唯品会电商销售复盘分析

什么是特卖：

    唯品会是一个专门做特卖的网站，什么是特卖呢。特卖一般是指在特定的时间段里，以优惠的价格出售指定的商品，一般以商城或者专卖店为多。该模式在线下早已存在（比如商场促销、街边的尾货甩卖），在国外成熟的大商场内也有针对滞销商品的打折特卖，如奥特莱斯。特卖一般是商家清库存，不过也有一些专门生产商品做特卖的商家。

    特卖行业也是有个真实存在的产业链，只是因为快速分销渠道，地理位置等关系，大多数都集中在一线城市，部分生活在一线城市的都基本或多或少去过几次各个品牌的特卖仓，但是二三线甚至四五线城市的就比较难接触到，后来就有一群人成了品牌搬运工，和各大品牌联系通过微信等渠道快速分销大牌库存，达到快速低价消除库存，加快周转回笼资金等目的。

    在货源上，由于品牌尾货具备天然的清仓需求，是折扣零售最常见的货源，但实际上，只要成本足够低，新品首发、定制包销、自有品牌均可以成为折扣特卖零售的可持续货源。成立初期，唯品会货源以尾货为主，但随着唯品会在电商领域的不断发展，新品和专供品的占比不断提升，早在 2016 年 Q2 分析中，唯品会当季新品和平台特供品就已经占 37%了。

此次分析的目标：

评估促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。

分析流程

• 总体运营指标
• 在价格区间中找到表现不佳的商品，优化商品结构
• 在折扣区间中找到表现不佳的商品，优化商品结构

import pandas as pd
import numpy as np

import warnings
warnings.filterwarnings('ignore')

## 1.读取数据表

import sqlalchemy
# 变量
engine=sqlalchemy.create_engine('mysql+pymysql://xxx:xxx@localhost:3306/froghd')
sql_cmd = 'select * from sales_info1'
# 读取
dt1 = pd.read_sql(sql=sql_cmd,con=engine)
dt1.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
0	A001	15	70	0.214286	501	35070	14	0.066667	2
1	A002	236	610	0.386885	423	258030	75	0.682203	1
2	A003	473	1253	0.377494	415	519995	394	0.167019	1
3	A004	320	835	0.383234	624	521040	279	0.128125	2
4	A005	15	82	0.182927	179	14678	27	-0.800000	1

# 修改列名
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)

sql_cmd = 'select * from sales_info2'

dt2 = pd.read_sql(sql=sql_cmd, con=engine)
dt2.head()

	sale_name	uvs	collections	carts
0	A001	10926	48	372
1	A002	13124	84	193
2	A003	25657	45	173
3	A004	20833	5	273
4	A005	19371	71	356

dt2.rename(columns={
   "sale_name":"商品名",
                    "uvs":"UV数",
                    "collections":"收藏数",
                    "carts":"加购物车数"},
            inplace= True)
dt2.head()

	商品名	UV数	收藏数	加购物车数
0	A001	10926	48	372
1	A002	13124	84	193
2	A003	25657	45	173
3	A004	20833	5	273
4	A005	19371	71	356

sql_cmd = 'select * from sales_info3'
dt3 = pd.read_sql(sql=sql_cmd, con=engine)

dt3.head()

	user_id	buy_date	sale_name	buy_cons	buy_price	cost_price	is_tui	tui_cons	tui_price
0	1	20191111	F001	1	920.0	920.0	是	1	920.0
1	2	20191111	B007	2	548.0	1096.0	否	0	0.0
2	2	20191111	E007	1	930.0	930.0	是	1	930.0
3	3	20191111	A004	2	320.0	640.0	是	2	640.0
4	3	20191111	H007	2	750.0	1500.0	否	0	0.0

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)

# 把是否用0，1代替

dt3["是否退货"] = dt3["是否退货"].map({
   "是":1,"否":0})

dt3

	用户id	购买日期	商品名	购买数量	购买单价	购买金额	是否退货	退货件数	退货金额
0	1	20191111	F001	1	920.0	920.0	1	1	920.0
1	2	20191111	B007	2	548.0	1096.0	0	0	0.0
2	2	20191111	E007	1	930.0	930.0	1	1	930.0
3	3	20191111	A004	2	320.0	640.0	1	2	640.0
4	3	20191111	H007	2	750.0	1500.0	0	0	0.0
...	...	...	...	...	...	...	...	...	...
8031	2505	20191111	E001	2	144.0	288.0	1	2	288.0
8032	2506	20191111	B001	2	426.0	852.0	0	0	0.0
8033	2507	20191111	B004	2	491.0	982.0	0	0	0.0
8034	2508	20191111	H006	2	710.0	1420.0	1	2	1420.0
8035	2509	20191111	A001	1	15.0	15.0	1	1	15.0

8036 rows × 9 columns

合并商品信息表和商品热度表数据

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",
                                       "用户id":pd.Series.nunique}).reset_index() # 购买的统计用户数
product_sales.head()

	商品名	购买数量	购买金额	退货件数	退货金额	用户id
0	A001	185	2775.0	59	885.0	116
1	A002	146	34456.0	31	7316.0	87
2	A003	144	68112.0	31	14663.0	94
3	A004	172	55040.0	56	17920.0	111
4	A005	122	1830.0	32	480.0	81

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()

	商品名	商品销售数量	商品销售金额	退货件数	商品退货金额	购买用户数量
0	A001	185	2775.0	59	885.0	116
1	A002	146	34456.0	31	7316.0	87
2	A003	144	68112.0	31	14663.0	94
3	A004	172	55040.0	56	17920.0	111
4	A005	122	1830.0	32	480.0	81

合并商品信息

# 商品信息和销售热度合并
dt_product = dt1.merge(dt2,how='left',on="商品名")

dt_product.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
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356

# 商品信息、销售热度以及用户销售明细
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
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	购买用户数量
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.0	59	885.0	116
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.0	31	7316.0	87
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.0	31	14663.0	94
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.0	56	17920.0	111
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.0	32	480.0	81

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。

GMV

gmv = dt_product_sales["商品销售金额"].sum()
gmv

3747167.0

实际销售=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

销量（包括退货）

all_sales