本文作者:潘娜
对网店而言,丰富的 SKU 品类将能极大提升其对用户的吸引力,但相应地它也会延长了客户的最终购买路径,比如在最终下单前,用户可能反复浏览同一款产品,甚至可能存在多次加购物车、移出购物车、针对同一款产品多次下单等行为,客户的每一次行为都会生成一行记录,考虑到网店的客流量,数据量可能相当可观。
如何在这些看似毫无规律的用户行为中快速筛选出热门商品,并计算出这些商品的“支付转化率”也是商家最关心的问题,毕竟如果没有转化率,其他的一切都无从谈起。
在今天的案例中,我们就将演示如何通过 Kyligence Zen 的图形化界面快速进行去重分析。
文中所分析的场景已经上线 Kyligence Zen 指标集市,您可以点击访问零售企业热门商品及支付转化指标,一键复现文中的场景,无需下载或安装任何程序。
今天用到的数据集中收录了 284,284 行数据(文中所用数据基于 Michael Kechinov 的用户行为数据集进行了整合),用户的每次行为,比如浏览、加购物车和购买行为都会对应一行数据,因此,如希望快速统计出该商城的热门商品及其支付转化情况,就需要进行去重计数。
术语解释:
- 计数(COUNT)是一个常用的数据分析函数,即查询列值个数。
- 去重计数(COUNT_DISTINCT)是在此基础上去掉重复值,通常用于销售情况分析、网站站 UV 统计等数据分析场景。
利用 Kyligence Zen 的图形化界面,我们可以轻松完成去重分析,导入数据后,在指标页面,点击 +新建,由于是要进行简单的计数操作,我们将选择基础指标,输入指标名称热门商品,在指标定义部分,将指标值的列设为 product_id,聚合方式设为 COUNT_DISTINCT,Kyligence Zen 将对产品 ID (product_id)进行去重计数,统计这些数据中真实触达用户的产品,稍后设定数据格式和所希望分析的维度,最后在页面底部选择指标值的展示方式为展示全部数据,即可创建热门商品指标。
可以看到,在考察日期内的 28 多万条数据记录共触及了 20,673 件商品。11 月 18 日,用户触达的商品数量达到峰值,极可能是为了即将到来的黑色星期五大促做准备,在黑色星期五时触达到商品数量有所下降,我们经分析认为是经过前期筛选,用户已经锁定了他们要购买的商品。后续在网店的营销活动中,可以考虑尽量充分利用大促活动前两周的黄金时期,尽量暴露出更多的商品。
我们前面提到了支付转化才是店家关心的核心指标,接下来我们将演示如何通过 Kyligence Zen 计算这些商品的支付转化情况。
我们将继续创建几个指标来追踪用户在各个购物环节的转化率,为此我们需要先创建两个较细粒度的指标,包括加购物车次数和售卖商品数量,后续将基于这些指标计算消费者在不同环节的转化率,进而判断出客户转化的薄弱环节,从而不断提升最终的支付转化率。
我们将继续利用 Kyligence Zen 的图形界面创建这两个基础指标,二者都是按照产品ID(product_id)进行去重计数(COUNT_DISTINC),然后通过 Kyligence Zen 的筛选功能,对事件类型中的加购物车或购买(cart 或 purchase)进行筛选,即统计用户将商品加入购物车的次数或最终卖出的商品数量。
我们观察到在 20,673 件真实触达用户的商品中,有 3,634 件被加入了购物车,最终有 2,360 件发生了购买行为。可以初步判断当用户将商品加入购物车后,最终付款的比例远高于用户浏览商品后将其加入购物车的比例,因此如能提升从用户浏览到加购的转化率,将能显著提升最终的支付转化。
我们可以继续在 Kyligence Zen 通过界面创建复合指标精确计算这两个环节的转化率,在指标页签,点击新建,选择复合指标,用加购物车次数除以热门商品,得出这些热门商品的加购物车转化率,用售卖商品数量除以加购物车次数,可以得到支付转化率。
和前面的判断一致,在所有用户浏览的商品中,只有 17.58% 被加入了购物车;但在加入购物车的商品中,有 64.94% 都发生了付款,很显然,提升用户加购物车的热情是快速提升最终支付转化的关键。
至此,我们通过 Kyligence Zen 的图形化界面完成了对数据的去重,从而精确锁定了热门产品,之后又通过对从浏览到加购,再到支付的指标分析,完成了对网店核心指标“支付转化率”的追踪。
文中所分析的场景已经上线 Kyligence Zen 指标集市,您可以点击访问零售企业热门商品及支付转化指标,一键复现文中的场景,无需下载或安装任何程序。