电商促销活动分析

1、业务背景

唯品会是一个专门做特卖的网站，随着唯品会在电商领域的不断发展，唯品会货源中新品和专供品的占比不断提升，新品首发、定制包销、自有品牌均成为唯品会零售的可持续货源。

2、业务需求

在每次特卖活动中，我们可分析活动运营情况来挖掘对促销活动贡献度高的商品。其中，销售额、售卖比、UV、转化率等指标是考量业务成绩的几个重要指标。本项目的目的是建立促销活动的运营情况评估指标体系，找到最优的特卖商品结构，从而更好地卖出商品。

3、业务分析指标

• GMV：销售额，即到手价
• 实销：GMV-退货金额
• 销量：累计销量（含退货）
• 客单价：GMV/客户数，客单价与毛利率有关，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（吊牌价* 销量）
• 备货值：吊牌价* 库存量
• 售卖比：即售罄率，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计数：促销活动中的SPU计数（一般指货号）
• 拒退量：拒收和退货的总数量

• 拒退额：拒收和退货的总金额
  其中，销售额、售卖比、UV、转化率为主要关注指标，其余为辅助指标。
  具体的业务分析框架如下：

  
  
  

  电商促销活动分析.png

4、数据分析

4.1 数据源

sales_info1：商品信息表，数据结构如下：

商品信息表.PNG

sales_info2：商品热度信息表，数据结构如下：

商品热度信息表.PNG

sales_info3：用户销售明细表，数据结构如下：

用户销售明细表.PNG

以上数据来源MySQL数据库，通过Python读取。

4.2 数据汇总

• 统计每个商品的销售情况

#dt3为用户销售明细数据
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',
                                           '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',
                               '退货件数':'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':'商品购买用户数量'
},inplace=True)
product_sales.head()

得到每个商品的销售情况汇总数据

每个商品的销售情况汇总.PNG

• 合并商品信息表、热度信息表和商品销售汇总表

#dt1为商品信息表、dt2为热度信息表
dt_product = dt1.merge(dt2,how='left',on='商品名')
dt_product_sales = dt_product.merge(product_sales,how='left',on='商品名')

得到最终的分析数据，数据结构如下：

最终分析数据.PNG

4.2 计算业务分析指标

• 计算单个指标

#1、GMV，销售额
gmv = dt_product_sales['商品销售金额'].sum()
#2、实销：GMV-退货金额
return_money = gmv - dt_product_sales['商品退货金额'].sum()
#3、销量：累计销量（含退货）
all_sales = dt_product_sales['商品销售数量'].sum()
#4、客单价：GMV/客户数
custom_price = gmv/dt_product_sales['商品购买用户数量'].sum()
#5、UV：商品所在页面的独立访问数
uv_cons = dt_product_sales['UV数'].sum()
#6、转化率：客户数/UV
uv_rate = dt_product_sales['商品购买用户数量'].sum()/uv_cons
#7、折扣率：GMV/吊牌总额（吊牌价* 销量）
tag_sales = (dt_product_sales['吊牌价'] * dt_product_sales['商品销售数量']).sum()
discount_rate = gmv/tag_sales
#8、备货值：吊牌价* 库存量
goods_value = (dt_product_sales['吊牌价'] * dt_product_sales['库存量']).sum()
#9、售卖比：即售罄率，GMV/备货值
sales_rate = gmv/goods_value
#10、收藏数：收藏某款商品的用户数量
collect_cons = dt_product_sales['收藏数'].sum()
#11、加购数：加购物车人数
add_shop_cons = dt_product_sales['加购物车数'].sum()
#12、SKU数：促销活动中的SKU计数（一般指货号）
sku_cons = dt_product_sales['SKU'].sum()
#13、SPU计数：促销活动中的SPU计数（一般指货号）
spu_cons = len(dt_product_sales['商品名'].unique())
#14、拒退量：拒收和退货的总数量
reject_cons = dt_product_sales['商品退货数量'].sum()
#15、拒退额：拒收和退货的总金额
reject_money = dt_product_sales['商品退货金额'].sum()

• 合并分析指标

#当期数据
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":[collect_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,],}, 
    ) 
# 去年的数据是已经统计好了的，不需要计算
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,],}, 
    ) 
#当期数据修改列名
sales_state_dangqi_s = pd.DataFrame(sales_state_dangqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_dangqi_s.columns = ['指标','今年双十一']
#去年数据修改列名
sales_state_tongqi_s = pd.DataFrame(sales_state_tongqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_tongqi_s.columns = ['指标','去年双十一']
sales_state = pd.merge(sales_state_dangqi_s,sales_state_tongqi_s,on='指标')
#计算同比指标
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']

今年-去年各项指标比较.PNG

如上所示，客单价同比下降了，客单价与毛利率有关，需要追踪客单价下降的原因；客单价与GMV、UV数和UV转化率有关， 这三个指标同比都上升了，猜测客单价下降的原因是【高质量客户流失，买低价的客户较多；促销价格过低】。此外，折扣率同比也下降了，做特卖折扣是一个运营的关键点，通过比较不同折扣力度的运营效果，为折扣力度的设置提供数据参考。

4.3 根据价格区间来确定合适的促销商品结构

这部分的主要工作：根据价格区间划分数据，分析价格相对高的商品此次促销情况，以此来优化后期的促销结构。

• 根据价格划分数据

#划分价格区间
listBins = [0, 200, 400, 100000]

#设备切分后对应标签
listLabels = ['1_200', '200_400', '400及以上']

#进行数据切分
dt_product_sales['价格分组'] = pd.cut(dt_product_sales['售卖价'], bins=listBins, labels=listLabels, include_lowest=True)

• 计算每个价格区间的业务分析指标
  这里用到的业务分析指标如下：
  • 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
  • 用户数

# 货值 销售额 销量 UV 用户数 收藏数 加购数
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',
                            '商品购买用户数量':'sum',
                            '收藏数':'sum',
                            '加购物车数':'sum'
}).reset_index()
# 货值占比 售卖比 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['售卖比'] = dt_product_sales_info['商品销售金额']/dt_product_sales_info['货值']
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['商品购买用户数量']
dt_product_sales_info['转化率'] = dt_product_sales_info['商品购买用户数量'] /dt_product_sales_info['UV数']

得到三个价格区间各自的业务指标值

三个价格区间业务指标结果.PNG

如上图所示，价格在400以上的商品，销售额、售卖比均大于另外两个价格区间的商品，转化率与另外两个价格区间的商品势均力敌。虽然是促销活动，不一定只是看价格低这个因素，此处高价的商品也很值得分析，因此选取价格在400以上的商品单独分析。

• 选取高价商品分析

#取出价格400及以上的数据
product_400 = dt_product_sales.loc[dt_product_sales['价格分组'] == '400及以上']
#计算转换率 售卖比
#转换率=客户数/UV
product_400['转换率'] = product_400['商品购买用户数量']/product_400['UV数']
#备货值=吊牌价* 库存量
product_400['备货值'] = product_400['吊牌价'] * product_400['库存量']
#售卖比：售罄率，GMV/备货值
product_400['售卖比'] = product_400['商品销售金额']/product_400['货值']

得到高价商品的运营情况结果

高价商品的运营情况结果.PNG

根据上图所示，通过比较转换率和售卖比这两个指标，可以给出下面的优化方案：

• 转换率大于0.8%的商品（即A006、B006、C010、E007、F001），保留，用于下次促销活动；
• 转换率小于0.8%但是售卖比大于30%的商品（即G001、G010、H006），还是可以作为下次促销活动的备选商品；
• 转换率小于0.8%且售卖比不足30%的商品，给予清仓处理。

4.4 根据折扣区间来确定合适的促销商品结构

这部分的主要工作：根据折扣区间划分数据，分析折扣贡献度较高的商品此次促销情况，以此来优化后期的促销结构。

• 根据折扣划分数据

#划分折扣区间
#设置切分区域
listBins = [0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 1]

#设备切分后的标签
listLabels = ['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_1']

#划分数据
dt_product_sales['折扣区间'] = pd.cut(dt_product_sales['折扣率'],bins=listBins,labels=listLabels,include_lowest=True)

• 计算每个折扣区间的业务分析指标
  这里用到的业务分析指标如下：
  • 销售额
  • 销量
  • 客单价
  • 客户数
  • UV
  • 转换率
  • 库存
  • 货值
  • 售卖比
  • 收藏数
  • 加购数
  • 货值占比
  • 销售占比

# 货值 销售额 销量 UV 客户数 收藏数 加购数
dt_product_discount_info = dt_product_sales.groupby(['折扣区间']).agg({
                            '货值':'sum',
                            '商品销售金额':'sum',
                            '商品销售数量':'sum',
                            'UV数':'sum',
                            '商品购买用户数量':'sum',
                            '收藏数':'sum',
                            '加购物车数':'sum'
}).reset_index()
#客单价 转化率 货值占比 销售占比
dt_product_discount_info['客单价'] = dt_product_discount_info['商品销售金额']/dt_product_discount_info['商品购买用户数量']
dt_product_discount_info['转化率'] = dt_product_discount_info['商品购买用户数量']/dt_product_discount_info['UV数']
dt_product_discount_info['货值占比'] = dt_product_discount_info['货值']/dt_product_discount_info['货值'].sum()
dt_product_discount_info['销售占比'] = dt_product_discount_info['商品销售金额']/dt_product_discount_info['商品销售金额'].sum()

得到各个折扣区间的业务指标结果

各个折扣区间的业务分析指标结果.PNG

如上图所示，除了转化率略低于其他折扣区间的商品，折扣在0.35_0.4的商品各项指标均优于其他商品，因此此处单独分析折扣在0.35_0.4的商品此次促销情况。

• 选取折扣在0.35_0.4的商品分析

#取出折扣区间在0.35_0.4的数据
discount_354 = dt_product_sales[dt_product_sales['折扣区间']=='0.35_0.4']
#售卖比 化率
discount_354['售卖比'] = discount_354['商品销售金额']/discount_354['货值']
discount_354['转化率'] = discount_354['商品购买用户数量']/discount_354['UV数']

得到折扣在0.35_0.4的商品各项指标结果

折扣在0.35_0.4的商品业务指标结果.PNG

如上图所示，通过比较转化率和售卖比两个指标，可以给出以下优化方案：

• 折扣率大于37%的部分找出售卖比大于35%且转化率大于0.8%的商品（即G005）予以保留；
• 折扣率小于37%的部分找出售卖比大于25%且转化率大于0.5%的商品（即C005、G001）予以保留；
• 其余清仓处理。

5、流量分布

在一级入口中，首页的流量占比最高，我们可以将畅销款（上述分析中予以保留的商品）布局在首页档期流。在唯品会中，我们需要不断的增加商品来保证我们的SKU数。对于平销款（上述分析中予以清仓的商品），我们将其作为快抢和疯抢处理。