唯品会电商销售复盘分析
什么是特卖:
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
- 总体运营指标
- 在价格区间中找到表现不佳的商品,优化商品结构
- 在折扣区间中找到表现不佳的商品,优化商品结构
import pandas as pd
import numpy as np
import warnings
warnings.filterwarnings('ignore')
## 1.读取数据表
import sqlalchemy
# 变量
engine=sqlalchemy.create_engine('mysql+pymysql://xxx:xxx@localhost:3306/froghd')
sql_cmd = 'select * from sales_info1'
# 读取
dt1 = pd.read_sql(sql=sql_cmd,con=engine)
dt1.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 |
# 修改列名
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)
sql_cmd = 'select * from sales_info2'dt2 = pd.read_sql(sql=sql_cmd, con=engine)
dt2.head()
sale_name | uvs | collections | carts | |
---|---|---|---|---|
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 |
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 |
sql_cmd = 'select * from sales_info3'
dt3 = pd.read_sql(sql=sql_cmd, con=engine)dt3.head()
user_id | buy_date | sale_name | buy_cons | buy_price | cost_price | is_tui | tui_cons | tui_price | |
---|---|---|---|---|---|---|---|---|---|
0 | 1 | 20191111 | F001 | 1 | 920.0 | 920.0 | 是 | 1 | 920.0 |
1 | 2 | 20191111 | B007 | 2 | 548.0 | 1096.0 | 否 | 0 | 0.0 |
2 | 2 | 20191111 | E007 | 1 | 930.0 | 930.0 | 是 | 1 | 930.0 |
3 | 3 | 20191111 | A004 | 2 | 320.0 | 640.0 | 是 | 2 | 640.0 |
4 | 3 | 20191111 | H007 | 2 | 750.0 | 1500.0 | 否 | 0 | 0.0 |
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)
# 把是否用0,1代替dt3["是否退货"] = dt3["是否退货"].map({"是":1,"否":0})
dt3
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 |
... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
8031 | 2505 | 20191111 | E001 | 2 | 144.0 | 288.0 | 1 | 2 | 288.0 |
8032 | 2506 | 20191111 | B001 | 2 | 426.0 | 852.0 | 0 | 0 | 0.0 |
8033 | 2507 | 20191111 | B004 | 2 | 491.0 | 982.0 | 0 | 0 | 0.0 |
8034 | 2508 | 20191111 | H006 | 2 | 710.0 | 1420.0 | 1 | 2 | 1420.0 |
8035 | 2509 | 20191111 | A001 | 1 | 15.0 | 15.0 | 1 | 1 | 15.0 |
8036 rows × 9 columns
合并商品信息表和商品热度表数据
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","用户id":pd.Series.nunique}).reset_index() # 购买的统计用户数
product_sales.head()
商品名 | 购买数量 | 购买金额 | 退货件数 | 退货金额 | 用户id | |
---|---|---|---|---|---|---|
0 | A001 | 185 | 2775.0 | 59 | 885.0 | 116 |
1 | A002 | 146 | 34456.0 | 31 | 7316.0 | 87 |
2 | A003 | 144 | 68112.0 | 31 | 14663.0 | 94 |
3 | A004 | 172 | 55040.0 | 56 | 17920.0 | 111 |
4 | A005 | 122 | 1830.0 | 32 | 480.0 | 81 |
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 | 购买用户数量 | |
---|---|---|---|---|---|---|
0 | A001 | 185 | 2775.0 | 59 | 885.0 | 116 |
1 | A002 | 146 | 34456.0 | 31 | 7316.0 | 87 |
2 | A003 | 144 | 68112.0 | 31 | 14663.0 | 94 |
3 | A004 | 172 | 55040.0 | 56 | 17920.0 | 111 |
4 | A005 | 122 | 1830.0 | 32 | 480.0 | 81 |
合并商品信息
# 商品信息和销售热度合并
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 |
# 商品信息、销售热度以及用户销售明细
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 | 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 | 116 |
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | 45 | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 |
4 | A005 | 15 | 82 | 0.182927 | 179 | 14678 | 27 | -0.800000 | 1 | 19371 | 71 | 356 | 122 | 1830.0 | 32 | 480.0 | 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。
GMV
gmv = dt_product_sales["商品销售金额"].sum()
gmv
3747167.0
实际销售=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
销量(包括退货)
all_sales = dt_product_sales["商品销售数量"].sum()
all_sales
12017
客单价 = GMV / 客户数
custom_price = gmv/dt_product_sales["购买用户数量"].sum()
custom_price
493.56783456269756
UV 商品所在页面的独立访问数
uv_cons = dt_product_sales["UV数"].sum()
uv_cons
1176103
转化率:客户数 / UV
uv_rate = dt_product_sales["购买用户数量"].sum()/uv_cons
uv_rate
0.006455216932530569
折扣率:GMV / 吊牌总额(吊牌总额 = 吊牌价 * 销量)
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
备货值:吊牌价*库存数
goods_value = np.sum(dt_product_sales["吊牌价"]*dt_product_sales["库存量"])
goods_value
18916395
售卖比 = GMV/备货值
sales_rate = gmv/goods_value
sales_rate
0.19809096817866195
收藏数
coll_cons = sum(dt_product_sales["收藏数"])
coll_cons
6224
加购数
add_shop_cons = dt_product_sales["加购物车数"].sum()
add_shop_cons
18690
SKU数 商品的编码数,例如 同款衣服不同尺寸和配色对应不同sku码
sku_cons = dt_product_sales["SKU"].sum()
sku_cons
125
SPU数
spu_cons = len(dt_product_sales["商品名"].unique())
spu_cons
80
拒退量:拒收和退货的总数量。退货件数
reject_cons = dt_product_sales["退货件数"].sum()
reject_cons
3643
拒退额:拒收和退货的总金额。
reject_money = dt_product_sales["商品退货金额"].sum()
reject_money
1139580.0
汇总统计
今年双十一数据
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",]
sales_state_dangqi
GMV | 实际销售额 | 销量 | 客单价 | UV数 | UV转化率 | 折扣率 | 货值 | 售卖比 | 收藏数 | 加购数 | sku数 | spu数 | 拒退量 | 拒退额 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 3747167.0 | 2607587.0 | 12017 | 493.567835 | 1176103 | 0.006455 | 0.417923 | 18916395 | 0.198091 | 6224 | 18690 | 125 | 80 | 3643 | 1139580.0 |
去年双十一数据
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_state_tongqi
GMV | 实际销售额 | 销量 | 客单价 | UV数 | UV转化率 | 折扣率 | 货值 | 售卖比 | 收藏数 | 加购数 | sku数 | spu数 | 拒退量 | 拒退额 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 2261093 | 1464936.517 | 7654 | 609.34567 | 904694 | 0.005337 | 0.46 | 12610930 | 0.1161 | 4263 | 15838 | 82 | 67 | 2000 | 651188.57 |
sales_state = pd.concat([sales_state_dangqi, sales_state_tongqi]).Tsales_state.columns = ["今年双十一","去年双十一"]
sales_state = sales_state.reset_index().rename(columns ={'index':"指标"})
sales_state["同比"] = (sales_state["今年双十一"]-sales_state["去年双十一"])/sales_state["去年双十一"]
sales_state
指标 | 今年双十一 | 去年双十一 | 同比 | |
---|---|---|---|---|
0 | GMV | 3.747167e+06 | 2.261093e+06 | 0.657237 |
1 | 实际销售额 | 2.607587e+06 | 1.464937e+06 | 0.780000 |
2 | 销量 | 1.201700e+04 | 7.654000e+03 | 0.570029 |
3 | 客单价 | 4.935678e+02 | 6.093457e+02 | -0.190004 |
4 | UV数 | 1.176103e+06 | 9.046940e+05 | 0.300001 |
5 | UV转化率 | 6.455217e-03 | 5.336600e-03 | 0.209612 |
6 | 折扣率 | 4.179230e-01 | 4.600000e-01 | -0.091472 |
7 | 货值 | 1.891640e+07 | 1.261093e+07 | 0.500000 |
8 | 售卖比 | 1.980910e-01 | 1.161000e-01 | 0.706210 |
9 | 收藏数 | 6.224000e+03 | 4.263000e+03 | 0.460005 |
10 | 加购数 | 1.869000e+04 | 1.583800e+04 | 0.180073 |
11 | sku数 | 1.250000e+02 | 8.200000e+01 | 0.524390 |
12 | spu数 | 8.000000e+01 | 6.700000e+01 | 0.194030 |
13 | 拒退量 | 3.643000e+03 | 2.000000e+03 | 0.821500 |
14 | 拒退额 | 1.139580e+06 | 6.511886e+05 | 0.750000 |
二、从价格区间来优化商品结构
我们需要做的是,深入探究不同区间的数据,以此来优化后期的促销结构。
首先我们需要找到在本次促销中此区间的销售源数据,源数据要求显示具体的款号、销售额、销量等信息。第二步,计算出每个款的转化率、折扣率等数据。
查看指标:
- 销售额
- 销量
- 件单价
- 客户数
- UV
- 转换率
- 库存
- 货值
- 售卖比
划分价格区间
# 设置价格区域
#利用pd.cut进行数据离散化切分,注意分组标签和分组数要一致listBins = [0,200,400,1000000]
listLabels = ["1-200","200-400","400及以上"]
"""
pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)
x:需要切分的数据
bins:切分区域
right : 是否包含右端点默认True,包含
labels:对应标签,用标记来代替返回的bins,若不在该序列中,则返回NaN
retbins:是否返回间距bins
precision:精度
include_lowest:是否包含左端点,默认False,不包含
"""
dt_product_sales["价格分组"] = pd.cut(dt_product_sales["售卖价"], bins=listBins, right=True, labels=listLabels,include_lowest=True)
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 | 购买用户数量 | 价格分组 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | A001 | 15 | 70 | 0.214286 | 501 | 35070 | 14 | 0.066667 | 2 | 10926 | 48 | 372 | 185 | 2775.0 | 59 | 885.0 | 116 | 1-200 |
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | 45 | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 |
4 | A005 | 15 | 82 | 0.182927 | 179 | 14678 | 27 | -0.800000 | 1 | 19371 | 71 | 356 | 122 | 1830.0 | 32 | 480.0 | 81 | 1-200 |
价格区间销售情况统计
- 价格区间
- 货值
- 货值占比
- 销售额
- 售卖比
- 销售占比
- 销量
- 客单价
- UV
- 收藏数
- 加购数
- 转化率
价格分组
货值 商品销售数量 UV数 购买用户数量 收藏数 加购物车数
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
价格分组 | 货值 | 商品销售金额 | 商品销售数量 | UV数 | 购买用户数量 | 收藏数 | 加购物车数 | |
---|---|---|---|---|---|---|---|---|
0 | 1-200 | 1573146 | 339896.0 | 3615 | 369561 | 2280 | 1733 | 5324 |
1 | 200-400 | 8585973 | 1417702.0 | 4978 | 465547 | 3151 | 2608 | 8302 |
2 | 400及以上 | 8757276 | 1989569.0 | 3424 | 340995 | 2161 | 1883 | 5064 |
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["购买用户数量"]/dt_product_sales_info["UV数"]dt_product_sales_info.head()
价格分组 | 货值 | 商品销售金额 | 商品销售数量 | UV数 | 购买用户数量 | 收藏数 | 加购物车数 | 货值占比 | 销售占比 | 客单价 | 转化率 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 1-200 | 1573146 | 339896.0 | 3615 | 369561 | 2280 | 1733 | 5324 | 0.083163 | 0.090707 | 149.077193 | 0.006169 |
1 | 200-400 | 8585973 | 1417702.0 | 4978 | 465547 | 3151 | 2608 | 8302 | 0.453891 | 0.378340 | 449.921295 | 0.006768 |
2 | 400及以上 | 8757276 | 1989569.0 | 3424 | 340995 | 2161 | 1883 | 5064 | 0.462946 | 0.530953 | 920.670523 | 0.006337 |
对400及以上价格区间的商品进行优化
product_400 = dt_product_sales[dt_product_sales["价格分组"]=="400及以上"]
product_400.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 | 购买用户数量 | 价格分组 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | 45 | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 |
5 | A006 | 428 | 1493 | 0.286674 | 264 | 394152 | 233 | 0.455607 | 1 | 5805 | 134 | 161 | 143 | 61204.0 | 46 | 19688.0 | 90 | 400及以上 |
10 | B001 | 426 | 1121 | 0.380018 | 479 | 536959 | 311 | 0.269953 | 1 | 20448 | 6 | 242 | 158 | 67308.0 | 43 | 18318.0 | 101 | 400及以上 |
13 | B004 | 491 | 1394 | 0.352224 | 396 | 552024 | 353 | 0.281059 | 2 | 14535 | 120 | 211 | 160 | 78560.0 | 47 | 23077.0 | 102 | 400及以上 |
15 | B006 | 484 | 1467 | 0.329925 | 296 | 434232 | 398 | 0.177686 | 2 | 3733 | 115 | 285 | 141 | 68244.0 | 48 | 23232.0 | 91 | 400及以上 |
ABC分析方法
计算商品指标
- 销售额
- 销量
- 件单价
- 客户数
- UV
- 转换率=客户数 / UV
- 库存
- 备货值=吊牌价 * 库存数
- 售卖比=又称售罄率,GMV / 备货值
转化率
product_400["转化率"] = product_400["购买用户数量"]/product_400["UV数"]
备货值
product_400["备货值"] = product_400["吊牌价"]*product_400["库存量"]
售卖比=又称售罄率,GMV / 备货值
product_400["售卖比"] = product_400["商品销售金额"]/product_400["备货值"]
product_400.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 | ... | 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 | 购买用户数量 | 价格分组 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | ... | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 | 0.003664 | 519995 | 0.130986 |
5 | A006 | 428 | 1493 | 0.286674 | 264 | 394152 | 233 | 0.455607 | 1 | 5805 | ... | 161 | 143 | 61204.0 | 46 | 19688.0 | 90 | 400及以上 | 0.015504 | 394152 | 0.155280 |
10 | B001 | 426 | 1121 | 0.380018 | 479 | 536959 | 311 | 0.269953 | 1 | 20448 | ... | 242 | 158 | 67308.0 | 43 | 18318.0 | 101 | 400及以上 | 0.004939 | 536959 | 0.125350 |
13 | B004 | 491 | 1394 | 0.352224 | 396 | 552024 | 353 | 0.281059 | 2 | 14535 | ... | 211 | 160 | 78560.0 | 47 | 23077.0 | 102 | 400及以上 | 0.007018 | 552024 | 0.142313 |
15 | B006 | 484 | 1467 | 0.329925 | 296 | 434232 | 398 | 0.177686 | 2 | 3733 | ... | 285 | 141 | 68244.0 | 48 | 23232.0 | 91 | 400及以上 | 0.024377 | 434232 | 0.157160 |
5 rows × 21 columns
product_400[["商品名","商品销售金额","商品销售数量","售卖价","购买用户数量","UV数",'转化率',"库存量","备货值","售卖比"]]
商品名 | 商品销售金额 | 商品销售数量 | 售卖价 | 购买用户数量 | UV数 | 转化率 | 库存量 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|
2 | A003 | 68112.0 | 144 | 473 | 94 | 25657 | 0.003664 | 415 | 519995 | 0.130986 |
5 | A006 | 61204.0 | 143 | 428 | 90 | 5805 | 0.015504 | 264 | 394152 | 0.155280 |
10 | B001 | 67308.0 | 158 | 426 | 101 | 20448 | 0.004939 | 479 | 536959 | 0.125350 |
13 | B004 | 78560.0 | 160 | 491 | 102 | 14535 | 0.007018 | 396 | 552024 | 0.142313 |
15 | B006 | 68244.0 | 141 | 484 | 91 | 3733 | 0.024377 | 296 | 434232 | 0.157160 |
16 | B007 | 110148.0 | 201 | 548 | 122 | 29492 | 0.004137 | 325 | 487175 | 0.226095 |
17 | B008 | 65280.0 | 136 | 480 | 82 | 18574 | 0.004415 | 339 | 482058 | 0.135419 |
22 | C003 | 70950.0 | 150 | 473 | 92 | 17244 | 0.005335 | 242 | 319682 | 0.221939 |
26 | C007 | 70122.0 | 174 | 403 | 104 | 20754 | 0.005011 | 258 | 289476 | 0.242238 |
29 | C010 | 87750.0 | 117 | 750 | 75 | 5044 | 0.014869 | 229 | 280754 | 0.312551 |
36 | D007 | 76718.0 | 178 | 431 | 106 | 20943 | 0.005061 | 387 | 494973 | 0.154994 |
42 | E003 | 59292.0 | 122 | 486 | 77 | 19094 | 0.004033 | 354 | 477546 | 0.124160 |
46 | E007 | 143220.0 | 154 | 930 | 96 | 7264 | 0.013216 | 409 | 645402 | 0.221908 |
48 | E009 | 62155.0 | 155 | 401 | 99 | 25477 | 0.003886 | 224 | 224896 | 0.276372 |
50 | F001 | 106720.0 | 116 | 920 | 80 | 4630 | 0.017279 | 217 | 312046 | 0.342001 |
51 | F002 | 70370.0 | 155 | 454 | 94 | 7366 | 0.012761 | 211 | 291813 | 0.241148 |
56 | F007 | 73200.0 | 150 | 488 | 95 | 25320 | 0.003752 | 235 | 317485 | 0.230562 |
60 | G001 | 65746.0 | 142 | 463 | 95 | 13011 | 0.007302 | 142 | 179772 | 0.365719 |
62 | G003 | 111200.0 | 139 | 800 | 92 | 11500 | 0.008000 | 328 | 418200 | 0.265901 |
69 | G010 | 104400.0 | 145 | 720 | 91 | 19119 | 0.004760 | 267 | 308652 | 0.338245 |
73 | H004 | 163000.0 | 163 | 1000 | 98 | 10986 | 0.008920 | 174 | 255084 | 0.639005 |
75 | H006 | 86620.0 | 122 | 710 | 82 | 10479 | 0.007825 | 324 | 267300 | 0.324055 |
76 | H007 | 119250.0 | 159 | 750 | 103 | 4520 | 0.022788 | 223 | 267600 | 0.445628 |
优化方案:
- A 转化率大于0.7%的商品,暂时保留,用于下次促销活动;
- B 转化率小于0.7%的商品,但是售卖比大于36%的商品予以保留参加下次促销活动,
- C 转化率小于0.7%的商品,并且售卖比小于36%的商品进行清仓处理。
1、保留商品:转化率大于0.7%的商品予以保留
stay_stocks1 = product_400[product_400["转化率"]>0.007]
stay_stocks1
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 | ... | 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 | 购买用户数量 | 价格分组 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
5 | A006 | 428 | 1493 | 0.286674 | 264 | 394152 | 233 | 0.455607 | 1 | 5805 | ... | 161 | 143 | 61204.0 | 46 | 19688.0 | 90 | 400及以上 | 0.015504 | 394152 | 0.155280 |
13 | B004 | 491 | 1394 | 0.352224 | 396 | 552024 | 353 | 0.281059 | 2 | 14535 | ... | 211 | 160 | 78560.0 | 47 | 23077.0 | 102 | 400及以上 | 0.007018 | 552024 | 0.142313 |
15 | B006 | 484 | 1467 | 0.329925 | 296 | 434232 | 398 | 0.177686 | 2 | 3733 | ... | 285 | 141 | 68244.0 | 48 | 23232.0 | 91 | 400及以上 | 0.024377 | 434232 | 0.157160 |
29 | C010 | 750 | 1226 | 0.611746 | 229 | 280754 | 128 | 0.829333 | 1 | 5044 | ... | 51 | 117 | 87750.0 | 43 | 32250.0 | 75 | 400及以上 | 0.014869 | 280754 | 0.312551 |
46 | E007 | 930 | 1578 | 0.589354 | 409 | 645402 | 356 | 0.617204 | 1 | 7264 | ... | 388 | 154 | 143220.0 | 47 | 43710.0 | 96 | 400及以上 | 0.013216 | 645402 | 0.221908 |
50 | F001 | 920 | 1438 | 0.639777 | 217 | 312046 | 237 | 0.742391 | 1 | 4630 | ... | 64 | 116 | 106720.0 | 40 | 36800.0 | 80 | 400及以上 | 0.017279 | 312046 | 0.342001 |
51 | F002 | 454 | 1383 | 0.328272 | 211 | 291813 | 326 | 0.281938 | 2 | 7366 | ... | 133 | 155 | 70370.0 | 57 | 25878.0 | 94 | 400及以上 | 0.012761 | 291813 | 0.241148 |
60 | G001 | 463 | 1266 | 0.365719 | 142 | 179772 | 268 | 0.421166 | 2 | 13011 | ... | 143 | 142 | 65746.0 | 46 | 21298.0 | 95 | 400及以上 | 0.007302 | 179772 | 0.365719 |
62 | G003 | 800 | 1275 | 0.627451 | 328 | 418200 | 264 | 0.670000 | 2 | 11500 | ... | 373 | 139 | 111200.0 | 46 | 36800.0 | 92 | 400及以上 | 0.008000 | 418200 | 0.265901 |
73 | H004 | 1000 | 1466 | 0.682128 | 174 | 255084 | 347 | 0.653000 | 1 | 10986 | ... | 360 | 163 | 163000.0 | 56 | 56000.0 | 98 | 400及以上 | 0.008920 | 255084 | 0.639005 |
75 | H006 | 710 | 825 | 0.860606 | 324 | 267300 | 203 | 0.714085 | 2 | 10479 | ... | 63 | 122 | 86620.0 | 43 | 30530.0 | 82 | 400及以上 | 0.007825 | 267300 | 0.324055 |
76 | H007 | 750 | 1200 | 0.625000 | 223 | 267600 | 267 | 0.644000 | 1 | 4520 | ... | 356 | 159 | 119250.0 | 29 | 21750.0 | 103 | 400及以上 | 0.022788 | 267600 | 0.445628 |
12 rows × 21 columns
2、保留商品:找出转化率小于0.7% 但是 售卖比大于36%的部分予以保留
stay_stocks2 = product_400[(product_400["售卖比"]>=0.36)&(product_400["转化率"]<0.007)]
stay_stocks2
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 | ... | 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 | 购买用户数量 | 价格分组 | 转化率 | 备货值 | 售卖比 |
---|
0 rows × 21 columns
3、清仓处理商品,找出转化率小于0.7%并且售卖比小于36%的部分
stay_stocks3 = product_400[(product_400["售卖比"]<0.36)&(product_400["转化率"]<0.007)]
stay_stocks3
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 | ... | 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 | 购买用户数量 | 价格分组 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | ... | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 | 0.003664 | 519995 | 0.130986 |
10 | B001 | 426 | 1121 | 0.380018 | 479 | 536959 | 311 | 0.269953 | 1 | 20448 | ... | 242 | 158 | 67308.0 | 43 | 18318.0 | 101 | 400及以上 | 0.004939 | 536959 | 0.125350 |
16 | B007 | 548 | 1499 | 0.365577 | 325 | 487175 | 420 | 0.233577 | 2 | 29492 | ... | 384 | 201 | 110148.0 | 66 | 36168.0 | 122 | 400及以上 | 0.004137 | 487175 | 0.226095 |
17 | B008 | 480 | 1422 | 0.337553 | 339 | 482058 | 302 | 0.370833 | 2 | 18574 | ... | 318 | 136 | 65280.0 | 39 | 18720.0 | 82 | 400及以上 | 0.004415 | 482058 | 0.135419 |
22 | C003 | 473 | 1321 | 0.358062 | 242 | 319682 | 254 | 0.463002 | 2 | 17244 | ... | 328 | 150 | 70950.0 | 44 | 20812.0 | 92 | 400及以上 | 0.005335 | 319682 | 0.221939 |
26 | C007 | 403 | 1122 | 0.359180 | 258 | 289476 | 167 | 0.585608 | 2 | 20754 | ... | 236 | 174 | 70122.0 | 47 | 18941.0 | 104 | 400及以上 | 0.005011 | 289476 | 0.242238 |
36 | D007 | 431 | 1279 | 0.336982 | 387 | 494973 | 356 | 0.174014 | 1 | 20943 | ... | 289 | 178 | 76718.0 | 60 | 25860.0 | 106 | 400及以上 | 0.005061 | 494973 | 0.154994 |
42 | E003 | 486 | 1349 | 0.360267 | 354 | 477546 | 220 | 0.547325 | 2 | 19094 | ... | 188 | 122 | 59292.0 | 43 | 20898.0 | 77 | 400及以上 | 0.004033 | 477546 | 0.124160 |
48 | E009 | 401 | 1004 | 0.399402 | 224 | 224896 | 268 | 0.331671 | 2 | 25477 | ... | 149 | 155 | 62155.0 | 50 | 20050.0 | 99 | 400及以上 | 0.003886 | 224896 | 0.276372 |
56 | F007 | 488 | 1351 | 0.361214 | 235 | 317485 | 402 | 0.176230 | 2 | 25320 | ... | 103 | 150 | 73200.0 | 34 | 16592.0 | 95 | 400及以上 | 0.003752 | 317485 | 0.230562 |
69 | G010 | 720 | 1156 | 0.622837 | 267 | 308652 | 152 | 0.788889 | 1 | 19119 | ... | 66 | 145 | 104400.0 | 42 | 30240.0 | 91 | 400及以上 | 0.004760 | 308652 | 0.338245 |
11 rows × 21 columns
### 对200-400价格区间的商品进行优化
product_200_400 = dt_product_sales[dt_product_sales["价格分组"]=="200-400"]
product_200_400.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 | 购买用户数量 | 价格分组 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 |
6 | A007 | 214 | 523 | 0.409178 | 371 | 194033 | 169 | 0.210280 | 2 | 16071 | 132 | 280 | 176 | 37664.0 | 51 | 10914.0 | 110 | 200-400 |
7 | A008 | 238 | 1039 | 0.229066 | 254 | 263906 | 268 | -0.126050 | 2 | 8936 | 105 | 213 | 159 | 37842.0 | 40 | 9520.0 | 98 | 200-400 |
9 | A010 | 217 | 504 | 0.430556 | 373 | 187992 | 123 | 0.433180 | 1 | 13323 | 52 | 361 | 156 | 33852.0 | 50 | 10850.0 | 97 | 200-400 |
# 转化率
product_200_400["转化率"] = product_200_400["购买用户数量"]/product_200_400["UV数"]
con_rate = product_200_400["转化率"].median()
# 库存量
stock = product_200_400["库存量"].mean()
# A类
A = product_200_400[(product_200_400["转化率"] > con_rate) & (product_200_400["库存量"] > stock)]
A
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 | 购买用户数量 | 价格分组 | 转化率 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
9 | A010 | 217 | 504 | 0.430556 | 373 | 187992 | 123 | 0.433180 | 1 | 13323 | 52 | 361 | 156 | 33852.0 | 50 | 10850.0 | 97 | 200-400 | 0.007281 |
34 | D005 | 260 | 613 | 0.424144 | 376 | 230488 | 130 | 0.500000 | 1 | 5222 | 93 | 319 | 153 | 39780.0 | 46 | 11960.0 | 95 | 200-400 | 0.018192 |
61 | G002 | 232 | 513 | 0.452242 | 460 | 235980 | 109 | 0.530172 | 2 | 4356 | 1 | 67 | 145 | 33640.0 | 43 | 9976.0 | 94 | 200-400 | 0.021579 |
# B类
B = product_200_400[(product_200_400["转化率"] <= con_rate) & (product_200_400["库存量"] <= stock)]
B
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 | 购买用户数量 | 价格分组 | 转化率 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
27 | C008 | 339 | 820 | 0.413415 | 221 | 181220 | 249 | 0.265487 | 1 | 14155 | 93 | 286 | 136 | 46104.0 | 38 | 12882.0 | 90 | 200-400 | 0.006358 |
30 | D001 | 346 | 951 | 0.363828 | 239 | 227289 | 269 | 0.222543 | 1 | 24418 | 145 | 87 | 132 | 45672.0 | 37 | 12802.0 | 90 | 200-400 | 0.003686 |
54 | F005 | 338 | 957 | 0.353187 | 179 | 171303 | 206 | 0.390533 | 1 | 18817 | 27 | 365 | 117 | 39546.0 | 32 | 10816.0 | 77 | 200-400 | 0.004092 |
59 | F010 | 346 | 1041 | 0.332373 | 252 | 262332 | 241 | 0.303468 | 1 | 18743 | 99 | 138 | 150 | 51900.0 | 44 | 15224.0 | 96 | 200-400 | 0.005122 |
77 | H008 | 324 | 886 | 0.365688 | 237 | 209982 | 157 | 0.515432 | 1 | 19245 | 35 | 372 | 139 | 45036.0 | 40 | 12960.0 | 92 | 200-400 | 0.004780 |
# C类
C = product_200_400[(product_200_400["转化率"] <= con_rate) & (product_200_400["库存量"] > stock)]
C
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 | 购买用户数量 | 价格分组 | 转化率 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 | 0.006629 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 | 0.005328 |
6 | A007 | 214 | 523 | 0.409178 | 371 | 194033 | 169 | 0.210280 | 2 | 16071 | 132 | 280 | 176 | 37664.0 | 51 | 10914.0 | 110 | 200-400 | 0.006845 |
12 | B003 | 288 | 746 | 0.386059 | 439 | 327494 | 109 | 0.621528 | 1 | 23170 | 111 | 299 | 151 | 43488.0 | 44 | 12672.0 | 89 | 200-400 | 0.003841 |
41 | E002 | 389 | 1080 | 0.360185 | 629 | 679320 | 244 | 0.372751 | 2 | 24150 | 77 | 163 | 154 | 59906.0 | 36 | 14004.0 | 94 | 200-400 | 0.003892 |
49 | E010 | 345 | 1045 | 0.330144 | 550 | 574750 | 234 | 0.321739 | 2 | 12760 | 35 | 161 | 138 | 47610.0 | 45 | 15525.0 | 85 | 200-400 | 0.006661 |
53 | F004 | 258 | 560 | 0.460714 | 563 | 315280 | 198 | 0.232558 | 2 | 22788 | 20 | 189 | 176 | 45408.0 | 69 | 17802.0 | 105 | 200-400 | 0.004608 |
58 | F009 | 246 | 552 | 0.445652 | 515 | 284280 | 117 | 0.524390 | 2 | 24053 | 109 | 244 | 115 | 28290.0 | 38 | 9348.0 | 76 | 200-400 | 0.003160 |
63 | G004 | 392 | 1040 | 0.376923 | 479 | 498160 | 234 | 0.403061 | 2 | 15356 | 128 | 308 | 147 | 57624.0 | 50 | 19600.0 | 90 | 200-400 | 0.005861 |
71 | H002 | 246 | 517 | 0.475822 | 491 | 253847 | 75 | 0.695122 | 1 | 13087 | 26 | 251 | 148 | 36408.0 | 30 | 7380.0 | 92 | 200-400 | 0.007030 |
74 | H005 | 243 | 536 | 0.453358 | 343 | 183848 | 147 | 0.395062 | 2 | 16453 | 93 | 88 | 131 | 31833.0 | 27 | 6561.0 | 83 | 200-400 | 0.005045 |
78 | H009 | 239 | 518 | 0.461390 | 462 | 239316 | 168 | 0.297071 | 1 | 25707 | 131 | 56 | 173 | 41347.0 | 52 | 12428.0 | 113 | 200-400 | 0.004396 |
三、从折扣区间来优化商品结构
同样地,我们选择0.35-0.4折扣区间进行深入探究。dt_product_sales表中,
我们可以得到0.35-0.4折扣区间的售卖比为16.90%,转化率为0.53%,折扣率为37%,在进行商品结构优化的时候要着重对比这几个指标。
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 | 购买用户数量 | 价格分组 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | A001 | 15 | 70 | 0.214286 | 501 | 35070 | 14 | 0.066667 | 2 | 10926 | 48 | 372 | 185 | 2775.0 | 59 | 885.0 | 116 | 1-200 |
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | 45 | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 |
4 | A005 | 15 | 82 | 0.182927 | 179 | 14678 | 27 | -0.800000 | 1 | 19371 | 71 | 356 | 122 | 1830.0 | 32 | 480.0 | 81 | 1-200 |
设置折扣区间
listBins = np.arange(0.15, 1.01, 0.05)
listLabel = ['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_0.75','0.75_0.8','0.8_0.85','0.85_0.90','0.90_0.95','0.95_1']
dt_product_sales["折扣区间"] = pd.cut(dt_product_sales["折扣率"], bins=listBins, labels=listLabel, include_lowest=True)
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 | 购买用户数量 | 价格分组 | 折扣区间 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | A001 | 15 | 70 | 0.214286 | 501 | 35070 | 14 | 0.066667 | 2 | 10926 | 48 | 372 | 185 | 2775.0 | 59 | 885.0 | 116 | 1-200 | 0.2_0.25 |
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 | 0.35_0.4 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | 45 | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 | 0.35_0.4 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 | 0.35_0.4 |
4 | A005 | 15 | 82 | 0.182927 | 179 | 14678 | 27 | -0.800000 | 1 | 19371 | 71 | 356 | 122 | 1830.0 | 32 | 480.0 | 81 | 1-200 | 0.15_0.2 |
折扣区间销售情况统计
- 价格区间
- 货值
- 货值占比
- 销售额
- 售卖比
- 销售占比
- 销量
- 客单价
- UV
- 收藏数
- 加购数
- 转化率
货值、商品销售金额、商品销售数量、UV数、购买用户数、收藏数、加购物车数
dt_product_sales_discount_info = dt_product_sales.groupby("折扣区间").agg({"货值":"sum","商品销售数量":"sum","商品销售金额":"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_discount_info
折扣区间 | 货值 | 商品销售数量 | 商品销售金额 | UV数 | 购买用户数量 | 收藏数 | 加购物车数 | |
---|---|---|---|---|---|---|---|---|
0 | 0.15_0.2 | 14678 | 122 | 1830.0 | 19371 | 81 | 71 | 356 |
1 | 0.2_0.25 | 597376 | 1052 | 106944.0 | 67808 | 634 | 520 | 1505 |
2 | 0.25_0.3 | 546516 | 725 | 79924.0 | 66471 | 462 | 538 | 971 |
3 | 0.3_0.35 | 2553886 | 1065 | 382794.0 | 87609 | 660 | 536 | 1530 |
4 | 0.35_0.4 | 8105784 | 3696 | 1369758.0 | 443317 | 2341 | 2046 | 5884 |
5 | 0.4_0.45 | 2098352 | 1988 | 453179.0 | 184205 | 1258 | 845 | 3428 |
6 | 0.45_0.5 | 1869262 | 1452 | 311158.0 | 138194 | 934 | 683 | 1996 |
7 | 0.5_0.55 | 112395 | 196 | 38024.0 | 26088 | 124 | 25 | 84 |
8 | 0.55_0.6 | 645402 | 154 | 143220.0 | 7264 | 96 | 78 | 388 |
9 | 0.6_0.65 | 1785946 | 1144 | 590706.0 | 98210 | 735 | 630 | 1795 |
10 | 0.65_0.7 | 319498 | 301 | 183010.0 | 27087 | 185 | 169 | 690 |
11 | 0.7_0.75 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 |
12 | 0.75_0.8 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 |
13 | 0.8_0.85 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 |
14 | 0.85_0.90 | 267300 | 122 | 86620.0 | 10479 | 82 | 83 | 63 |
15 | 0.90_0.95 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 |
16 | 0.95_1 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 |
货值占比、销售占比、客单价、转化率
dt_product_sales_discount_info["货值占比"]=dt_product_sales_discount_info["货值"]/dt_product_sales_discount_info["货值"].sum()
dt_product_sales_discount_info["销售占比"]=dt_product_sales_discount_info["商品销售金额"]/dt_product_sales_discount_info["商品销售金额"].sum()
dt_product_sales_discount_info["客单价"]=dt_product_sales_discount_info["商品销售金额"]/dt_product_sales_discount_info["购买用户数量"]
dt_product_sales_discount_info["转化率"]=dt_product_sales_discount_info["购买用户数量"]/dt_product_sales_discount_info["UV数"]
dt_product_sales_discount_info
折扣区间 | 货值 | 商品销售数量 | 商品销售金额 | UV数 | 购买用户数量 | 收藏数 | 加购物车数 | 货值占比 | 销售占比 | 客单价 | 转化率 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|
0 | 0.15_0.2 | 14678 | 122 | 1830.0 | 19371 | 81 | 71 | 356 | 0.000776 | 0.000488 | 22.592593 | 0.004182 |
1 | 0.2_0.25 | 597376 | 1052 | 106944.0 | 67808 | 634 | 520 | 1505 | 0.031580 | 0.028540 | 168.681388 | 0.009350 |
2 | 0.25_0.3 | 546516 | 725 | 79924.0 | 66471 | 462 | 538 | 971 | 0.028891 | 0.021329 | 172.995671 | 0.006950 |
3 | 0.3_0.35 | 2553886 | 1065 | 382794.0 | 87609 | 660 | 536 | 1530 | 0.135009 | 0.102156 | 579.990909 | 0.007533 |
4 | 0.35_0.4 | 8105784 | 3696 | 1369758.0 | 443317 | 2341 | 2046 | 5884 | 0.428506 | 0.365545 | 585.116617 | 0.005281 |
5 | 0.4_0.45 | 2098352 | 1988 | 453179.0 | 184205 | 1258 | 845 | 3428 | 0.110928 | 0.120939 | 360.237679 | 0.006829 |
6 | 0.45_0.5 | 1869262 | 1452 | 311158.0 | 138194 | 934 | 683 | 1996 | 0.098817 | 0.083038 | 333.145610 | 0.006759 |
7 | 0.5_0.55 | 112395 | 196 | 38024.0 | 26088 | 124 | 25 | 84 | 0.005942 | 0.010147 | 306.645161 | 0.004753 |
8 | 0.55_0.6 | 645402 | 154 | 143220.0 | 7264 | 96 | 78 | 388 | 0.034119 | 0.038221 | 1491.875000 | 0.013216 |
9 | 0.6_0.65 | 1785946 | 1144 | 590706.0 | 98210 | 735 | 630 | 1795 | 0.094413 | 0.157641 | 803.681633 | 0.007484 |
10 | 0.65_0.7 | 319498 | 301 | 183010.0 | 27087 | 185 | 169 | 690 | 0.016890 | 0.048840 | 989.243243 | 0.006830 |
11 | 0.7_0.75 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 | 0.000000 | 0.000000 | NaN | NaN |
12 | 0.75_0.8 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 | 0.000000 | 0.000000 | NaN | NaN |
13 | 0.8_0.85 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 | 0.000000 | 0.000000 | NaN | NaN |
14 | 0.85_0.90 | 267300 | 122 | 86620.0 | 10479 | 82 | 83 | 63 | 0.014131 | 0.023116 | 1056.341463 | 0.007825 |
15 | 0.90_0.95 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 | 0.000000 | 0.000000 | NaN | NaN |
16 | 0.95_1 | 0 | 0 | 0.0 | 0 | 0 | 0 | 0 | 0.000000 | 0.000000 | NaN | NaN |
分析0.35-0.4折扣区间的数据内容
dt_product_discount_354 = dt_product_sales[dt_product_sales["折扣区间"] == "0.35_0.4"]
dt_product_discount_354.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 | 购买用户数量 | 价格分组 | 折扣区间 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | 84 | 193 | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 | 0.35_0.4 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | 45 | 173 | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 | 0.35_0.4 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | 5 | 273 | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 | 0.35_0.4 |
10 | B001 | 426 | 1121 | 0.380018 | 479 | 536959 | 311 | 0.269953 | 1 | 20448 | 6 | 242 | 158 | 67308.0 | 43 | 18318.0 | 101 | 400及以上 | 0.35_0.4 |
12 | B003 | 288 | 746 | 0.386059 | 439 | 327494 | 109 | 0.621528 | 1 | 23170 | 111 | 299 | 151 | 43488.0 | 44 | 12672.0 | 89 | 200-400 | 0.35_0.4 |
计算商品指标
- 销售额
- 销量
- 件单价
- 客户数
- UV
- 转换率=客户数 / UV
- 库存
- 货值=吊牌价 * 库存数
- 售卖比=又称售罄率,GMV / 备货值
转化率
dt_product_discount_354["转化率"] = dt_product_discount_354["购买用户数量"]/dt_product_discount_354["UV数"]
备货值
dt_product_discount_354["备货值"] = dt_product_discount_354["库存量"]*dt_product_discount_354["吊牌价"]
售卖比
dt_product_discount_354["售卖比"] = dt_product_discount_354["商品销售金额"]/dt_product_discount_354["备货值"]
dt_product_discount_354.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 | ... | 商品销售数量 | 商品销售金额 | 退货件数 | 商品退货金额 | 购买用户数量 | 价格分组 | 折扣区间 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | ... | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 | 0.35_0.4 | 0.006629 | 258030 | 0.133535 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | ... | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 | 0.35_0.4 | 0.003664 | 519995 | 0.130986 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | ... | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 | 0.35_0.4 | 0.005328 | 521040 | 0.105635 |
10 | B001 | 426 | 1121 | 0.380018 | 479 | 536959 | 311 | 0.269953 | 1 | 20448 | ... | 158 | 67308.0 | 43 | 18318.0 | 101 | 400及以上 | 0.35_0.4 | 0.004939 | 536959 | 0.125350 |
12 | B003 | 288 | 746 | 0.386059 | 439 | 327494 | 109 | 0.621528 | 1 | 23170 | ... | 151 | 43488.0 | 44 | 12672.0 | 89 | 200-400 | 0.35_0.4 | 0.003841 | 327494 | 0.132790 |
5 rows × 22 columns
ABC分析方法
dt_product_discount_354[["商品名","库存量","备货值","折扣率","售卖比","转化率"]].describe()
库存量 | 备货值 | 折扣率 | 售卖比 | 转化率 | |
---|---|---|---|---|---|
count | 25.000000 | 25.000000 | 25.000000 | 25.000000 | 25.000000 |
mean | 326.440000 | 324231.360000 | 0.370688 | 0.194728 | 0.006746 |
std | 136.776302 | 160733.327436 | 0.013708 | 0.076399 | 0.004307 |
min | 142.000000 | 86436.000000 | 0.352224 | 0.088185 | 0.003325 |
25% | 235.000000 | 209982.000000 | 0.360267 | 0.131121 | 0.003892 |
50% | 287.000000 | 262892.000000 | 0.365688 | 0.187435 | 0.005011 |
75% | 417.000000 | 487175.000000 | 0.380018 | 0.230854 | 0.007296 |
max | 629.000000 | 679320.000000 | 0.399402 | 0.365719 | 0.021228 |
转化率低于50%,且库存量高于75% ,清仓处理
clear_sale = dt_product_discount_354[(dt_product_discount_354["转化率"] <= 0.005011) & (dt_product_discount_354["库存量"] >= 417)]
clear_sale
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 | ... | 商品销售数量 | 商品销售金额 | 退货件数 | 商品退货金额 | 购买用户数量 | 价格分组 | 折扣区间 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
10 | B001 | 426 | 1121 | 0.380018 | 479 | 536959 | 311 | 0.269953 | 1 | 20448 | ... | 158 | 67308.0 | 43 | 18318.0 | 101 | 400及以上 | 0.35_0.4 | 0.004939 | 536959 | 0.125350 |
12 | B003 | 288 | 746 | 0.386059 | 439 | 327494 | 109 | 0.621528 | 1 | 23170 | ... | 151 | 43488.0 | 44 | 12672.0 | 89 | 200-400 | 0.35_0.4 | 0.003841 | 327494 | 0.132790 |
32 | D003 | 193 | 533 | 0.362101 | 417 | 222261 | 165 | 0.145078 | 1 | 27367 | ... | 151 | 29143.0 | 49 | 9457.0 | 91 | 1-200 | 0.35_0.4 | 0.003325 | 222261 | 0.131121 |
41 | E002 | 389 | 1080 | 0.360185 | 629 | 679320 | 244 | 0.372751 | 2 | 24150 | ... | 154 | 59906.0 | 36 | 14004.0 | 94 | 200-400 | 0.35_0.4 | 0.003892 | 679320 | 0.088185 |
4 rows × 22 columns
热销商品 转化率大于75% ,库存量高于50%
hot_sale = dt_product_discount_354[(dt_product_discount_354["转化率"] > 0.007296) & (dt_product_discount_354["库存量"] > 287)]
hot_sale
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 | ... | 商品销售数量 | 商品销售金额 | 退货件数 | 商品退货金额 | 购买用户数量 | 价格分组 | 折扣区间 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
70 | H001 | 297 | 755 | 0.393377 | 338 | 255190 | 166 | 0.441077 | 1 | 6856 | ... | 149 | 44253.0 | 42 | 12474.0 | 92 | 200-400 | 0.35_0.4 | 0.013419 | 255190 | 0.173412 |
1 rows × 22 columns
保留商品
clear_sale["商品名"].tolist()+hot_sale["商品名"].tolist()
['B001', 'B003', 'D003', 'E002', 'H001']
dt_product_discount_354=dt_product_discount_354[~dt_product_discount_354['商品名'].isin(clear_sale['商品名'].tolist()+hot_sale["商品名"].tolist())]
dt_product_discount_354
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 | ... | 商品销售数量 | 商品销售金额 | 退货件数 | 商品退货金额 | 购买用户数量 | 价格分组 | 折扣区间 | 转化率 | 备货值 | 售卖比 | |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
1 | A002 | 236 | 610 | 0.386885 | 423 | 258030 | 75 | 0.682203 | 1 | 13124 | ... | 146 | 34456.0 | 31 | 7316.0 | 87 | 200-400 | 0.35_0.4 | 0.006629 | 258030 | 0.133535 |
2 | A003 | 473 | 1253 | 0.377494 | 415 | 519995 | 394 | 0.167019 | 1 | 25657 | ... | 144 | 68112.0 | 31 | 14663.0 | 94 | 400及以上 | 0.35_0.4 | 0.003664 | 519995 | 0.130986 |
3 | A004 | 320 | 835 | 0.383234 | 624 | 521040 | 279 | 0.128125 | 2 | 20833 | ... | 172 | 55040.0 | 56 | 17920.0 | 111 | 200-400 | 0.35_0.4 | 0.005328 | 521040 | 0.105635 |
13 | B004 | 491 | 1394 | 0.352224 | 396 | 552024 | 353 | 0.281059 | 2 | 14535 | ... | 160 | 78560.0 | 47 | 23077.0 | 102 | 400及以上 | 0.35_0.4 | 0.007018 | 552024 | 0.142313 |
16 | B007 | 548 | 1499 | 0.365577 | 325 | 487175 | 420 | 0.233577 | 2 | 29492 | ... | 201 | 110148.0 | 66 | 36168.0 | 122 | 400及以上 | 0.35_0.4 | 0.004137 | 487175 | 0.226095 |
19 | B010 | 390 | 992 | 0.393145 | 188 | 186496 | 265 | 0.320513 | 2 | 7934 | ... | 120 | 46800.0 | 43 | 16770.0 | 82 | 200-400 | 0.35_0.4 | 0.010335 | 186496 | 0.250944 |
21 | C002 | 201 | 553 | 0.363472 | 287 | 158711 | 105 | 0.477612 | 1 | 7835 | ... | 148 | 29748.0 | 43 | 8643.0 | 97 | 200-400 | 0.35_0.4 | 0.012380 | 158711 | 0.187435 |
22 | C003 | 473 | 1321 | 0.358062 | 242 | 319682 | 254 | 0.463002 | 2 | 17244 | ... | 150 | 70950.0 | 44 | 20812.0 | 92 | 400及以上 | 0.35_0.4 | 0.005335 | 319682 | 0.221939 |
24 | C005 | 270 | 765 | 0.352941 | 178 | 136170 | 115 | 0.574074 | 2 | 12610 | ... | 147 | 39690.0 | 35 | 9450.0 | 92 | 200-400 | 0.35_0.4 | 0.007296 | 136170 | 0.291474 |
26 | C007 | 403 | 1122 | 0.359180 | 258 | 289476 | 167 | 0.585608 | 2 | 20754 | ... | 174 | 70122.0 | 47 | 18941.0 | 104 | 400及以上 | 0.35_0.4 | 0.005011 | 289476 | 0.242238 |
30 | D001 | 346 | 951 | 0.363828 | 239 | 227289 | 269 | 0.222543 | 1 | 24418 | ... | 132 | 45672.0 | 37 | 12802.0 | 90 | 200-400 | 0.35_0.4 | 0.003686 | 227289 | 0.200942 |
37 | D008 | 340 | 916 | 0.371179 | 287 | 262892 | 204 | 0.400000 | 2 | 6236 | ... | 124 | 42160.0 | 36 | 12240.0 | 84 | 200-400 | 0.35_0.4 | 0.013470 | 262892 | 0.160370 |
42 | E003 | 486 | 1349 | 0.360267 | 354 | 477546 | 220 | 0.547325 | 2 | 19094 | ... | 122 | 59292.0 | 43 | 20898.0 | 77 | 400及以上 | 0.35_0.4 | 0.004033 | 477546 | 0.124160 |
48 | E009 | 401 | 1004 | 0.399402 | 224 | 224896 | 268 | 0.331671 | 2 | 25477 | ... | 155 | 62155.0 | 50 | 20050.0 | 99 | 400及以上 | 0.35_0.4 | 0.003886 | 224896 | 0.276372 |
54 | F005 | 338 | 957 | 0.353187 | 179 | 171303 | 206 | 0.390533 | 1 | 18817 | ... | 117 | 39546.0 | 32 | 10816.0 | 77 | 200-400 | 0.35_0.4 | 0.004092 | 171303 | 0.230854 |
56 | F007 | 488 | 1351 | 0.361214 | 235 | 317485 | 402 | 0.176230 | 2 | 25320 | ... | 150 | 73200.0 | 34 | 16592.0 | 95 | 400及以上 | 0.35_0.4 | 0.003752 | 317485 | 0.230562 |
60 | G001 | 463 | 1266 | 0.365719 | 142 | 179772 | 268 | 0.421166 | 2 | 13011 | ... | 142 | 65746.0 | 46 | 21298.0 | 95 | 400及以上 | 0.35_0.4 | 0.007302 | 179772 | 0.365719 |
63 | G004 | 392 | 1040 | 0.376923 | 479 | 498160 | 234 | 0.403061 | 2 | 15356 | ... | 147 | 57624.0 | 50 | 19600.0 | 90 | 200-400 | 0.35_0.4 | 0.005861 | 498160 | 0.115674 |
64 | G005 | 221 | 588 | 0.375850 | 147 | 86436 | 106 | 0.520362 | 2 | 4334 | ... | 143 | 31603.0 | 43 | 9503.0 | 92 | 200-400 | 0.35_0.4 | 0.021228 | 86436 | 0.365623 |
77 | H008 | 324 | 886 | 0.365688 | 237 | 209982 | 157 | 0.515432 | 1 | 19245 | ... | 139 | 45036.0 | 40 | 12960.0 | 92 | 200-400 | 0.35_0.4 | 0.004780 | 209982 | 0.214476 |
20 rows × 22 columns
唯品会电商销售复盘分析相关推荐
- 数据挖掘:香水电商销售策略分析
" 就香水市场份额而言,亚洲占全球销售额的8%,仅占拉丁美洲的20%,而中国仅占全球销售额的0.8%.从国际市场角度来看,香水市场是一个438.9亿美元的产业,每年至少有300种新产品推出. ...
- 电商促销复盘分析项目
数据分析流程: 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 a ...
- excel按季度分类汇总_Excel数据分析实战(1)--电商销售记录分析
Excel是市面上最流行的办公软件之一,也是数据分析师入门最好的学习工具.因为其功能强大.操作简单,可以快速对数据进行清洗,建模,可视化,操作者不需要其他计算机基础也能快速上手.所以选择Excel进行 ...
- 【交易架构day7】唯品会电商交易的演进之路:从中心化到分布式
按:所有的电商演进,都是重复在讲一个故事--业务需求的变化导致系统进化.唯品会电商的演进,同其它交易系统一样,在演进的过程中.谁先谁后,这是一个大问题.方向都大同小异的.本文来自唯品会官华的分享. V ...
- 电商打折套路分析 —— Python数据分析练习
电商打折套路分析 --2016天猫双十一美妆数据分析 数据简介 此次分析的数据来自于城市数据团对2016年双11天猫数据的采集和整理,原始数据为.xlsx格式 包括update_time/id/tit ...
- 数据集收集-包含《COVID-19》,《英国在线零售业务》,《电商行业用户行为分析数据集》,《电商婴儿用户》,《亚马逊手机》等17个数据集,用于数据分析挖掘,kaggle比赛练习
COVID-19数据集 本数据集记录了2019年12月01日至2020年7月24日,每日精确到国家.省.市的确诊.疑似.治愈.死亡人数.2020年02月07后数据从今日头条接口采集,每小时57分自动更 ...
- 2021年中国跨境电商行业发展现状及5G技术在中国跨境电商的应用分析:交易规模达142000亿元,同比增长13.6%[图]
一.概述 跨境电商是指分属不同关境的交易主体,通过电子商务平台达成交易.进行支付结算,并通过跨境物流送达商品.完成交易的电子商务平台和在线交易平台.我国跨境电子商务主要分为企业对企业(即B2B)和企业 ...
- 2022年生鲜电商行业竞争分析
中国报告大厅网讯,生鲜电商竞争激烈但是行业集中度并不高,当下的市场主要以每日优鲜和叮咚买菜市场渗透率和业务布局比较大引领者生鲜电商市场.以下是2022年生鲜电商行业竞争分析. 生鲜电商一般指生鲜产 ...
- 电商销售数据分析与预测(日期数据统计、按天统计、按月统计)
本文来自<Python数据分析从入门到精通>--明日科技编著 随着电商行业的激烈竞争,电商平台推出了各种数字营销方案,付费广告也是花样繁多.那么电商投入广告后,究竟能给企业增加多少收益,对 ...
最新文章
- 管理活动目录域服务实训_酒店管理专业开展酒店实训活动
- stl-vector详解
- 目标检测的尽头是语言建模?Hinton团队提出Pix2Seq,性能媲美DETR
- BZOJ 2045 容斥原理
- u-boot_NAND_Flash操作命令及烧录Linux内核和文件系统
- 你可能不知道的Docker资源限制
- HTML5 input 类型
- MyEclipse Profile 结合visualvm 监控内存泄露
- [codeVS1204] 寻找子串位置
- Java logging整理
- 树莓派 - 蓝牙 (1) 试试Beacon
- 【语音增强】基于matlab GUI维纳滤波语音增强【含Matlab源码 298期】
- assert断言的概念
- iOS 所有的系统字体列表
- stm32固件库下载地址
- 关于H264相关的EBSP,RBSP,SODP的说明
- 交互设计——超越人机交互
- 线性代数————思维导图(上岸必备)(相似理论)
- 签章服务器系统,优泰科技首页_电子签名 手写批注 电子印章 全文批注
- latex怎样让题号顶格_笔记本-latex写作问题集锦
热门文章
- CodePNG - 把代码片段变成漂亮截图的免费在线小工具
- 第三周 序列模型和注意力机制(Sequence models Attention mechanism)
- 让社群活跃的6个小技巧
- echarts双坐标轴数据错乱问题
- 初中生学计算机感悟200字,初中毕业感言200字
- 山东女子学院计算机毕业前景,2020届数据科学与计算机学院张斌校友毕业感言...
- Win10如何用日记本便签工具来应付工作所需?
- 咒术师学院spellcaster university for mac
- 探索无限可能:物联网技术的未来应用引领智能化时代
- “小说列表模块”JAVA代码官方评审「在线实习·推推」