電商數(shù)據(jù)分析
一、數(shù)據(jù)信息
數(shù)據(jù)來源：https://www.kesci.com/mw/dataset/5f64a07b71c700003072df60/file
說明：本數(shù)據(jù)集共有104557條數(shù)據(jù)费尽，共計(jì)11個(gè)字段
字段：id ： 序號
orderID ：訂單id
userID ：用戶id
goodsID ：商品id
orderAmount ：訂單總額
payment ：買家實(shí)際支付金額
chanelID ：渠道id
platfromType ：購買渠道
orderTime ：訂單產(chǎn)生時(shí)間
payTime ：訂單支付時(shí)間山析，為2019-01-01至2020-05-28這個(gè)時(shí)間段的數(shù)據(jù)（主要以訂單支付時(shí)間作為分析基礎(chǔ)）
chargeback ：是否退款
二爆土、先行結(jié)論
1.銷量分析：用戶的整體轉(zhuǎn)換率高舌缤，雙十一雙十二活動(dòng)效果明顯
·繼續(xù)保持用戶轉(zhuǎn)化率施流，后續(xù)可以利用更多節(jié)假日所在月慨飘，復(fù)制雙十一雙十二的促銷活動(dòng)确憨，增加銷售額
·針對性的對網(wǎng)頁版和阿里平臺(tái)進(jìn)行店鋪優(yōu)化設(shè)計(jì)和渠道推廣，同時(shí)借鑒WechatMP微信公眾號平臺(tái)和APP這兩個(gè)購買渠道之所以受到用戶歡迎的要點(diǎn)——可針對性的對這幾個(gè)購買渠道做埋點(diǎn)以及用戶行為路徑分析、頁面評估
2.用戶購買次數(shù)分析：復(fù)購率和人均購買次數(shù)極低缚态，平臺(tái)主要為“一次性買賣”
·提高品牌影響力，培養(yǎng)用戶忠實(shí)度堤瘤，同時(shí)進(jìn)一步挖掘已有客戶的購買力
3.使用RFM模型進(jìn)行用戶價(jià)值分類：針對不同客戶群體玫芦，分別針對性的采取運(yùn)營措施
·重要價(jià)值用戶：對其投入耕作資源，提供vip服務(wù)本辐、個(gè)性化服務(wù)桥帆，保持其黏性的同時(shí)又繼續(xù)引導(dǎo)其消費(fèi)
·潛力客戶：這類客戶需要對其深入挖掘，對其銷售一些價(jià)值更高的產(chǎn)品慎皱，并要求其評論老虫，根據(jù)評論內(nèi)容找出其訴求和痛點(diǎn)，吸引他們
·重要深耕用戶：給其不定時(shí)發(fā)送促銷活動(dòng)提醒和優(yōu)惠券活動(dòng)等
·新用戶：組織社群活動(dòng)茫多，在群內(nèi)不定時(shí)提供小樣免費(fèi)試用或抽獎(jiǎng)活動(dòng)，以及拉新進(jìn)群達(dá)到一定數(shù)量即可獲取大額優(yōu)惠券等夺欲，提高用戶興趣，創(chuàng)建品牌知名度
·新用戶：組織社群活動(dòng)些阅，在群內(nèi)不定時(shí)提供小樣免費(fèi)試用或抽獎(jiǎng)活動(dòng)斑唬，以及拉新進(jìn)群達(dá)到一定數(shù)量即可獲取大額優(yōu)惠券等，提高用戶興趣恕刘，創(chuàng)建品牌知名度
·一般用戶：可以采用每日店鋪打卡獲取積分，積分可兌換熱門產(chǎn)品小樣或店鋪內(nèi)抽獎(jiǎng)雪营，讓其持續(xù)不斷關(guān)注到店鋪
·重要挽回用戶：重點(diǎn)回訪弓千，針對性提問用戶不再購買的可能性原因，并在此基礎(chǔ)上重新向客戶營銷献起，如回答服務(wù)態(tài)度方面洋访，安撫；如回答產(chǎn)品質(zhì)量方面谴餐，則回答已改進(jìn)姻政，請重新試用并寄去小樣等
·流失客戶：嘗試恢復(fù)其興趣，如無果岂嗓，則不再浪費(fèi)時(shí)間
三汁展、分析框架
1.銷量分析：購買時(shí)間，商品類別，購買渠道食绿，轉(zhuǎn)化率
·轉(zhuǎn)化率 ：轉(zhuǎn)化流程為訂單創(chuàng)建 -> 訂單付款 -> 訂單成交（未被退款）
2.用戶購買次數(shù)分析：用戶購買次數(shù)分布（頻次圖）侈咕、人均購買次數(shù)（支付并未退款）、復(fù)購率（復(fù)購率=購買次數(shù)在2次及以上的人數(shù)/有購買行為的人數(shù)）
3.使用RFM模型進(jìn)行用戶價(jià)值分類
四器紧、數(shù)據(jù)清洗
import pandas as pd
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
data = pd.read_excel('F:\data\order2019.xlsx')
data.info()
data.sample(10)
image.png
image.png
觀察可知耀销，僅chanelID列存在缺失值，說明有人是未經(jīng)過渠道推薦直接進(jìn)到平臺(tái)上下單的铲汪。該缺失值不影響分析結(jié)果熊尉，故暫不作處理。購買渠道存在無意義空格掌腰，對其進(jìn)行去除：
data['platfromType'] = [i.replace(' ','') for i in data['platfromType']]
從訂單付款時(shí)間里提取出日期狰住，方便后續(xù)對銷售額進(jìn)行計(jì)算：
data['payDate'] = data['payTime'].dt.date
data['payDate'] = pd.to_datetime(data['payDate'])
# 同時(shí)增加“天數(shù)”列，用于后續(xù)輔助計(jì)算“R”指標(biāo)
data['days'] = (pd.to_datetime('today') - data['payDate']).dt.days
五齿梁、數(shù)據(jù)分析
1.銷量分析
所有交易都是以最終獲利來進(jìn)行計(jì)算的催植，因此考慮到退款情況的前提下，對目前已有的訂單按照訂單支付時(shí)間為分組條件士飒，對買家實(shí)際支付金額進(jìn)行求和查邢。由于數(shù)據(jù)時(shí)間跨度較大，故以月為單位進(jìn)行統(tǒng)計(jì)
data_not_chargeback = data[data.chargeback=='否']
df = data_not_chargeback.groupby(pd.Grouper(key='payDate',freq='M'))['payment'].sum()
x =[f'{y}年{m}月' for y,m in zip(df.index.year, df.index.month)]
plt.figure(figsize=(16,9),dpi=160)
plt.plot(range(len(x)), df)
plt.text(0,df.max(),f'總銷售額情況為{round(df.sum(),2)}元',fontsize=20)
plt.xticks(range(len(x)), x, rotation=45)
for x,y in zip(range(len(x)),df.values):
plt.text(x, y+7000,int(y),ha='center') #給數(shù)據(jù)點(diǎn)添加標(biāo)簽
plt.ylabel('銷售額')
plt.xlabel('時(shí)間')
plt.title('銷售額每月走勢',fontsize=25)
plt.show()
image.png
從“銷售額每月走勢”圖可得出以下幾個(gè)信息：
1.在2019-01-01至2020-05-28這段時(shí)間扰藕，銷售最高額出現(xiàn)在“雙十一”活動(dòng)所在月——11月邓深，銷售額達(dá)1064萬芥备，占2019年度銷售總額的10.08%
2.19年1月至2月出現(xiàn)大幅度下降日月，到了3月開始迅速上升爱咬，5月沖上小高峰精拟，隨后一直處于高峰時(shí)期，到10月份有一定回落栅表，隨后雙11雙12所在月迎來全年高峰時(shí)刻怪瓶，進(jìn)入2020年后則由于疫情影響劳殖，迅速跌入谷底并持續(xù)低迷哆姻，直至5月份僅434元銷售額
# 根據(jù)商品類別進(jìn)行銷量統(tǒng)計(jì)矛缨，找出實(shí)際交易賣的最好的前十種商品
hot_10 = pd.DataFrame({
'銷量':data['payment'].value_counts(),
'實(shí)際成交銷量':data_not_chargeback['payment'].value_counts()
}).sort_values(by='銷量', ascending=False)
hot_10['總銷量占比(%)'] = hot_10['銷量'].apply(lambda x : round((x/hot_10['銷量'].sum())*100,2))
hot_10['實(shí)際銷售額'] = data_not_chargeback.groupby(by='orderAmount')['payment'].sum()
hot_10['銷售額占比(%)']=hot_10['實(shí)際銷售額'].apply(lambda x : round((x/hot_10['實(shí)際銷售額'].sum())*100,2))
print(f'{"-"*20}熱賣前10{"-"*20}')
print(hot_10.head(10))
image.png
# 根據(jù)購買渠道進(jìn)行銷量統(tǒng)計(jì)
saleChannel = data_not_chargeback.groupby(pd.Grouper(key='platfromType'))['payment'].sum()
x_ = list(saleChannel.index)
plt.figure(figsize=(16,9),dpi=160)
plt.bar(range(len(x_)), height=saleChannel, width=0.5)
plt.xticks(range(len(x_)), x_, rotation=45)
for x,y in zip(range(len(x_)),saleChannel.values):
plt.text(x, y+8000,int(y),ha='center') #給數(shù)據(jù)點(diǎn)添加標(biāo)簽
plt.ylabel('銷售額')
plt.xlabel('購買渠道')
plt.title('各購買渠道銷售情況',fontsize=25)
plt.show()
image.png
從上圖可以看出：用戶主要是通過WechatMP微信公眾號平臺(tái)和APP進(jìn)行購買的解阅，其次是網(wǎng)頁版货抄，再次是阿里平臺(tái)蟹地，微信商店和wap是最低
現(xiàn)查看chargeback字段值的分布數(shù)量：
import seaborn as sns
print(data['chargeback'].value_counts())
sns.countplot(x='chargeback', data=data)
image.png
# 轉(zhuǎn)換率
from pyecharts.charts import Funnel
from pyecharts import options as opts
# 本數(shù)據(jù)集里的客戶都存在支付購買行為夺刑，但在支付完成后又存在部分退款行為遍愿，因此茎杂，chargeback字段的值為“否”時(shí)才說明本次交易實(shí)際成交
rates = pd.Series({
'創(chuàng)建':data['orderTime'].count(),
'付款':data['payTime'].count(),
'實(shí)際成交':data[data.chargeback=='否'].shape[0]
},name='訂單量').to_frame()
# 絕對轉(zhuǎn)化率=各環(huán)節(jié)訂單數(shù)/訂單創(chuàng)建數(shù)
rates['整體轉(zhuǎn)化率'] = rates['訂單量'].apply(lambda x: round(x*100/rates.iloc[0,0],3))
print(rates)
c=(
Funnel()
.add(
'轉(zhuǎn)化率',
[list(z) for z in zip(rates.index,rates['整體轉(zhuǎn)化率'])],
# 設(shè)置標(biāo)簽位置及數(shù)據(jù)展現(xiàn)形式
label_opts=opts.LabelOpts(position='inside',formatter='倾哺:{c}')
) # 填充漏斗圖內(nèi)容
.set_global_opts(title_opts=opts.TitleOpts(title='整體轉(zhuǎn)化率（%）'))
)
c.render_notebook()
image.png
從“整體轉(zhuǎn)換率”可以看出：用戶的整體轉(zhuǎn)換率還是較高的羞海，實(shí)際成交轉(zhuǎn)化率達(dá)86.82%却邓，需要繼續(xù)保持
小結(jié)：雙十一雙十二的活動(dòng)非常有效腊徙，后續(xù)可以利用更多節(jié)假日所在月撬腾，復(fù)制雙十一雙十二的促銷活動(dòng)民傻，增加銷售額漓踢；再針對性的對網(wǎng)頁版和阿里平臺(tái)進(jìn)行店鋪優(yōu)化設(shè)計(jì)和渠道推廣喧半，同時(shí)借鑒WechatMP微信公眾號平臺(tái)和APP這兩個(gè)購買渠道之所以受到用戶歡迎的要點(diǎn)——可針對性的對這幾個(gè)購買渠道做埋點(diǎn)以及用戶行為路徑分析挺据、頁面評估
- 用戶購買次數(shù)分析
# 繪制用戶購買次數(shù)分布頻次圖
user_buy_time = data[data.chargeback=='否'].groupby('userID').count()['goodsID']
plt.hist(x=user_buy_time, bins=10, range=[0,100])
plt.xlabel('buy_time')
plt.ylabel('user_num')
plt.title('user_buy_time')
image.png
# 人均購買次數(shù)
total_buy_time = data[data.chargeback=='否'].count()['userID']
total_paying_user_num = data[data.chargeback=='否'].nunique()['userID']
user_avg_buy_time = total_buy_time/total_paying_user_num
user_avg_buy_time
image.png
# 復(fù)購率 = 購買次數(shù)在2次及以上的人數(shù)/有購買行為的人數(shù)
user_buy_time = data[data.chargeback=='否'].groupby('userID').count()
user_twice_time = user_buy_time[user_buy_time['goodsID']>2].count()['goodsID']
user_buy = data[data.chargeback=='否'].nunique()['userID']
rebuy_rate = user_twice_time/user_buy
rebuy_rate
image.png
觀察結(jié)果：從用戶購買次數(shù)分布頻次圖可看出者填，凡是成功完成本次交易（支付成功且未退款）的用戶占哟，均存在10次以內(nèi)的交易頻率榨乎；而用戶人均購買次數(shù)為1次蜜暑，復(fù)購率僅3.93%
小結(jié)：綜合以上結(jié)果來看肛捍，該電商平臺(tái)基本上都為一次性交易的買賣拙毫，付費(fèi)用戶的復(fù)購率很低，需要想辦法培養(yǎng)一批忠實(shí)用戶峭跳；結(jié)合用戶購買次數(shù)頻次圖來看蛀醉，該平臺(tái)所有付費(fèi)用戶都只存在10次以內(nèi)的交易頻率滞欠，需要大力挖掘這批客戶的購買力，針對性的推出營銷挽回方案
- 使用RFM模型進(jìn)行用戶價(jià)值分類
1） 計(jì)算RFM三個(gè)指標(biāo)
# 建立數(shù)據(jù)透視表惹恃，計(jì)算RFM三個(gè)指標(biāo)
df2 = data_not_chargeback.pivot_table(index="userID",
values=["orderID", "days", "payment"],
aggfunc={"orderID":"count", "days":"min", "payment":"sum"})
df2 = df2[['days', 'orderID', 'payment']]
df2.columns = ['R', 'F', 'M']
df2.reset_index()
df2.head(10)
image.png
# 給RFM三個(gè)指標(biāo)分別打分
avg_r = df2['R'].mean()
avg_f = df2['F'].mean()
avg_m = df2['M'].mean()
df2['R_score'] = [0 if i>avg_r else 1 for i in df2['R']]
df2['F_score'] = [1 if i>avg_f else 0 for i in df2['F']]
df2['M_score'] = [1 if i>avg_m else 0 for i in df2['M']]
# 給用戶打標(biāo)簽
def functions(x):
if x.iloc[0]==1 and x.iloc[1]==1 and x.iloc[2]==1:
return "重要價(jià)值客戶"
elif x.iloc[0]==1 and x.iloc[1]==1 and x.iloc[2]==0:
return "潛力客戶"
elif x.iloc[0]==1 and x.iloc[1]==0 and x.iloc[2]==1:
return "重要深耕客戶"
elif x.iloc[0]==1 and x.iloc[1]==0 and x.iloc[2]==0:
return "新客戶"
elif x.iloc[0]==0 and x.iloc[1]==1 and x.iloc[2]==1:
return "重要喚回客戶"
elif x.iloc[0]==0 and x.iloc[1]==1 and x.iloc[2]==0:
return "一般客戶"
elif x.iloc[0]==0 and x.iloc[1]==0 and x.iloc[2]==1:
return "重要挽回客戶"
elif x.iloc[0]==0 and x.iloc[1]==0 and x.iloc[2]==0:
return "流失客戶"
df2['標(biāo)簽'] = df2[['R_score', 'F_score', 'M_score']].apply(functions,axis=1)
df2.sample(10)
image.png
# 繪制不同類型客戶人數(shù)對比圖
import numpy as np
df3 = df2.groupby("標(biāo)簽").agg({"標(biāo)簽":"count"})
df3['不同客戶的占比'] = df3["標(biāo)簽"].apply(lambda x:x/np.sum(df3["標(biāo)簽"]))
df3.index.name = '客戶標(biāo)簽'
df3 = df3.sort_values(by="標(biāo)簽", ascending=True)
plt.figure(figsize=(6,4), dpi=100)
x = df3.index
y = df3['標(biāo)簽']
plt.barh(x, height=0.5, width=y, align='center')
plt.title('不同類型客戶的人數(shù)對比')
for x,y in enumerate(y):
plt.text(y+450, x, y, va='center', fontsize=14)
plt.xticks(np.arange(0,30001,2000), rotation=45)
plt.tight_layout()
image.png
# 繪制不同類型客戶累計(jì)消費(fèi)金額
df3 = df2.groupby("標(biāo)簽").agg({"M":"sum"})
df3["M"] = df3["M"].apply(lambda x:round(x))
df3["不同客戶的占比"] = df3["M"].apply(lambda x:x/np.sum(df3["M"]))
df3 = df3.sort_values(by="M",ascending=True)
plt.figure(figsize=(6,4),dpi=100)
x = df3.index
y = df3["M"]
plt.barh(x,height=0.5,width=y,align="center")
plt.title("不同類型客戶累計(jì)消費(fèi)金額")
for x,y in enumerate(y):
plt.text(y+500,x,y,va="center",fontsize=14)
plt.tight_layout()
image.png
重點(diǎn)價(jià)值用戶是最重要的群體参淹，但數(shù)量在總客戶群體中占比較少浙值，只有7163人开呐，而平臺(tái)流失客戶占比較大筐付，應(yīng)考慮自身產(chǎn)品的定位以及可以適當(dāng)發(fā)送調(diào)查問卷的形式對于流失客戶進(jìn)行流失分析阻肿。同時(shí)新客戶也有一個(gè)較大的占比丛塌，應(yīng)該做好新客戶引導(dǎo)和服務(wù)，爭取將新客戶轉(zhuǎn)換為更具有價(jià)值的重要價(jià)值客戶哨坪。
針對以上客戶群體当编，分別提出針對性的運(yùn)營建議：
- 重要價(jià)值用戶：對其投入耕作資源忿偷，提供vip服務(wù)鲤桥、個(gè)性化服務(wù)，保持其黏性的同時(shí)又繼續(xù)引導(dǎo)其消費(fèi)
- 潛力客戶：這類客戶需要對其深入挖掘嫂拴，對其銷售一些價(jià)值更高的產(chǎn)品筒狠，并要求其評論辩恼，根據(jù)評論內(nèi)容找出其訴求和痛點(diǎn)灶伊，吸引他們
- 重要深耕用戶：給其不定時(shí)發(fā)送促銷活動(dòng)提醒和優(yōu)惠券活動(dòng)等
- 新用戶：組織社群活動(dòng)聘萨，在群內(nèi)不定時(shí)提供小樣免費(fèi)試用或抽獎(jiǎng)活動(dòng)匈挖，以及拉新進(jìn)群達(dá)到一定數(shù)量即可獲取大額優(yōu)惠券等儡循，提高用戶興趣征冷，創(chuàng)建品牌知名度
- 重要換回用戶：精準(zhǔn)營銷检激，根據(jù)用戶畫像等為用戶提供其可能會(huì)關(guān)注或感興趣的商品，通過續(xù)關(guān)店鋪或出產(chǎn)更新更吸引人的產(chǎn)品贏回他們
- 一般用戶：可以采用每日店鋪打卡獲取積分傲隶，積分可兌換熱門產(chǎn)品小樣或店鋪內(nèi)抽獎(jiǎng)窃页，讓其持續(xù)不斷關(guān)注到店鋪
- 重要挽回用戶：重點(diǎn)回訪脖卖，針對性提問用戶不再購買的可能性原因畦木，并在此基礎(chǔ)上重新向客戶營銷十籍，如回答服務(wù)態(tài)度方面，安撫惨篱；如回答產(chǎn)品質(zhì)量方面，則回答已改進(jìn)机断，請重新試用并寄去小樣等
8.流失客戶：嘗試恢復(fù)其興趣吏奸，并多聯(lián)系客戶進(jìn)行調(diào)研奋蔚，找出客戶流失的主要原因
