《十周成为数据分析师》笔记——业务线 第五节 用户画像体系

1、互联网电商平台入驻商数据分析的一般思路

（1）获取数据

平台只需从后台获取数据，作为入驻商除了下载自身的后台数据外，还需要通过爬虫等其他方式得到前台数据（价格、图片、评论等）。

• 前台数据： 网页上能看到的数据。如店铺名称、商品名称、商品价格、评分、问答数、尺码、颜色等等。
• 后台数据： 可下载的订单报表。
• 获取方式：
  ①第三方工具（紫鸟数据、Keepa、亚马逊船长等）抓取listing排名数据：具有可视化图表、高效，但需付费且不能自定义抓取。
  ②第三方数据采集器/爬虫软件（八爪鱼、爬山虎）等：可自定义，但需要搭配适当的数据分析流程才能使用。
  ③编写爬虫程序：可以自定义抓取目标、内容和数据分析过程。

（2）分析业务需求

• 选品需求。 在供应链市场，挑选相关产品进行销售（没有自身工厂，需要联系多个工厂生产商品/打造品牌）——需要通过数据来判别用户需求，如通过对评论进行分析，找到用户需求/产品定位。
• 运营需求。 精细化运营，数据化运营，波士顿矩阵……
• 营销需求。 提升广告投放效果，减少广告投放成本，提高ROI。

（3）产生数据结果

用户画像、商品画像、自动化程序/算法

2、亚马逊平台入驻商相关数据

• 亚马逊平台：全球最大的互联网线上零售商之一。
• 跨境电商：通过电子商务将国内商品销往海外。
• 入驻商相关数据：订单id、订单号、下单时间、支付时间、买家邮箱（已转码）、买家姓名、买家电话（保密，无法拿到）、SKU（产品型号的唯一标识）、商品名称、产品数量、货币类型、产品价格、产品含税、邮费、邮费含税、配送类型（FBA、标准、自配送）、配送名称、收件人姓名、配送地址1、配送地址2、配送地址3、配送城市、配送州、邮编、配送国家、配送电话、产品折扣、配送时间（最早、最晚）与到达时间（最早、最晚）

3、入驻商用户画像体系介绍

（1）基本属性、行为属性、偏好属性

• 基本属性： 性别、年龄、受教育程度、地域分布等
  —— 属性数据不精准时，可用模糊数据代替；
  ——可以基于基本属性进行可视化，分析不同组别的差异。
• 行为属性： 下单时间、促销敏感度、评论敏感度
  ——订单量随时间的波动
  ——评论影响下单
• 偏好属性： 用户的加购数据/平台推荐数据
  ——其他人搭配一起买的商品
  ——与该商品相关的商品

（2）电商领域对于用户数据的应用

• 分析用户行为数据来获取用户的商品偏好、价格偏好等信息，从而帮助平台/入驻商更好地去推荐商品/生产商品。
• 分析用户属性数据来对用户进行合理地分类，从而帮助平台/入驻商更好地了解用户需求，搭建用户画像。
• 分析用户偏好数据来对商品关联内容进行优化，从而提升转化率、客单价与订单额。

（3）用户画像在互联网业务中的应用场景和业务价值

• 获客： 如何进行拉新，通过更精准的营销获取客户——通过获取更精准的用户画像，实现广告投放素材与投放用户群体相匹配。
• 黏客： 个性化推荐，搜索排序，场景运营等
• **留客：**流失率预测，分析关键节点降低流失率

4、亚马逊美国市场用户画像体系搭建

结合以下4个部分的分析，搭建用户画像体系
（1）不同地区用户购物习惯
（2）不同时间订单量及客单价分布
（3）不同地区订单量分布
（4）不同店铺/品牌用户画像

（1）用户地区分布分析

筛选方法：
①不同地区订单排序
②不同地区累计订单统计（帕累托分析）
③不同地区市场占有率分析
④头部市场（市场占有率高）/长尾市场/低单市场的分类
⑤其他筛选方法

• 长尾市场： 市场份额（订单占比）大于0.1%小于1%的市场份额总和
• 低单市场： 市场份额小于等于0.1%的市场份额总和
• 头部市场： 高于1%的市场占有率的市场为头部市场。
• 市场合理划分：长尾市场的市场份额总和大于最大的头部市场；低单市场市场的市场份额总额小于最小的头部市场。

excel操作：
a. 选择ship-city和ship-state列，筛选空白数据行并删除；
b.选择ship-state列，插入数据透视表，设置ship-state为行和值（计数项），得到各个州的订单量，按照订单量降序排列。
c. 选择订单数求和得到总订单数，用订单数除以总订单数得到第三列的订单数占比，将百分号的小数位数设置为显示两位。
d. 在第四列（市场定位）将订单数占比大于1%的设置为头部市场，小于1%大于0.1%的为长尾市场，小于0.1%的为低单市场。
e. 选择state和orders插入排列图，得到不同地区的订单累计分布。
f. 选中ship-state、订单数，插入三维地图，在数据面板的高度添加数量（求和）。
分析：将原本二维数据变为结合地理位置的三维数据，更加直观。
g. 选中ship-state、订单数列，插入树状图。得到所有地区的订单数量树状图。

运营应用：
①针对化选品（季节、习俗、文化）。
例如，结合3D地图，在地图上找到头部市场，属于沿海范围，需要重点关注这些地区的季节、习俗和文化。
②多店铺市场差额比较，评估市场容量
例如，发现同一公司不同店铺的用户地区分布存在很大差异，说明部分店铺运营思路出现问题导致没有抓到头部市场，或者所有运营者都有问题没有抓到所有的头部市场，或者没有什么问题，但是运营思路上存在差异。
因此，可以根据用户地区分布分析的差异，判断不同运营策略是否有效，或者运营思路是否出现差漏。
③头部市场、长尾市场、低单量市场差异化运营
头部市场——促销
长尾市场——更好的服务、优质的包装、营销推广
低单市场——不考虑
③市场占有率分析
市场占有指数=订单比例/人口比例
=1表明市场渗透程度中等，人越多订单越多；
<1说明市场渗透程度低
＞1说明市场渗透度高
a. 计算美国不同州地区人口占总人口的比例A
b.计算美国不同州地区订单占总订单的比例B
c. 通过比例A与B的数值大小判断不同州地区的未来运营策略
对于头部市场，需要保持高的市场渗透率，订单比例超过人口比例，才表明有更多的人认可这个产品；低单市场则不重要。

（2）用户购买习惯分析

筛选方法：
①订单24小时变化规律
②不同地区24小时订单规律
③构建用户购物习惯可视化图表
excel操作：
a. 选择下单时间purchase-date列，删除存在空值的数据行，然后插入新列等于RIGHT(purchase-date列第一个数据,14)，再插入一列等于LEFT(前一列第一个数据，2)，得到下单小时列。
b.选择下单时间列time至ship-stae列，插入数据透视表，time设置为行，ship-state设置为列，time设置为值（计数项），得到不同州在不同时间段的订单量。
c. 计算不同时间段的订单比例，插入不同地区一天24小时的订单比例变化折线图，显示用户的活跃或者热度指数变化。
分析：
CA（11点）与FL（5点到8点）的订单高峰期不一致，如果产品定位地区就是CA与FL地区，可以在时间差内使用价格歧视策略（同一商品在不同州价格不同）增加转化率：

• 调整价格。例如，两个州价格敏感度不一样，假设FL价格敏感度低，CA价格敏感度高，发现早上5-8点FL达到购物高峰，而CA还没有，则将产品价格在这个时间段调高，因为FL能接受这个价格而获得超额利润，过了8点后将价格调整至原来的位置。
• 不同价格变体分开显示。重复上架多个相同商品，但以不同的价格区分，但是在不同时间段选择曝光不同的产品。
• 其他价格歧视策略。比如购物减免，包邮等
  精细化运营案例：
  a. listing的五点描述（可被运营者任意修改）：消费者并不知晓是否被价格歧视，在早上5-8点FL处于购物高峰时，在五点描述中说明“我们的很多用户来自FL州，如果你是FL州用户，请邮件联系我们，我们将给予你3美金的减免”。好处：i. FL州的用户以为自己得到了优待，而不知道其他地区的用户并没有参与这段时间的购物，便会增加FL州的用户转化率。ii. 对五点描述文本信息的修改，并不会引起平台的注意。iii. 通过这种非敏感操作，可以对各个地区进行类似的差异化营销。
  b.亚马逊listing中的A+图文内容信息（自定义关联商品）：在关联推荐商品，板块，在FL州购物高峰时，在早上5-8点根据FL州用户的购物习惯、风俗等推荐其更可能购买的商品，而在多个州都进入购物高峰时，改为推荐大众可能购买的大宗类、爆款商品。

（3）价格地区分布分析

excel操作：
a. 选择ship-state列和item-price列，插入数据透视表，设置ship-state为行，item-price设置为值（平均值），按照客单价降序排列，设置显示为1位小数，插入柱状图，得到不同地区的客单价分布。
b. 为了方便可视化比较，设定比较数=平均客单价-最低平均客单价。新建一列比较数等于客单价减去最低客单价。选择ship-state和比较数列插入柱状图。
分析应用：对地区划分价格敏感度区间。客单价高的地区价格敏感度低，可能买高客单价的商品。中间部分为中价格敏感区间，客单价低的地区属于高价格敏感度区间。

（4）价格时间分布分析

excel操作：
a. 选择前述处理过的小时time列至item-price列，插入数据透视表，设置time为行，item-price设置为值（平均值），按照客单价降序排列，设置显示为1位小数，并将其复制到一个新表中。
b. 在新表中新增一列作为订单量，在原透视表中将值字段数设置为计数，得到订单量。
c. 插入组合图，订单量设置为簇状柱形图，价格设置为折线图（次坐标轴），得到一天24小时内订单量和客单价的变化情况。
分析：
a. 早上7点~晚上8点属于订单高峰期,客单价波动明显。
b. 不同时间段价格敏感度区间划分，高于23美金的时段，用户价格敏感度低，21-22美金的时段属于中价格敏感度区间，低于21美金的时间段属于高价格敏感度区间。
应用：结合地区价格敏感度分析。针对前述头部市场/长尾市场/低单市场划分结果，结合价格敏感度进行划分。3维地图上的头部市场（订单量多）可视化图表+价格敏感度可视化图表（黄色-价格敏感度为中高，绿色-价格敏感度低）→合并，发现i. 很多头部地区虽然订单量高，但因为价格敏感度属于中高阶段，导致平均客单价比较低；ii. 但也存在少数地区订单量和客单价都比较高，为核心的高价值地区；iii. 还存在一些地区虽然订单量并不高，且不是头部地区，但价格敏感度低，客单价高。
因为企业的利润=订单量x每个订单收入，价格敏感度低，意味着可以在订单收入上提升；订单量高，但价格敏感度也非常高，意味着收益不一定特别高。
因此，可以进行差异化运营：
例如，一些地区虽然订单量不高，但价格敏感度低，导致这些用户可能买高价格的产品，以后遇到这些地区的订单，就可以给予其一些单独的包装、额外服务以提升服务价值，从而提高客单价，进一步提升利润；与此同时，虽然一些地区订单量高，但客单价低，可以使用简易包装、降低成本的方法来提升利润。

5、电商平台入驻商用户画像的进阶应用技巧

（1）用户画像对于多店铺/品牌矩阵运营的帮助

①长期店铺/品牌规划
绘制不同店铺的利润率（横轴）、单个订单成本（纵轴）、销售额GMV（气泡大小）气泡图，将气泡图按横轴和纵轴的均值或中位数划分出四个象限，将二象限的店铺/品牌转移到第四象限：

• 先提升利润率——提价，提升生产效率
• 降低单个订单成本——提升运营效率（在营销漏斗模型要素上优化）
  ②短期店铺/品牌规划
  将二象限店铺/品牌的资金和资源进行缩减，将四象限店铺/品牌的资金和资源进行扩增，
  将二象限的资金资源转移到四象限上。
  ③店铺/品牌定位
  气泡图中新增一个主营商品类目维度，用不同颜色表示不同类目的产品，就可以将不同类目的店铺和品牌定位进行区分。例如利润率越高，成本越高的产品类目，属于高风险高收益的传统类目；成本低，利润率有高有低的，如书籍或手机壳；利润率偏低，成本普遍偏高的产品是危险类目，表明产品有问题，容易产生坏账、赤字，需要将这些数据特征汇报给决策者，注意风险，尽量将产品保持在前两种类目中。

（2）用户画像对于用户搜索习惯的分析

结合亚马逊订单前台数据，用户前台搜索关联词+review关键词+review文本等，分析是否和商家运营习惯一致。
案例：
①找到用户搜索习惯：

• 在搜索框输入一个单词，会弹出一些推荐词，是符合用户搜索习惯的。
• 在review端，可以在read views that mention看到许多关键词，这些也是符合用户搜索习惯的。
• 在具体的review文本信息中，可以通过词频分析得到一些高频词汇，这些也符合用户的输入习惯，将这些词加入到广告货链接后台关键字里，可以获得更大的曝光流量。
  ②找到商家运营习惯：
  通过抓取前台各商铺链接listing的数据进行词频分析，判断商家的运营习惯。例如将抓取的词进行展示，知道不同词出现的频率和排名变化。将词频排名由高到低，发现出现了介词，而销量排在前面的一些链接没有使用用介词，销量排在后面的运营者用了介词，所以关键词运营逻辑是有问题的。因此，优秀的标题应该少用介词。

（3）用户画像对于电商团队管理的帮助

通过用户画像量化运营人员运营成果，避免纯KPI考虑的弊端。
例如，出现A、B店铺/品牌用户画像不一致时，一共考虑三种情况：
①A+B=完整市场
A和B都没有获取到完整的用户。
②A或B为完整市场
A与B之间有一个运营者存在问题（关键词、营销定位、产品定位、价格设置出现错误），导致错失某个大头市场，只抓到了长尾或低单市场，所以出现A、B用户画像不一致，A和B之间必有一个是完整市场或大头市场。
③A与B都不是完整市场
A和B的运营策略都不是特别特别优秀，都只抓到了部分市场，剩下一部分可能是头部市场也可能不是，所以A与B都不是完整市场。

项目总结——亚马逊平台入驻商订单报表分析

背景

亚马逊平台的入驻商，在各个地区都有一定的交易订单数据。通过对交易订单数据进行用户画像和市场分析，可以有效帮助入驻商进行精细化运营。

任务

从订单交易数据中，通过四个方面的分析，搭建用户画像体系。
（1）用户地区分布分析
（2）用户购买习惯分析
（3）价格地区分布分析
（4）价格时间分布分析

行动

（1）用户地区分布分析：不同地区的订单量统计+可视化分析，将各地区划分为头部市场、长尾市场和低单市场，并针对不同市场进行针对化选品和差异化运营；结合人口比例，分析市场渗透率的高低。
（2）用户购买习惯分析：分析各地区在不同时间段的订单量、订单比例情况，得出各地区的用户活跃时间段；
（3）价格地区分布分析：统计不同地区的客单价，判断各地区用户的价格敏感度情况。
分析一天24小时内订单量和客单价的变化情况，通过划分价格敏感度区间。
（4）价格时间分布分析：统计一天各小时内的订单量和客单价的变化情况，划分各时间段用户的价格敏感度。

结果

（1）基于用户地区分布分析结果，结合3D地图，在地图上找到头部市场，属于沿海范围，需要重点关注这些地区的季节、习俗和文化。此外，针对市场划分进行差异化运营——在头部市场开展促销，对长尾市场提供更好的服务、优质的包装和开展营销推广，以提高销量。
（2）基于各地区在不同时间段的订单量、订单比例情况，发现CA与FL州的订单高峰期不一致，如果产品定位地区就是CA与FL地区，可以在时间差内使用价格歧视策略（同一商品在不同州价格不同）增加转化率。
（3）基于价格地区分布分析，客单价高的地区价格敏感度低，可能买高客单价的商品，也可以采取一定的价格歧视策略。
（4）基于不同时间段的客单价、订单量分布分析，发现早上7点~晚上8点属于订单高峰期,可以划分各时间段的价格敏感度。
此外，针对市场划分情况，在3D地图上对头部市场和价格敏感度进行可视化分析。一些地区虽然订单量不高，但价格敏感度低，导致这些用户可能买高价格的产品，以后遇到这些地区的订单，就可以给予其一些单独的包装、额外服务以提升服务价值，从而提高客单价，进一步提升利润；与此同时，虽然一些地区订单量高，但客单价低，可以使用简易包装、降低成本的方法来提升利润。