案例一

唯品会电商项目复盘

一、电商指标：

1.1 电商公司业务框架
image.png
1.2 各个部门的核心指标

运营部门的核心指标：GMV（商品销售总额）、达标率、利润率、利润额等 利润额可以真实反应商品卖的好坏情况


image.png

商品部门核心指标：SKU、SPU等

SKU--是最小的商品单位，例子：包括衣服的颜色等

image.png

市场部门核心指标：ROI 、PV 、UV等

UV可以理解为去重后的pv

加购/收藏人数可以反应商品热度情况

image.png
1.3 应用场景

a 获取渠道分析：根据各个渠道获取用户的情况，分析不同渠道用户浏览和购买商品的情况，计算不同渠道用户留存和付费率情况，从而推算渠道质量，优化广告投放策略

b 商品浏览浏览分析：根据用户对各个商品的浏览层级情况，找到热门和冷门路径，从而优化产品页面布局，针对用户的注册和付费留存行为，建立漏斗分析模型，衡量各个操作用户转化和流失情况，找到流失原因，提高付费转化率

c 促销复盘：每次活动都有一个目的，可能是销售额提升，或者是解决回购率太低，验证推广策略是否有效等，通过专题分析，用数据来说话

二、活动促销复盘专题分析

1、项目背景：

某自营店铺为了了解自家店铺商品的情况，参加了唯品会平台的双十一特卖活动，通过复盘促销活动的结果，根据产品售卖情况，了解哪些商品卖得好，哪些商品卖得不好，通过下架和提高权重等方法来优化产品结构，以便让自己的商品卖的更好，提高销售额。

2、分析目标：

根据特卖销售情况优化商品结构，以便让自己的商品卖的更好，提高销售额。

3、分析思路：

先从宏观上总结总体运营情况，再拆解到价格区间，应用ABC分类方法，将商品进行ABC分类,针对不同类别的商品进行策略上的调整

  • 1、总体运营指标
  • 2、从价格区间找出表现不好的产品，优化商品结构
  • 3、从折扣区间来找出表现不好的产品，优化商品结构
4、分析过程：
4.1.数据处理：
#导入处理包
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

4.1.1 读取数据

活动有三张excel表：1.商品明细表数据（促销前运营提供）


image.png

2.商品热度情况表 （活动结束后统计的结果）


image.png

3.用户销售明细表
image.png

image.png
# 读取数据
# 商品明细表
sql_cmd = "select * from sales_info1"
# 执行sql语句，获取数据
dt1 = pd.read_sql(sql=sql_cmd, con=engine)
dt1.rename(columns={"sale_name":"商品名",
                    "sale_price":"售卖价",
                    "tag_price":"吊牌价",
                    "discout":"折扣率",
                    "stocks":"库存量",
                    "stocks_value":"货值",
                    "cost_price":"成本价",
                    "profit_rate":"利润率",
                    "skus":"SKU"},
          inplace=True)
dt1.head()
dt1.head().to_clipboard(excel=True)
image.png
# 读取数据
# 商品热度表
sql_cmd = "select * from sales_info2"
# 执行sql语句，获取数据
dt2 = pd.read_sql(sql=sql_cmd, con=engine)
dt2.rename(columns={"sale_name":"商品名",
                    "uvs":"UV数",
                    "collections":"收藏数",
                    "carts":"加购物车数"},
          inplace=True)
dt2.head()
image.png
# 读取数据
# 销售明细表
sql_cmd = "select * from sales_info3"
# 执行sql语句，获取数据
dt3 = pd.read_sql(sql=sql_cmd, con=engine)
dt3.rename(columns={"user_id":"用户id",
                    "buy_date":"购买日期",
                    "sale_name":"商品名",
                    "buy_cons":"购买数量",
                    "buy_price":"购买单价",
                    "cost_price":"购买金额",
                    "is_tui":"是否退货",
                    "tui_cons":"退货件数",
                    "tui_price":"退货金额"},
          inplace=True)
dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})
dt3.head()

image.png

4.1.2 合并商品明细表和商品热度表和销售明细表数据

#要合并三张表需要先对销售明细表进行处理，统计出每个商品的销售情况
product_sales = dt3.groupby("商品名").agg({"购买数量":"sum",
                                                 "购买金额":"sum",
                                                 "退货件数":"sum",
                                                 "退货金额":"sum",
                                                 "购买单价":"mean",
                                                 "用户id":pd.Series.nunique}).reset_index()
product_sales.rename(columns={"购买数量":"商品销售数量",
                              "购买金额":"商品销售金额",
                              "是否退货":"商品退货数量",
                              "退货金额":"商品退货金额",
                              "购买单价":"商品销售单价",
                              "用户id":"购买用户数量"},inplace=True)
product_sales.head()
image.png
# 合并过程
# 先合并把商品明细表和热度表，再合并上每个商品的销售表
dt_product = dt1.merge(dt2,how="left",on="商品名")
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()
image.png
4.2 总体运营情况

总体运营部分，主要关注销售额（GMV）、售卖比、UV、转化率等指标。销售额用来和预期目标做对比，售卖比用来看商品流转情况。

  • GMV：销售额，在唯品会里称为到手价。
  • 实销：GMV – 拒退金额
  • 销量：累计销售量（含拒退）
  • 客单价：GMV / 客户数，客单价与毛利率息息相关，一般客单价越高，毛利率越高
  • UV：商品所在页面的独立访问数
  • 转化率：客户数 / UV
  • 折扣率：GMV / 吊牌总额（吊牌总额 = 吊牌价 * 销量）
  • 备货值：吊牌价 * 库存数
  • 售卖比：又称售罄率，GMV / 备货值
  • 收藏数：收藏某款商品的用户数量
  • 加购数：加购物车人数
  • SKU数：促销活动中的SKU计数（一般指货号）
  • SPU数：促销活动中的SPU计数（一般指款号）
  • 拒退量：拒收和退货的总数量
  • 拒退额：拒收和退货的总金额
    4.2.1 指标计算 
#1、GMV：销售额，包含退货的金额
gmv = dt_product_sales["商品销售金额"].sum()
#2、实际销售额=GMV - 退货金额
return_sales = dt_product_sales["商品退货金额"].sum()
return_money = gmv - return_sales
#3、销量：累计销售量（含拒退）
all_sales = dt_product_sales["商品销售数量"].sum()
#4、客单价：GMV / 客户数，客单价与毛利率息息相关，一般客单价越高，毛利率越高。
custom_price = gmv / dt_product_sales["购买用户数量"].sum()
# 5、UV：商品所在页面的独立访问数
uv_cons = dt_product_sales["UV数"].sum()
# 6、转化率：客户数 / UV
uv_rate = dt_product_sales["购买用户数量"].sum() / dt_product_sales["UV数"].sum()
# 7、折扣率：GMV / 吊牌总额（吊牌总额 = 吊牌价 * 销量）
tags_sales = np.sum(dt_product_sales["吊牌价"] * dt_product_sales["商品销售数量"])
discount_rate= gmv / tags_sales 
# 8、备货值：吊牌价 * 库存数
goods_value = dt_product_sales["货值"].sum()
# 9、售卖比：又称售罄率，GMV / 备货值
sales_rate = gmv / goods_value
# 10、收藏数：收藏某款商品的用户数量
coll_cons = dt_product_sales["收藏数"].sum()
# 11、加购数：加购物车人数
add_shop_cons = dt_product_sales["加购物车数"].sum()
# 12、SKU数：促销活动中的最小品类单元（一般指货号）
sku_cons = dt_product_sales["SKU"].sum()
# 13、SPU数：促销活动中的SPU计数（一般指款号）
spu_cons = len(dt_product_sales["商品名"].unique())
# 14、拒退量：拒收和退货的总数量
reject_cons = dt_product_sales["退货件数"].sum()
# 15、拒退额：拒收和退货的总金额
reject_money = dt_product_sales["商品退货金额"].sum()

4.2.2 和去年双11 各项指标进行同期对比

# 汇总统计
sales_state_dangqi = pd.DataFrame(
    {"GMV":[gmv,],"实际销售额":[return_money,],"销量":[all_sales,],"客单价":[custom_price,],
     "UV数":[uv_cons,],"UV转化率":[uv_rate,],"折扣率":[discount_rate,],"货值":[goods_value,],
     "售卖比":[sales_rate,],"收藏数":[coll_cons,],"加购数":[add_shop_cons,],"sku数":[sku_cons,],
     "spu数":[spu_cons,],"拒退量":[reject_cons,],"拒退额":[reject_money,],}, 
    ) #index=["今年双11",]

# 去年的双11该店铺的数据已知
sales_state_tongqi = pd.DataFrame(
    {"GMV":[2261093,],"实际销售额":[1464936.517,],"销量":[7654,],"客单价":[609.34567,],
     "UV数":[904694,],"UV转化率":[0.0053366,],"折扣率":[0.46,],"货值":[12610930,],
     "售卖比":[0.1161,],"收藏数":[4263,],"加购数":[15838,],"sku数":[82,],
     "spu数":[67,],"拒退量":[2000,],"拒退额":[651188.57,],}, 
    ) #index=["去年双11",]

#行转列后同期对比
sales_state_dangqi_s = pd.DataFrame(sales_state_dangqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_dangqi_s.columns = ["指标","今年双11"]
sales_state_tongqi_s = pd.DataFrame(sales_state_tongqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_tongqi_s.columns = ["指标","去年双11"]
sales_state = pd.merge(sales_state_dangqi_s, sales_state_tongqi_s,on="指标")
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"]) / sales_state["去年双11"]
sales_state
image.png

总体指标的分析只是反映了宏观的结果，一般电商公司所售产品都是有价格区间段的，为了进一步拆解，分别从价格区间来深入研究，以此来优化后期的促销结构，因为是打折活动，这里也计算了折扣区间的优化，价格区间和折扣区间相辅助，可以更好的帮助优化商品结构

4.3.从价格区间来优化商品结构

首先要对商品的价格区间进行划分，其次计算每个区间的转化率，售卖比，最后，以转化率和售卖比为指标，应用ABC分类方法优化产品结构
4.3.1 划分价格区间：

# 划分价格区间段
#设置切分区域
listBins = [0,200, 400, 100000]
#设置切分后对应标签
listLabels = ['1_200','200_400','400以上']
#利用pd.cut进行数据离散化切分，注意分组标签和分组数要一致
"""
pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)
x:需要切分的数据
bins:切分区域
right : 是否包含右端点默认True，包含
labels:对应标签，用标记来代替返回的bins，若不在该序列中，则返回NaN
retbins:是否返回间距bins
precision:精度
include_lowest:是否包含左端点，默认False，不包含。默认是左开右闭区间
"""
dt_product_sales['价格分组'] = pd.cut(dt_product_sales['售卖价'], bins=listBins, labels=listLabels, include_lowest=True)
dt_product_sales.head()

image.png

4.3.2 价格区间销售情况统计：
指标：价格区间、货值、货值占比、销售额、销售占比、销量、客单价、UV、收藏数、加购数、转化率

# 计算  
dt_product_sales_info = dt_product_sales.groupby("价格分组").agg({
                                        "货值":"sum",
                                        "商品销售金额":"sum",
                                        "商品销售数量":"sum",
                                        "UV数":"sum",
                                        "购买用户数量":"sum",
                                        "收藏数":"sum",
                                        "加购物车数":"sum"
                                        }).reset_index()
# 货值占比、销售占比、客单价、转化率
dt_product_sales_info["货值占比"]=dt_product_sales_info["货值"]/dt_product_sales_info["货值"].sum()
dt_product_sales_info["销售占比"]=dt_product_sales_info["商品销售金额"]/dt_product_sales_info["商品销售金额"].sum()
dt_product_sales_info["客单价"]=dt_product_sales_info["商品销售金额"]/dt_product_sales_info["购买用户数量"]
dt_product_sales_info["转化率"]=dt_product_sales_info["购买用户数量"]/dt_product_sales_info["UV数"]

dt_product_sales_info.head()

image.png

由表可知，销售量和购买人数最多的价格区间是200~400，销售额最高的是400以上，转化率基本相同
4.3.3 优化过程：

以400以上价格区间为例分析优化方案

# 取出400及以上价格区间的数据内容
product_400 = dt_product_sales[dt_product_sales["价格分组"]=='400以上']
product_400.head()
image.png

计算400以上价格区间商品指标：销售额、销量、售卖价、购买用户数量、UV、转换率=客户数 / UV、库存量、备货值=吊牌价 * 库存量、售卖比=又称售罄率，GMV / 备货值

# 转换率=客户数 / UV
product_400['转换率'] = product_400["购买用户数量"]/product_400["UV数"]
# 备货值=吊牌价 * 库存数
product_400["备货值"] = product_400["吊牌价"]*product_400["库存量"]
# 售卖比=又称售罄率，GMV / 备货值
product_400["售卖比"] = product_400["商品销售金额"]/product_400["备货值"]
product_400[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数",'转换率',"库存量","备货值","售卖比"]]
image.png

这里我们以转化率和售卖比为指标来进行ABC分析，临界值以转化率的50%分位数，售卖比的90%分位数选取

# 查看转化率和售卖比数据
product_400['转化率'].quantile(0.5)
0.007017543859649123
product_400['售卖比'].quantile(0.9)
0.3609752112640176

优化方案：转化率选取50%分位数的值，意味着50%的商品转化率是大于0.007的。售卖比选择90%分位数，表示销售额/备货值为0.9的值0.36，说明商品去库存能力好。基于这两个数值进行分类

  • A类：转化率大于0.7%的商品，暂时保留，用于下次促销活动；
  • B类：转化率小于0.7%的商品，但是售卖比大于36%的商品予以保留参加下次促销活动，
  • C类：转化率小于0.7%的商品，并且售卖比小于36%的商品进行清仓处理。
# 挑选合格的商品：
# 1、A类：转化率大于0.7%的商品予以保留 （高价值商品）
stay_stocks571 = product_400[product_400["转换率"]>0.007]
# 2、B类：找出转化率小于0.7% 但售卖比大于36%的部分予以保留 （中等价值商品）
stay_stocks573 = product_400[(product_400["售卖比"]>=0.36)&(product_400["转换率"]<0.007)]
# 3、C类：找出转化率小于0.7%并且售卖比小于36%的部分 （清仓处理商品）
stay_stocks574 = product_400[(product_400["售卖比"]<0.36)&(product_400["转换率"]<0.007)]
stay_stocks574
image.png
4.4 从折扣区间来优化商品结构

同价格区间划分一样，这里也探索下折扣区间，两个区间作用一起来辅助优化商品，首先要对商品的折扣率进行划分，其次计算每个区间的转化率，售卖比，最后，以转化率和售卖比为指标，应用ABC分类方法优化产品结构

4.3.1 划分折扣区间：

# 划分价格区间段
#设置切分区域
listBins = [0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 1]
#设置切分后对应标签
listLabels = ['0.15_0.2','0.2_0.25','0.25_0.3','0.3_0.35','0.35_0.4','0.4_0.45','0.45_0.5','0.5_0.55','0.55_0.6','0.6_0.65','0.65_0.7','0.7_1']
#利用pd.cut进行数据离散化切分，注意分组标签和分组数要一致
"""
pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)
x:需要切分的数据
bins:切分区域
right : 是否包含右端点默认True，包含
labels:对应标签，用标记来代替返回的bins，若不在该序列中，则返回NaN
retbins:是否返回间距bins
precision:精度
include_lowest:是否包含左端点，默认False，不包含
"""
dt_product_sales['折扣区间'] = pd.cut(dt_product['折扣率'], bins=listBins, labels=listLabels, include_lowest=True)
dt_product_sales.head()

image.png

4.3.2 折扣率区间销售情况统计：

指标：价格区间、货值、货值占比、销售额、销售占比、销量、客单价、UV、收藏数、加购数、转化率

# 计算  
dt_product_discount_info = dt_product_sales.groupby("折扣区间").agg({
                                        "货值":"sum",
                                        "商品销售金额":"sum",
                                        "商品销售数量":"sum",
                                        "UV数":"sum",
                                        "购买用户数量":"sum",
                                        "收藏数":"sum",
                                        "加购物车数":"sum"
                                        }).reset_index()
dt_product_discount_info["货值占比"]=dt_product_discount_info["货值"]/dt_product_discount_info["货值"].sum()
dt_product_discount_info["销售占比"]=dt_product_discount_info["商品销售金额"]/dt_product_discount_info["商品销售金额"].sum()
dt_product_discount_info["客单价"]=dt_product_discount_info["商品销售金额"]/dt_product_discount_info["购买用户数量"]
dt_product_discount_info["转化率"]=dt_product_discount_info["购买用户数量"]/dt_product_discount_info["UV数"]

dt_product_discount_info
image.png
  • 由表可知，折扣率为0.35~0.4区间的货值，销售量，销售金额等指标最高，应该是主打产品，所以接下来以这个区间来进行分析

4.3.3 优化过程：

以折扣率为0.35~0.4区间为例进行ABC分类优化

# 取出0.35-0.4价格区间的数据内容
product_354 = dt_product_sales[dt_product_sales["折扣区间"]=='0.35_0.4']
product_354.head()
image.png

计算该折扣区间商品指标：销售额、销量、售卖价、购买用户数量、UV、转换率=客户数 / UV、库存量、备货值=吊牌价 * 库存量、售卖比=又称售罄率，GMV / 备货值

# 转换率=客户数 / UV
product_354['转换率'] = product_354["购买用户数量"]/product_354["UV数"]
# 备货值=吊牌价 * 库存数
product_354["备货值"] = product_354["吊牌价"]*product_354["库存量"]
# 售卖比=又称售罄率，GMV / 备货值
product_354["售卖比"] = product_354["商品销售金额"]/product_354["备货值"]
product_354[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数","库存量","备货值","折扣率","售卖比",'转换率']]
image.png

优化方案：同价格区间分类类似，这里在价格区间的分类指标上再加上一个折扣率分解点来进行分类，临界值以折扣率、售卖比的50%分位数和转化率的70%分位数选取，基于这三个数值进行分类

# 查看转化率和售卖比和折扣率数据
product_354['折扣率'].mean()
0.3706884956195441
product_354['售卖比'].mean()
0.3655451789236345
product_354['转化率'].quantile(0.7)
0.006939850387932647

  • A类：折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留 （高价值商品）

  • B类：折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留 （中等价值商品）

  • C类：售卖比小于36.5%或转化率小于0.7%的部分（清仓处理商品）

# 挑选合格的商品：
# 1、A类：折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留 （高价值商品）
stay_stocks1 = product_354[(product_354["折扣率"]>0.37)&(product_354["售卖比"]>0.365)&(product_354["转换率"]>0.007)]
# 2、B类：折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留 （中等价值商品）
stay_stocks3 = product_354[(product_354["折扣率"]<=0.37)&(product_354["售卖比"]>0.365)&(product_354["转换率"]>0.007)] 
# 3、C类：找出售卖比小于36.5%或转化率小于0.7%的部分（清仓处理商品）
stay_stocks4 =((product_354["售卖比"]<0.365)|(product_354["转换率"]<0.007)))

优化结果：

  • 折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留，其余进行清仓处理；
  • 折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留，其余进行清仓处理。
5、小结：

经过价格，折扣区间的商品ABC分类后，可以进行流量分布调整，在一级入口中，首页的流量占比最高，我们可以将畅销款（A类）布局在首页。对于B类，我们将其作为快抢和疯抢处理，对于C类，可以进行清仓处理，如果库存很大，可以进行亏本甩卖

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容

  • 电商双11促销活动案例分析
    一、ABC分析法及在电商分析中的应用 1. 什么是ABC分析法？ ABC分类法（Activity Based Cl...
    Bourton阅读 1,857评论 0赞 4
  • 唯品会案例复盘
    最近做的项目是唯品会的促销案例复盘，主要是用jupyter notebook，使用python的pandas和nu...
    且听风吟92阅读 655评论 0赞 0
  • 唯品会促销案例优化
    最近做的项目是唯品会促销案例复盘，主要是用jupyter notebook，使用python的pandas和num...
    lwj_5b48阅读 1,089评论 0赞 11
  • 电商案例复盘
    一、项目背景： 唯品会是一个专门做特卖的网站，什么是特卖呢。特卖一般是指在特定的时间段里，以优惠的价格出售指定的商...
    看著星星睡覺阅读 160评论 0赞 0
  • 电商复盘案例
    一、项目背景介绍： 百川是一家电商公司，运营日常需要复盘活动效果，了解运营情况。 二、分析目标: 评估每次促销活动...
    十一吖_cb39阅读 1,046评论 0赞 2