電商項目數(shù)據(jù)分析報告
時間：2023-03-15 21:04:01 | 來源：電子商務
時間：2023-03-15 21:04:01 來源：電子商務
本文結構：
文章結構一、數(shù)據(jù)介紹1、數(shù)據(jù)簡介 該數(shù)據(jù)集包含兩個表—orderinfo和userinfo。
Orderinfo記錄了537510條數(shù)據(jù)，表的每一行記錄了一個訂單信息（包括已支付和未支付），該表由訂單編號、用戶ID、是否支付、訂單金額、訂單時間構成。
Userinfo記錄了每個用戶的信息，每一行記錄包含一個用戶的信息，其中包含的信息有用戶ID、性別、出生日期，一共有101535條數(shù)據(jù)。
2、字段介紹Orderinfo:
Orderinfo其中ispaid包含“已支付”和“未支付”。
Userinfo：
Userinfo二、分析思路1、提出問題2、數(shù)據(jù)探索該數(shù)據(jù)集為電商領域的數(shù)據(jù)，包含了用戶的下單信息及用戶的信息，包括了用戶、訂單號、是否支付、訂單金額、訂單時間五個維度。因為是電商數(shù)據(jù)，所以得先了解相關的電商運營基礎指標，指標如下：
電商常用分析指標了解電商基礎運營指標后，結合本數(shù)據(jù)及看數(shù)據(jù)能做的分析包含哪些方面：
- 基于price、orderid、paidtime等字段數(shù)據(jù)可以分析銷售額等整體銷售業(yè)績指標；
- 基于userid、ispaid、paidtime等字段，可以進行用戶行為分析，計算復購和回購的情況。
- 結合userinfo中提供的用戶信息，進行用戶特征分析。
三、清洗數(shù)據(jù)導入數(shù)據(jù)：直接通過sequel pro的導入按鈕，將數(shù)據(jù)源導入。
1、重復值處理不存在重復記錄：
2、缺失值處理Orderinfo：
記錄均為539414個，無缺失值。
查詢結果userinfo表也無缺失值。
3、異常值處理以日期（分組）對orderinfo表的數(shù)據(jù)量進行查看，得知數(shù)據(jù)主要集中在2016年3月和4月，5月的數(shù)據(jù)量只有7條，無參考意義。因此先刪除2016年5月的7條數(shù)據(jù)。
四、構建模型1、總體運營指標：（1）銷售業(yè)績指標：銷售金額、訂單量、單比訂單金額
總體銷售指標- 現(xiàn)象描述/分析：從2016年3月到4月，訂單量下降了6%，成交訂單總金額基本維持不變，單比訂單金額增長7%。因無其它數(shù)據(jù)對比，無法展開進一步分析。
2、用戶行為分析（1）訂單量/下單人數(shù)變化趨勢（日期、周、小時粒度）
a、日期粒度
日期粒度用戶行為走勢按日期粒度來看，訂單量和下單人數(shù)基本呈正相關的關系，且呈現(xiàn)有規(guī)律的波動。并且從圖標上波動的規(guī)律來看，訂單量在每周六達到最低點，同時，在4/2與4/3，訂單連續(xù)兩天到達在最低點（4/2-4/4為清明小長假）。我們也會在后面周粒度中去印證這一現(xiàn)象。
b、按周粒度
周粒度用戶行為走勢如日粒度中的展示結果，訂單量周六達到最低點，后面逐漸回升，在周二到周四達到峰值。因此，平臺或店鋪的營銷活動可以選擇在工作日展開，以達到最好的促銷效果。
c、按小時粒度
小時粒度用戶行為走勢每日0點到5點訂單量快速降低，降到一天中活躍量最低值，6點到10點訂單量快速上升，10點達到峰值。12點到21點用戶訂單量較平穩(wěn)。
結論：用戶白天的購買行為比率相比于晚上會高，白天使用平臺購買的目的性最強。
（2）用戶的回購率和復購率特征a、回購率：本月購買用戶中下個月又再次購買的比例，因此本月回購率=本月購買下個月再次購買的用戶數(shù)/本月購買的用戶總數(shù)。
- 現(xiàn)象描述/分析：由于該數(shù)據(jù)集只展示了2016/4-2016/5的數(shù)據(jù)，因此只能展示2016年3月的回購率，為23%。無其它月份數(shù)據(jù)對比，不展開分析。
b、復購率特征
a、復購率
復購率=購買了多次的用戶占所有用戶的比例
- 現(xiàn)象描述/分析：整體復購率為37.9%，無其它數(shù)據(jù)比較，不展開分析。
b、復購特征分析
查詢代碼
看分布
復購特征分析由此可見大部分用戶集中在7次以內，將客戶按購買1次，2-4次，5-7次，8次以上分組，結果如下：
各購買次數(shù)占比如圖：
僅購買一次的客戶占比為50%，2-4次客戶占比為31%，5-7次為18%。說明該平臺絕大多數(shù)客戶購買少于4次，發(fā)展空間較大。
3、用戶畫像--用戶特征分析
a、男女消費頻次和金額的差異
- 現(xiàn)象描述/分析：有查詢結果看來，男女生在消費頻次上無太大差異。從中銷售額和平均消費金額來看，男女相差也不大。男生總消費額相比女生高5%，而平均消費金額比女生低6%。
b、不同年齡段及性別的消費金額差異
不同年齡段及性別的消費總金額從總體來看，消費人群主要集中在20-50歲，占了總銷量的89%，其中以30-34分布最多，20-30次之。在性別分布方面，20-30歲區(qū)間女性比男性銷量略高，其它區(qū)間，均是男性高于女性，后期可以針對具體主力人群進行目的性的廣告投放。
4、基于RFM模型分析用戶價值：(1) RFM模型簡介（2）分類維度及分類標準（3）實現(xiàn)過程參考RFM模型，結合該數(shù)據(jù)集的字段，通過R（Recency）、F（Frequency）和M(Monetary)三個維度把客戶分成8大類：
a、建立視圖，統(tǒng)計用戶R、F、M值：這里以2016/4/30為參考時間
b、給R、F、M分組，給用戶打分—數(shù)值分組查看最大值和平均值，確定分組標準。
R值：0-9，10-19，20-29，30-44，45-60分別對應5分、4分、3分、2分、1分；
F值：1-6，7-12，13-18，19-24，24-31分別對應為1分、2分、3分、4分、5分；
M值：1-1000，1001-2000，2001-4000，4000以上分別對應為1分、2分、3分、4分、5分。
（1）為用戶價值打分
將R、F、M分組后按照上面的標準進行打分
（2）計算R_score、F_score、M_score的平均值，確定評分標準，按RFM的平均值打標簽，然后將R/F/M的評分跟平均值做比較。
（3）給不同價值用戶貼上價值標簽：
代碼：
（4）查看不同價值用戶占比情況
各類型用戶計數(shù)：
可視化展示：
客戶類型占比（5）現(xiàn)象描述/分析：
針對不同用戶實行不同的營銷策略：
- 新客戶：該類用戶占比最高，新付費用戶，需要挖掘客戶需求，提高用戶粘性，引導用戶再次購買。
- 重要價值客戶：他們是最優(yōu)質的用戶，需要重點關注并保持， 應該提高滿意度，增加留存，占整體客戶的25%。
- 重要深耕客戶：該類客戶潛力很大，但忠誠度不夠，可以推薦其它產品和服務，拓展用戶的消費場景和需求，提高用戶忠誠度。該類用戶也占了很高的比例，20%。
- 重要挽留客戶：他們雖然最近沒有購買，但以往購買頻率高，可以做觸達，以防止流失，12%比例比較高了。
五、總結建議（1）用戶行為特征
現(xiàn)象：按周來看，工作日活躍，周四開始活躍度下降，周六后活躍度繼續(xù)上升到正常值。按日來看，用戶在10點-21點活躍，在10點時，成交量達到最高峰。
建議：營銷活動時間節(jié)點選擇可根據(jù)用戶以上活躍規(guī)律進行，實現(xiàn)活動效果最大化。
（2）用戶的回購率和復購率特征
建議：總體復購率37.9%，可針對復購率高的商品和用戶，分析其畫像，提升復購，增加留存。
(3)用戶特征分析
現(xiàn)象：消費人群主要集中在20-50歲，占了總銷量的89%。在性別分布方面，20-30歲區(qū)間女性比男性銷量略高，其它區(qū)間，均是男性高于女性。
建議：后期可以針對具體主力人群進行目的性的廣告投放和運營。
（4）用戶價值
新客戶：該類用戶占比最高，占了總用戶的43%，說明近期針對新用戶的運營效果顯著。需要挖掘客戶需求，提高用戶粘性，引導用戶再次購買。
重要價值客戶：他們是最優(yōu)質的用戶，就是最近有消費且頻次高的用戶，占整體客戶的25%。 需要重點關注并保持， 應該提高滿意度，增加留存，
重要深耕客戶：該類客戶潛力很大，但忠誠度不夠，可以推薦其它產品和服務，拓展用戶的消費場景和需求，提高用戶忠誠度。該類用戶也占了很高的比例，20%。
重要挽留客戶：他們雖然最近沒有購買，但以往購買頻率高，可以做觸達，以防止流失，12%比例比較高了。
在線咨詢