一、项目背景
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）。本文是对唯品会部分特卖商品在2019年双11销售情况的复盘，通过jupyter notebook，使用python的pandas和numpy包完成分析，通过分析结果，优化商品结构，让商品实现更好的销售情况。
二、数据处理
1.数据预览
数据集为excel表格，里面包含三张表：商品明细表、商品热度情况、用户销售明细表包含如下字段：
1）商品明细表：
主要包括每件商品的详细信息，包括：售价、吊牌价、折扣率、库存量、货值、成本价、利润率以及SKU这些字段。折扣率和利润率情况已经包含，后续可以省去计算步骤。
2）商品热度情况：
本表包含4个字段：商品名、UV数、收藏数和加购物车数。这些字段可以通过商品名和其余表关联，计算转化率等。
3）用户销售明细表：
本表记录每个用户购买商品的详细情况，包含：用户id、购买日期、商品名、购买数量、购买单价、购买金额、是否退货、退货件数、退货金额这些字段。可通过商品名和前两张表关联，完成商品销售情况的聚合分析。
2.读取数据
导入模块
读取数据集
读取商品热度数据表
读取用户销售明细表
本次通过sqlalchemy包读取数据库中的数据，将原表的字段名重命名方便观察数据，df.head()查看数据
3.数据预处理
将三张表合并成一张表，便于后续计算和分析：①首先通过“商品名”字段，将商品明细表和商品热度表合并；②用户销售明细表并不能直接合并，需要先以“商品名”为主，通过groupby聚合；③再将以上两张表通过“商品名”字段合并，完成三张表的聚合。
三、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。
相关指标
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。
相关指标计算
汇总统计
四、 优化商品结构
1.通过划分不同的价格区段将各类数据分组
通过groupby聚合统计各类指标
计算货值占比、销售占比、客单价、转化率
重点目标为售卖价格400以上的商品，对其进行优化
首先挑选出售卖价格400以上的商品
计算其转化率、备货值和售卖比
通过箱线图查看转化率和售卖比的具体情况
通过观察箱线图提出优化方案：
临界值选取的是分位数值，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。售卖比可以选择75%分位数，表示75%的商品转化率是小于0.318的。可以基于这个数值进行浮动，这里选择的临界值是：转化率0.007，售卖比0.36
因此
保留商品：转化率大于0.7%的商品，暂时保留，用于下次促销活动；
保留商品：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；
清仓商品：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。
挑选合格商品
2.通过折扣区间优化商品结构
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。
划分折扣区间
区间指标聚合计算
计算货值占比、销售占比、客单价、转化率
取出目标折扣区间0.35-0.4的数据内容
计算转换率、货值、售卖比
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。
四、总结
通过对各类商品的折扣率、售卖比等相关指标进行计算分析，划分出不同的类别，不断的增加商品来保证SKU数，对于新增的商品我们也会增加在其中。对于平销款，我们将其作为快抢和疯抢处理。
