假设我司是一家集产研销一体的公司，在某电商平台上长期销售商品。基于平台现有的销售模式，我司每个月都会有一场以上促销活动，每次促销活动后我们都会评估其结果，并做出相关改进。分析流程：1、总体运营指标分析
2、从价格区间中根据转化率和售卖比优化产品结构
3、从折扣区间优化产品结构
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
# 读取数据
# 商品信息表
dt1 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname=0)
# dt1.rename(columns={"商品名":"product_name",
# "售卖价":"sale_price",
# "吊牌价":"tag_price",
# "折扣率":"discount_rate",
# "库存量":"stock_nums",
# "成本价":"cost_price",
# "利润率":"profit_rate",
# "SPU(款式)":"spu_nums"},inplace=True)
dt1.head()
# 读取数据
# 商品热度信息
dt2 = pd.read_excel("唯品会销售数据.xlsx",sheetname=1)
# dt2.rename(columns={"商品名":"product_name",
# "UV数":"uv_nums",
# "收藏数":"collect_nums",
# "加购物车数":"shopping_carts"},inplace=True)
dt2.head()
# 读取数据
# 用户销售明细表
dt3 = pd.read_excel("唯品会销售数据.xlsx",sheetname=2)
# dt3.rename(columns={"用户id":"user_id",
# "购买日期":"buy_date",
# "购买商品":"product_name",
# "购买数量":"buy_cons",
# "购买单价":"unit_price",
# "购买金额":"buy_cost",
# "是否退货":"is_return"},inplace=True)
# 把是否退货转换为0-1，方便后面统计
# dt3['is_return']=dt3.is_return.map({"是":1,"否":0})
dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})
dt3.head()
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="product_name")
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
# 商品购买数量
# 商品退货数量
# 商品销售单价
# 商品购买用户数量（一个用户只计算一次）
# product_sales = dt3.groupby("product_name").agg({"buy_cons":"sum",
# "buy_cost":"sum",
# "is_return":"sum",
# "unit_price":"mean",
# "user_id":pd.Series.nunique}).reset_index()
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="product_name")
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()
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，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。电商数据分析指标体系
#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
#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
#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
# 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_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 = pd.DataFrame({"GMV":["NaN",],"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,],"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=["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]]
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
结论：今年的GMV，销售额、销量等主要指标均较去年同比大幅上涨。
客单价下降19%，说明整体产品定位更加亲民。在一定程度上带动了销量的增长。
折扣率降低9.15%，今年的折扣力度变小。
SKU和SPU同比增长52.44%和19.4%，说明产品种类更加丰富，消费者有了更多的选择。
拒退量和拒退额同样大幅上涨，分别涨幅82.15%和75%，应该退出办法给以控制，降低成本。
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。以400及以上价格区间为例，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，这些数据的作用是与dt_product_sales_info输出结果中400及以上价格区间的值做对比。
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
转化率大于0.7%的商品我们暂时保留，用于下次促销活动；转化率小于0.7%部分，售卖比大于36%的商品予以保留参加下次促销活动，售卖比小于36%的商品进行清仓处理。
# 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_500','400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
"""pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)x:需要切分的数据bins:切分区域right : 是否包含右端点默认True，包含labels:对应标签，用标记来代替返回的bins，若不在该序列中，则返回NaNretbins:是否返回间距binsprecision:精度include_lowest:是否包含左端点，默认False，不包含"""
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()
价格区间销售情况统计价格区间
货值
货值占比
销售额
售卖比
销售占比
销量
客单价
UV
收藏数
加购数
转化率
# 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",
# "客单价":"mean",
"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 后面求
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.head()
# 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()
计算商品指标销售额
销量
件单价
客户数
UV
转换率=客户数 / UV
库存
备货值=吊牌价 * 库存数
售卖比=又称售罄率，GMV / 备货值
# 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["商品销售数量"]
product_400.head()
# 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()
product_400[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数",'转换率',"库存量","备货值","售卖比"]]
优化结果：转化率大于0.7%的商品，暂时保留，用于下次促销活动；
转化率小于0.7%的商品，但是售卖比大于36%的商品予以保留参加下次促销活动，
转化率小于0.7%的商品，并且售卖比小于36%的商品进行清仓处理。
这里找出B008、C003、C007、 D007四款产品需要清仓处理
# 挑选合格的商品：
# 1、保留商品：找出售卖比大于36%且转化率大于0.7%的商品予以保留
stay_stocks571 = product_400[product_400["转换率"]>0.007]
stay_stocks571
# 挑选合格的商品：
# 2、保留商品：找出售卖比大于36%且转化率大于0.7%的部分予以保留
stay_stocks573 = product_400[(product_400["售卖比"]>=0.36)&(product_400["转换率"]<0.007)]
stay_stocks573
# 4、清仓处理商品，找出售卖比小于36%且转化率大于0.7%的部分
# 取反即可
stay_stocks574 = product_400[(product_400["售卖比"]<0.36)&(product_400["转换率"]<0.007)]
stay_stocks574
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_discount_info表中，我们可以得到0.35-0.4折扣区间的售卖比为16.90%，转化率为0.53%，折扣率为37%，在进行商品结构优化的时候要着重对比这几个指标。
查看指标：销售额
销量
件单价
客户数
UV
转换率=客户数 / UV
库存
备货值=吊牌价 * 库存数
售卖比=又称售罄率，GMV / 备货值
在折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留，其余进行清仓处理；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，其余进行清仓处理。
dt_product_sales.head()
# 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
"""pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)x:需要切分的数据bins:切分区域right : 是否包含右端点默认True，包含labels:对应标签，用标记来代替返回的bins，若不在该序列中，则返回NaNretbins:是否返回间距binsprecision:精度include_lowest:是否包含左端点，默认False，不包含"""
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()
折扣区间销售情况统计价格区间
货值
货值占比
销售额
售卖比
销售占比
销量
客单价
UV
收藏数
加购数
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"
}).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0.25-0.3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()
计算商品指标销售额
销量
件单价
客户数
UV
转换率=客户数 / UV
库存
货值=吊牌价 * 库存数
售卖比=又称售罄率，GMV / 备货值
# 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["商品销售数量"]
product_354.head()
# 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()
product_354[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数","库存量","备货值","折扣率","售卖比",'转换率']]
# 挑选合格的商品：
# 1、保留商品：折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留
stay_stocks1 = product_354[(product_354["折扣率"]>0.37)&(product_354["售卖比"]>0.365)&(product_354["转换率"]>0.007)]
stay_stocks1
# 2、清仓处理商品，不满足条件的：折扣率大于37%的部分找出售卖比小于36.5%或转化率小于0.7%的商品
# 取反即可
stay_stocks2 = product_354[(product_354["折扣率"]>=0.37)&((product_354["售卖比"]<=0.365)|(product_354["转换率"]<=0.007))] #
stay_stocks2
# 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["折扣率"]<=0.37)&(product_354["转换率"]>0.007)&(product_354["售卖比"]>0.365)]
stay_stocks3
# 4、清仓处理商品，不满足此条件的：在折扣率小于37%的部分找出售卖比小于36.5%或转化率小于0.7%的部分
# 取反即可
stay_stocks4 = product_354[((product_354["折扣率"]<0.37) & ((product_354["售卖比"]<0.365)|(product_354["转换率"]<0.007)))]
stay_stocks4
优化结果： - 折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留，其余进行清仓处理；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，其余进行清仓处理。
四、流量分布
在一级入口中，首页的流量占比为71%，其中档期流的流量占比最高，我们可以将畅销款布局在首页档期流。在唯品会中，我们需要不断的增加商品来保证我们的SKU数，对于新增的商品我们也会增加在其中。对于平销款，我们将其作为快抢和疯抢处理。
2654
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
