电商促销项目复盘

电商促销项目复盘

数据：

共三张表，

• sales_info1是商品信息表，
• sales_info2顾客浏览记录统计，
• sales_info3购买信息表

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

import pandas as pd
import numpy as np

import warnings
warnings.filterwarnings('ignore')

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。

1、读取各部分数据集

import sqlalchemy


engine = sqlalchemy.create_engine('mysql+pymysql://***:***@****:3306/***')

# 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

# 读取数据
# 顾客浏览记录
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

# 读取数据
# 订单详情
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

2、合并商品信息表和商品热度表数据

# 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()

3、合并商品信息表和商品热度表数据和用户销售明细表

# 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":"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

一、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
• 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()
gmv

3747167.0

#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
return_money

2607587.0

#3、销量：累计销售量（含拒退）
all_sales = dt_product_sales["商品销售数量"].sum()
all_sales

12017

#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()
custom_price

493.56783456269756

# 5、UV：商品所在页面的独立访问数
uv_cons = dt_product_sales["UV数"].sum()
uv_cons

1176103

# 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()
uv_rate

0.006455216932530569

# 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 
discount_rate

0.4179229541452886

# 8、备货值：吊牌价 * 库存数。
goods_value = dt_product_sales["货值"].sum()
goods_value

18916395

# 9、售卖比：又称售罄率，GMV / 备货值。
sales_rate = gmv / goods_value
sales_rate

0.19809096817866195

# 10、收藏数：收藏某款商品的用户数量。
coll_cons = dt_product_sales["收藏数"].sum()
coll_cons

6224

# 11、加购数：加购物车人数。
add_shop_cons = dt_product_sales["加购物车数"].sum()
add_shop_cons

18690

# 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()
sku_cons

125

# 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())
spu_cons

80

# 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()
reject_cons

3643

# 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()
reject_money

1139580.0

# 汇总统计
# 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]] # 行转列
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

	指标	今年双11	去年双11	同比
0	GMV	3.747167e+06	2.261093e+06	0.657237
1	实际销售额	2.607587e+06	1.464937e+06	0.780000
2	销量	1.201700e+04	7.654000e+03	0.570029
3	客单价	4.935678e+02	6.093457e+02	-0.190004
4	UV数	1.176103e+06	9.046940e+05	0.300001
5	UV转化率	6.455217e-03	5.336600e-03	0.209612
6	折扣率	4.179230e-01	4.600000e-01	-0.091472
7	货值	1.891640e+07	1.261093e+07	0.500000
8	售卖比	1.980910e-01	1.161000e-01	0.706210
9	收藏数	6.224000e+03	4.263000e+03	0.460005
10	加购数	1.869000e+04	1.583800e+04	0.180073
11	sku数	1.250000e+02	8.200000e+01	0.524390
12	spu数	8.000000e+01	6.700000e+01	0.194030
13	拒退量	3.643000e+03	2.000000e+03	0.821500
14	拒退额	1.139580e+06	6.511886e+05	0.750000

二、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

dt_product_sales["售卖价"].describe()

count      80.000000
mean      317.225000
std       221.303273
min         9.000000
25%       188.000000
50%       279.000000
75%       426.500000
max      1000.000000
Name: 售卖价, dtype: float64

# 划分价格区间段
#设置切分区域
listBins = [0,100,200, 300,400, 500,100000]

#设置切分后对应标签
listLabels = ['1_100','100_200','200_300','300_400','400_500','500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

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()

# 按价格分组，计算货值占比、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

	价格分组	货值	商品销售金额	商品销售数量	UV数	购买用户数量	收藏数	加购物车数	货值占比	销售占比	客单价	转化率
0	1_100	402787	57920.0	1871	182376	1181	937	2802	0.021293	0.015457	49.043184	0.006476
1	100_200	1170359	281976.0	1744	187185	1099	796	2522	0.061870	0.075250	256.575068	0.005871
2	200_300	4167529	717554.0	2947	250365	1863	1574	4615	0.220313	0.191492	385.160494	0.007441
3	300_400	4418444	700148.0	2031	215182	1288	1034	3687	0.233577	0.186847	543.593168	0.005986
4	400_500	5515063	957261.0	2108	237961	1322	1067	2959	0.291549	0.255463	724.100605	0.005556
5	500及以上	3242213	1032308.0	1316	103034	839	816	2105	0.171397	0.275490	1230.402861	0.008143

# 取出200_300及以上价格区间的数据内容
product_200 = dt_product_sales[dt_product_sales["价格分组"]=='200_300']

# 转换率=客户数 / UV
product_200['转换率'] = product_200["购买用户数量"]/product_200["UV数"]
# 备货值=吊牌价 * 库存数
product_200["备货值"] = product_200["吊牌价"]*product_200["库存量"]

# 售卖比=又称售罄率，GMV / 备货值
product_200["售卖比"] = product_200["商品销售金额"]/product_200["备货值"]
product_200.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转换率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	146	34456.0	31	7316.0	236.0	87	200_300	0.006629	258030	0.133535
6	A007	214	523	0.409178	371	194033	169	0.210280	2	16071	...	176	37664.0	51	10914.0	214.0	110	200_300	0.006845	194033	0.194111
7	A008	238	1039	0.229066	254	263906	268	-0.126050	2	8936	...	159	37842.0	40	9520.0	238.0	98	200_300	0.010967	263906	0.143392
9	A010	217	504	0.430556	373	187992	123	0.433180	1	13323	...	156	33852.0	50	10850.0	217.0	97	200_300	0.007281	187992	0.180071
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	151	43488.0	44	12672.0	288.0	89	200_300	0.003841	327494	0.132790

5 rows × 22 columns

product_200[["转换率","库存量"]]

	转换率	库存量
1	0.006629	423
6	0.006845	371
7	0.010967	254
9	0.007281	373
12	0.003841	439
21	0.012380	287
24	0.007296	178
34	0.018192	376
38	0.020118	269
53	0.004608	563
57	0.014234	207
58	0.003160	515
61	0.021579	460
64	0.021228	147
66	0.007989	302
68	0.008588	241
70	0.013419	338
71	0.007030	491
74	0.005045	343
78	0.004396	462

优化方案：

• 转化率大于1%，且库存大于400的商品，暂时保留，用于下次促销活动；
• 转化率小于1%，但大于0.5%的商品予以保留参加下次促销活动，
• 转化率小于0.5%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1%的商品且库存大于400予以保留
stay_stocks201 = product_200[(product_200["转换率"]>=0.01) & (product_200["库存量"]>300)]
stay_stocks201

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转换率	备货值	售卖比
34	D005	260	613	0.424144	376	230488	130	0.500000	1	5222	...	153	39780.0	46	11960.0	260.0	95	200_300	0.018192	230488	0.172590
61	G002	232	513	0.452242	460	235980	109	0.530172	2	4356	...	145	33640.0	43	9976.0	232.0	94	200_300	0.021579	235980	0.142554
70	H001	297	755	0.393377	338	255190	166	0.441077	1	6856	...	149	44253.0	42	12474.0	297.0	92	200_300	0.013419	255190	0.173412

3 rows × 22 columns

# 挑选合格的商品：
# 2、保留商品：转化率小于1%，但大于0.5%的商品予以保留
stay_stocks201 = product_200[(product_200["转换率"]<0.01) & (product_200["转换率"]>=0.005)]
stay_stocks201

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转换率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	146	34456.0	31	7316.0	236.0	87	200_300	0.006629	258030	0.133535
6	A007	214	523	0.409178	371	194033	169	0.210280	2	16071	...	176	37664.0	51	10914.0	214.0	110	200_300	0.006845	194033	0.194111
9	A010	217	504	0.430556	373	187992	123	0.433180	1	13323	...	156	33852.0	50	10850.0	217.0	97	200_300	0.007281	187992	0.180071
24	C005	270	765	0.352941	178	136170	115	0.574074	2	12610	...	147	39690.0	35	9450.0	270.0	92	200_300	0.007296	136170	0.291474
66	G007	299	664	0.450301	302	200528	160	0.464883	1	11516	...	134	40066.0	52	15548.0	299.0	92	200_300	0.007989	200528	0.199803
68	G009	216	485	0.445361	241	116885	115	0.467593	1	11644	...	153	33048.0	46	9936.0	216.0	100	200_300	0.008588	116885	0.282739
71	H002	246	517	0.475822	491	253847	75	0.695122	1	13087	...	148	36408.0	30	7380.0	246.0	92	200_300	0.007030	253847	0.143425
74	H005	243	536	0.453358	343	183848	147	0.395062	2	16453	...	131	31833.0	27	6561.0	243.0	83	200_300	0.005045	183848	0.173148

8 rows × 22 columns

# 3、清仓处理商品，找出转化率小于0.5%的部分
stay_stocks203 = product_200[product_200["转换率"]<0.005]
stay_stocks203

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转换率	备货值	售卖比
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	151	43488.0	44	12672.0	288.0	89	200_300	0.003841	327494	0.132790
53	F004	258	560	0.460714	563	315280	198	0.232558	2	22788	...	176	45408.0	69	17802.0	258.0	105	200_300	0.004608	315280	0.144024
58	F009	246	552	0.445652	515	284280	117	0.524390	2	24053	...	115	28290.0	38	9348.0	246.0	76	200_300	0.003160	284280	0.099515
78	H009	239	518	0.461390	462	239316	168	0.297071	1	25707	...	173	41347.0	52	12428.0	239.0	113	200_300	0.004396	239316	0.172772

4 rows × 22 columns

其他价格区间可做同样处理

三、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_sales.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.0	59	885.0	15.0	116	1_100
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.0	31	7316.0	236.0	87	200_300
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.0	31	14663.0	473.0	94	400_500
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.0	56	17920.0	320.0	111	300_400
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.0	32	480.0	15.0	81	1_100

# 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()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.0	59	885.0	15.0	116	1_100	0.2_0.25
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.0	31	7316.0	236.0	87	200_300	0.35_0.4
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.0	31	14663.0	473.0	94	400_500	0.35_0.4
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.0	56	17920.0	320.0	111	300_400	0.35_0.4
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.0	32	480.0	15.0	81	1_100	0.15_0.2

# 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"]

dt_product_discount_info

# 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()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.0	31	7316.0	236.0	87	200_300	0.35_0.4
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.0	31	14663.0	473.0	94	400_500	0.35_0.4
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.0	56	17920.0	320.0	111	300_400	0.35_0.4
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	6	242	158	67308.0	43	18318.0	426.0	101	400_500	0.35_0.4
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	111	299	151	43488.0	44	12672.0	288.0	89	200_300	0.35_0.4

# 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()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转换率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	34456.0	31	7316.0	236.0	87	200_300	0.35_0.4	0.006629	258030	0.133535
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	68112.0	31	14663.0	473.0	94	400_500	0.35_0.4	0.003664	519995	0.130986
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	...	55040.0	56	17920.0	320.0	111	300_400	0.35_0.4	0.005328	521040	0.105635
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	67308.0	43	18318.0	426.0	101	400_500	0.35_0.4	0.004939	536959	0.125350
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	43488.0	44	12672.0	288.0	89	200_300	0.35_0.4	0.003841	327494	0.132790

5 rows × 23 columns

product_354[["转换率","库存量"]].sort_values(["转换率","库存量"])

	转换率	库存量
32	0.003325	417
2	0.003664	415
30	0.003686	239
56	0.003752	235
12	0.003841	439
48	0.003886	224
41	0.003892	629
42	0.004033	354
54	0.004092	179
16	0.004137	325
77	0.004780	237
10	0.004939	479
26	0.005011	258
3	0.005328	624
22	0.005335	242
63	0.005861	479
1	0.006629	423
13	0.007018	396
24	0.007296	178
60	0.007302	142
19	0.010335	188
21	0.012380	287
70	0.013419	338
37	0.013470	287
64	0.021228	147

# 挑选合格的商品：
# 1、保留商品：库存大于300且转化率大于0.7%的商品予以保留
stay_stocks1 = product_354[(product_354["库存量"]> 300)&(product_354["转换率"]>0.007)]
stay_stocks1

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转换率	备货值	售卖比
13	B004	491	1394	0.352224	396	552024	353	0.281059	2	14535	...	78560.0	47	23077.0	491.0	102	400_500	0.35_0.4	0.007018	552024	0.142313
70	H001	297	755	0.393377	338	255190	166	0.441077	1	6856	...	44253.0	42	12474.0	297.0	92	200_300	0.35_0.4	0.013419	255190	0.173412

2 rows × 23 columns

# 2、转换率在0.4%~0.7%之间的，予以保留
stay_stocks2 = product_354[(product_354["转换率"]> 0.004)&(product_354["转换率"]<=0.007)]
stay_stocks2

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转换率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	34456.0	31	7316.0	236.0	87	200_300	0.35_0.4	0.006629	258030	0.133535
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	...	55040.0	56	17920.0	320.0	111	300_400	0.35_0.4	0.005328	521040	0.105635
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	67308.0	43	18318.0	426.0	101	400_500	0.35_0.4	0.004939	536959	0.125350
16	B007	548	1499	0.365577	325	487175	420	0.233577	2	29492	...	110148.0	66	36168.0	548.0	122	500及以上	0.35_0.4	0.004137	487175	0.226095
22	C003	473	1321	0.358062	242	319682	254	0.463002	2	17244	...	70950.0	44	20812.0	473.0	92	400_500	0.35_0.4	0.005335	319682	0.221939
26	C007	403	1122	0.359180	258	289476	167	0.585608	2	20754	...	70122.0	47	18941.0	403.0	104	400_500	0.35_0.4	0.005011	289476	0.242238
42	E003	486	1349	0.360267	354	477546	220	0.547325	2	19094	...	59292.0	43	20898.0	486.0	77	400_500	0.35_0.4	0.004033	477546	0.124160
54	F005	338	957	0.353187	179	171303	206	0.390533	1	18817	...	39546.0	32	10816.0	338.0	77	300_400	0.35_0.4	0.004092	171303	0.230854
63	G004	392	1040	0.376923	479	498160	234	0.403061	2	15356	...	57624.0	50	19600.0	392.0	90	300_400	0.35_0.4	0.005861	498160	0.115674
77	H008	324	886	0.365688	237	209982	157	0.515432	1	19245	...	45036.0	40	12960.0	324.0	92	300_400	0.35_0.4	0.004780	209982	0.214476

10 rows × 23 columns

# 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["转换率"]<=0.004] 
stay_stocks3

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转换率	备货值	售卖比
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	68112.0	31	14663.0	473.0	94	400_500	0.35_0.4	0.003664	519995	0.130986
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	43488.0	44	12672.0	288.0	89	200_300	0.35_0.4	0.003841	327494	0.132790
30	D001	346	951	0.363828	239	227289	269	0.222543	1	24418	...	45672.0	37	12802.0	346.0	90	300_400	0.35_0.4	0.003686	227289	0.200942
32	D003	193	533	0.362101	417	222261	165	0.145078	1	27367	...	29143.0	49	9457.0	193.0	91	100_200	0.35_0.4	0.003325	222261	0.131121
41	E002	389	1080	0.360185	629	679320	244	0.372751	2	24150	...	59906.0	36	14004.0	389.0	94	300_400	0.35_0.4	0.003892	679320	0.088185
48	E009	401	1004	0.399402	224	224896	268	0.331671	2	25477	...	62155.0	50	20050.0	401.0	99	400_500	0.35_0.4	0.003886	224896	0.276372
56	F007	488	1351	0.361214	235	317485	402	0.176230	2	25320	...	73200.0	34	16592.0	488.0	95	400_500	0.35_0.4	0.003752	317485	0.230562

7 rows × 23 columns

优化结果：

• 第一类商品可以作为主推商品，第二类商品转化率中等说明对访客具有一定吸引力，可以予以保留；

• 第三类商品转化率过小，不能带来较高收益，在活动中应该处于推荐按页面底端，但对于这类商品中库存较高的类别，应该防止货物积压，进行清仓处理等活动。