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品，一般以商城或者专卖店为多。该模式在线下早已存在（比如商场促销、街边的尾货甩卖），在国外成熟的大商场内也有针对滞销商品的打折特卖，如奥特莱斯。特卖一般是商家清库存，不过也有一些专门生产商品做特卖的商家。 特卖行业也是有个真实存在的产业链，只是因为快速分销渠道，地理位置等关系，大多数都集中在一线城市，部分生活在一线城市的都基本或多或少去过几次各个品牌的特卖仓，但是二三线甚至四五线城市的就比较难接触到，后来就有一群人成了品牌搬运工，和各大品牌联系通过微信等渠道快速分销大牌库存，达到快速低价消除库存，加快周转回笼资金等目的。在货源上，由于品牌尾货具备天然的清仓需求，是折扣零售最常见的货源，但实际上，只要成本足够低，新品首发、定制包销、自有品牌均可以成为折扣特卖零售的可持续货源。成立初期，唯品会货源以尾货为主，但随着唯品会在电商领域的不断发展，新品和专供品的占比不断提升，早在 2016 年 Q2 分析中，唯品会当季新品和平台特供品就已经占 37%了。

二、此次分析的目标：

评估每次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。
分析流程：
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

三、操作流程：

1.读取各部分数据集

import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')

import sqlalchemy

engine = sqlalchemy.create_engine(

# 商品信息表
sql_cmd = "select * from sales_info1"

# 执行sql语句，获取数据
dt1 = pd.read_sql(sql=sql_cmd, con=engine)
#重命名列名
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()

# 读取数据
# 商品信息表
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()
···
```# 统计每个商品的一个销售情况

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()

dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()

1、总体运营情况评价

总体运营部分，主要关注销售额、售卖比、UV、转化率等指标，其他指标作为辅助指标。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），在日常工作中，吊牌额是必不可少的。
  • 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。
#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。
# dt3.user_id.unique().count()
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），在日常工作中，吊牌额是必不可少的。
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。退货件数
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()

# 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",]

# 去年的数据是已经统计好了的，不需要计算（写死的内容）
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",]

#sales_state = pd.concat([sales_state_dangqi, sales_state_tangqi])
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
fdbbez.png

2、从价格区间来优化商品结构

我们需要做的是，深入探究不同区间的数据，以此来优化后期的促销结构。首先我们需要找到在本次促销中此区间的销售源数据，源数据要求显示具体的款号、销售额、销量等信息。第二步，计算出每个款的转化率、折扣率等数据。

查看指标：

  • 销售额
  • 销量
  • 件单价
  • 客户数
  • UV
  • 转换率
  • 库存
  • 货值
  • 售卖比
# 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及以上']

#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
"""
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()

价格区间销售情况统计

  • 价格区间
  • 货值
  • 货值占比
  • 销售额
  • 售卖比
  • 销售占比
  • 销量
  • 客单价
  • UV
  • 收藏数
  • 加购数
  • 转化率
# 货值占比、销售占比、客单价、转化率  后面求
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()
dt_product_sales_info.head()

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()

```# 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及以上']
product_400.head()

计算商品指标

  • 销售额
  • 销量
  • 件单价
  • 客户数
  • UV
  • 转换率=客户数 / UV
  • 库存
  • 备货值=吊牌价 * 库存数
  • 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"]
product_400.head()

# 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.head()

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"]]

优化方案：

转化率大于0.7%的商品，暂时保留，用于下次促销活动；
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，
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、保留商品：转化率大于0.7%的商品予以保留
stay_stocks571 = product_400[product_400["转换率"]>0.007]
stay_stocks571
2.1.png
# 2、保留商品：找出转化率小于0.7% 但是 售卖比大于36%的部分予以保留
stay_stocks573 = product_400[(product_400["售卖比"]>=0.36)&(product_400["转换率"]<0.007)]
stay_stocks573

# 3、清仓处理商品，找出转化率小于0.7%并且售卖比小于36%的部分
stay_stocks574 = product_400[(product_400["售卖比"]<0.36)&(product_400["转换率"]<0.007)]
stay_stocks574
2.3.png

3、从折扣区间来优化商品结构
同样地，我们选择0.35-0.4折扣区间进行深入探究。dt_product_discount_info表中，我们可以得到0.35-0.4折扣区间的售卖比为16.90%，转化率为0.53%，折扣率为37%，在进行商品结构优化的时候要着重对比这几个指标。

# 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()

折扣区间销售情况统计

  • 价格区间
  • 货值
  • 货值占比
  • 销售额
  • 售卖比
  • 销售占比
  • 销量
  • 客单价
  • UV
  • 收藏数
  • 加购数
  • 转化率
# 货值占比、销售占比、客单价、转化率  后面求
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、销售占比、客单价、转化率  后面求
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"]

# 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()

#计算商品指标
*   销售额
*   销量
*   件单价
*   客户数
*   UV
*   转换率=客户数 / UV
*   库存
*   货值=吊牌价 * 库存数
*   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.head()

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']]

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。

# 挑选合格的商品：
# 1、保留商品：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
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)]
3.1.png
# 2、清仓处理商品，不满足条件的：折扣率大于37%的部分找出售卖比小于36.5%或转化率小于0.7%的商品
# 取反即可
stay_stocks2 = product_354[(product_354["折扣率"]>=0.37)&((product_354["售卖比"]<=0.365)|(product_354["转换率"]<=0.007))]
stay_stocks2
3.2.png
# 挑选合格的商品：
# 3、保留商品：在折扣率小于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
stay_stocks3 = product_354[(product_354["折扣率"]<=0.37)&(product_354["转换率"]>0.007)&(product_354["售卖比"]>0.365)] 
stay_stocks3
3.3.png
# 4、清仓处理商品，不满足此条件的：在折扣率小于37%的部分找出售卖比小于36.5%或转化率小于0.7%的部分
# 取反即可
stay_stocks4 = product_354[((product_354["折扣率"]<0.37) & ((product_354["售卖比"]<0.365)|(product_354["转换率"]<0.007)))]
stay_stocks4
3.4.png

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。

©著作权归作者所有,转载或内容合作请联系作者
  • 人面猴
    序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
    沈念sama阅读 217,907评论 6赞 506
  • 死咒
    序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
    沈念sama阅读 92,987评论 3赞 395
  • 救了他两次的神仙让他今天三更去死
    文/潘晓璐 我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
    开封第一讲书人阅读 164,298评论 0赞 354
  • 道士缉凶录：失踪的卖姜人
    文/不坏的土叔 我叫张陵，是天一观的道长。 经常有香客问我，道长，这世上最难降的妖魔是什么？ 我笑而不...
    开封第一讲书人阅读 58,586评论 1赞 293
  • 港岛之恋（遗憾婚礼）
    正文 为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
    茶点故事阅读 67,633评论 6赞 392
  • 恶毒庶女顶嫁案：这布局不是一般人想出来的
    文/花漫 我一把揭开白布。 她就那样静静地躺着，像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上，一...
    开封第一讲书人阅读 51,488评论 1赞 302
  • 城市分裂传说
    那天，我揣着相机与录音，去河边找鬼。 笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。 我是一名探鬼主播，决...
    沈念sama阅读 40,275评论 3赞 418
  • 双鸳鸯连环套：你想象不到人心有多黑
    文/苍兰香墨 我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
    开封第一讲书人阅读 39,176评论 0赞 276
  • 万荣杀人案实录
    序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
    沈念sama阅读 45,619评论 1赞 314
  • 护林员之死
    正文 独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 37,819评论 3赞 336
  • 白月光启示录
    正文 我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 39,932评论 1赞 348
  • 活死人
    序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
    沈念sama阅读 35,655评论 5赞 346
  • 日本核电站爆炸内幕
    正文 年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
    茶点故事阅读 41,265评论 3赞 329
  • 男人毒药：我在死后第九天来索命
    文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 31,871评论 0赞 22
  • 一桩弑父案，背后竟有这般阴谋
    文/苍兰香墨 我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 32,994评论 1赞 269
  • 情欲美人皮
    我被黑心中介骗来泰国打工， 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。 一个月前我还...
    沈念sama阅读 48,095评论 3赞 370
  • 代替公主和亲
    正文 我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
    茶点故事阅读 44,884评论 2赞 354

推荐阅读更多精彩内容

  • 电商案例复盘分析
    一、项目背景 唯品会是一家著名电商平台，有大量特卖商品，即指在特定的时间段里，以优惠的价格出售指定的商品。 二、分...
    chen_5614阅读 2,038评论 0赞 1
  • 电商复盘案例
    一、项目概述 唯品会是一个专门做特卖的网站（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品）。本文是对唯...
    kh辰辰辰阅读 198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 997评论 0赞 2
  • 电商复盘项目
    本文将进行电商唯品会商品的复盘问题，在此将会按照数据分析的流程进行以下操作： 1.目标确定： 1.1 背景介绍 唯...
    许瀚阅读 1,481评论 0赞 2
  • 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 562评论 0赞 0