电商促销复盘项目
一、项目概述
有一个专门做特卖的网站（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）。本文是对部分特卖商品在2019年双11销售情况的复盘，通过jupyter notebook，使用python的pandas和numpy包完成分析，通过分析结果，优化商品结构，让商品实现更好的销售情况。
二、数据查看
1、数据预览
数据集为一份Excel表格，包含三张表：商品信息表、商品热度表、用户销售明细表。
包含如下字段：
1、商品信息表：商品名、售卖价、吊牌价、折扣率、库存量、货值、成本价、利润率、SKU；
2、商品热度表：商品名、UV数、收藏数、加购物车数；
3、用户销售明细表：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。
2、读取数据
导包：
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore') # 忽略警告读取商品信息表：
# 读取商品信息
dt1 = pd.read_excel("销售数据.xlsx", sheet_name=0)
dt1.head()
读取商品热度表：
# 读取商品热度信息
dt2 = pd.read_excel("销售数据.xlsx", sheet_name=1)
dt2.head()
读取用户销售明细表：
# 读取销售明细表
dt3 = pd.read_excel("销售数据.xlsx", sheet_name=2)
dt3["是否退货"] = dt3["是否退货"].map({"是":1, "否":0})
dt3.head()
3、数据预处理
将三张表合并为一张表，便于后续计算和分析：
- 首先通过’商品名‘字段，将商品信息表和商品热度表合并
- 以’商品名‘为主，对用户销售明细表进行聚合
- 再将以上两张表通过’商品名‘字段合并，完成三张表的合并
合并商品信息表和商品热度表：
dt_product = dt1.merge(dt2, how='left', on='商品名')
dt_product.head()
聚合用户销售明细表
# 统计每个商品的销售情况
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":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()
完成三张表的合并
dt_product_sales = dt_product.merge(product_sales, how='left', on='商品名')
dt_prodcut_sales.head()
三、整体运营情况
1、指标查看
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。
所以，制定如下指标，通过汇总了解整体运营情况：
- GMV：销售额
- 实销：GMV - 退货金额
- 销量：累计销售量（含退货）
- 客单价：GMV / 客户数，客单价与毛利率相关，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）
- 备货值：吊牌价 * 库存数
- 售卖比：也成售罄率，GMV / 备货值
- 收藏数：收藏某款商品的用户数量
- 加购数：加入购物车的人数
- SKU：促销活动中SKU计数（一般指货号）
- SPU：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
2、指标计算
GMV
gmv = dt_product_sales['商品销售金额'].sum()
gmv输出 3747167.0
实销
return_sales = dt_product_sales['商品退货金额'].sum()
return_money = gmv - return_sales
return_money输出 2607587.0
累计销售量
all_sales = dt_product_sales['商品销售数量'].sum()
all_sales输出 12017
客单价
custom_price = gmv / dt_product_sales['购买用户数量'].sum()
custom_price输出 493.56783456269756
UV
uv_cons = dt_product_sales['UV数'].sum()
uv_cons输出 1176103
转化率
uv_rate = dt_product_sales['购买用户数量'].sum() / uv_cons
uv_rate输出 0.006455216932530569
折扣率
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输出 0.4179229541452886
备货值
goods_value = dt_product_sales['货值'].sum()
goods_value输出 18916385
售卖比
sales_rate = gmv / goods_value
sales_rate输出 0.19809096817866195
收藏数
coll_cons = dt_product_sales['收藏数'].sum()
coll_cons输出 6224
加购数
add_shop_cons = dt_product_sales['加购物车数'].sum()
add_shop_cons输出 18690
SKU
sku_cons = dt_product_sales['SKU'] / sum()
sku_cons输出 125
SPU
spu_cons = dt_product_sales['SPU数'].sum()
spu_cons输出 80
拒退量
reject_cons = dt_product_sales['退货件数'].sum()
reject_cons输出 3643
拒退额
reject_money = dt_product_sales['商品退货金额'].sum()
reject_money输出 1139580
数据汇总，并与去年数据进行同比
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
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_date_now=pd.DataFrame([[gmv,],[return_money,],[all_sales,],[custom_price,],[uv_cons,],[uv_rate,],[discount_rate,],[goods_value,],[sales_rate,],[coll_cons,],[add_shop_cons,],[sku_cons,],[spu_cons,],[reject_cons,],[reject_money,]],\
columns=['今年双十一'],
index=['GMV','实销','销量','客单价','UV数','UV转化率','折扣率','备货值','售卖比','收藏数','加购数','SKU','SPU','拒退量','拒退额'])
sales_state_past=pd.DataFrame([2261093,1464936.517,7654,609.34567,904694,0.0053366,0.46,12610930,0.1161,4263,15838,82,67,2000,651188.57],
index=['GMV','实销','销量','客单价','UV数','UV转化率','折扣率','备货值','售卖比','收藏数', '加购数','SKU','SPU','拒退量','拒退额'],\
columns=['去年双十一'] )
sales_state=pd.merge(sales_date_now,sales_state_past,left_index=True,right_index=True)
sales_state_T=pd.DataFrame(sales_state.values.T, index=sales_state.columns, columns=sales_state.index)
sales_state['同比增长']=(sales_state['今年双十一']-sales_state['去年双十一'])/sales_state['去年双十一']
sales_state.sort_values(by='同比增长',inplace=True,ascending=False)
plt.figure(figsize=(16,6))
sales_state['同比增长'].plot(kind='bar',width=0.6,alpha=1,rot=0,edgecolor = 'k',fontsize=12)
plt.title('双十一指标同比去年情况')
plt.ylim([-0.25,1])
plt.ylabel('百分比')
for i,j in zip(range(15),sales_state['同比增长']):
plt.text(i-0.2,j+0.01,'%.1f%%' % (j*100), color = 'k',fontsize = 12) 
可见，今年双十一各项指标，除折扣率和客单价较去年降低之外，其余指标均有所增长。
四、优化商品结构
1、从价格区间优化商品结构
深入探究不同价格区间的数据，来优化后期的促销结构。首先需要找到本次促销活动中各区间的销售源数据，要显示款号、销售额、销售量的年该信息。然后计算每个款的转化率、折扣率等数据。
1.1 指标计算
首先对商品进行价格区间划分，氛围’1-200‘，‘200-400’，‘400及以上'
# 设置切分区域
listBins = [0, 200, 400, 100000]
# 设置切分后对应分组的标签
listLabels = ['1_200', '200_400', '400及以上']
#利用pd.cut进行数据离散化切分
dt_product_sales['价格分组'] = pd.cut(dt_product_sales['售卖价'], bins = listBins, labels = listLabels, include_lowers=Ture)
dt_product_sales.head()
对三个区间进行聚合统计：
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()
计算货值占比、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['UV数'] / dt_product_sales_info['购买用户数量']
dt_product_sales_info.head()
根据聚合结果，价格400及以上的商品销售占比最大，达到53%；
购买转化率相差不大，均在0.6% - 0.7%之间；
下次促销需要重点销售价格分组在400及以上的商品，对该类商品进行优化。
取出400及以上价格区间的数据内容
product_400 = dt_product_sales_info[dt_product_sales['价格分组']=='400及以上']
product_400.head()
计算此类商品的转化率、备货值和售卖比
product_400['转化率'] = product_400['购买用户数量'] / product_400['UV数']
product_400['备货值'] = product_400['吊牌价'] * product_400['库存量']
product_400['售卖比'] = product_400['商品销售金额'] / product_400['备货值']
product_400.head()
1.2 观察数据的分布情况
product_400[["转化率"]].boxplot()
# 中位数
print(np.median(product_400["转化率"]))
# 25%分位数
print(np.percentile(product_400["转化率"], 25))
# 75%分位数
print(np.percentile(product_400["转化率"], 75))
product_400[["售卖比"]].boxplot(showbox=True)
# 中位数
print(np.median(product_400["售卖比"]))
# 25%分位数
print(np.percentile(product_400["售卖比"], 25))
# 75%分位数
print(np.percentile(product_400["售卖比"], 75))
优化方案：临界值选取的是分位数值，转化率选取50%分位数的值，意味着50%的商品转化率是大于0.007的。售卖比可以选择75%分位数，表示75%的商品转化率是小于0.318的。可以基于这个数值进行浮动，这里选择的临界值是：转化率0.007，售卖比0.36。
使用ABC分级方法，以转化率和售卖比作为关键指标，指定分级逻辑：
- A级商品：转化率大于0.7%的商品，暂时保留，用于下次促销活动；
- B级商品：转化率小于0.7%，但是售卖比大于36%的商品，虽然转化率不如A级商品高，但是具有一定售卖比，说明对访客具有吸引力，予以保留参加下次促销活动，
- C级商品：转化率小于0.7%，并且售卖比小于36%的商品进行清仓处理。
1.3 挑选合格商品
# 转化率大于0.7%的商品，保留
stay_stocks1 = product_400[product_400['转化率'] > 0.007]
# 转化率小于0.7%，但售卖比大于36%的商品，保留
stay_stocks2 = product_400[(product_400['转化率] < 0.007) & (product_400['售卖比'] > 0.36)]
# 转化率小于0.7%，且售卖比小于36%的商品，清仓
stay_stocks3 = product_400[(product_400['转化率] < 0.007) & (product_400['售卖比'] < 0.36)]
2、从折扣区间优化商品结构
和从价格区间优化商品结构思路相同，选择下次促销需要重点销售的商品所在的折扣区间，再计算该类商品的转化率、售卖比，进行商品结构优化。
划分折扣区间
#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
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()
对折扣区间进行聚合统计：
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
计算货值占比、销售占比、客单价、转化率
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
根据统计结果，下次促销需要重点销售折扣区间在0.35-0.4的商品，对该类商品进行优化。
取出折扣区间0.35-0.4的数据内容
product_354 = dt_product_sales[dt_product_sales['折扣区间'] == '0.35_0.4]
product_354.head()
计算转化率、备货值、售卖比
product_354['转化率'] = product_354["购买用户数量"]/product_354["UV数"]
product_354["备货值"] = product_354["吊牌价"]*product_354["库存量"]
product_354["售卖比"] = product_354["商品销售金额"]/product_354["备货值"]
优化方案：
- 找出转化率大于0.7%的商品予以保留，下次活动中可作为畅销商品进行引流造势；
- 找出转化率小于0.7%且售卖比大于36.5%%的商品，予以保留参加下次促销活动；
- 找出转化率小于0.7%且售卖比小于36.5%的商品，进行清仓处理。
stay_stocks = product_354[(product_354["售卖比"]>0.365)&(product_354["转化率"]>0.007)]
stay_stocks五、总结
- 在一级入口中，首页的流量占比最高，可以将以上分析选取出的畅销款（高转化率、高售卖比）布局在首页来引流。
- 对于平销款商品（B级商品），作快抢和疯抢处理。
- 对于以上分析选取出的C级商品，由于转化率和售卖比均较低，所以对该类商品进行清仓。
565
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
