唯品会双11复盘案例

1.数据处理
- 1.1读取数据
- 1.2数据预处理
2.总体运营指标分析
3.根据价格区间优化商品结构
4.根据折扣区间优化商品结构

本分析旨在评估促销活动的结果，并根据情况优化商品结构，以便让之后的商品卖的更好。

1.数据处理

1.1读取数据

首先导入一些需要的包

import pandas as pd
import numpy as npimport warnings
warnings.filterwarnings('ignore')

然后分别读取商品信息表，商品热度表和用户销售明细表,并将用户明细表中的是否退货字段改为哑变量（是=1，否=0）

dt1 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname=0)
dt1.head()
dt2 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname=1)
dt2.head()
dt3 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname=2)
dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})
dt3.head()

1.2数据预处理

接着我们将3个表进行合并，得到每个商品的全部信息表，方便之后的分析。首先合并商品信息表和商品热度表，

dt_product = dt1.merge(dt2,how="left",on="商品名")
dt_product.head()

然后再合并入用户明细表，这里需要先对用户明细表的每个商品进行一下统计。

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","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()

最后进行商品总信息的合并

dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()

2.总体运营指标分析

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。

需要计算的指标如下：
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。

我们分别计算并汇总统计

#1、GMV：销售额，包含退货的金额
gmv = dt_product_sales["商品销售金额"].sum()#2、实际销售额=GMV - 退货金额
return_sales = dt_product_sales["商品退货金额"].sum()
return_money = gmv - return_sales#3、销量：累计销售量（含拒退）
all_sales = dt_product_sales["商品销售数量"].sum()#4、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。
custom_price = gmv / dt_product_sales["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["购买用户数量"].sum() / dt_product_sales["UV数"].sum()# 7、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。
tags_sales = np.sum(dt_product_sales["吊牌价"] * dt_product_sales["商品销售数量"])
discount_rate= gmv / tags_sales # 8、备货值：吊牌价 * 库存数。
goods_value = dt_product_sales["货值"].sum()# 9、售卖比：又称售罄率，GMV / 备货值。
sales_rate = gmv / goods_value# 10、收藏数：收藏某款商品的用户数量。
coll_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：促销活动中的最小品类单元（一般指货号）。
sku_cons = dt_product_sales["SKU"].sum()# 13、SPU数：促销活动中的SPU计数（一般指款号）。
spu_cons = len(dt_product_sales["商品名"].unique())# 14、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()# 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()# 汇总统计
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_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_dangqi_s = pd.DataFrame(sales_state_dangqi.stack()).reset_index().iloc[:,[1,2]]
sales_state_dangqi_s.columns = ["指标","今年双11"]
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11"]
sales_state = pd.merge(sales_state_dangqi_s, sales_state_tongqi_s,on="指标")
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"]) / sales_state["去年双11"]
sales_state

如图所示，我们将今年双11和去年双11的各项指标进行对比，可以看出销售额，UV，售卖比和转化率均比去年有了较大增幅，但客单价和折扣率上今年较去年同比有所下降。

3.根据价格区间优化商品结构

接着我们根据价格将商品数据分为不同价格区间，然后根据关键区间的相关指标制定优化商品结构的策略。

#设置切分区域
listBins = [0,200, 400, 100000]#设置切分后对应标签
listLabels = ['1_200','200_500','400及以上']dt_product_sales['价格分组'] = pd.cut(dt_product_sales['售卖价'], bins=listBins, labels=listLabels, include_lowest=True)
dt_product_sales.head()

然后将每个价格区间商品数据加总，并计算相应指标

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["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()

根据上述结果我们发现400以上的价格区间商品无论是销售占比还是客单价都远高于其他两个价格区间，是我们需要重点分析的区间。所以我们取出400以上价格区间的商品并计算相关指标进行汇总。

product_400 = dt_product_sales[dt_product_sales["价格分组"]=='400及以上']
# 转换率=客户数 / UV
product_400['转换率'] = product_400["购买用户数量"]/product_400["UV数"]
# 备货值=吊牌价 * 库存数
product_400["备货值"] = product_400["吊牌价"]*product_400["商品销售数量"]
# 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[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数",'转换率',"库存量","备货值","售卖比"]]

根据以上结果，我们给出相应的优化方案：
1.转化率大于0.7%的商品，暂时保留，用于下次促销活动；
2.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，
3.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。

4.根据折扣区间优化商品结构

同样的我们也可以根据折扣不同来划分商品进行具体分析。首先划分折扣区间并计算相应指标。

#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]
#设置切分后对应标签
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']
dt_product_sales['折扣区间'] = pd.cut(dt_product['折扣率'], bins=listBins, labels=listLabels, include_lowest=True)
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","购买用户数量":"sum","收藏数":"sum","加购物车数":"sum"}).reset_index()
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()
dt_product_discount_info["客单价"]=dt_product_discount_info["商品销售金额"]/dt_product_discount_info["购买用户数量"]
dt_product_discount_info["转化率"]=dt_product_discount_info["购买用户数量"]/dt_product_discount_info["UV数"]
dt_product_discount_info

我们选择销售占比最多的折扣区间0.35-0.4进行具体分析

product_354 = dt_product_sales[dt_product_sales["折扣区间"]=='0.35_0.4']
# 转换率=客户数 / UV
product_354['转换率'] = product_354["购买用户数量"]/product_354["UV数"]
# 备货值=吊牌价 * 库存数
product_354["备货值"] = product_354["吊牌价"]*product_354["商品销售数量"]
# 售卖比=又称售罄率，GMV / 备货值
product_354["售卖比"] = product_354["商品销售金额"]/product_354["备货值"]
product_354[["商品名","商品销售金额","商品销售数量","商品销售单价","购买用户数量","UV数","库存量","备货值","折扣率","售卖比",'转换率']]

对此我们给出如下优化策略：
1.折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留，其余进行清仓处理；
2.折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留，其余进行清仓处理。

唯品会双11复盘案例相关推荐

2022唯品会双11活动规则解读
2022唯品会双十一红包怎么领?2022唯品会双11活动规则解读今年双十一活动开启时间每个平台都不同,唯品会算是比较早的一个,双十一活动正式开启时间在10月20日晚8点,大家都准备好抢购了吗?抢购之 ...
2022年唯品会双11红包攻略:超级红包不停歇!
2022年唯品会双11红包攻略:超级红包不停歇! 2022唯品会11.11特卖狂欢节超级红包时间10月20日晚8点-11月14日早10点,每天3次机会!还有机会中加码津贴和免单大奖! 2022唯品会1 ...
《程序员》：唯品会双11大促技术保障实践
作者简介: 刘惊惊,唯品会业务架构部高级架构师,负责唯品会电商平台的用户系统,营销系统和库存系统的架构设计工作.2016年加入唯品会,参与了唯品会电商系统的大重构,负责多个核心系统的梳理和大促准备. ...
唯品会双11大促技术保障实践
作者简介: 刘惊惊,唯品会业务架构部高级架构师,负责唯品会电商平台的用户系统,营销系统和库存系统的架构设计工作.2016年加入唯品会,参与了唯品会电商系统的大重构,负责多个核心系统的梳理和大促准备. ...
《程序员》12月精彩内容：双11技术决战
双十一酣战方休,双十二蓄势以待,街谈巷议的都是一个话题"今天,你买了吗?"席卷购物车的狂欢之下,是对系统架构的巨大挑战,如何在兼顾用户体验的同时保证系统的灵活敏捷都对电商架构提出了 ...
阿里双11集团技术总指挥——汤兴：一场不亚于移动化的变革已经发生
出品|InfoQ&阿里巴巴新零售淘系技术部嘉宾简介:汤兴(花名:平畴),现任阿里巴巴副总裁,领导包括淘宝技术.天猫技术.农村淘宝技术.闲鱼.躺平等多个团队组成的新零售技术事业群淘系技术部, ...
如何准备一场双11大促
每年双11各技术团队都会进行一场大促准备,今年小微融资团队是第一次正式参与双11,小微融资服务于经营者,主要产品有网商贷,大数贷,平台贷,订单贷款,车秒贷,汽车租赁融资,存货贷,预付贷和保理融资等,本 ...
云+X案例展 | 电商零售类：云徙助力良品铺子「双11」
本案例由云徙投递并参与评选,CSDN云计算独家全网首发:更多关于[云+X 案例征集]的相关信息,点击了解详情丨挖掘展现更多优秀案例,为不同行业领域带来启迪,进而推动整个"云+行业" ...
唯品会2017年双11大促技术保障实践，全域提供25万QPS服务能力
作者简介: 刘惊惊,唯品会业务架构部高级架构师,负责唯品会电商平台的用户系统,营销系统和库存系统的架构设计工作.2016年加入唯品会,参与了唯品会电商系统的大重构,负责多个核心系统的梳理和大促准备. ...

唯品会双11复盘案例

唯品会双11复盘案例

1.数据处理

1.1读取数据

1.2数据预处理

2.总体运营指标分析

3.根据价格区间优化商品结构

4.根据折扣区间优化商品结构

唯品会双11复盘案例相关推荐

最新文章

热门文章