本文是对某品牌服装在唯品会上进行双11促销活动后的复盘分析，分为以下几个部分进行：
一：项目背景
二：分析目标
三：分析过程
四：产品结构优化建议

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、分析目标

 评估本次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。
分析框架：
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、分析过程

分析步骤如下：

image.png

具体分析如下：

3.1 数据读取及预处理

import pandas as pd
import numpy as np

import warnings
#忽略警告
warnings.filterwarnings('ignore')

import sqlalchemy
engine = sqlalchemy.create_engine('mysql+pymysql://frogdata05:Frogdata!1321@106.12.180.221:3306/froghd')
# 读取数据
# 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)
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()

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
# 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}) #退货为1，不退货为0
dt3.info()
dt3['购买日期']=pd.to_datetime(dt3['购买日期'],format="%Y%m%d") #规范日期数据类型
dt3.head()

image.png

image.png

3.2 多表合并

  从三张表的字段来看，3张表互相关联，所以如果我们想从总体上了解运营情况，需要对三张表的信息合并在一起。

# 把商品信息加上该商品的热度信息
# 得到基础的商品信息，以及商品的一些热度信息：加购物车数量，收藏数量、uv数
dt_product = dt1.merge(dt2,how="left",on="商品名")
dt_product.head()
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()
# 合并商品信息
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()

image.png

3.3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。
指标定义如下：
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。
转换率：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",]
sales_state_dangqi

image.png

# 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_tongqi

image.png

指标同比

#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]]#stack,将列旋转到行，unstack是反操作
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

3.4 从价格区间优化商品结构

（1）将用户对价格敏感度将价格分为1-200，200-400，400以上区间

# 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及以上']
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

（2）计算各项指标

dt_product_sales['备货值']=dt_product_sales['吊牌价']*dt_product_sales['库存量']

image.png

价格区间分组

# 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",
                                        "备货值":'sum'}).reset_index()
dt_product_sales_info.head()

image.png

计算各价格区间转换率和售卖比

# 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['售卖比']=dt_product_sales_info['商品销售金额']/dt_product_sales_info['备货值']
dt_product_sales_info.head()

image.png

（3）提取关键价格区间进行分析
400元及以上区间销售额占比最大且销售数量最低，容易造成商品积压，对该价格区间数据进行分析，首先找出在本次活动中此区间的销售数据，数据要求显示具体的款号、销售额、销量等信息。然后计算出每款商品的售卖比、转化率等指标。

# 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()

image.png

计划该价格区间的转换率和售卖比等指标

# 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.head()

image.png

product_400[['商品名','商品销售金额','UV数','转化率','售卖比',"货值占比","销售占比"]]

image.png

400元以上价格区间的转换率和售卖比描述统计

product_400[['转换率','售卖比']].describe()

image.png

（4）优化方案：
以转化率和售卖比的中位数为临界点进行商品优化，即
1.转化率大于0.7%的商品，暂时保留，用于下次促销活动；
2.转化率小于0.7%的商品，但是售卖比大于23%的商品予以保留参加下次促销活动
3.转化率小于0.7%的商品，并且售卖比小于23%的商品进行清仓处理。

• 保留商品：

# 挑选合格的商品：
#1.选择转换率大于0.7%的商品
stay_stocks571 = product_400[product_400["转化率"]>0.007]
stay_stocks571

image.png

# 挑选合格的商品：
# 2、保留商品：找出转化率小于0.7% 但是 售卖比大于23%的部分予以保留
stay_stocks573 = product_400[(product_400["售卖比"]>=0.23)&(product_400["转化率"]<0.007)]
stay_stocks573

image.png

• 清仓商品：

# 清仓处理商品，找出转化率小于0.7%并且售卖比小于23%的部分
stay_stocks574 = product_400[(product_400["售卖比"]<0.23)&(product_400["转化率"]<0.007)]
stay_stocks574

image.png

3.5 从折扣区间来优化商品结构

dt_product_sales.head()

image.png

（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
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

（2）分组各区间统计计算商品各项指标

# 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

image.png

求货值占比、销售占比、客单价、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",
                                        "货值占比":"sum",
    "销售占比":"sum",
    "备货值":"sum"
                                        }).reset_index()
dt_product_discount_info

image.png

求各折扣区间的转化率和售卖比

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['售卖比']=dt_product_discount_info['商品销售金额']/dt_product_discount_info['备货值']
dt_product_discount_info

image.png

（3）提取销售占比最大的折扣区间（0.35_0.4)的数据内容

dt_product_discount_sale_35_40=dt_product_sales[dt_product_sales['折扣区间']=='0.35_0.4']
dt_product_discount_sale_35_40

image.png

计算该折扣区间的商品指标

# 转换率=客户数 / UV
dt_product_discount_sale_35_40['转换率'] = dt_product_discount_sale_35_40["购买用户数量"]/dt_product_discount_sale_35_40["UV数"]
# 备货值=吊牌价 * 库存数
dt_product_discount_sale_35_40["备货值"] = dt_product_discount_sale_35_40["吊牌价"]*dt_product_discount_sale_35_40["库存量"]
# 售卖比=又称售罄率，GMV / 备货值
dt_product_discount_sale_35_40["售卖比"] = dt_product_discount_sale_35_40["商品销售金额"]/dt_product_discount_sale_35_40["备货值"]
dt_product_discount_sale_35_40.head()

image.png

对该区间转换率和售卖比进行统计描述

dt_product_discount_sale_35_40[['转换率','售卖比']].describe()

image.png

(4)优化策略：以中位数为临界点，即
1.对于转换率>0.5%的商品予以保留
2.对于转换率<=0.5%且售卖比>18%的商品予以保留
3.对于转换率<=0.5%且售卖比<=18%的商品予以清仓处理

• 保留商品：

dt_product_discount_sale_35_40[(dt_product_discount_sale_35_40['转化率']>=0.005)]

image.png

dt_product_discount_sale_35_40[(dt_product_discount_sale_35_40['转化率']<=0.005)&(dt_product_discount_sale_35_40['售卖比']>0.18)]

image.png

完毕