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

此次分析的目标：

    评估每次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。

import pandas as pd
import numpy as npimport warnings
warnings.filterwarnings('ignore')
1、读取各部分数据集
import sqlalchemy#已略去数据源信息
engine = sqlalchemy.create_engine('mysql+pymysql://XX:XX!1321@localhost:3306/XXhd')# 读取数据
# 商品信息表
sql_cmd = "select * from sales_info1"# 执行sql语句，获取数据
dt1 = pd.read_sql(sql=sql_cmd, con=engine)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)dt1.head()
# dt1.head().to_clipboard(excel=True)

电商促销复盘案例-编程知识网

# 读取数据
# 商品信息表
sql_cmd = "select * from sales_info2"# 执行sql语句，获取数据
dt2 = pd.read_sql(sql=sql_cmd, con=engine)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()

电商促销复盘案例-编程知识网

读取数据

# 商品信息表
sql_cmd = "select * from sales_info3"# 执行sql语句，获取数据
dt3 = pd.read_sql(sql=sql_cmd, con=engine)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)dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})
dt3.head()

电商促销复盘案例-编程知识网

2、合并商品信息表和商品热度表数据
# 把商品信息加上该商品的热度信息
# 得到基础的商品信息，以及商品的一些热度信息：加购物车数量，收藏数量、uv数
dt_product = dt1.merge(dt2,how="left",on="商品名")
dt_product.head()

电商促销复盘案例-编程知识网

3、合并商品信息表和商品热度表数据和用户销售明细表
# 统计每个商品的一个销售情况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()

电商促销复盘案例-编程知识网

# 合并商品信息
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()

电商促销复盘案例-编程知识网

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。
#1、GMV：销售额，包含退货的金额
gmv = dt_product_sales["商品销售金额"].sum()
gmv

电商促销复盘案例-编程知识网

#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
return_money

电商促销复盘案例-编程知识网

#3、销量：累计销售量（含拒退）
all_sales = dt_product_sales["商品销售数量"].sum()
all_sales

电商促销复盘案例-编程知识网

#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。
# dt3.user_id.unique().count()custom_price = gmv / dt_product_sales["购买用户数量"].sum()
custom_price

电商促销复盘案例-编程知识网

# 5、UV：商品所在页面的独立访问数
uv_cons = dt_product_sales["UV数"].sum()
uv_cons

电商促销复盘案例-编程知识网

# 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()
uv_rate

电商促销复盘案例-编程知识网

# 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 
discount_rate

电商促销复盘案例-编程知识网

# 8、备货值：吊牌价 * 库存数。
goods_value = dt_product_sales["货值"].sum()
goods_value

电商促销复盘案例-编程知识网

# 9、售卖比：又称售罄率，GMV / 备货值。
sales_rate = gmv / goods_value
sales_rate

电商促销复盘案例-编程知识网

# 10、收藏数：收藏某款商品的用户数量。
coll_cons = dt_product_sales["收藏数"].sum()
coll_cons

电商促销复盘案例-编程知识网

# 11、加购数：加购物车人数。
add_shop_cons = dt_product_sales["加购物车数"].sum()
add_shop_cons

电商促销复盘案例-编程知识网

# 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()
sku_cons

电商促销复盘案例-编程知识网

# 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())
spu_cons

电商促销复盘案例-编程知识网

# 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()
reject_cons

电商促销复盘案例-编程知识网

# 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()
reject_money

电商促销复盘案例-编程知识网

# 汇总统计
# 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",]# 去年的数据是已经统计好了的，不需要计算（写死的内容）
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 = pd.concat([sales_state_dangqi, sales_state_tangqi])
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

电商促销复盘案例-编程知识网

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
# 划分价格区间段
#设置切分区域
listBins = [0,200, 400, 100000]#设置切分后对应标签
listLabels = ['1_200','200_400','400以上']#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
"""
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。默认是左开右闭区间
"""
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()

电商促销复盘案例-编程知识网

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
# 货值占比、销售占比、客单价、转化率  后面求
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.head()

电商促销复盘案例-编程知识网

# 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()

电商促销复盘案例-编程知识网

# 取出400及以上价格区间的数据内容
product_400 = dt_product_sales[dt_product_sales["价格分组"]=='400以上']
product_400.head()

电商促销复盘案例-编程知识网

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["库存量"] product_400.head()

电商促销复盘案例-编程知识网

# 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()

电商促销复盘案例-编程知识网

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"]]

电商促销复盘案例-编程知识网

# 看数据的分布情况
product_400[["转换率"]].boxplot()
# 中位数
print(np.median(product_400["转换率"]))
# 25%分位数
print(np.percentile(product_400["转换率"], 25))
# 75%分位数
print(np.percentile(product_400["转换率"], 75))

电商促销复盘案例-编程知识网

# 看数据的分布情况
product_400[["售卖比"]].boxplot(showbox=True)
# 中位数
print(np.median(product_400["售卖比"]))
# 25%分位数
print(np.percentile(product_400["售卖比"], 25))
# 75%分位数
print(np.percentile(product_400["售卖比"], 75))

电商促销复盘案例-编程知识网
优化方案：临界值选取的是分位数值，转化率选取50%分位数的值，意味着50%的商品转化率是大于0.007的。售卖比可以选择75%分位数，表示75%的商品转化率是小于0.318的。可以基于这个数值进行浮动，这里选择的临界值是：转化率0.007，售卖比0.36

  • 转化率大于0.7%的商品，暂时保留，用于下次促销活动；
  • 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，
  • 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。
# 挑选合格的商品：
# 1、保留商品：转化率大于0.7%的商品予以保留
stay_stocks571 = product_400[product_400["转换率"]>0.007]
stay_stocks571

电商促销复盘案例-编程知识网

# 挑选合格的商品：
# 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_stocks573 = product_400[(product_400["售卖比"]>=0.36)&(product_400["转换率"]<0.007)]
stay_stocks573

电商促销复盘案例-编程知识网
没有该类数据

# 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_stocks574 = product_400[(product_400["售卖比"]<0.36)&(product_400["转换率"]<0.007)]
stay_stocks574

电商促销复盘案例-编程知识网

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_discount_info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()

电商促销复盘案例-编程知识网

# 划分价格区间段
#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']#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
"""
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['折扣区间'] = pd.cut(dt_product['折扣率'], bins=listBins, labels=listLabels, include_lowest=True)
dt_product_sales.head()

电商促销复盘案例-编程知识网

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
# 货值占比、销售占比、客单价、转化率  后面求
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

电商促销复盘案例-编程知识网

# 货值占比、销售占比、客单价、转化率  后面求
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

电商促销复盘案例-编程知识网

# 取出0.35-0.4价格区间的数据内容
product_354 = dt_product_sales[dt_product_sales["折扣区间"]=='0.35_0.4']
product_354.head()

电商促销复盘案例-编程知识网

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["库存量"]
product_354.head()

电商促销复盘案例-编程知识网

# 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.head()

电商促销复盘案例-编程知识网

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']]

电商促销复盘案例-编程知识网
优化结果：

  • 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；

  • 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。

# 挑选合格的商品：
# 1、保留商品：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
stay_stocks1 = product_354[(product_354["折扣率"]>0.37)&(product_354["售卖比"]>0.365)&(product_354["转换率"]>0.007)]
stay_stocks1

电商促销复盘案例-编程知识网

# 2、清仓处理商品，不满足条件的：折扣率大于37%的部分找出售卖比小于36.5%或转化率小于0.7%的商品
# 取反即可
stay_stocks2 = product_354[(product_354["折扣率"]>=0.37)&((product_354["售卖比"]<=0.365)|(product_354["转换率"]<=0.007))] #
stay_stocks2

电商促销复盘案例-编程知识网

# 挑选合格的商品：
# 3、保留商品：在折扣率小于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
stay_stocks3 = product_354[(product_354["折扣率"]<=0.37)&(product_354["转换率"]>0.007)&(product_354["售卖比"]>0.365)] 
stay_stocks3

电商促销复盘案例-编程知识网

# 4、清仓处理商品，不满足此条件的：在折扣率小于37%的部分找出售卖比小于36.5%或转化率小于0.7%的部分
# 取反即可
stay_stocks4 = product_354[((product_354["折扣率"]<0.37) & ((product_354["售卖比"]<0.365)|(product_354["转换率"]<0.007)))]
stay_stocks4

电商促销复盘案例-编程知识网
优化结果：

  • 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；

  • 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。

** 四、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，对于新增的商品我们也会增加在其中。对于平销款，我们将其作为快抢和疯抢处理。