一、项目背景

二、分析目的

三、数据集描述

四、分析思路

五、分析内容

5.1 优惠券维度

5.1.1 距离因素

5.1.2优惠券类型因素

5.1.3 时间因素

5.2 用户维度

5.2.1 不同领券次数、核销率的用户分布情况

5.3 商户维度

5.3.1 不同领券次数、核销率的商户分布情况

六、分析结论

（一）优惠券维度

（二）用户维度

（三）商户维度

七、仪表盘

八、个人感想

一、项目背景

O2O行业关联数亿消费者，各类APP每天记录了超过百亿条用户行为和位置记录，因而成为大数据科研和商业化运营的最佳结合点之一。以优惠券盘活老用户或吸引新客户进店消费是O2O的一种重要营销方式。然而随机投放的优惠券对多数用户造成无意义的干扰。对商家而言，滥发的优惠券可能降低品牌声誉，同时难以估算营销成本。个性化投放是提高优惠券核销率的重要技术，它能让具有一定偏好的消费者得到真正的实惠，同时赋予商家更强的营销能力。

二、分析目的

利用用户在2016年1月1日至2016年6月30日之间真实线下消费行为数据，分析平台优惠券投放效果，并尝试提供合理的建议。

三、数据集描述

分析工具：Python、Tableau、Excel

数据来源：https://tianchi.aliyun.com/competition/entrance/231593/information

数据字段：

四、分析思路

五、分析内容

5.1 优惠券维度

5.1.1 距离因素

距离代表用户和商户的地理距离。O2O具有线上支付，线下消费的特点，线上发放消除了O2O优惠券领取阶段的地理距离的壁垒，但是消费者与商户的线下距离也可能会对O2O优惠券的使用产生影响。

图中数据发现：1.距离商户500米内的用户领券次数和核销率都是最高，其中核销率为13.46%，远超其他类别数据；2.五公里以上的用户领券次数位居第二，但是核销率最低，仅1.44%；3.优惠券核销率与距离成负关系，距离越大，核销率越小。

总结与建议：地理位置在O2O优惠券的使用中起着重要作用，如果消费者与商家距离较远, 需要付出较高的交通成本才能到达线下商户进行消费, 这将会为优惠券的使用造成障碍。因此在分发优惠券时需要将距离因素考虑在内，优先针对商户500米内的消费者进行发放。

5.1.2优惠券类型因素

注：图中将优惠券按照领取数量从左至右排列，即线条越粗，领取数量越多

图中数据发现：领取前三的优惠券分别为30:5、100:10、200:20；核销率前三的优惠券分别为150:5、5:1、10:1；各类优惠券核销率与平均距离普遍呈现负相关现象，大量优惠券受平均距离的影响核销率较低，如100:30，200:50，200:30等。这里选取优惠券领取总数第三，平均距离适中，但核销率较低的“200:20”优惠券进行单独分析。

经统计，该优惠券合计被领取111046次，使用该优惠券的商户有106个，抽取该优惠券领券总数排名前5的商户，结果如下方所示，可以发现5家商户200:20类型优惠券的核销率分别为1.34%、1.39%、2.07%、0.06%、1.60%，其中3381商户200:20优惠券被领次数高达83660次，次数占比75%，因此3381商户的核销率会较大程度影响200:20优惠券的整体核销率。

下面将3381商户进行单独分析，将其按照“商户与消费者距离”的维度进行钻取，结果如下方图表所示。1.纵向观察图表可以发现，商家与消费者的距离越远，200:20的核销率越低，这符合之前的分析，但是200:20的优惠券在500米内核销率也仅有2.01%；2.横向观察图表可以发现，3381商户发放三类优惠券，分别为200:20、300:30、10:5，不管是哪个距离维度，优惠券10:5的核销率均高于200:20，深入表格数据后发现，部分消费者在领取200:20和10:5消费券后会优先选择使用10:5优惠券。

由3381商户引出了“满减门槛”会影响优惠券的核销率，于是在整体数据的角度下探究满减门槛对优惠券核销率的影响，结果如下图所示，可以看出满减的门槛越低优惠券的核销率越高，而且零门槛的优惠券核销率也较高，由此可以得出结论：对于线下门店优惠券使用门槛是影响优惠券核销率的关键因素。

总结建议：与上文一致，商户与消费者的距离是影响各类优惠券核销率的重要因素，除此之外优惠券的兑换门槛也一定程度上影响核销率。因此解决方向：可以是平台针对商户各类型优惠券的核销情况并结合商户的总体销售情况和近期客单价进行判定，向商户建议各类优惠券合适的投放比例，以及满减规则，可以增加小额优惠券的发放，以此达到最佳促活效果。

5.1.3 时间因素

（一）按月份拆分

图中数据可以明显看出： 1月份-3月份核销率有良好的增长趋势，4月核销率下降至6.34%，5月-6月核销率再次上升至15.77%。

引出问题：4月份核销率出现大幅度下降的原因？

需要考虑内外部因素。内部：从产品、技术、运营等角度进行一一排除，如4月是否是由于平台新功能发布导致用户体验不好？程序BUG？之前平台采取了某种运营策略，而4月未采用导致核销率下降？还是下降本身是属于季节性周期性事件？外部：需考虑是否由竞品活动导致？国家政策、经济社会舆情等因素是否导致全行业消费券核销率下降等？

由于以上因素无法获取数据，尝试利用指标拆解进行初步探索，核销率=用券消费总数/领券总数，观察图中数据发现，4月份用券消费总数相较3月份下降近4000左右，领券总数上升3.5万左右，因此问题分解为两个子问题：为什么领券总数上升？为什么用券消费总数下降？

针对第一个问题：领券总数上升的原因。由于数据有限，初步从商户、用户角度考虑，统计结果如下表所示。表中数据发现可能是由于发放优惠券的商户增加或平台的用户数增加导致触达的消费者增加，因此领券总数上升。

针对第二个问题：用券消费总数下降的原因。利用已有的数据从满减门槛维度进行拆解，结果如下图所示，可以看出：3月份满20折扣的优惠券占比最多，达到32.73%；4月份满30折扣的优惠券占比最多，达到30.76%左右； 4月份100元以上的满减门槛比3月份的100元满减门槛占比更多，因此有理由怀疑4月份用券消费总数下降的原因可能是由于4月份的满减门槛更高。

除此之外，该部分的原因还可以从外部因素（竞品、PEST等维度）、用户基本属性（性别、年龄、职业、学历、收入等）、设备属性（品牌、型号、操作系统、联网方式）、地区城市、商户属性（商户类别、商户客单价、头部商户）等维度进行拆分一一排除，由于数据有限，不再进行分析。

（二）按工作日拆分

由图中数据可以看出：周五、周六、周日用券消费总数最多；周一、周五、周六、周日领券总数最多；周二、三、四核销率最高；周二、三、四、五的核销周期最短。

结合（一）（二）部分数据进行以下总结与建议：

优惠券各月的领取量、核销率波动较大，4月核销率有较大程度的降低，考虑是平台用户以及参与优惠券的商户增加导致优惠券触达消费者数量增加，但是由于满减门槛较高等因素导致用券人数较低。解决方向：平台可以结合商户的目标群体特征，如消费水平，将高门槛优惠券曝光给高消费人群，同时建议商家根据自身情况增添低门槛消费券，使消费券辐射到各消费水平人群；
淡季增加销量：3月和6月领券人数较低，但是核销率较高，可考虑3月和6月增加优惠券的投放或增加优惠券类别，如将此类商户的优惠券放在活动入口或网站首页，发挥造势引流作用，提升消费者活跃度；
工作日增加销量：周二、三、四领券人数较低，但是核销率较高，结合核销周期可以看出工作日优惠券核销更加及时，可能是由于工作日用户消费目的更明确，解决方向：考虑从增加工作日的领券数量方向着手，可以结合用户消费时间分布，结合商户使用场景分时段进行优惠券投放，并且适当加大优惠力度吸引更多的消费者消费；
周五、周六、周末优惠券领券总数最多，但是核销率低，可能是由于用户决策时间过长，解决方向：可以考虑减少消费者决策时间，在优惠券上注明并强调使用时间，给予消费者时间压力，诱导消费者滋生“不买后悔”的心理，并提供券到账与券到期提醒等功能。

5.2 用户维度

5.2.1 不同领券次数、核销率的用户分布情况

左图数据发现：领取优惠券数量在1-3次范围内的用户占比最大，高达81.91%，但其核销率仅有4.34%；领取优惠券数量在10次以上范围内的用户占比最小，不足1%，但其核销率高达15.71%；约有5.33%的用户未曾领取过优惠券；优惠券核销率与领取优惠券次数大致成正相关，领取优惠券次数越多，核销率越大。右图数据发现：90.92%的用户领券后未核销；核销率大于50%的用户仅占5.1%。

总结与建议：用户领券次数普遍偏少，绝大多数用户领券后并未进行使用，可见优惠券的投放效果不佳，因为缺乏用户详细数据和商户详细数据无法进一步分析，但是考虑存在以下原因：

商品的目标用户和收到优惠券的消费者不符。解决方向：利用老用户容易复购属性，将优惠券派发给老用户，增加优惠券的核销率，带动老用户回购；结合用户画像和商品属性，筛选用户标签进行精准发放，减少投放浪费，如可以考虑根据领券数量和核销率两个维度对用户进行分类：
1. 将领券次数>A，核销率>B的用户划分为优惠券敏感型用户，后续可以针对此类用户进行持续投放，保持好用户的活跃度；
2. 将领券次数>A，核销率<B的用户划分为优惠券普通型用户，后续可以根据用户地址和偏好优先推荐近距离、低门槛的商户优惠券；
3. 将领券次数<A，核销率>B的用户划分为优惠券发展型用户，后续可以加大优惠券的投放；
4. 将领券次数<A，核销率<B的用户划分为优惠券挽留型用户，后续可以加大优惠券的曝光，并根据用户偏好进行推送。
优惠券设计存在问题，兑换难度过大。解决方向：增加优惠券细节，增强优惠券在兑换场景下对消费者的影响力，做到能明确告知消费者优惠券性质，使用条件范围和使用时间等。
系统自动发券，并未告知用户。解决方向：对信息推送营销管理功能进行优化，提供券到账提醒以及券到期提醒等功能。

5.3 商户维度

5.3.1 不同领券次数、核销率的商户分布情况

图中数据发现：约67%的的商户优惠券领取量在10张以下，约10%的商户优惠券领取量在50张以上；约75%的商户核销率低于30%，约12%的商户属于高核销商户。

按优惠券领取量降序，前20%的商户优惠券领取量在36张以上，按核销率降序，前20%的商户核销率在33.3%以上，以这两个数值为阈值，按照核销率和领券总数两个维度将商户划分四类，分别为：优质商户、热门商户、发展商户以及普通商户，具体如下图。说明：圈越大，代表该商户的销售量越大。

总结与建议：由图中数据可见，大量商户的优惠券领取数量较少，约1/4的商户核销率为0，可见投放效果不佳。

热门商户数量较多，该部分商户整体表现为优惠券被领券数量较多，普遍销售量较多，具有一定影响力，但核销率较低，可以重点根据商户特征投放低门槛优惠券，并优先投放给距离门店500m以内的用户，提升用户核销动力；
发展商户核销率较高，但是优惠券被领券数量偏少，可以增强该部分商户的目标用户优惠券曝光，如将此类商户的优惠券放在活动入口或网站首页，发挥造势引流作用；
普通商户核销率和优惠券被领取数量均偏少，需要重点提升，可以重点投放满减门槛低的小额优惠券，或增大优惠力度，增加用户领取吸引力；并且优先投放给距离门店500 m以内的用户，提升用户核销动力；
优质商户被领取数量和核销率都表现良好，下一步可以在现有基础上进一步提升商户的优惠券核销率，保持流量支持，留住优质商户。

六、分析结论

2016.01.01-2016.06.30领券总数为1053282次，有券消费总数达到75382次，涉及商家总数8415户，消费者总数539438人，核销率仅7.16%，造成优惠券核销率低的因素可能与商户门店距离、满减门槛、优惠券力度，商户服务、产品种类、优惠券设计等因素有关，由于数据有限，因此从优惠券维度、商户维度、消费者维度进行初步探索分析。

（一）优惠券维度

（1）距离因素：优惠券核销率与距离成负关系，分配优惠券的地点离餐厅越远，金钱激励的影响效果就越小。改进建议：在分发优惠券时需要将距离因素考虑在内，优先针对商户500米内的消费者进行发放。

（2）优惠券类型因素：商户与消费者的距离是影响各类优惠券核销率的重要因素并且优惠券的兑换门槛也一定程度上影响核销率。改进建议：平台针对商户各类型优惠券的核销情况并结合商户的总体销售情况和近期客单价进行判定，向商户建议各类优惠券合适的投放比例，以及满减规则，可以增加小额低门槛优惠券的发放。

（3）时间因素：

优惠券各月的领取量、核销率波动较大，4月核销率有较大程度的降低，考虑是平台用户以及参与优惠券的商户增加导致优惠券触达消费者数量增加，但是由于满减门槛较高等因素导致用券人数较低。改进建议：平台可以结合商户的目标群体特征，如消费水平，将高门槛优惠券曝光给高消费人群，同时建议商家根据自身情况增添低门槛消费券，使消费券辐射到各消费水平人群；
淡季增加销量：3月和6月领券人数较低，但是核销率较高。改进建议：可考虑3月和6月增加优惠券的投放或增加优惠券类别，提升消费者活跃度；
工作日增加销量：周二、三、四领券人数较低，但是核销率较高，结合核销周期可以看出工作日优惠券核销更加及时，可能是由于工作日用户消费目的更明确。改进建议：考虑从增加工作日的领券数量方向着手，可以结合用户消费时间分布，结合商户使用场景分时段进行优惠券投放，并且结合ROI适当加大优惠力度吸引更多的消费者消费；
周五、周六、周末优惠券领券总数最多，但是核销率低，可能是由于用户决策时间过长。改进建议：可以考虑减少消费者决策时间，在优惠券上注明并强调使用时间，给予消费者时间压力，诱导消费者滋生“不买后悔”的心理，并提供券到账与券到期提醒等功能。

（二）用户维度

用户领券次数普遍偏少，绝大多数用户领券后并未进行使用，可见优惠券的投放效果不佳，因为缺乏用户详细数据和商户详细数据无法进一步分析，但是考虑存在以下原因：

商品的目标用户和收到优惠券的消费者不符。改进建议：利用老用户容易复购属性，将优惠券派发给老用户，增加优惠券的核销率，带动老用户回购；结合用户画像和商品属性，筛选用户标签进行精准发放，减少投放浪费，如可以进行用户分层，考虑根据领券数量和核销率两个维度对用户进行分类，将领券次数>A，核销率>B的用户划分为优惠券敏感型用户，后续可以针对此类用户进行持续投放，保持好用户的活跃度；将领券次数>A，核销率<B的用户划分为优惠券普通型用户，后续可以根据用户地址和偏好优先推荐近距离、低门槛的商户优惠券；将领券次数<A，核销率>B的用户划分为优惠券发展型用户，后续可以加大优惠券的投放；将领券次数<A，核销率<B的用户划分为优惠券挽留型用户，后续可以加大优惠券的曝光，并根据用户偏好进行推送。
优惠券设计存在问题，兑换难度过大。改进建议：增加优惠券细节，增强优惠券在兑换场景下对消费者的影响力，做到能明确告知消费者优惠券性质，使用条件范围和使用时间等。
系统自动发券，并未告知用户。改进建议：对信息推送营销管理功能进行优化，提供券到账提醒以及券到期提醒等功能。

（三）商户维度

大量商户的优惠券领取数量较少，约1/4的商户核销率为0，可见投放效果不佳。改进建议：将商户进行分层运营，

如热门商户具有高领取低核销的特点，可以重点根据商户特征投放低门槛优惠券，并优先投放给距离门店500m以内的用户，提升用户核销动力；
发展商户具有高核销低领取的特点，可以增强该部分商户的目标用户优惠券曝光，如将此类商户的优惠券放在活动入口或网站首页，发挥造势引流作用；
普通商户具有低核销低领取的特点，可以重点投放满减门槛低的小额优惠券，或增大优惠力度，增加用户领取吸引力；并且优先投放给近距离用户；
优质商户具有高核销高领取的特点，建议保持流量支持，留住优质商户，同时分发平台作为一个发放渠道，为保持平台内容的优质性、丰富性，还需要给商户提供推广之外的附加价值，如为每个商户提供完善的数据分析等功能，以此形成“留住商户，吸引用户“的正向循环。

七、仪表盘

八、个人感想

这是我的第一个数据分析报告，从利用Python进行数据探索，数据处理，再到利用tableau进行数据可视化，数据分析，期间力求对数据进行刨根问底，并给出一些可落地的建议。但当把之前零碎的知识技能运用到一个完整的数据分析项目时，我发现这件事并不简单，比如数据为什么是这个趋势？数据为什么毫无规律可言？不规律的数据背后能否通过拆分发现隐藏的规律？核销率为什么低？数据反映了什么现象？基于数据现象可以给出什么样的建议？这些建议真的有意义、有价值、能落地吗？针对提升核销率提出的建议，会不会影响其他指标的降低，比如利润？通过实践完成这个数据分析报告，我深刻意识到制作一个优秀数据分析报告的前提是必须深入了解业务，要做到基于业务并高于业务，才能给出可落地的建议，同时在分析前，需要明确分析目标，列出分析框架，在分析时，多问为什么，怎么做，在分析后需要进行复盘总结。

作为一个应届小白，本篇报告肯定存在很多不足以及分析不到位的地方，后续希望找到相关实习工作，能有能力写出更完善的数据分析报告。

最后，请以辩证的心态看待分析方法和结果，如有错误恳请指正。

O2O优惠券核销-数据分析相关推荐

O2O优惠券核销-数据分析2.0
写2.0版本是因为后来再次复盘的时候我觉得1.0版本比较杂乱,没有一个比较明确的分析目标和分析路线,从头在看好像只是在进行一个简单的数据探索,有种东一榔锤西一锄头的感觉,于是2.0版本决定聚焦在用户的 ...
O2O优惠券核销-SQL实现
前言: 目的:利用O2O优惠券数据集锻炼个人SQL编写能力过程:将文件导入datagrip,利用SQL进行数据分析,具体分析内容见另一篇博客:O2O优惠券核销-数据分析说明:本次SQL主要实现上述 ...
O2O优惠券核销-模型预测
目录一.项目背景与目标二.数据描述三.问题分析四.数据探索与预处理五.特征工程(构造特征) 5.1 特征构造-整体数据 5.1.1 时间特征 5.1.2 优惠券特征 5.1.3 预测目标值构 ...
O2O优惠券使用数据分析
1.项目背景: 随着移动设备的完善和普及,移动互联网+各行各业进入了高速发展阶段,这其中以O2O(Online to Offline)消费最为吸引眼球.据不完全统计,O2O行业估值上亿的创业公司至少有 ...
O2O优惠券数据分析（一）
写在前面的话本文的数据分析任务是我在几个月前为了准备面试锻炼自己的数据分析思路做的,项目中没有涉及到机器学习建模内容,是一个单纯用数据得出结论的任务.因为准备时间仓促,所以项目里待完善的内容很多.最 ...
python O2O网站优惠券使用率数据分析
项目源码请见:https://github.com/dennis0818/O2O_offline 一项目简介随着移动设备的完善和普及,移动互联网+各行各业进入了高速发展阶段,这其中以O2O(Onl ...
python项目--O2O优惠券线下使用情况数据分析
数据来源:天池大赛数据集:天池新人实战赛o2o优惠券使用预测:数据链接: https://tianchi.aliyun.com/competition/entrance/231593/introduc ...
O2O优惠券使用预测项目总结
O2O优惠券使用预测笔记前言项目介绍数据评价方式赛题分析基本思路数据集划分特征工程模型选取过程及代码导入python库导入与划分数据集特征工程模型训练与调参预测测试集总 ...
【机器学习】天池O2O优惠券使用预测_系统性总结与心得
Preface:上半年参加天池的O2O优惠券预测赛排名第二,同时参加了学校数据仓库老师的课程改革建设团队,于是把参赛经验总结成文,准备分享给该课程的学弟学妹.现在我把总结的参赛教程文章也发到CSDN上 ...

O2O优惠券核销-数据分析

一、项目背景

二、分析目的

三、数据集描述

四、分析思路

五、分析内容

5.1 优惠券维度

5.1.1 距离因素

5.1.2优惠券类型因素

5.1.3 时间因素

5.2 用户维度

5.2.1 不同领券次数、核销率的用户分布情况

5.3 商户维度

5.3.1 不同领券次数、核销率的商户分布情况

六、分析结论

（一）优惠券维度

（二）用户维度

（三）商户维度

七、仪表盘

八、个人感想

O2O优惠券核销-数据分析相关推荐

最新文章

热门文章