【数据分析】电商业务

【2018年9月26日发布于个人公众号，转载】

背景：加入生鲜电商平台86天，必须来一次业务分析框架梳理！

一. 整体业务复盘框架

二. 用户留存率分析框架

目标：提高复购 & 提高留存，先了解用户分布，再逐层拆解溯源！

1>整体用户逐月留存率（新客）

2>整体用户逐月留存率（老客）

3>每月下单用户构成

（来源月/下单频次/下单周期）

4>流失用户构成

（来源月/历史单数/下单周期）

5>用户搜索词分析

（是否平台产品无法满足用户需求？）

6>购买频次与品类分布

（将用户引导至高复购率品类商品。）

7>各个购买频次用户群体对商品的偏好度

（寻找不同群体偏好度gap较大的商品）

（上图：大部分用户在平台消费第4-5单时开始购买蔬菜。为什么选择蔬菜呢，蔬菜是日常消耗品，复购率高呀！）

三. 商品推荐规则

目标：让用户看到平台更多的商品，不仅仅是爆款！

核心逻辑：计算用户行为数据&业务结果中商品之间的关联度/相似度。

1>根据业务更新节奏筛选数据时间范围，一般为1-3个月。

2>获取订单中商品明细数据，调整数据结构为每个订单中两两商品组合。

如：order_id1中包含3个商品，则显示为6种组合，不区分前后

order_id     cust_id           A              B

order_id1 || cust_id1 || goods_a || goods_b

order_id1 || cust_id1 || goods_a || goods_c

order_id1 || cust_id1 || goods_b || goods_a

order_id1 || cust_id1 || goods_b || goods_c

order_id1 || cust_id1 || goods_c || goods_a

order_id1 || cust_id1 || goods_c || goods_b

3>根据第3 & 4列分组，计算相似商品组合的订单数，用户数。

    伪代码：

select A,B,

count(distinct order_id) as order_cnt,

count(distinct cust_id) as cust_cnt

from data group by A,B

order_cnt & cust_cnt为商品关联度指标，cust_cnt参考价值较大。

4>指数化：rate即商品B与商品B的关联度，rate越大关联度越高。

rate=cust_cnt(A&B)/cust_cnt(A)

5>因为爆款商品的订单数量较大，为避免推荐商品中全都是爆款，需要把B列中爆款商品剔除。

6>推荐商品的列表根据实际业务场景灵活调整。

文末：但有星辰你且摘，莫怕惊了天上人。