某品牌电商促销活动运营分析_分析网店促销活动数据-CSDN博客

本文链接：https://blog.csdn.net/zk98690/article/details/107921241

该博客通过对电商促销活动的数据分析，评估了总体运营情况，重点关注价格和折扣区间对商品结构的影响。通过计算各项指标如销售额、转化率、售卖比等，提出针对不同价格和折扣区间的商品优化方案，旨在提升销售效果和商品流转效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

加粗样式### 分析流程：

1、总体运营指标
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。
2、从价格区间找出表现不好的产品，进行保留或清仓处理，优化商品结构
3、从折扣区间来找出表现不好的产品，进行保留或清仓处理，优化商品结构
4、流量布局

分析目的：

评估促销活动的结果，并根据情况优化商品结构，

数据集：

该数据集文件包含三张字表，分别是商品明细表、商品热度情况、用户销售明细表。

import pandas as pd
import numpy as np

import warnings
warnings.filterwarnings('ignore')

1、读取数据

# 读取数据
# 商品明细表
dt1 = pd.read_excel(r'H:\dataset\sales_info.xlsx',sheetname=0)
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)
dt1.head()

# 读取数据
# 商品热度情况
dt2 = pd.read_excel(r'H:\dataset\sales_info.xlsx',sheetname=1)
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
dt3 = pd.read_excel(r'H:\dataset\sales_info.xlsx',sheetname=2)
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_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

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

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()

	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 = 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	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。

#1、GMV：销售额，包含退货的金额
gmv = dt_product_sales["商品销售金额"].sum()
gmv

3747167.0

#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

2607587.0

#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

#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

# 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