（电商）唯品会双十一促销活动复盘——数据分析

（电商）唯品会双十一促销活动复盘——数据分析

项目背景：

    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。

分析流程：

• 1、总体运营指标
• 2、从价格区间找出表现不好的产品，优化商品结构
• 3、从折扣区间来找出表现不好的产品，优化商品结构

import pandas as pd
import numpy as np

import warnings
warnings.filterwarnings('ignore')

〇、数据清洗与准备

1、读取数据，更改列名

import sqlalchemy

engine = sqlalchemy.create_engine('mysql+pymysql://ID:PASSWORD@localhost:3306/datdabase')

# 读取数据
# 商品信息表
sql_cmd = "select * from sales_info1"

# 执行sql语句，获取数据
dt= pd.read_sql(sql=sql_cmd, con=engine)

dt.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)

dt.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

# 读取数据
# 商品热度表
sql_cmd = "select * from sales_info2"

# 执行sql语句，获取数据
dt2 = pd.read_sql(sql=sql_cmd, con=engine)

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

# 读取数据
# 用户销售明细表
sql_cmd = "select * from sales_info3"

# 执行sql语句，获取数据
dt3 = pd.read_sql(sql=sql_cmd, con=engine)

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)

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

	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

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_products=pd.merge(dt1,dt2,how='left',on='商品名')
dt_products.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

3、合并商品信息表和商品热度表数据和用户销售明细表

dt3.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8036 entries, 0 to 8035
Data columns (total 9 columns):
用户id    8036 non-null object
购买日期    8036 non-null int64
商品名     8036 non-null object
购买数量    8036 non-null int64
购买单价    8036 non-null float64
购买金额    8036 non-null float64
是否退货    8036 non-null int64
退货件数    8036 non-null int64
退货金额    8036 non-null float64
dtypes: float64(3), int64(4), object(2)
memory usage: 565.2+ KB

# 统计每个商品的一个销售情况
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':np.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()

	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	商品销售单价	购买用户数量
0	A001	185	2775.0	59	885.0	15.0	116
1	A002	146	34456.0	31	7316.0	236.0	87
2	A003	144	68112.0	31	14663.0	473.0	94
3	A004	172	55040.0	56	17920.0	320.0	111
4	A005	122	1830.0	32	480.0	15.0	81

# 合并商品信息
dt_product_sales=pd.merge(dt_products,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	商品销售单价	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	15.0	116
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.0	31	7316.0	236.0	87
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.0	31	14663.0	473.0	94
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.0	56	17920.0	320.0	111
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.0	32	480.0	15.0	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