【数据分析】电商平台入驻商用户画像分析

电商平台入驻商数据分析思路

1.1 互联网电商平台入驻商数据分析的一般思路

• 获得数据 ：前台数据（价格、销量、关键词，需要通过爬虫获得）+后台数据（广告数据、订单数据。平台提供的接口，入驻商自用统计软件，卖家报表界面）

• 分析业务需求 ：选品需求（从供应商联系货源，贴牌销售：打造自己的品牌or白牌销售：低价销售）（需要从用户偏好来反馈选品）、运营需求、营销需求

• 产生数据成果 ： 用户画像、商品画像、自动化程序/算法

亚马逊前台数据
落地页可以看到商品的图片，名称，评分，价格，颜色，尺码，买家回复。这些都属于前台数据。

亚马逊后台数据

1.1 数据获取

亚马逊卖家页可以利用第三方工具（紫鸟数据、Keepa、亚马逊船长等）进行排名数据的抓取与分析。
下图展示了某商品的价格、排名。这些第三方工具有亚马逊的接口。

优势：数据可视化图表功能较为成熟；对于亚马逊平台制定数据抓取与分析最为高效。
劣势：特定功能需要付费使用；无法自定义数据抓取与分析功能。

可以利用第三方数据采集器/爬虫软件（八爪鱼等等）
优势：可以自定义抓取目标与内容
劣势：具有一定学习成本，需要进行数据处理

使用自主开发爬虫程序住去优劣势分析
优势：自定义抓取目标与内容
劣势：需要学习相关编程软件

1.2 亚马逊平台跨境电商业务背景介绍

亚马逊公司是一家总部位于美国西雅图的跨国电子商务企业，业务起始于线上书店，不久之后商品走向多元化，目前市全球最大的互联网线上零售商之一。

1.3 亚马逊平台入驻商相关数据介绍

买家邮箱经亚马逊平台进行处理，卖家对买家发送的信息都会在亚马逊留下备份，防止了垃圾邮件。

电商平台入驻商户用户画像的构建和应用方法

2.1 什么是入驻商用户画像体系

用户画像可以理解为建立在一系列数据之上的目标用户标签化模型，根据用户的网络社交活动、消费习惯等信息抽象而生成。构建用户画像的主要工作，就是利用大量的数据，给用户贴标签。

用户的基本属性：性别、年龄、受教育程度、地域分布等
用户的行为数据：下单时间、促销敏感度、评论敏感度
加州与弗罗里达州


抓取用户认为更有帮助的评论中的关键词等。

用户的偏好属性：用户的加购数据/平台推荐数据

电商领域对于用户数据的应用：

• 分析用户行为数据来获取用户的商品偏好、价格偏好等信息，从而帮助平台/入驻商更好地推荐商品/生产商品
• 分析用户属性数据来对用户进行合理地分类，从而帮助平台/入驻商更好地了解用户需求，搭建用户画像
• 分析用户偏好数据来对商品关联内容进行优化，从而提升转化率、客单价与订单额

2.2 用户画像的应用场景和业务价值

获客：如何进行拉新，通过更精准的营销获取客户。
例：根据b站用户的性别分布和年龄分布来选取投放的广告。

粘客：个性化推荐，搜索排序，场景运营等。

留客：流失率预测，分析关键节点降低流失率。

2.3 如何搭建亚马逊美国市场用户画像体系

2.4 用户地区分布分析

我们期望从不同地区的订单统计、累计订单统计、不同地区的市场占有率、头部市场、长尾市场、低单市场等进行分析。

接下来利用EXCEL进行数据分析。先将ship-city和ship-state单独提出复制到新的表格中，并删除所有空值。
首先考虑对一级地区进行数据分析，于是我们只保留ship-state。

插入数据透视表，计算各州订单数，并再次复制到新的表格中，按降序排列。

计算它们各自订单的占有比例。将占有率>=1%的定义为头部市场，1%>占有率>0.1%的定义为长尾市场，0.1%>占有率的定义为低单市场。



并且生成帕累托图及分布地图。
使用EXCEL365生成地图的时候需要进电脑的设置中将地区改为非中国地区才能显示。
也可以生成三维地图，但是我没找到我的三维地图，不知道被谁吃了。


接下来可视化展示各个市场份额比例，一般来说，长尾市场比头部市场最高的头要大，低端市场比头部市场最小的要小。按照我们的市场划分标准，是符合规则的。

在得知了市场分布之后，我们可以怎么做？

• 针对化选品（季节、习俗、文化）
• 多店铺市场差额比较，评估市场容量
• 头部市场、长尾市场、地单量市场差异化运行。

市场占有指数：订单比例/人口比例
如果市场占有指数>1，可以认为该地区的市场渗透率还不错，可以将市场定位标记为1。

2.5 用户购买习惯分析

用户购买习惯可以从用户下单时间、用户偏好商品类来分析。
因此，我们从订单24小时变化规律，不同地区24小时订单规律，来构建用户购物习惯可视化图表。
首先复制下单时间和ship-state这两个数据到新的表格，由于我们要统计的是24小时订单规律，因此，我们可以将小时提出。


利用数据透视表得到不同州24小时的下单数。

降序排列一下

帅选初不同地区不同时间段的订单后，需要计算不同时间段的订单比例来确保用户画像数据的准确性。这里我们选取订单总数前三的州进行分析。

我们将CA与FL州的数据再提取出来，以折线图可视化

通过折线图可以发现，CA与FL的订单高峰期不一致，如果产品定位地区就是CA与FL地区，可以在时间差内使用价格歧视策略增加转化率：

• 调整价格
  假设FL州用户对价格敏感度低，CA州用户对价格敏感度高，供应商可以在4-9点调高单价，由于FL州在此时间段内属于购物高峰期且他们对价格不敏感，FL州的用户仍然会在此时间段进行购物行为，CA州的用户虽然对价格敏感，但此时间段本就不是他们的购物高峰期，因此不会造成很大的影响。在9点后，又将价格调回正常价格。
• 不同价格变体分开显示
  短时间多次调整价格可能会引起平台方的关注，因此，渠道商可以给同一商品上多个价格不一样的链接，在不同时间段给不同的链接不同的曝光量，实现调整价格的目的。
• 其他价格歧视策略
  优惠券…满减…限时抢购…
  假设我们在9-12点修改商品的介绍信息，发布“FL用户可通过电邮得到3美元优惠券”的内容，会让FL州的用户有一种单独被照顾的优越感，等到其他州的购物高峰期，再将商品简介改回。
  
  也可以通过修改商品详情的相关商品链接，来进一步精准营销。
  

2.6 价格地区分布

为了方便可视化比较，设定计算规则：比较数=平均客单价-最低平均客单价
首先可视化各州的平均客单价

这个图虽然看上去每个州的客单价都比较高，但是其实差距不是很大。我们使用比较数来加大差距

客单价比较高的地区说明属于低价格敏感区间，客单价位于中间区间的地区属于中价格敏感区间，末尾的地区属于高价格敏感区间。


图中黄色的点为价格敏感度高或者中的地区，绿色的点为价格敏感度低的地区。价格敏感度低的区域与高订单区域有地域差异，可以进一步精准营销。

03 用户画像的进阶应用技巧

3.1 用户画像对于多店铺/品牌矩阵运营的帮助

GMV越高，圆的面积越大。在保证四象限位置不变的情况下，将它扩大。

红色的圈代表成本越大，收益越大。蓝色的圈利润率低，单个订单成本高，有坏账的风险。

3.2 用户画像对于用户搜索习惯的分析

从搜索引擎中发现用户的搜索习惯，以及从评价中获取用户常用词汇。
从前台抓取商家商品listing标题的词频分析。

3.3 用户画像对于电商团队管理的帮助

新增：颜色的渐变程度（饱和度or明度）定量、图标的形状 定性