精华内容
下载资源
问答
  • 导入库 ...读取数据 df=pd.read_csv('gss.csv') 计算指标 #客户购买单数 buy_num=pd.DataFrame(df.groupby('Customer ID').size()) buy_num.columns=['number'] #平均客户购买单数 prin..

     导入库

    import numpy as np
    import pandas as pd
    import matplotlib.pyplot as plt
    import time
    import datetime

    读取数据 

    df=pd.read_csv('gss.csv')

    计算指标

    #客户购买单数
    buy_num=pd.DataFrame(df.groupby('Customer ID').size())
    buy_num.columns=['number']
    
    #平均客户购买单数
    print(round(np.mean(buy_num['number']),1))
    
    #客户消费金额
    df['realcost']=df['Sales']*(1-df['Discount'])
    buy_cost=pd.DataFrame((df.groupby('Customer ID').sum())['realcost'])
    buy_cost.columns=['cost']
    #平均客户消费金额
    print(round(np.mean(buy_cost['cost']),2))
    
    #不同种类商品的总利润排序
    cae_prof=pd.DataFrame((df.groupby('Category').sum())['Profit'])
    cae_prof=cae_prof.sort_values(by=['Profit'],ascending=False)
    #不同种类再次细分排序
    subcat_prof=pd.DataFrame((df.groupby(['Category','Sub-Category']).sum())['Profit'])
    subcat_prof=subcat_prof.sort_values(by=['Category','Profit'],ascending=False)
    #不同商店销售总额排序
    mar_sal=pd.DataFrame((df.groupby('Market').sum())['realcost'])
    mar_sal=mar_sal.sort_values(by=['realcost'],ascending=False)
    
    #不同商店利润总额排序
    mar_prof=pd.DataFrame((df.groupby('Market').sum())['Profit'])
    mar_prof=mar_prof.sort_values(by=['Profit'],ascending=False)
    
    #格式化日期
    date_time=[]
    order_date=df['Order Date']
    for i in order_date:
        a=time.strptime(i,'%Y/%m/%d’) #针对字符类型的日期
        date_time.append(a)
    
    #提取年份
    year=[]
    for j in date_time:
         b=time.strftime('%Y',j)
         year.append(b)
    year=pd.DataFrame(year)
    year.columns=['year']
    
    #提取月份
    month=[]
    for m in date_time:
        c=time.strftime('%m',m)
        month.append(c)
    month=pd.DataFrame(month)
    month.columns=['month']
    df['year']=year['year']
    df['month']=month['month']
    
    #每年购买人数 
    year_customer=pd.DataFrame(df.groupby(['year','Customer ID']).size().count(level='year'))
    year_customer.columns=['number']
    
    #每年每月购买人数
    df2011=df[df['year']=='2011']
    df2012=df[df['year']=='2012']
    df2013=df[df['year']=='2013']
    df2014=df[df['year']=='2014']
    number11=pd.DataFrame(df2011.groupby(['month','CustomerID']).size().count(level='month'))
    number11.columns=['number11']
    number12=pd.DataFrame(df2012.groupby(['month','CustomerID']).size().count(level='month'))
    number12.columns=['number12']
    number13=pd.DataFrame(df2013.groupby(['month','CustomerID']).size().count(level='month'))
    number13.columns=['number13']
    number14=pd.DataFrame(df2014.groupby(['month','CustomerID']).size().count(level='month'))
    number14.columns=['number14']
    table=pd.DataFrame()
    table['2011']=number11['number11']
    table['2012']=number12['number12']
    table['2013']=number13['number13']
    table['2014']=number14['number14']
    print(number11.index)
    
    #年流失率
    user_min=pd.DataFrame((df.groupby(['Customer ID']).min())['year'])
    #mindate=pd.DataFrame(user_min.groupby('year').size())
    user_min=user_min.reset_index()
    userid=user_min[user_min['year']=='2011']
    user=pd.DataFrame(df[df['year']=='2012']['Customer ID'].unique())
    user.columns=['Customer ID']
    tab=pd.merge(userid,user)
    
    #merge按照相同的列进行合并,内连接
    #月流失率
    user_month=pd.DataFrame((df2014.groupby(['Customer ID']).min())['month'])
    #minmonth=pd.DataFrame(user_month.groupby('month').size())
    user_month=user_month.reset_index()
    userm=user_month[user_month['month']=='01']
    userm__=pd.DataFrame(df2014[df2014['month']=='02']['Customer ID'].unique())
    userm__.columns=['Customer ID']
    tabmonth=pd.merge(userm,userm__)
    #每一年的平均购物车大小
    year_avg_cost=pd.DataFrame((df.groupby(['year']).mean())['realcost’])
    
    #用户每一年的购买次数
    user_year_num=pd.DataFrame(df.groupby(['Customer ID','year']).size().unstack(fill_value=0))
    avg_num=[np.mean(user_year_num['2011']),np.mean(user_year_num['2011']),np.mean(user_year_num['2013']),np.mean(user_year_num['2014'])]
    
    #每一年平均每位客户带来的利润
    cou_year_pro=pd.DataFrame((df.groupby(['Customer ID','year']).sum().unstack(fill_value=0))['Profit'])
    avg_pro=pd.DataFrame(columns=['2011','2012','2013','2014'],index=['avg_pro'])
    avg_pro['2011']=np.mean(cou_year_pro['2011'])
    avg_pro['2012']=np.mean(cou_year_pro['2012'])
    avg_pro['2013']=np.mean(cou_year_pro['2013'])
    avg_pro['2014']=np.mean(cou_year_pro['2014'])
    avg_pro=avg_pro.transpose()
    #快递所需要的天数
    order_time=[]
    order_date1=df['Order Date']
    for e in order_date1:
        f=time.strptime(e,'%Y/%m/%d')
        order_time.append(f)
    
    send_time=[]
    send_date=df['Ship Date']
    for o in send_date:
        p=time.strptime(o,'%Y/%m/%d')
        send_time.append(p)
    
    result=[]
    for aa,bb in zip(order_time,send_time):
        date1=datetime.datetime(aa[0],aa[1],aa[2])
        date2=datetime.datetime(bb[0],bb[1],bb[2])
        cc=date2-date1
        result.append(cc)

    展开全文
  • 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
  • 网站流量指标:即对访问你网站的访客进行分析,基于这些数据可以对网页进行改进,以及对访客的行为进行分析等等。 销售转化指标:分析从下单到支付整个过程的数据,帮助你提升商品转化率。也可以对一些频繁异常的...

    请添加图片描述

    总体运营指标:从流量、订单、总体销售业绩、整体指标进行把控,起码对运营的电商平台有个大致了解,到底运营的怎么样,是亏是赚。

    请添加图片描述

    网站流量指标:即对访问你网站的访客进行分析,基于这些数据可以对网页进行改进,以及对访客的行为进行分析等等。

    请添加图片描述

    销售转化指标:分析从下单到支付整个过程的数据,帮助你提升商品转化率。也可以对一些频繁异常的数据展开分析。

    请添加图片描述

    户价值指标:这里主要就是分析客户的价值,可以建立RFM价值模型,找出那些有价值的客户,精准营销等等。

    请添加图片描述

    商品类指标:主要分析商品的种类,那些商品卖得好,库存情况,以及可以建立关联模型,分析那些商品同时销售的几率比较高,而进行捆绑销售,有点像啤酒喝尿布的故事

    请添加图片描述

    市场营销活动指标,主要监控某次活动给电商网站带来的效果,以及监控广告的投放指标。

    请添加图片描述

    风控类指标:分析卖家评论,以及投诉情况,发现问题,改正问题

    请添加图片描述

    市场竞争指标:主要分析市场份额以及网站排名,进一步进行调整

    请添加图片描述

    展开全文
  • 云原生数据仓库AnalyticDB MySQL版 一元即可体验三个月 完成3个实验步骤,还可免费领取迷你桌面加湿器就等你来啦! (以上图片仅供参考,请以实物为准) 实验步骤 ???? Step1 1元开通3个月AnalyticDB MySQL实例及...

    在这里插入图片描述

    云原生数据仓库AnalyticDB MySQL版

    • 一元即可体验三个月
    • 完成3个实验步骤,还可免费领取迷你桌面加湿器就等你来啦!
      在这里插入图片描述
      (以上图片仅供参考,请以实物为准)

    实验步骤

    👉 Step1 1元开通3个月AnalyticDB MySQL实例及存储包

    未保有AnalyticDB MySQL的用户,可享受弹性模式集群版计算实例8核32G规格3个月1元,搭配1个100GB规格存储包免费。(购买前需创建相同可用区的专有网络VPC和交换机)

    👉 Step2 创建数据仓库并完成数据同步
    本实验将通过创建AnalyticDB MySQL数仓数据库、创建数据表、同步电商行业示例数据几个步骤,完成基于AnalyticDB MySQL的数据建仓。

    👉 Step3 复杂SQL查询和可视化报表构建
    本实验基于一个模拟的电商行业数据分析场景,让用户体验AnalyticDB MySQL在海量数据交互查询和复杂ETL计算场景下的功能和性能,并借助DMS进行数据开发、生成可视化报表。

    在这里插入图片描述

    展开全文
  • 今年的双11和往年相比似乎有一点冷清,各大电商平台在数据披露上都低调了起来。...今天小T就以电商运营中一些常见的数据分析需求为例,讲讲怎样不写代码不做UI设计,也能快速做出清晰直观又富有创意的可视化数据大屏
  • 从0到1搭建电商营销数据分析平台(一) 欢迎关注公众号——《数据三分钟》 一线大厂的师兄师姐结合自己的工作实践,将数据知识浅显道来,每天三分钟,祝你成为数据达人。还有面试指导和内推机会。 电商领域数据...
  • 第一部分:电商数据分析师的职业图谱适用人群零基础小白,对电商数据分析有兴趣的人群期次简介本门课程作为电商数据分析师的开篇导论,将从数据分析师的岗位及透过岗位理解业务为切入点,讲解数据分析师的职业诉求...
  • 随着数据时代的到来,各行各业的经营发展开始注重数据分析思维。...那么我们做电商数据分析师常用的方法有哪些呢? 当开始数据分析产品时,首先分别分析每个变量,以描述拥有的数据并评估其质量,接下来分析每个变
  • Python电商数据分析实战案例

    千次阅读 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。...
  • 想了解电商的指标和电商行业的一些数据分析 1 电商数据指标 2 《电商数据分析与数据化营销》         本书对服饰行业的宏观而重要的业务体系、多维而立体的数据化运营指标...
  • 此篇文章阅读适用人群为新入行电商,对电商日常监控数据内容存在疑惑的数据分析师/数据产品,要开始着手数据监控分析但是缺乏思路,或者想转行、对数据有浓烈兴趣的伙伴。 文章目录 数据指标体系是一切分析的基础,...
  • 作者:freedom_limehttps://juejin.im/post/6844904202590748679#heading-01项目背景项目对京东电商运营数据集进行指标分析以了解用...
  • 爬取电商数据

    2020-12-20 14:51:08
    {"moduleinfo":{"card_count":[{"count_phone":1,"count":1}]...{"txt":"物联网数据分析","link":"https://www.aliyun.com/product/iot-dataanalytics?source=neibu_aliyunguanwang"},{"txt":"物联网解决方案","link":...
  • Hi,大家好,这里是丹成学长,今天做一个电商销售预测分析,这只是一个demo,尝试在现有数据集上对销售数据进行预测 毕设帮助,开题指导,技术解答 ????746876041 2 开始分析 2.1 数据特征 # 导入包 import pandas ...
  • 一、了解电商行业 了解电商 第一代电商:以供货为主,纯卖货,没技术 第二代电商:以推广流量为中心,刷单、直通车、报活动,不算利润,亏钱赚吆喝 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...
  • 马上要到年底了,各行各业的数据分析师的工作量猛增,忙着赶年终数据分析报告。要分析哪些关键的数据指标,如何拆解分析思路呢? 老李给大家整了各行业的数据指标体系框架,帮助大家理清分析思路,上次分享了关于...
  • 电商用户行为分析架构设计文档
  • 这种现象也反映了企业对于数据价值的认识和重视程度在不断的升级和发展,确实数据分析已经渐渐经成为了企业日常经营管理活动中必不可少的一项工作。那么今天就来一起学习一下电商的数据报表调研是如何开展的~ 对于...
  • 电商行业用户画像分析案例 项目背景: 某线上母婴平台发现最近一年各类营销活动的效果不佳 ,且总体销售额没有明显的增长 。据了解,以往的营销活动面向所有用户, 部分 用户无论有无营销活动均稳定的消费,而有些...
  • 电商行业分析实例

    2021-01-20 21:01:38
    提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、pandas是什么?二、使用步骤1....示例:pandas 是基于NumPy 的一种工具,该工具是为了解决数据分析任务而创建的。 二
  • Arno Chan | 作者人人都是产品经理 |来源爱数据原统计网 |转自http://www.woshipm.com/data-analysis/4153888.html 大家好,...
  • 电商行业分析首先需要明确目标需求,明确方向,然后展开分析。即我分析这个的目的是什么,需要从哪几个方面分析,这几个方面中有哪些指标,以及最终分析得出什么结论。 提示:本篇内容以淘宝中彩妆类目为例,进行...
  • 电商用户画像分析

    千次阅读 2021-01-13 15:27:02
    通过京东用户信息数据、用户订单数据对用户进行用户画像分析,给出促销活动建议 3 数据理解 1)数据来源京东平台用户信息和订单信息(2020年8月13日-8月19日) 2) 数据字段说明 ①用户信息表共有39个字段,共计325,...
  • ↑ 点击上方“可乐的数据分析之路”关注 + 星标~大概率每天早8点25更新这是精读系列的第3篇文章哈喽,大家好,我是可乐,今天是精读《数据分析思维:分析方法和业...
  • 电商双11美妆数据分析

    千次阅读 2020-12-23 23:30:49
    电商双11美妆数据分析 1、数据初步了解 import numpy as np import pandas as pd df = pd.read_csv('双十一淘宝美妆数据.csv') df.head() #查看数居前五行 df.info() #查看数据特征 df.shape #查看数据量 df....
  • 接下来,我们将从电商数据分析架构、线上店铺管理分析、线下门店运营分析、全服务分析、后台支持分析五个维度去构建电商行业的全景大数据观。 一. 电商数据分析架构 首先需要承认的是,数据分析架构模型的前提是需要...
  • 母婴电商行业数据分析师兼数据产品经理 致力于研究电商行业的数据驱动增长以及数据产品从0到1搭建 ①前言 对于电商平台而言,精准的识别每一份流量的效果是最重要的日常运营洞察之一。根据每一个流量入口的...
  • 摘要:2020年,再次带动以社区团购、直播电商、新零售等为代表的电商形态的火热爆发。2021年,随着相关监管发布规整,各...来源:星图数据 ​ 如需查看完整报告和报告下载或了解更多,公众号:行..
  • 欢迎关注公众号——《数据三分钟》 一线大厂的师兄师姐结合自己的工作实践,将数据知识浅显道来,...其实电商领域也一直是黑灰产的重灾区,可以说已经形成了成熟的“产业链”,甚至在市场上已经有稳定的分工。对...
  • 例如阿里巴巴就是一个以企业交易为主体的平台,汇聚各行业供应商信息。也有企业会建立自己的B2B网站进行分销,例如海尔。企业间采购的特点是订单量一般较大。 (2)企业卖家—个人买家(Business to Consu

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 47,752
精华内容 19,100
关键字:

电商行业数据分析

友情链接: hs.rar