巴西跨境電商有哪些呢？

時間：2023-10-27 20:24:01 | 來源：網(wǎng)站運營

時間：2023-10-27 20:24:01 來源：網(wǎng)站運營

巴西跨境電商有哪些呢？：項目背景：【熊貓出?！渴穷I(lǐng)先的一站式電商APP SaaS 軟件平臺，幫助商家通過建立DTC直達消費者模式的電商APP，快速洞悉消費者所需所想，打造知名國際品牌。 無需編程，100+精選模板，3000+內(nèi)置模塊應(yīng)用，與海外主流營銷平臺貫通，多語言多幣種支持。 接受信用卡，Paypal,stripe本地化支付等等。功能齊全完全托管一站式的APP定制化服務(wù)。

我們是跨境電商APP設(shè)計開發(fā)公司，需要大數(shù)據(jù)做支撐，所以我們提出了用python去發(fā)現(xiàn)巴西的電商SKU，并將分析。

本項目是來自數(shù)據(jù)集案例，記錄了巴西電商平臺Olist 的真實業(yè)務(wù)數(shù)據(jù)數(shù)據(jù)，包含以下的內(nèi)容。




分析目標(biāo)

1.通過用戶，商家，產(chǎn)品，銷售四個維度分析該平臺的總體經(jīng)營狀況和所處階段

2.發(fā)現(xiàn)平臺存在的問題，分析原因，給出相應(yīng)的建議

3.對于異常指標(biāo)的變化，分析原因

4.對未來的工作給出總體方向，目標(biāo)和合理化建議

搭建數(shù)據(jù)分析架構(gòu)




主要通過用戶，商家，產(chǎn)品，銷售四個維度來展開分析各項指標(biāo)。

使用到的工具主要有python,excel,tableau等

數(shù)據(jù)分析

用戶維度

主要分析的方向有用戶的地區(qū)分布，用戶支付方式，分期偏好，下單時間等行為偏好，以及基于RFM模型將用戶進行分層

數(shù)據(jù)導(dǎo)入處理

import numpy as np

import pandas as pd

payments=pd.read_csv('olist_order_payments_dataset.csv')

customers=pd.read_csv('olist_customers_dataset.csv')

orders=pd.read_csv('olist_orders_dataset.csv')

orders.isnull().sum()

payments.isnull().sum()

customers.isnull().sum() #缺失值查看

由于缺失值僅在order_approved_at，order_delivered_carrier_date，order_delivered_customer_date這三個列出現(xiàn)，而這三列與我們分析工作關(guān)系不大，所以可以忽略。




po=pd.merge(payments,orders,how='left',on='order_id')

pc=pd.merge(po,customers,how='left',on='customer_id')#數(shù)據(jù)合并

state=pd.DataFrame(pc['customer_unique_id'].groupby([pc['customer_state']]).count())

#用戶地區(qū)分布




該平臺的用戶大多數(shù)來自于SP比例高達42%，其次是RJ和MG。這可能與巴西人口密度分布有關(guān)，當(dāng)然也與平臺在其他地區(qū)程度的普及程度，當(dāng)?shù)厝速徫锓绞接兄艽蟮年P(guān)系。




p_type_c=pd.DataFrame(pc['customer_unique_id'].groupby([pc['payment_type'],pc['customer_state']]).count())#用戶支付方式和所在州統(tǒng)計

p_type=pd.DataFrame(pc['customer_unique_id'].groupby(pc['payment_type']).count())#用戶支付方式統(tǒng)計

可以看出74%的用戶都選擇用信用卡的方式來支付占絕大多數(shù)，19%的用戶選擇boleto的方式，說明這兩種方式在該平臺是主流的支付方式。

以上兩張圖對比較熱門的兩個支付方式用戶的地區(qū)分布進行了統(tǒng)計，這與該平臺的用戶地區(qū)分布人數(shù)基本上成正比，所以可以判斷出對于olist平臺用戶支付方式與地區(qū)分布關(guān)系不大。




p_inst=pd.DataFrame(pc['customer_unique_id'].groupby([pc['payment_installments']]).count())#用戶分期偏好

1

可以看出達到半數(shù)用戶不選擇分期付款的方式，而選擇分期付款的用戶大部分選擇分2，3期的方式來進行。有將近半數(shù)的用戶選擇分期付款這種方式來進行支付，一定程度上說明該平臺是比較推薦分期付款的方式。

cc=pd.DataFrame(pc['order_id'].groupby([pc['customer_unique_id']]).count())

#用戶每人下單數(shù)量

pc['month']=pd.DataFrame(pd.DatetimeIndex(pc['order_purchase_timestamp']).month)#下單月份

pc['time']=pd.DatetimeIndex(pc['order_purchase_timestamp']).hour#下單時間

ho=pd.DataFrame(pc['order_id'].groupby([pc['time']]).count())

用戶下單時間基本上聚集在10點到22點，這與人們作息時間基本一致，在這個時間段下單量基本平均，說明用戶會在日?？臻e時間打開該網(wǎng)站進行瀏覽購買，而不是特定時間段（如非工作時段）。

用戶分層

利用RFM模型對用戶價值進行量化，依據(jù)用戶的最后一次購買時間，使用頻率，花費金額來給用戶打分，并將用戶分為以下幾類：

r=pc.groupby('customer_unique_id')['order_purchase_timestamp'].max().reset_index()#用戶最近一次購買

r['R']=(pd.to_datetime('2018-10-18')-r['order_purchase_timestamp']).dt.days

r=r[['customer_unique_id','R']]

pc['date']=pc['order_purchase_timestamp'].astype(str).str[:10]

dup=pc.groupby(['customer_unique_id','date'])['order_purchase_timestamp'].count().reset_index()

f=dup.groupby('customer_unique_id')['order_purchase_timestamp'].count().reset_index()

f.columns=['customer_unique_id','F']

summ=pc.groupby('customer_unique_id')['payment_value'].sum().reset_index()

summ.columns=['customer_unique_id','payment_value']

comm=pd.merge(summ,f,left_on='customer_unique_id',right_on='customer_unique_id',how='inner')

comm['M']=comm['payment_value']/comm['F']

rfm=pd.merge(r,comm,on='customer_unique_id',how='inner')

rfm['R_SCORE']=pd.cut(rfm['R'],5,labels=[5,4,3,2,1],right=False).astype(float)

rfm['F_SCORE']=pd.cut(rfm['F'],bins=[1,2,3,4,5,100000],labels=[1,2,3,4,5],right=False).astype(float)

rfm['M_SCORE']=pd.cut(rfm['M'],5,labels=[1,2,3,4,5],right=False).astype(float)

rfm['r_aboveavg']=(rfm['R_SCORE']>rfm['R_SCORE'].mean())*1

rfm['f_aboveavg']=(rfm['F_SCORE']>rfm['F_SCORE'].mean())*1

rfm['m_aboveavg']=(rfm['M_SCORE']>rfm['M_SCORE'].mean())*1

rfm['SCORE']=(rfm['r_aboveavg']*100)+(rfm['f_aboveavg']*10)+(rfm['m_aboveavg']*1)

def transform_l(x):

if x==111:

label='important_value_customer'

elif x==110:

label='consume_potential_customers'

elif x==101:

label='frequently_cultivate_customers'

elif x==100:

label='new_customers'

elif x==11:

label='important_value_loss_early_warning_customers'

elif x==10:

label='general_customers'

elif x==1:

label='high_consumption_comebake_customers'

elif x==0:

label='lost_customers'

return label

rfm['type']=rfm['SCORE'].apply(transform_l)




經(jīng)過RFM模型的分類處理之后，再來統(tǒng)計每一類用戶的數(shù)量和創(chuàng)造的價值來進行分析

該平臺大部分用戶都是新用戶和流失用戶，重要價值用戶和頻率深耕用戶數(shù)量極少。用戶的流失率較高，缺少一般維持用戶這一現(xiàn)狀對平臺的維持和運營及其不利，但是新用戶數(shù)量較多說明了近期的拉新工作很有進展，接下來用怎樣的手段讓新用戶留存，提高留存率的工作至關(guān)重要。

用過將用戶分層的方式，不僅可以統(tǒng)計出平臺的運營所處的階段水平，還可以對每一層的用戶進行更詳細的用戶畫像研究，從而針對不同類型的用戶的行為和價值對產(chǎn)品做出提升和改進。

商家維度

從商家的地區(qū)分布，交易量，銷售額，平均評分和商家送貨時間（這里指的是從買家下單一直到收到貨的時間）。再用隨機森林算法分析商家的得到的評分與哪些特征相關(guān)，相關(guān)的程度是多少。

代碼步驟與上面基本相同，都是用groupby()進行分組計數(shù)求和，將得到的結(jié)果可視化分析。

商家大多數(shù)來自于SP，占到了百分之70以上，商家的地區(qū)分布比例與用戶的地區(qū)分布不完全相同，主要體現(xiàn)在來自SP的商家比例遠多于用戶比例，說明這個地區(qū)可能不僅人口密度較高，商業(yè)貿(mào)易也比較發(fā)達。

大部分商家的年銷量都比較低在20單以內(nèi)，極少數(shù)的商家的訂單量達到了幾百上千個，商家普遍的交易量都不高。

從商家的銷售額來看，大多數(shù)的商家交易額都在5000以內(nèi)，5000以上的商家進展到總體的百分之十八，而最大值也不過是兩萬多。這與之前的交易量占比分布情況基本相似，這說明該平臺的商品都比較平價，想要提高的使用價值獲得更高的收益必須要提高交易量，不僅要增加用戶數(shù)量，還要促進用戶持續(xù)購買，增加用戶的下單頻率。




送貨時間大致呈正態(tài)分布，大多數(shù)的送貨時間集中在5-16天的范圍內(nèi)，均值為10左右，該平臺的用戶基本上可以在10天左右收到商品。




商家的平均評分多數(shù)在3.75-5這個區(qū)間，比較符合實際，說明該平臺從商品到商家服務(wù)等方面屬于相對完善的程度，整個流程的實現(xiàn)基本沒有問題。

評分相關(guān)

利用隨機森林分析商家的地區(qū)，交易量，交易額，送貨時間這四個特征與商家評分的相關(guān)性。




from sklearn.preprocessing import LabelEncoder

s['seller_city']=LabelEncoder().fit_transform(s['seller_city'])

Xtrain, Xtest, Ytrain, Ytest = train_test_split(data,target,test_size=0.3)

rfc = RandomForestClassifier()

rfc = rfc.fit(Xtrain,Ytrain.astype('int'))

score_r = rfc.score(Xtest,Ytest)

score_r




擬合程度較好，達到了0.99.

四個feature分別為商家的地區(qū)，交易量，交易額，送貨時間。結(jié)果說明就這四個特征而言，與評分關(guān)系最大的特征是商家的送貨時間，其次是商家所在的地區(qū)。這能說明這些特征與評分結(jié)果的相關(guān)性程度，但并不能作為充分必要條件。

比如，作為商家盡快發(fā)貨和選擇比較快捷的快遞方式在一定程度上能提高用戶的評分，但是不起絕對性作用。交易量與交易額反映了商家的經(jīng)營狀況和經(jīng)驗程度但是與獲得的評分并沒有很明確的因果關(guān)系。影響評分的因素除此之外還有很多，站在消費者的角度上說商品的質(zhì)量和耐用性會顯得更為重要。




商品維度

銷售維度

總結(jié)與建議

>>>>>---------文章彩蛋------------文章彩蛋------------文章彩蛋--------<<<<<
>>>>>---------文章彩蛋------------文章彩蛋------------文章彩蛋--------<<<<<

溫馨提示：不要忘記Google,facebook, tiktok,Twitter,line,的高級搜索SPY,VPNS功能…它是免費的！還有大量免費廣告投放資料，視頻，直播都是免費的，微信：szcwh99。

本文由【熊貓出?！烤W(wǎng)站
facebook520專業(yè)互聯(lián)網(wǎng)流量導(dǎo)航站，匯集了海外affiliate,網(wǎng)盟，網(wǎng)賺，Offer,DSP,kol,spy,vpn,vps等多種工具
?http://WWW.facebook520.com

運營團隊整編而成，不代表本站觀點，如需了解更多Google SEO運營優(yōu)化的新聞、文章、工具和電子郵件營銷技巧、案例、學(xué)習(xí)各種網(wǎng)站優(yōu)化知識請進入:

官網(wǎng) http://www.pandawm.com

并且可以與優(yōu)化師進行一對一問答。需要SEO推廣請聯(lián)系QQ: 786229279
本文地址：2020年玩轉(zhuǎn)Twitter營銷推廣技巧，可以增加關(guān)注者的5種最佳Twitter工具
查看更多文章如下：
（1）熊貓出海網(wǎng)絡(luò)：跨境電商獨立站手機App移動應(yīng)用軟件開發(fā)多少錢？包上架google play/IOS【熊貓出?！?br/>（2）申請Facebook企業(yè)廣告賬號的方法-熊貓出海
（3）怎么在facebook,LinkedIn、Instagram、Tumblr,Twitter投放廣告？

（4）熊貓出海網(wǎng)絡(luò)：亞馬遜尾貨清倉網(wǎng)站+APP快速搭建上架-【熊貓出?！?br/>（5）熊貓出海網(wǎng)絡(luò)：2021年跨境電商海外多語言盲盒拼團系統(tǒng)商城系統(tǒng)源碼及開發(fā)-獨家分析海內(nèi)外市場
（6）Shopify獨立站|如何通過Facebook和Google廣告來擴展業(yè)務(wù)實現(xiàn)銷量過億小目標(biāo)
（7）用Facebook Messenger讓亞馬遜測評師找上門-facebook520讓Amazon不難
（8）漲粉破萬的裂變東南亞（臺灣/香港/馬來）吸粉，90%都是這樣推廣的-熊貓出海
（9）Facebook、Yahoo、Google,TiKTok臺灣馬來西亞吸粉裂變引流方法讓你無法拒絕
（10）熊貓出海網(wǎng)絡(luò)：歐美10多種語言多國家盲盒商城系統(tǒng)APP網(wǎng)站源代碼開發(fā)-【熊貓出?！?br>
歷時20個月，網(wǎng)站流量最高峰達到10萬UV。作者在此復(fù)盤總結(jié)從0到10萬流量的成長過程。案列也許不能復(fù)制，但經(jīng)驗和思路有一定的借鑒價值，供大家參考。高能預(yù)警!此文長度感人，沒有耐心的請及時止損。

導(dǎo)流官網(wǎng)：www.facebook520.com

企業(yè)官網(wǎng)：www.pandawm.com

社群資源分類:

[1]跨境電商社群:100個微信群,2萬+人的好友,讓你輕松進入跨境電商社群,獲得100萬資源

[2]外貿(mào)社群:300個微信群,5萬+人的好友,讓你輕松進入跨境電商社群,立即獲得外貿(mào)資源

[3]海外互聯(lián)網(wǎng)社群:200個微信群,3萬+人的好友,讓你輕松進入跨境電商社群,立即獲得海外互聯(lián)網(wǎng)APP,網(wǎng)站,Game,公司,品牌,電商海外業(yè)務(wù)推廣資源

[4]國內(nèi)互聯(lián)網(wǎng)社群:600個微信群,8萬+人的好友,讓你輕松進入跨境電商社群,立即獲得國內(nèi)流量,廣告,電商,互聯(lián)網(wǎng)APP,網(wǎng)站,Game,公司,品牌,海外業(yè)務(wù)推廣資源。