精华内容
下载资源
问答
  • 最近,有一句话在互联网创投界盛传:“在美国,风险投资领域约有40%投资投向2B领域;...2018年4月初,作为一家专门企业CRM服务公司,销售易再获腾讯1亿元人民币D+轮融资。而这距离上一轮腾讯
        

    最近,有一句话在互联网创投界盛传:“在美国,风险投资领域约有40%的投资投向2B领域;而在中国,这一比例大约只有5%。”


    过去数年间,云计算、数据中心、CRM、OA系统等2B企业级服务的融资情况,与2C领域动辄数亿甚至数十亿美金的融资比起来,实在是小巫见大巫。


    然而,这一局面目前正在迅速转变。


    2018年4月初,作为一家专门做企业CRM服务的公司,销售易再获腾讯1亿元人民币D+轮融资。而这距离上一轮腾讯领投的2.8亿D轮融资,仅仅才过去了一年时间。


    “春江水暖鸭先知”,进入2018年以来,一大批像销售易这样的企业级服务提供商,都已率先接到了资本巨头们频频送上的秋波。而以阿里巴巴和腾讯为代表的科技巨头,对2B企业级服务市场的布局速度也明显加快。


    640?wx_fmt=jpeg&wxfrom=5&wx_lazy=1

    马化腾在中国(深圳)IT领袖峰会发表演讲


    密集投资,腾讯迅速抢占企业级服务窗口期


    很多人认为,腾讯的本质就是2C,不论是游戏还是社交,腾讯2C的基因都给外界留下了极为深刻的印记。


    然而最近这两年,这一看法似乎已经变得不合时宜。


    根据公开资料显示,腾讯的2017年投资事件数量已经超过了120起,投资活跃度甚至超越了大部分一线投资机构。从互联网巨头,到“勤奋高产的战略投资者”,这种角色的转变,与腾讯坚持数年的开放合作战略有着极为密切的关系。


    自从当年的“3Q大战”偃旗息鼓之后,腾讯整体战略迅速转型,除了微信、QQ、游戏、腾讯云等核心业务之外,腾讯在其他广泛的领域不再像过去那样亲力亲为,而是通过投资、深度连接和赋能生态伙伴等手段,来保持腾讯在风口领域的持续领先。


    相信许多人印象都非常深刻,最近这半年来,腾讯频频出手斥巨资采购线下零售企业的股份,本质上就是通过投资来抢占新零售的风口。


    在不久前召开的2018中国(深圳)IT领袖峰会上,马化腾就曾表示:“我们并没有自己去做零售,我们对很多人说我们不做零售,我们甚至不做商业,我们只做连接器、做底层的东西,用云、AI等这些基础设施来帮助客户。甚至,我们可以把系统集成也让给所有合作伙伴。”


    马化腾口中的“连接器、底层的东西”,正是指的企业级服务。


    根据公开数据资料显示,2017年,腾讯共投资了14家企业级服务领域初创企业,相当于平均每个月就投资1.1家2B公司。其中就包括了企业级云计算服务公司“灵雀云”、大数据技术企业“星环科技”、法律服务平台“快法务”、移动CRM服务商“销售易”等。


    640?wx_fmt=jpeg


    根据来自IT桔子的数据分析,2017年,企业服务赛道的投资跃居当年腾讯整体投资的第二位,甚至超越了大热的硬件、游戏等领域。


    显而易见的是,投资销售易这种企业级CRM领域的头部SaaS企业,是腾讯2B投资战略布局中重要的一步。


    连接一切,最需要连接的也许是“人与企业”


    在IT领袖峰会上,马化腾明确表示希望微信用户能够和线下越来越多的服务连接,并且阐述了这样做对腾讯的重要意义:第一,微信支付,以及支付背后的金融服务;第二,连接做得越好,腾讯云就更加有优势;第三,社交体系的效果广告。


    想必不少读者已经知道,腾讯这几年最核心的战略就是“连接一切”,包括但不限于连接“人与人”、“人与信息”、“人与商品”、“人与服务”。虽然目前微信全球用户已经突破了10亿大关,成为全球最大的“人与人”甚至“人与信息”的连接平台,但是很显然,对于腾讯来说,要连接的还远远不够。


    在所有企业面临数字化转型和IoT物联网等时代浪潮的推动下,大量的“人与企业”、“人与终端”、“终端与终端”需要被连接,需要重新定义彼此之间连接的价值。尤其是“人与企业”的连接,在过去数年互联网和移动互联网高速发展中,显然比不上“人与人”、“人与信息”、“人与商品”的连接那样成熟。


    在企业级服务领域,目前仍然存在大量的连接真空地带。譬如过去家电厂商在将产品运送到消费者家中安装完毕之后,就失去了用户连接。关于产品的使用频率、用户的使用体验、使用过程中的反馈,可以说一概不知。而传统的官方客服平台,往往也是在产品出现问题之后,才能获知用户反馈等具体信息。而要想改变以上这些痛点,只能依靠新兴的物联网技术和全新的CRM管理手段。


    目前,不少企业对CRM系统的认知,还停留在销售管理的狭窄领域,而根据Gartner的定义,真正完整的CRM系统,则应包含了营销、销售、服务等企业前端的各个环节。销售易的CRM系统,是将产品在企业全生命周期中扮演的不同角色做了详细拆解,分别推出了面向销售、客户服务、现场服务、经销商、数据分析的云产品。2018年,销售易又将再接再厉,推出面向获客管理的营销云和连接终端产品的IoT云。


    销售易在营销、销售、服务各个环节把企业和用户连接起来的做法,才是真正打动腾讯并在一年内连续两次对其投资的关键。据悉,目前腾讯已经将销售易接入了微信接口。放眼未来,腾讯势必还将把“连接人与企业”扩充到其连接一切的大版图中。


    阿里向左,腾讯向右,科技巨头的2B布局


    科技巨头在2B领域的加速布局,预示着企业级服务市场有望挤掉此前的泡沫,真正展现其巨大的市场价值。


    与腾讯投资14家2B公司相比,阿里巴巴在2B领域的投资速度可以说也毫不逊色。根据公开资料,阿里巴巴集团及阿里系资本2017年共投资了20家2B公司,其中包括人工智能两大计算机视觉黑马——商汤科技、旷视科技,以及企业级云服务商七牛云、华栖云等。如果但从投资规模上来看,两大巨头貌似难分伯仲。


    不过如果从细节打法上来看,虽然都在抢滩巨大的2B市场,但是阿里巴巴和腾讯两大巨头在2B领域的布局路径则有明显区别。


    得益于淘宝最初的2B基因,在云计算领域早早开始布局的阿里云,如今已经具备了一定的规模优势;后续阿里巴巴针对企业服务市场,又推出了免费智能移动办公平台钉钉。这也让人感觉阿里巴巴似乎更加倾向于自己动手。


    而反观腾讯,则是借助投资与合作迅速扩大版图。除了近两年高速发展的腾讯云、腾讯云小微、企业微信之外,腾讯连接一切的布局正在不断加快。


    放眼未来,2B企业级服务最终的应用普及一定是SaaS。而通过腾讯的投资策略可以看出,腾讯对2B领域的投资正在不断加码加速。虽然在云计算市场的布局上被阿里云抢得先机,但是通过与各个细分领域头部SaaS企业的合作,腾讯云在应用领域仍然有实现弯道超车的可能。


    声音:


    “我们希望微信用户能够和线下越来越多的服务连接,只要能连起来,用得好,这就是我最大的目的。”


    ——腾讯董事局主席兼首席执行官  马化腾

    展开全文
  • 线上销售市场之间强烈竞争导致实体商家间竞争越发扩大。传统零售如何突破限制,寻求到新发展模式,在目前现状中重新振作起来,成为很多人关注焦点。  无论是大公司还是创业小公司,在选择线上转型布局...

           传统零售业在过去互联网迅猛发展的几十年时间里遭受到了强烈的冲击,从最初的繁荣昌盛到如今面对线上销售所带来的各种限制后,出现了不同程度的下滑。线上销售市场之间的强烈竞争导致实体商家间的竞争越发扩大。传统零售如何突破限制,寻求到新的发展模式,在目前的现状中重新振作起来,成为很多人关注的焦点。

    APP开发

      无论是大公司还是创业小公司,在选择线上转型布局时都会陷入选择App、小程序还是H5的困境。对于大公司而言可以同步开发,但对于小公司来说同步开发需要耗费过多的人力物力。那他们彼此之间有什么区别,做产品的时候该如何抉择呢?

      1、App

      能够承载更多产品功能,一些复杂的功能能够通过原生实现,例如AR技术、AI人工智能、视频编辑等,需要利用GPU来完成的功能,在原生App中的优点特别明显。

      2、小程序

    小程序

      承载产品核心功能,较复杂的功能难以实现。优点是不需要下载,用完就走。审核快,更新方便,版本迭代发版无需再下载。BUG出现后能够快速响应修复。

      3、H5

      能够脱离生态下运行,打开即可。一个网站多终端匹配,PC网站+手机网站100%全覆盖,对于一套代码,电脑和移动端都能运行使用。并且能够有多个入口,用户容易触达。

    “App、小程序、H5都各有千秋,分别担负着不同的使命,如果对于一些刚萌发的想法想要试验的话可以使用H5或小程序,但在开发之前也要考虑他们所提供的API和性能能否满足需求,不然的话就只能转投App。而如果之前已经验证过的产品,在调研分析后可以做App了,那就大胆去开发App。”

    展开全文
  • 场:整体运营情况分析,包括销售额、销量、利润、客单价、市场布局等具体情况分析。 货:商品结构、优势/爆款商品、劣势/待优化商品等情况分析。 人:客户数量、新老客户、RFM模型、复购率、回购率等用户行为分析...

    一、明确需求和目的

    • 对一家全球超市的四年(2011-2014)销售数据进行“人、货、场”分析,并给出提升销量的针对性建议。
    • 场:整体运营情况分析,包括销售额、销量、利润、客单价、市场布局等具体情况分析。
    • 货:商品结构、优势/爆款商品、劣势/待优化商品等情况分析。
    • 人:客户数量、新老客户、RFM模型、复购率、回购率等用户行为分析。

    二、数据介绍

    • 数据来源于Kaggle平台,这是一份全球大型超市五年的零售数据集,数据详尽。
    • 数据集为superstore_dataset2011-2015.csv,共有51290条数据,每条数据共24个特征。

    三、数据预处理

    3.1 加载相关库和数据集

    # 加载数据分析需要的库
    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import seaborn as sns
    import warnings
    
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 替换sans-serif字体
    plt.rcParams['axes.unicode_minus'] = False  # 解决坐标轴负数的负号显示问题
    warnings.filterwarnings('ignore')  # 抑制第三方警告
    
    # 使用"unicode-escape"编码方式加载数据集
    df = pd.read_csv('./superstore_dataset2011-2015.csv', encoding='unicode-escape')
    df.head()

    首先看一下数据集的大小:

    df.shape
    > (51290, 24)

    再看一下数据的分布概况:

    df.describe()

    3.2 列名重命名

    从上面展示的数据可以发现其列名不符合Python的命名规范,因此采用下划线命名法对列名进行重命名:

    df.rename(columns=lambda x: x.replace(' ', '_').replace('-', '_'), inplace=True)
    df.columns

    3.3 数据类型处理

    首先查看各列的数据类型:

    df.dtypes

    可以看到大部分列的数据类型是object,其中销量(Quantity)、销售额(Sales)、利润(Profit)等为数值型,不需要进行数据类型转换。另外,订单日期(Order_Date)的类型应为datetime,因此需要对其进行转换。

    df['Order_Date'] = pd.to_datetime(df['Order_Date'])
    df['Order_Date'].sample(5)

    为了便于分析每年和每月的销售情况,增加“Year”列和“Month”列:

    df['Year'] = df['Order_Date'].dt.year
    df['Month'] = df['Order_Date'].values.astype('datetime64[M]')
    df[['Year', 'Month']].sample(5)

    3.4 缺失值处理

    先查看一下数据的缺失情况:

    df.isnull().sum(axis=0)

    发现“Postal_Code”列的缺失值非常多,该列表示的是邮编信息,显然对我们的分析没有太大作用,因此可直接删除该列。

    df.drop(['Postal_Code'], axis=1, inplace=True)

    3.5 异常值处理

    df.describe()

    从上面展示的结果可以确定没有明显的异常值,因此不需要进行处理。

    3.6 重复值处理

    先查看一下是否有重复值:

    df.duplicated().sum()
    > 0

    说明没有重复值,因此不需要进行处理。

    四、数据分析

    4.1 整体销售情况分析

    首先构造整体销售情况的子数据集:

    # 包含:订单日期、年份、月份、销售额、销量、利润
    sales_data = df[['Order_Date', 'Year', 'Month', 'Sales', 'Quantity', 'Profit']]
    sales_data.sample(5)

    然后按照年份、月份对销售子数据集进行分组求和:

    sales_year = sales_data.groupby(['Year', 'Month']).sum()
    sales_year

    接着对以上进行分组求和后的数据进行拆分,将每一年的数据作为独立的表:

    year_2011 = sales_year.loc[2011:2011,:].reset_index()
    year_2012 = sales_year.loc[2012:2012,:].reset_index()
    year_2013 = sales_year.loc[2013:2013,:].reset_index()
    year_2014 = sales_year.loc[2014:2014,:].reset_index()
    year_2014

    4.1.1 销售额分析

    # 构建销售额表
    sales = pd.concat([year_2011['Sales'],year_2012['Sales'],
                      year_2013['Sales'],year_2014['Sales']], axis=1)
    
    # 对行名和列名进行重命名
    sales.columns = ['Sales_2011', 'Sales_2012', 'Sales_2013', 'Sales_2014']
    sales.index = ['01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', '12']
    
    # 添加颜色:颜色越深表示销售额越高
    sales.style.background_gradient()

    • 从上图可以看出基本上每一年下半年的销售额都比上半年要高,而且随着年份的增大,销售额也在逐年的增加,可以说明其销售业绩增长较快,发展还是比较好的。

    肉眼看到的是每一年的销售额都比前一年要好,那么现在来实际计算一下每年的销售总额和具体的增长率:

    # 计算每年销售额
    sales_sum = sales.sum()
    
    # 计算销售额增长率
    rise_12 = (sales_sum[1]-sales_sum[0]) / sales_sum[0]
    rise_23 = (sales_sum[2]-sales_sum[1]) / sales_sum[1]
    rise_34 = (sales_sum[3]-sales_sum[2]) / sales_sum[2]
    rise_rate = [0, rise_12, rise_23, rise_34]
    
    sales_sum = pd.DataFrame({'sales_sum': sales_sum})
    sales_sum['rise_rate'] = rise_rate
    sales_sum

    # 展示每年销售额
    sales_sum['sales_sum'].plot(kind='bar', alpha=0.5, figsize=(8,6))
    plt.grid()
    plt.title('2011-2014每年销售额')
    plt.show()

    # 展示增长率
    sales_sum['rise_rate'].plot(color='red', figsize=(8,6))
    plt.title('2011-2014每年销售额增长率变化趋势')
    plt.show()

    • 从上面可以看出,后两年的销售额增长率达到26%,2014年的销售额将近是2011年的两倍,发展势头良好,经营在逐步稳定。结合年度销售额及其增长率进行战略规划,可以规划或制定下一年度总销售额业绩指标。

    了解超市整体销售额后,再对每年每月的销售额进行分析。了解不同月份的销售情况,找出是否有淡旺季之分,找出重点销售月份,以便制定经营策略与业绩月度及季度指标拆分。

    首先看一下每年每月销售额的面积堆积图:

    sales.plot.area(stacked=False, figsize=(8,6))
    plt.title('每年每月销售额变化')
    plt.show()

    • 从堆积图可以大致看出该超市的销售季节性明显,总体情况是上半年为淡季,下半年为旺季。其中上半年中6月份的销售额比较高,下半年中7月份的销售额偏低。对此可采取的措施有:对于旺季的月份,运营推广等策略要继续维持,还可以加大投入,提高整体销售额。对于淡季的月份,可以结合产品特点进行新产品扩展,举办一些促销活动等来吸引用户。

    4.1.2 销量分析

    # 构建销量表
    quantity = pd.concat([year_2011['Quantity'],year_2012['Quantity'],
                      year_2013['Quantity'],year_2014['Quantity']], axis=1)
    
    # 对行名和列名进行重命名
    quantity.columns = ['Quantity_2011', 'Quantity_2012', 'Quantity_2013', 'Quantity_2014']
    quantity.index = ['01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', '12']
    
    # 添加颜色:颜色越深表示销量越高
    quantity.style.background_gradient()

    计算一下每年销量和销量增长率:

    # 计算每年销量
    quantity_sum = quantity.sum()
    
    # 计算销量增长率
    rise_12 = (quantity_sum[1]-quantity_sum[0]) / quantity_sum[0]
    rise_23 = (quantity_sum[2]-quantity_sum[1]) / quantity_sum[1]
    rise_34 = (quantity_sum[3]-quantity_sum[2]) / quantity_sum[2]
    rise_rate = [0, rise_12, rise_23, rise_34]
    
    quantity_sum = pd.DataFrame({'quantity_sum': quantity_sum})
    quantity_sum['rise_rate'] = rise_rate
    quantity_sum

    # 展示每年销量
    quantity_sum['quantity_sum'].plot(kind='bar',alpha=0.5, figsize=(8,6))
    plt.grid()
    plt.title('2011-2014每年销量')
    plt.show()

    # 展示销量增长率
    quantity_sum['rise_rate'].plot(color='red', figsize=(8,6))
    plt.title('2011-2014每年销量增长率变化趋势')
    plt.show()

    quantity.plot.area(stacked=False, figsize=(8,6))
    plt.title('每年每月销量变化')
    plt.show()

    • 可以明显看出2011-2014年销量的变化趋势与销售额是一样的,下半年销量整体高于上半年,同时销量同比上一年均在提高。

    4.1.3 利润分析

    # 构建利润表
    profit = pd.concat([year_2011['Profit'],year_2012['Profit'],
                     year_2013['Profit'],year_2014['Profit']], axis=1)
    
    # 对行名和列名进行重命名
    profit.columns = ['Profit_2011','Profit_2012','Profit_2013','Profit_2014']
    profit.index = ['01', '02', '03', '04', '05', '06', '07', '08', '09', '10', '11', '12']
    
    # 添加颜色:颜色越深表示利润越高
    profit.style.background_gradient()

    # 计算每年总利润
    profit_sum = profit.sum()
    profit_sum=pd.DataFrame({'profit_sum':profit_sum})
    profit_sum['sales_sum'] = sales.sum().values
    
    # 计算利润率
    profit_sum['profit_rate'] = profit_sum['profit_sum'] / profit_sum['sales_sum']
    
    profit_sum

    # 展示每年总利润
    profit_sum['profit_sum'].plot(kind='bar',alpha=0.5, figsize=(8,6))
    plt.grid()
    plt.title('2011-2014每年总利润')
    plt.show()

    # 展示利润率
    profit_sum['profit_rate'].plot( color='green', figsize=(8,6))
    plt.ylim(0.08,0.15)
    plt.title('2011-2014每年利润率变化趋势')
    plt.show()

    • 从上面的结果可以看出,每年总利润变化趋势和销售额一样,都是在逐年增加的,说明企业经营还是比较妥善的。但是利润率总体平稳,稳定在11%-12%之间,总体也还是不错的。

    4.1.4 客单价分析

    客单价是指超市每一个顾客平均购买商品的金额,即平均交易金额。从某种程度上反映了企业的消费群体的许多特点以及企业的销售类目的盈利状态是否健康。其中,需要注意的有:(1)计算总消费次数要明白同一天内同一个客户发生的所有消费算作一次消费;(2)客单价等于总消费金额除以总消费次数。

    # 2011-2014年客单价
    total_num_list = []
    unit_price_list = []
    for i in range(2011,2015):
        data = df[df['Year']==i]
        price = data[['Order_Date','Customer_ID','Sales']]
        
        # 计算每年总消费次数
        price_dr = price.drop_duplicates(subset=['Order_Date','Customer_ID'])
        
        # 总消费次数list
        total_num_list.append(price_dr.shape[0])
        # 客单价list
        unit_price_list.append(price['Sales'].sum()/price_dr.shape[0])
        
    unit_price = pd.DataFrame({'total_num': total_num_list, 'unit_price': unit_price_list})
    unit_price.index = [str(i) for i in range(2011,2015)]
    unit_price

    # 展示每年消费次数
    # 展示每年消费次数
    unit_price['total_num'].plot(kind='bar',alpha=0.5, figsize=(8,6))
    plt.grid()
    plt.title('2011-2014每年消费次数')
    plt.show()

    # 展示每年客单价
    unit_price['unit_price'].plot(color='green', figsize=(8,6))
    plt.ylim(450,550)
    plt.grid()
    plt.title('2011-2014每年客单价变化趋势')
    plt.show()

    • 从以上图表来看,每年消费次数呈不断上升趋势,但是客单价总体浮动范围不是很大,基本稳定在500左右。

    4.1.5 市场布局分析

    因为这是一家全球超市,在不同地区都会有市场,因此来看一下不同地区之间的销售情况:

    Market_Year_Sales = df.groupby(['Market','Year']).agg({'Sales':'sum'}).reset_index().rename(columns={'Sales':'Sales_amounts'})
    Market_Year_Sales.head(10)

    plt.figure(figsize=(8,6))
    sns.barplot(data=Market_Year_Sales, x='Market', y='Sales_amounts', hue='Year')
    plt.title('2011-2014每年各地区销售情况')
    plt.show()

    再来看一下这四年各地区销售额占总销售额的百分比:

    Market_Sales = df.groupby(['Market']).agg({'Sales':'sum'})
    Market_Sales['percent'] = Market_Sales['Sales'] / df['Sales'].sum()
    Market_Sales.sort_values('percent',inplace=True,ascending=False)
    Market_Sales.style.background_gradient()

    Market_Sales['percent'].plot.pie(autopct='%.2f%%', figsize=(8,8))
    plt.title('四年各地区销售额占总销售额的百分比')
    plt.show()

    • 从以上图表可以看出,每个地区每年销售额总体处于上升趋势,其中APAC(亚太地区)、EU(欧盟)、US(美国)、LATAM(拉丁美洲)的销售额超过了总销售额的85%,总体也与地区的经济发展相匹配。但是Canada(加拿大)的销售额微乎其微,可以结合公司整体战略布局进行取舍。

    4.2 商品情况分析

    首先统计销量前10的商品:

    productID_count = df.groupby('Product_ID').count()['Customer_ID'].sort_values(ascending=False)
    productID_count.head(10)

    统计销售额前10的商品:

    productID_amount = df.groupby('Product_ID').sum()['Sales'].sort_values(ascending=False)
    productID_amount.head(10)

    统计利润前10的商品:

    productID_profit= df.groupby('Product_ID').sum()['Profit'].sort_values(ascending=False)
    productID_profit.head(10)

    • 从以上结果可以看出,销量靠前的大部分是办公用品;销售额靠前的大部分是电子产品以及家具这些单价较高的商品;利润前10的商品中有一半是电子产品,可以重点考虑提升这部分产品的销量,来增加整体的利润。

    接着看一下具体商品种类的销售情况:

    # 按照种类和子种类进行分组,统计销售额和利润
    df_Category_Sub_Category = df.groupby(['Category','Sub_Category']).sum()[['Sales','Profit']]
    # 按照销售额倒序排序
    df_Category_Sub_Category.sort_values('Sales', ascending=False, inplace=True)
    # 计算每个种类商品的销售额累计占比
    df_Category_Sub_Category['cum_percent'] = df_Category_Sub_Category['Sales'].cumsum() / df_Category_Sub_Category['Sales'].sum()
    df_Category_Sub_Category.reset_index()

    • 从以上图表可以清晰的看到不同种类商品的销售额贡献对比,有将近一半种类的商品的总销售额占比达到84%,这部分商品应该是自家优势主营产品,后续经营过程中应继续保持,可结合整体战略发展适当加大投入,逐渐形成自己的品牌。
    • 同时也发现,末尾销售额累计占比16%的产品中大部分是办公用品中的小物件。可以考虑与其他主营产品结合,连带销售来提升销量,或者考虑对这些商品进行优化。
    • 最值得关注的是,Tables(桌子)的利润是负数,表明这个产品目前处于亏损状态,其原因可能是促销让利太多。通过检查原数据,发现Tabels大部分都在打折,打折的销量高达76%。如果是在清库存,这个效果还是不错的,但如果不是,说明这个产品在市场推广上遇到了瓶颈,或者是遇到强竞争对手,需要结合实际业务进行分析,适当改善经营策略。

    4.3 用户情况分析

    4.3.1 不同类型的客户占比

    首先统计四年所有不同类型的客户占比:

    df['Segment'].value_counts().plot(kind='pie', autopct='%.2f%%', figsize=(8,8))
    plt.title('四年所有不同类型客户占比')
    plt.show()

    • 从上面饼图可以看出,这四年来,普通消费者的客户占比最多,达到51.7%。

    接着看一下每一年不同类别的客户数情况:

    Segment_Year = df.groupby(['Segment','Year']).agg({'Customer_ID':'count'}).reset_index()
    plt.figure(figsize=(8,6))
    sns.barplot(x='Segment', y='Customer_ID', hue='Year', data=Segment_Year)
    plt.title('2011-2014年不同类别的客户数量')
    plt.show()

    • 从柱形图可以看出每一类客户每年均保持增长趋势,说明客户结构非常不错。

    再来看一下每一年不同类别客户贡献的销售额:

    Segment_sales = df.groupby(['Segment', 'Year']).agg({'Sales':'sum'}).reset_index()
    plt.figure(figsize=(8,6))
    sns.barplot(x='Segment', y='Sales', hue='Year', data=Segment_sales)
    plt.title('2011-2014年不同类型客户贡献的销售额')
    plt.show()

    • 各个类型的客户每年贡献的销售额都在稳步提升,普通消费者贡献的销售额最多,当然这和客户占比是有一定关系的。

    4.3.2 客户下单行为分析

    截取Customer_ID,Order_Date,Quantity,Sales,Month为新的子集,并对Order_Date进行排序,方便后续分析:

    grouped_Customer = df[['Customer_ID','Order_Date', 
                           'Quantity', 'Sales', 'Month']].sort_values(['Order_Date']).groupby('Customer_ID')

    首先看一下用户的第一次购买日期分布和最后一次购买日期分布:

    grouped_Customer.min()['Order_Date'].value_counts().plot(figsize=(8,6))
    plt.title('用户第一次购买日期分布')
    plt.show()

    grouped_Customer.max().Order_Date.value_counts().plot(figsize=(8,6))
    plt.title('用户第最后一次购买日期分布')
    plt.show()

    • 从上面可以看出,在13年初以后新用户增长的趋势缓慢,商家可以通过广告等推广策略吸收更多的新用户。通过观察最近一次购买日期分布,可以发现用户基本没有流失,也验证了每年销售额的增长趋势。
    • 总体来说新客户数量是在逐年递减的,说明该企业对老客户的维系不错,但新客获取率较低。如果能够在新客户获取上得到突破,将会给企业带来很大的增长空间。

    接着来看一下只购买过一次的客户数量:

    # 统计每一个客户第一次购买和最后一次购买日期
    Customer_life = grouped_Customer['Order_Date'].agg(['min','max'])
    # 查看只有一次购买记录的顾客数量,第一次和最后一次购买日期相同的话则说明购买只有一次
    (Customer_life['min']==Customer_life['max']).value_counts()

    • 从结果来看,只购买一次的用户只有10个,大部分用户都会购买多次,说明复购率很高,也验证了上面关于该企业对老客户的维系不错的结论。

    4.3.3 RFM模型分析

    RFM的含义:

    • R(Recency):客户最近一次交易时间的间隔。R值越大,表示客户交易发生的日期越久,反之则表示客户交易发生的日期越近。
    • F(Frequency):客户在最近一段时间内交易的次数。F值越大,表示客户交易越频繁,反之则表示客户交易不够活跃。
    • M(Monetary):客户在最近一段时间内交易的金额。M值越大,表示客户价值越高,反之则表示客户价值越低。

    RFM模型分析就是根据客户活跃程度和交易金额的贡献,进行客户价值细分的一种方法。

    首先构建RFM表:

    rfm = df.pivot_table(index='Customer_ID', 
                         values = ['Order_ID','Sales','Order_Date'], 
                         aggfunc={'Order_ID':'count','Sales':'sum','Order_Date':'max'})
    
    # 以所有用户中最大的交易日期为标准,求每笔交易的时间间隔即为R
    rfm['R'] = (rfm.Order_Date.max()-rfm.Order_Date) / np.timedelta64(1,'D')
    
    # 每个客户的订单数即为F,总销售额即为M
    rfm.rename(columns={'Order_ID':'F','Sales':'M'},inplace = True)
    rfm = rfm[['R','F','M']]
    rfm.head()

    现在对客户价值进行标注,将客户分为8个等级(2x2x2):

    # 基于平均值作比较,超过均值则为1,反之为0
    def rfm_func(x):
        level = x.apply(lambda x: '1' if x>0 else '0')
        level = level.R + level.F + level.M
        d = {"111": "重要价值客户",
            "011": "重要保持客户",
            "101": "重要挽留客户",
            "001": "重要发展客户",
            "110": "一般价值客户",
            "010": "一般保持客户",
            "100": "一般挽留客户",
            "000": "一般发展客户"}
        return d[level]
    
    rfm['Label'] = rfm.apply(lambda x: x-x.mean()).apply(rfm_func, axis=1)
    rfm.head()

    接着对重要价值客户和非重要价值客户进行可视化展示:

    rfm.loc[rfm.Label=='重要价值客户','Color']='g'
    rfm.loc[rfm.Label!='重要价值客户','Color']='r'
    rfm.plot.scatter('F', 'R',c=rfm.Color, figsize=(8,6))
    plt.title('重要价值与非重要价值客户的分布')
    plt.show()

    • 通过RFM识别不同的客户群体,能够衡量客户价值和客户利润创收能力,可以制定个性化的沟通和营销服务,为更多的营销决策提供有力支持,为企业创造更大的利益。

    4.3.4 新用户、活跃用户、不活跃用户和回归用户分析

    设置Customer_ID为索引,Month为列名,统计每个用户每个月的购买次数:

    pivoted_counts = df.pivot_table(index='Customer_ID', 
                                   columns='Month', 
                                   values='Order_Date', 
                                   aggfunc='count').fillna(0)
    
    # 将大于1次的全部设为1,反之设为0
    df_purchase = pivoted_counts.applymap(lambda x: 1 if x>0 else 0)
    df_purchase.head()

    定义状态函数并进行状态标记:

    def active_status(data):
        status = []
        for i in range(48):
            # 本月未消费
            if data[i] == 0:
                if len(status)>0:
                    if status[i-1] == 'unreg':
                        status.append('unreg')  # 未注册客户
                    else:
                        status.append('unactive')  # 不活跃用户
                else:
                    status.append('unreg')
            # 若消费了
            else:
                if len(status) == 0:
                    status.append('new')  # 新用户
                else:
                    if status[i-1] == 'unactive':
                        status.append('return')  # 回归用户
                    elif status[i-1] == 'unreg':
                        status.append('new')
                    else:
                        status.append('active')
                        
        return pd.Series(status)
    
    purchase_status = df_purchase.apply(active_status, axis=1)
    purchase_status.head()

    用NaN替代 “unreg”,并统计每月各状态的客户数量:

    purchase_status_ct = purchase_status.replace('unreg',np.NaN).apply(lambda x: pd.value_counts(x))
    # 用0填充NaN
    purchase_status_ct.fillna(0).T.plot.area(figsize=(8,6))
    plt.title('每月各状态的用户数量')
    plt.show()

    • 从以上结果可以发现活跃客户、新客户和回归客户,每年呈一定的规律起伏,这可能和年终年末大促有关,需要更多数据进行佐证。同时可以发现新客数量每年均在减少,说明该商家新客获取率较低,如果能在新客户获取上取得突破,会给商家带来很大的增长空间。

    4.3.5 复购率和回购率分析

    复购率计算指标:用户在本月购买过一次以上算作复购

    purchase_r = pivoted_counts.applymap(lambda x: 1 if x>1 else np.NaN if x==0 else 0)
    (purchase_r.sum()/purchase_r.count()).plot(figsize=(10,6))
    plt.title('每月复购率变化趋势')
    plt.show()

    回购率计算指标:在本月购买过,且在下月也购买时计入回购

    def purchase_back(data):
        status = []
        for i in range(47):
            if data[i] == 1:
                if data[i+1] == 1:
                    status.append(1)
                if data[i+1] == 0:
                    status.append(0)
            else:
                status.append(np.NaN)
        status.append(np.NaN)
        return status
    
    purchase_b = df_purchase.apply(purchase_back, axis=1, result_type='expand')
    (purchase_b.sum()/purchase_b.count()).plot(figsize=(10,6))
    plt.title('每月回购率变化趋势')
    plt.show()

    • 从上可以发现复购率基本大于52.5%,且总体呈上升趋势,说明客户忠诚度高,回购率在年中年末呈峰形态,可能与商家折扣活动或节日有关。

    五、总结

    本项目通过“场、货、人”三个不同的角度去分析一家全球超市的销售、商品、用户情况,并根据分析结果给出一些有利于拓展用户、提升销量的办法。当然,这份数据集包含信息很多,还可以进行其它一些方面的分析,来给出更好的建议和业务决策支持。

    源码分享加群:850591259

     

    展开全文
  • 销售额和盈利提高

    2014-04-14 19:21:46
    可能我们现在更加关注王府井、银泰这样的企业,我们获取消费者... 中国的市场有A-market,一线市场;也有Average Market,也就是三四线城市的大众市场,这两个市场产品的重合率是很低的。以纯这类的品牌,一直就是布局

        可能我们现在更加关注王府井、银泰这样的企业,我们获取消费者、品类组合的经验是从中心城市的消费者那里来的,中心城市成长起来的企业去做三四线城市的商业地产确实是有难度的。但是反过来,中国也有非常多的零售商是从县一级城市发展起来的。

        中国的市场有A-market,一线市场;也有Average Market,也就是三四线城市的大众市场,这两个市场产品的重合率是很低的。以纯这类的品牌,一直就是布局三四线城市,在三四线城市市场份额很高,但是在中心市场就很低。

        我们很难将中国的市场看做一个完整的、没有差异化的Whole Market(整体市场)。一二三四线城市的市场差异太大,很少有品牌覆盖全线。三四线城市的品牌进入中心市场也很难,道理是一样的。所以,不是说市场没有吸引力,只是每个企业都有自己的基因。

        既然全渠道是趋势,传统企业就不能拒绝,不管是移动互联网还是智能化。智能化产生的大数据作为资产可以进行管理,最终的结果都反映在财务上,使得销售额和盈利提高,这是企业的根本目标。而通过线上增加额外销售,分析购买痕迹,可以对消费者的消费行为了解得更清晰,增加购买机会和效率,提高销售额。每一种方式围绕的都是改变销售额构成、利益构成。

        从商业地产的角度看也是一样。步步高在湘潭等城市做得很好,万象城去那里开店可能就不行,万象城的市场在深圳、北京、南京、上海。这也是我说的要专注于细分市场。细分市场的模式可以以类别划分,比如养老、旅游、商业等;还可以进行更深入的划分,三四线城市是一个细分市场,一二线城市也是细分市场。就看你专注在哪个。

        中国房地产报:很多地方的商业地产被认为库存太高、同质化严重,是否会有一部分项目不可避免地死掉?

        王敬:房企都从政府手里拿地,政府规划里含有商业就必须得做。政府在做规划的时候是不是科学论证过,商业面积、结构是否合理姑且不论,但是这样的环境是房地产商没法控制的。房地产商在考虑综合收益时,主要就是考虑能不能赚钱。也许拿地的时候地产商就知道商业做不起来,但也只能拿,因为它是综合考量的。我把这个叫做“单一土地收益最大化”模式。
    展开全文
  • 此前,工厂是做出产品再给到外贸公司、采购商去销售,而布局独立站后,工厂需要直接面对终端客户,这就要求他们更要清楚市场的需求。所以我建议,工厂布局独立站,需要成立一个独立部门去这件事,可能刚开始这...
  • 场的产品多样化,使得销售的覆盖区域、职责等都有各自公司的差异化。整个行 业趋势呈现云+行业垂直化,当前活跃的几个行业有智慧零售、大政务(智慧城 市)、金融和医疗领域。 需求旺盛的岗位方向则包括如云运维...
  • 使用一款强大商业智能BI数据分析软件,可以帮助管理者清晰了解到哪些产品销量更好、哪些渠道更有价值,以及对未来的销售预测、销售布局做出合理规划。 对于市场部门也同理,通过销售搜集数据进行价值分析,...
  • 创富未来”为主题合作伙伴大会,“三年内,我们要完成首轮零售云造富计划,到2020年计划布局12000家零售云门店,培育1000多家年销售规模达千万级金牌商户,推动县乡镇消费市场新业态规模化崛起。”张近东在...
  • 市场需求多大去看搜索人气,竞争多激烈就看类目前三的销售量,然后开始布局。思路很简单七天干到竞品一个月量,你是不是这样思维。 分析竞争环境,本质其实就是找这个市场的切入点,避其锋芒攻其软肋也就是竞品...
  • 生意靠产品好,靠蛮干推销时代已经过去了,今天生意就跟打仗一样,从开始就需要全盘布局,要有完整作战计划,完整营销流程… 想做好微信销售,文案是武器,流程是战术,布局是战略! 你生意有自己营销...
  • 如今直播行业盛行,选择...想做好自己的直播带货系统,就一定要先对市场进行全面的分析,尤其是竞品的分析,以及目标用户群体的分析,来决定直播带货软件开发的布局市场定位,来让平台内的商家进行考虑各类商品销售的
  • 这几年电商发展得非常迅速,但平台也随之出台了各种各样规则,如何利用好现有流量创造更多销售额促使店铺进入良性循环,...不管是什么产品,都要有市场容量,选最优价格区间才能爆,一定要选择合适路线。 很多人
  • 昆山工业技术研究院着眼于为委托用户和质检机构搭建良好沟通桥梁,免去目前市场业务中企业用户需要实地地并频繁地与检测机构沟通,从而提出自己委托乃至下委托单、等待检测报告等,设计并研发了市场上首款提供...
  • 尤其是一些年度总结或是销售报表时,是不是经常要用到中国地图,机智你可能会想着上网搜一份,于是你得到了这样页面地图倒是地图,可是花里胡哨不说,没办法编辑啊,这样地图怎么能凸显出我开拓新市场的辉煌...
  • 而时至今日,马云新零售概念俨然是当下资本市场最热门风口,无论是电商大鳄,还是传统商超、创业公司,都在抢先布局这块市场。新零售概念即企业以互联网为依托,通过运用大数据、人工智能等先进技术手段,对...
  • 南京某it公司笔试题

    2017-03-03 08:43:03
    主要接入网,市场也在美国,是一帮以前在c公司和Juniper公司的人开办的,美国本土企业,号称占北美接入网70%的市场,年销售额我没记错的话几十亿美元,大家可以去Google这家公司,年增长率不错,每年都在快速增长...
  • 近年来长虹频频加快海外市场拓展,进行国际化的布局,去年长虹海外销售同比增长15%。 日前,长虹相关负责人在接受记者采访时表示:“今年长虹将整合全球资源,重点发力海外市场。现在中国家电巨头需要做的不是并购,...
  • 小程序为如今较为火程序编写开发应用领域之一,备受销售市场的亲睐。那么开发小程序必须学习哪些专业知识?学得哪些程度才可以制做小程序?美工铺子给你详细分析一下小程序开发需要哪些技术。 1、HTML語言 HTML...
  • 以帮助企业建立品牌网站,进行宣传推广、市场营销、产品销售和客户跟踪。 蝉知特点: 1)专注企业营销! 功能完备,文章、会员、论坛,更多功能全力开发中; 注重SEO,语义化, 关键词、内链,助您提高搜索...
  • 为什么大家都愿意去学达梦数据库?

    千次阅读 热门讨论 2020-11-24 13:19:06
    这两年,随着达梦数据库渐渐成型,慢慢扩大市场,特别是得到了政府支持发展以后,大批工程师开始学习达梦数据库使用了,那么达梦数据库有什么优势呢? 达梦数据库有限公司成立于 2000 年,为中国电子信息...
  • 拿过来撸一遍未来3年5年企业布局,产品组合战略,销售战略等识别出来,识别定位并抽象出来, 跟原来业务战略虽然从字面不能看出来有什么关联,但是业务什么,IT就能什么。 第2阶段:对所有业务梳理 从产品,...
  • 智能客服系统制造行业为AI人工智能应用最早保持产品化落地式行业,吸引了众多公司竞相合理布局,那麼智能客服系统在每个制造行业中具体运用状况怎样呢? AI智能客服系统在公司中有什么应用领域?人们以给出好...
  • 2、提前布局,期待市场铺垫;3、亏本销售,别人赚钱我亏钱;4、别人鸡蛋碰包子,我偏偏要用鸡蛋碰石头曲线救国方式。  一、PPG  2007年服装行业和WEB2.0出现了一档新事,这就是YESPPG在线定制衬衫,炒作了...
  • 以帮助企业建立品牌网站,进行宣传推广、市场营销、产品销售和客户跟踪。 蝉知特点: 1)专注企业营销! 功能完备,文章、会员、论坛,更多功能全力开发中; 注重SEO,语义化, 关键词、内链,助您提高搜索排名;...
  • APP区域行业互联网平台是用.net进行开发手机网站,它可以用来地方信息发布平台。软件包含了简单信息发布和信息搜索功能。1、可以建立地方或区域性线上线下系统,同城购物,电商系统,分类信息平台,供求...
  • 运营学习流程.xmind

    2019-08-07 09:25:52
    每个类目的市场排行 竞品分析 行业热搜词分析 搜索分析 搜索人群 行业客群 客群透视 竞品访客画像 主搜类目占比 竟店分析 7、标题优化-单独脑图 8、转化率系统的打造-爆款打造脑图里 付费推广 -单独...
  • 以帮助企业建立品牌网站,进行宣传推广、市场营销、产品销售和客户跟踪。    蝉知特点:  1)专注企业营销!  功能完备,文章、会员、论坛,更多功能全力开发中;  注重SEO,语义化, 关键词、内链,助您提高...
  • FPGA三国志

    2012-12-11 13:21:58
    的销售和支持模式。并且这种从大洋那边继承过来方式,经过适当改良,的确收到很好效果。代理 商有专门负 责现场应用工程师。 这种方式极大方便了设计者与供应商之间信息交流。在推广初期是 否有技术支持,...
  • 以帮助企业建立品牌网站,进行宣传推广、市场营销、产品销售和客户跟踪。 蝉知特点: 1)专注企业营销! 功能完备,文章、会员、论坛,更多功能全力开发中; 注重SEO,语义化, 关键词、内链,助您提高搜索排名;...

空空如也

空空如也

1 2 3
收藏数 45
精华内容 18
关键字:

做销售的市场布局