浅谈电商业务数据分析

时间：2023-03-15 20:42:02 | 来源：电子商务

时间：2023-03-15 20:42:02 来源：电子商务

序言

本文分为三个部分：

1.描述电商行业关键业务指标

2.使用sql和Excel处理数据，使用BI和tableau进行可视化，分析一组淘宝电商数据中隐藏的有利于业务增长的点

3.分析《洞悉零售及电子商务运营》中的案例

1.电商行业关键业务指标

1.1 什么是业务 ? 答：是产品从生产到卖出的所有环节（引用live）；

1.2 电商行业的关键指标：

电商行业业务关键指标

R：Recency最近一次消费。指的是上一次的消费时间和计算当天的间隔。计算公式是：当前日期-上次消费日期。（一般取付款时间，而非下单时间）
F：Frequency消费频率。客户在固定时间内（一般以1年作为统计周期）的购买次数。客户购买频率的高低是客户品牌忠诚度和店铺忠诚度的体现。
M：Monetary消费金额。指的是顾客在一段时间（通常是1年）内的消费金额

2.利用1中提到的模型分析数据

2.1数据来源：阿里巴巴天池

婴儿用品：从阿里巴巴天池获取淘宝和天猫上婴儿产品用户的数据集，包括2个excel文件：

表1购买商品，数据量29971 x 7列，

表2婴儿信息，数据量953 x 3 列。

2.2 用sql预处理数据

去重，查看缺失值，更换列的格式

2.3从数据中可以分析下列指标，挖掘增长业务点

库存数量可以通过购买量大概估计，成交单数和成交用户都可以直接从表中看出：

连带率=购买数量/购买行为ID个数，复购率=购买数量/用为ID个数；

如下图，一个购买行为ID代表一次购买行为，用购买数量/1就得到了连带率 因此图中的百分比数字就是每次购买行为的连带率

一个用户ID就是一位用户，用商品购买数量/1就得到了每个用户的复购率,如下：

2.3那么这些指标可以解决哪些实际的业务问题呢？

（1）成交数量、成交用户数，连带率：这两个指标可以监控销售的运营波动情况，有异常情况可以实时检查问题。

（2）复购率、平均购买次数：平均购买次数可以监控用户的活跃程度及波动情况，复购率指标监控留存以及可以关注老顾客，维护好客户

2.4.能否从作业中数据，发掘不同用户和行为，并进行精细化运营呢？

在计算出用户年龄后，删除一个33岁的年龄异常值，发现年龄分布范围太广；决定用四分位数来划分用户年龄区间；最小值，下四分位数 中位数 上四分位数分别是：0，272.5，577， 1121.5，4307（天数）；转化成对应的年龄：0-8个月，8个月-1岁6个月，1岁6个月-3岁，3岁-11岁和出生前购买

这样可以针对不同年龄的用户，推荐不同类别的商品，促进转化；

比如50014815的商品在年龄为8个月-1年6个月的顾客中，销量不错；应该设计对应的文案，宣传方式针对这个年龄的顾客，推荐该商品。

3.《洞悉零售及电子商务运营》案例分析

3.1 购物篮系数提升

引用：《洞悉零售及电子商务运营》4.6

背景：春天大型超市的购物篮系数徘徊在3.0，各种促销都无法拉高；现在用数据给出一个方案可以提高这一指标。

MECE法则列出所有影响目标的因素

图1

先确定竞对的目标系数情况：

发现购物篮系数3.0不是系统共性情况，因为竞对的系数比较高。

图1的很多指标，实际情况下收集不到；结合实际情况，重点从如下三个方向入手：

1.时间段与购物篮系数的关系

2.顾客购物行为和购物篮系数的关系

3.重点商品与购物篮系数的关系

先研究时间段与购物篮系数的关系：

图中能看出周一到周五的时候 12-14 18-20这两个时间段购物篮系数明显变低了，而周末就没有这个情况。

接下来研究顾客购物行为和购物篮系数关系

拉低购物篮系数的商品，占总商品购买量的39%，无疑是非常影响购物篮系数。这时候统计了购买量在1-2件的货物是什么。发现香烟，饮料，卫生巾和护垫占非常大的比重，购买的顾客以写字楼用户为主，这就解释了为什么在12-14，18-20这个时间段的购物篮系数变低了，因为这个时间段写字楼的上班族休息，写字楼顾客数量激增，并且他们购买的商品大多都低于三件，所以这个时段的购物篮系数变低。

再实地现场的考察具体情况：

1.超市因为没有购物筐，很多顾客在买了三件商品之后，双手拿不下就放弃购买产品

2.只有10%的顾客会在超市入口拿购物筐和购物车，而且这些顾客以家庭主妇位置

3.重点货物补货不及时

4.饮料，香烟之类的即时性产品，购买数量最多的商场和写字楼员工

那么到这为这，我们可以采取对应的策略是在商品旁边增加购物筐；接下来要验证重点货物补货不及时的问题，可以通过日缺货率来监控指标；但是由于超市本身没有统计这个数据，退而求其次，监控商品每日的销量，对于那些突然减少的商品，就视为补货不及时。

同时把缺货率和购物篮系数一起统计：

蓝色的销售大的商品，突然下降视为缺货了，补货不及时；可以得出补货不及时和购物篮系数的相关性非常高。

小结：1.通过研究时间段与购物篮系数关系；我们发现12-14，18-20这俩时间段的购物篮系数下降很厉害。2.接着通过研究顾客购物行为和购物篮系数的关系，我们发现上面两个时间段购物篮系数下降是因为这个时间段激增了购买数量小于3的顾客；3.我们发现关键货物补货不及时对购物篮系数下降有很大的影响

我们可以有如下措施来提高购物篮系数：

1.超市的购物篮系数相对于竞对来说很低，说明不是大环境的原因，是内因。

2.周一到周五的12-14,18-20点，摆放一些写字楼顾客更愿意购买的商品，提高购物篮系数

3.除了在超市入口以外，还需要在商品旁边摆放购物筐

4.对于重点货物，一定要提前做足库存，并且监控日缺货率

采取这些举措后，继续跟进数据，并且根据反馈调整。结果发现，这些举措确实10%的购物篮系数。

3.2.数据分析教你如何找到女朋友

如果你忽略了前文，直接跳到这里；那么我尽量不让你失望^_^

引用：《洞悉零售及电子商务运营》 6.5.4

第一步：总览全局，从开始找到最后成功，有哪些阶段，每个阶段应该有什么举措：

第二步：先明确自己的需求，即找女朋友的目的。可以用马斯洛需求原理在自己身上去套用，比如文中的例子，找女朋友两个原因：1.避免每次聚会，自己总是孤身一人，朋友都是两两相伴；2.父母和亲戚安排的相亲让自己不胜其烦；3.自己也到了适婚年龄，需要考虑一下婚姻问题。各位读者如果是单纯需要一段恋爱关系，就需要具体情况具体分析

确定之后，就用“人-货-场”这个万金油模型列出了自己的理想女友

然后用swot模型分析出自己的实际情况：

值得一提，在花费这个问题上，和一开始锁定目标的方式有关；文中案例使用的是广泛撒网，尽可能认识更多的女孩，所以花费会非常大（个人非常不推荐这种方式~）

案例中，主人公确定了自己的方式后，就明确了自己的主要问题如下：

1.如何去发现更多的潜在女生

2.如何收集数据，并利用自己数据分析的优势去指导行动？

3.如何改掉缺点，更好的和女生交流？

在认识一些女孩之后，就进入了收集数据阶段

1.目标女生的数据

2.目标女生闺蜜的数据

3.竞争对手的数据

数据来源：

1.公开渠道

数据来源一般是官方数据和网络数据，官方数据指的一些认证过真实的，比如毕业学校，工作单位，联系方式，社交媒体等；网络数据指的就是对方社交媒体等公开的一些数据，如果你是高帅富你也可以请专业人士去调查~

2.内部渠道

目标女友的朋友圈，比如文中主人公就从目标闺蜜的男友切入的，还有自己的圈子和对方的交集，从中收集一些信息

收集之后，就可以开始建模：

PS：分值越高说明难度越大。然后文中主人公锁定目标是女生L，更新了一个目标女孩和其男友的微博互动内容；最后他们吵架之后，及时出现，确定了男女关系

小结：

生活中有许多你值得花费很多精力去思考的事情，这时候单纯的想难免会不够深入，加上科学的数据分析，会帮你更好的做出规划。