图可以看出两个性别占比,得到结果如下,可以发现女性用户的数量和购买量都是要高于男性的
    在这里插入图片描述

    ⑤哪些客户更具有购买力,更具有付费意愿?

    新建透视表,用户ID设置为【行】,购买数量设置为【列】
    点击行标签筛选 - 值筛选,选择显示前五项,即可得到购买数量前五的用户,选中数据进行排序,选择降序排列,即可获得购买力为前五的用户ID,对于购买力最强的用户可以进一步分析其用户行为,并采取针对性的维护措施,数据透视表如下
    在这里插入图片描述

    七、总结分析

    通过明确问题、理解数据、数据清洗、分析、数据可视化等步骤,可以得出以下三个结论

    1. 婴幼儿阶段的商品卖得比较好,7岁以上年龄段产品的传化率不高
    2. 14年的销量相较13年有明显升高,其中5008168编号的产品的增量最为明显
    3. 女性产品的销量明显比男性的高,其中有一些商品的销量比较突出,如50084815卖得最好
    4. 通过分析得到了一个高价值用户信息表,对表中的用户应当给予维护,防止流失
    5. 但由于商品信息表和用户信息表的数量差较大,所以分析结果可能会有一定的偏差,如果有更多的用户信息,分析结果会更准确一些
    展开全文
  • 基于hadoop技术的电商数据分析.pdf
  • 思维导图-知识地图-电商数据分析
  • 电商数据分析师通过分析数据,可以了解到产品的受欢迎程度、发现产品的问题所在,做到通过数据分析掌握产品的具体情况从而制定有针对性的产品方案,最终实现创收。
  • 课程分享——四周上手BI 电商数据分析视频教程 课程特色: 1、绝无仅有PowerBI(微软大数据分析工具)独家实战型培训 2、采用的是最新MOS-2016微软认证数据分析师标准授课 3、区别于传统的“业务数据分析师培训”,...
  • 电商数据分析Excel案例

    千次阅读 2021-07-04 17:42:02
    第三代电商:以消费者为中心,看懂数据,了解买家,不看销量,看利润,通过社会化媒体与买家对话 行业现状 电商大数据伴随着消费者和企业的行为实时产生,广泛分布在电子商务平台(淘宝,京东,拼多多)、社交媒体...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 112,583
精华内容 45,033
关键字:

电商数据分析