Black Friday促銷日用戶行為分析

一、項目介紹:

1.1、公司業(yè)務簡介：

黑色星期五是美國感恩節(jié)后一天趴腋，圣誕節(jié)前的一次大采購活動，當天一般美國商場會推出大量的打折優(yōu)惠论咏、促銷活動优炬，由于美國的商場一般以紅筆記錄赤字，以黑筆記錄盈利厅贪，而感恩節(jié)后的這個星期五人們瘋狂的搶購使得商場利潤大增蠢护，因此被商家們稱作黑色星期五。商家期望通過以這一天開始的圣誕大采購為這一年獲得最多的盈利卦溢。

1.2糊余、分析背景與目的：

本次的分析數(shù)據(jù)來自于Kaggle提供的某電商黑色星期五的銷售記錄，主要圍繞產(chǎn)品和用戶兩大方面展開敘述单寂，為電商平臺制定策略提供分析及建議贬芥。

二、數(shù)據(jù)字典與維度

數(shù)據(jù)字典與維度

三宣决、分析思路與流程

分析思路與流程

3.1導入模塊并讀取數(shù)據(jù)

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df=pd.read_csv('BlackFriday.csv')

3.2數(shù)據(jù)概況分析

查看數(shù)據(jù)信息

df.info()

image.png

合計537577條數(shù)據(jù)蘸劈，Product_Category_2和Product_Category_3雖存在缺失值數(shù)據(jù)，但并不影響后續(xù)的分析尊沸，不做特殊處理威沫。

3.3單變量與圖表分析

（1）整體消費情況

image.png

（2）用戶角度分析

性別方面

df_gender_purchase=df.groupby("Gender").agg({"Purchase":"sum"}).reset_index().rename(columns={"Purchase":"Purchase_amount"})
df_gender_purchase["gender_purchase_prop"]=df_gender_purchase.apply(lambda x:x[1]/df["Purchase"].sum(),axis=1)
    
def Gender_user_count(x):
    if x[0]=="F":
        return (df.loc[df["Gender"]=="F"].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    if x[0]=="M":
        return (df.loc[df["Gender"]=="M"].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    
df_gender_purchase["gender_user_count"]=df_gender_purchase.apply(lambda x:Gender_user_count(x),axis=1)
df_gender_purchase["gender_customer_price"]=df_gender_purchase.apply(lambda x:x[1]/x[3],axis=1)
df_gender_purchase["gender_count_prop"]=df_gender_purchase.apply(lambda x:x[3]/df.drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count(),axis=1)
df_gender_purchase

image.png

在黑色星期五的活動中贤惯，男性是占據(jù)了71%的用戶,將近是女性的2.5倍;但是貢獻了將近76%的銷售額,是女生的3.3倍;顯然是有更多的男性參與這個活動,并且客單價還是較高于女性, 所以應該針對男性用價格較高的產(chǎn)品來推銷

年齡方面

df_age_purchase=df.groupby("Age").agg({"Purchase":"sum"}).reset_index().rename(columns={"Purchase":"Purchase_amount"})
df_age_purchase["Age_purchase_prop"]=df_age_purchase.apply(lambda x:x[1]/df["Purchase"].sum(),axis=1)
    
def Age_user_count(x):
    for i in df["Age"].drop_duplicates():
        if x[0]==i:
            return (df.loc[df["Age"]==i].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())

    
df_age_purchase["Age_user_count"]=df_age_purchase.apply(lambda x:Age_user_count(x),axis=1)
df_age_purchase["Age_customer_price"]=df_age_purchase.apply(lambda x:x[1]/x[3],axis=1)
df_age_purchase["Age_count_prop"]=df_age_purchase.apply(lambda x:x[3]/df.drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count(),axis=1)
df_age_purchase

image.png

消費人數(shù)和金額主要集中在18-45這個年齡階段，幾乎貢獻了近80%的銷售額棒掠，其中26-35年齡段孵构，無論消費者人數(shù)和消費金額都是最多的，這是應該重點推銷商品的用戶

婚姻方面

df_Marital_purchase=df.groupby("Marital_Status").agg({"Purchase":"sum"}).reset_index().rename(columns={"Purchase":"Purchase_amount"})
df_Marital_purchase["Marital_purchase_prop"]=df_Marital_purchase.apply(lambda x:x[1]/df["Purchase"].sum(),axis=1)

def Marital_user_count(x):
    if x[0]==0:
        return (df.loc[df["Marital_Status"]==0].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    if x[0]==1:
        return (df.loc[df["Marital_Status"]==1].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    
df_Marital_purchase["Marital_user_count"]=df_Marital_purchase.apply(lambda x:Marital_user_count(x),axis=1)
df_Marital_purchase["Marital_customer_price"]=df_Marital_purchase.apply(lambda x:x[1]/x[3],axis=1)
df_Marital_purchase["Marital_count_prop"]=df_Marital_purchase.apply(lambda x:x[3]/df.drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count(),axis=1)
df_Marital_purchase

image.png

不結婚的人在銷售金額烟很、參與活動數(shù)量方面是比已經(jīng)結婚的高出40%

職業(yè)方面

df_Occupation_purchase=df.groupby("Occupation").agg({"Purchase":"sum"}).reset_index().rename(columns={"Purchase":"Purchase_amount"})
df_Occupation_purchase["Occupation_purchase_prop"]=df_Occupation_purchase.apply(lambda x:x[1]/df["Purchase"].sum(),axis=1)
def Occupation_user_count(x):
    for i in df["Occupation"].drop_duplicates():
        if x[0]==i:
            return (df.loc[df["Occupation"]==i].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())

df_Occupation_purchase["Occupation_user_count"]=df_Occupation_purchase.apply(lambda x:Occupation_user_count(x),axis=1)
df_Occupation_purchase["Occupation_customer_price"]=df_Occupation_purchase.apply(lambda x:x[1]/x[3],axis=1)
df_Occupation_purchase["Occupation_count_prop"]=df_Occupation_purchase.apply(lambda x:x[3]/df.drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count(),axis=1)
df_Occupation_purchase.sort_values(by="Occupation_user_count",ascending=False)
df_Occupation_purchase.head(10)

image.png

4颈墅、0、7雾袱、1的人數(shù)占到了用戶總人數(shù)的40%,這些職位應該是我們關注的對象

（3）地域角度分析

df_City_Category_purchase["Marital_purchase_prop"]=df_City_Category_purchase.apply(lambda x:x[1]/df["Purchase"].sum(),axis=1)

def City_Category_user_count(x):
    if x[0]=="A":
        return (df.loc[df["City_Category"]=="A"].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    if x[0]=="B":
        return (df.loc[df["City_Category"]=="B"].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    if x[0]=="C":
        return (df.loc[df["City_Category"]=="C"].drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count())
    
df_City_Category_purchase["City_Category_user_count"]=df_City_Category_purchase.apply(lambda x:City_Category_user_count(x),axis=1)
df_City_Category_purchase["City_Category_customer_price"]=df_City_Category_purchase.apply(lambda x:x[1]/x[3],axis=1)
df_City_Category_purchase["City_Category_count_prop"]=df_City_Category_purchase.apply(lambda x:x[3]/df.drop_duplicates(subset=["User_ID"],keep="first")["User_ID"].count(),axis=1)
df_City_Category_purchase

image.png

C 城市的參與活動的用戶量占總的53%,但是貢獻銷售額僅僅占了32%,相反B城市是占的總用戶量的28%確貢獻了41%的銷售額,并且AB城市的客單價是分別是C城市的近似2倍恤筛。我們大致能夠猜測到AB城市的消費水品較高，下次舉辦活動的時候,可以對AB城市的價格適當提高芹橡。C城市可以適當降低價格毒坛，通過提高銷售量來提高銷售額

（4）產(chǎn)品角度分析

銷售額Top10產(chǎn)品

df_amount10=df.groupby("Product_ID").agg({"User_ID":"count","Purchase":"sum"}).rename(columns={"Purchase":"Purchase_amount","User_ID":"User_count"})
.reset_index().sort_values(by=["Purchase_amount"],ascending=False)[["Product_ID","Purchase_amount"]].head(10)
df_amount10

image.png

銷售量Top10產(chǎn)品

df_count10=df.groupby("Product_ID").agg({"User_ID":"count","Purchase":"sum"}).rename(columns={"Purchase":"Purchase_amount","User_ID":"User_count"})
.reset_index().sort_values(by=["User_count"],ascending=False)[["Product_ID","User_count"]].head(10)
df_count10

image.png

銷量與銷售額在Top10中的產(chǎn)品

pd.merge(df_amount10,df_count10,left_on='Product_ID',right_on='Product_ID',how='inner')

image.png

計算銷售額Top10產(chǎn)品占比

df_amount=df.groupby("Product_Category_1").agg({"User_ID":"count","Purchase":"sum"}).rename(columns={"Purchase":"Purchase_amount","User_ID":"User_count"}).reset_index().sort_values(by=["Purchase_amount"],ascending=False)[["Product_Category_1","Purchase_amount"]]
df_amount["Category_Prop"]=df_amount.apply(lambda x:x[1]/df["Purchase"].sum(),axis=1)
df_amount.head()

image.png

四、總結

（1）用戶的角度

結論匯總：

年齡在26-35歲林说，職業(yè)編號為"4","0","7","1"的未婚男性消費人群屬于高消費人群煎殷，是該平臺的忠實用戶。

后續(xù)改進：

1.對高價值用戶重點關注述么，進行更精細化的營銷蝌数，后續(xù)為這些高價值用戶提供更多的高價值消費品。
2.針對其他的用戶度秘，主要引導用戶點擊購買顶伞，多推薦一些熱銷的商品。

（2）產(chǎn)品的角度

結論匯總：

1.黑色星期五期間剑梳，一級商品分類的5唆貌、1、8的銷量垢乙、銷售額都是排在前3锨咙，而且最受用戶歡迎的商品top10中也有這3類商品，這3類商品貢獻了72%的銷售額追逮。
2.銷量排名最低的三個商品種類是16酪刀、11、12钮孵，占比都不到0.3%骂倘。
3.盡管C城市用戶量占總的53%，但是貢獻銷售額僅僅占了32%,相反B城市是占總用戶量的28%卻貢獻了41%的銷售額巴席，且AB城市的客單價是分別是C城市的近似2倍历涝。可見B城市消費水平高，盈利高荧库。

后續(xù)改進：

1.可以在最受用戶歡迎的商品top10的商品和其他一些相關的商品做一些捆綁銷售堰塌，帶動其他商品的銷量；在一級商品分類為5分衫、1场刑、8的商品頁面推薦一些其他的商品，引導用戶去點擊購買丐箩。
2.具體再分析下銷量排名最低的三個商品種類是什么原因造成的摇邦，如果商品種類16、11屎勘、12是一些已經(jīng)淘汰過時的商品或者被一些該商品的替代品占領了市場，可以考慮是否要下架居扒，減少相關渠道的廣告等概漱。
3.倉庫管理需按暢銷商品名單、分類喜喂，安排庫存瓤摧，對于消費旺盛B城市需提前備貨，節(jié)省調(diào)度玉吁；同時監(jiān)控庫存照弥，防止斷貨。