ABC分析法及在电商分析中的应用

作者: 数有余 | 来源:发表于2020-08-13 00:01 被阅读0次

一、什么是ABC分析法？

1. ABC分析法

ABC分类法（Activity Based Classification）是根据事物的主要特征做分类排列，从而实现区别对待、区别管理的一种方法。ABC法则是由帕累托二八法则衍生出来的一种法则。不同的是，二八法则强调的是抓住关键，ABC法则强调的是分清主次，并将管理对象划分为A、B、C三类。

在ABC分析法中，先将目标数据列倒序排序，然后做累积百分比统计，最后将得到的累积百分比按照下面的比例值划分为A、B、C三类。

A类因素：发生累计频率为0%～80%，是主要影响因素
B类因素：发生累计频率为80%～90%，是次要影响因素
C类因素：发生累计频率为90%～100%，是一般影响因素

ABC分析法常用于电商运营活动分析中，商品ABC分级的关键指标是“支付转化率”“商品库存”，根据这两个指标所制定的分级逻辑，以判定商品是属于哪一级的。

商品的ABC分级法需要将分析颗粒精细到每个款式，分析相对繁杂，所以一般只有在店铺进行大型促销活动时才会用到。也是因为只有店铺在大型促销活动时，每个单款商品所承载的流量与成交数据才足够大，ABC分级才更有意义。

2. ABC分析法的逻辑

商品ABC分级的重点在于“ABC的分级逻辑”。

1）A级商品：

高库存且有高转化率的商品，标记为A类商品。

因为这类商品既畅销，又有较深的库存作为保障，因此可以作为活动中的主推商品。需要注意的是，在挑选A类商品时，还应注意此款商品的访客不能太低，否则，没有经过“充分”流量测试的商品，其高转化率可能是“伪高转化率”。

2）B级商品：

转化率中等，且经过流量测试的商品，标记为B类商品。

由于这类商品经过流量测试，被证明对访客有一定吸引力，但却不如A类商品转化明显，所以可以继续保持当前的销售定位。

B级商品中有两类商品需要特别注意：
一是库存告急的，这类商品需要特别注意避免超卖；
二是占用了主推款陈列位置的，在大促中，宝贵的陈列位置是有限的，这类优质陈列位置需要留给A类商品使用，因此需要将其阵列位置往后移动。

3）C级商品：

转化率低且经过流量测试的商品，标记为C类商品。

C类商品应处于店铺阵列页面的底端，基本是属于被放弃的一类商品。但是，C类商品中有一类需要特别注意，就是有高库存的，可以尝试主动改变原定策略，譬如换主图、降价等。

二、ABC分析法怎么用？

以某电商平台的一次双十一促销运营活动为例，用ABC分析法评估促销活动的结果，并根据情况优化商品结构，以便更好地对不同款型商品采取不同手段，分配不同流量入口。

分析流程：

总体运营指标
从价格区间找出表现不好的产品，优化商品结构
从折扣区间来找出表现不好的产品，优化商品结构

1.数据加载

# 导入模块
import pandas as pd
import numpy as np

import warnings # 忽略不影响程序运行的警告信息
warnings.filterwarnings('ignore')

1.1 读取各部分数据集

# 读取数据 - 商品明细表
dt1 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname = 0)
dt1.head()

# 读取数据 - 商品热度情况
dt2 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname = 1)
dt2.head()

# 读取数据 - 用户销售明细表
dt3 = pd.read_excel(r"唯品会销售数据.xlsx",sheetname = 2)
# 将“是否退货”的值“是”、“否”替换为“1”、“0”，便于统计计算
dt3['是否退货'] = dt3["是否退货"].map({"是":1,"否":0})
dt3.head()

1.2 合并商品明细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()

1.3 合并商品明细表和商品热度表数据和用户销售明细表

# 统计每个商品的销售情况
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()
# 重命名
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)
# 合并商品信息
dt_product_sales = dt_product.merge(product_sales,how = "left",on = "商品名")
dt_product_sales.head()

2.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。

# GMV = 商品销售金额（包含商品退货金额）
gmv = dt_product_sales["商品销售金额"].sum()
gmv

Out：3747167

# 实际销售额 = GMV - 商品退货金额
return_sales = dt_product_sales["商品退货金额"].sum()
return_money = gmv - return_sales
return_money

Out：2607587

# 销量 = 商品销售数量（包含拒退）
all_sales = dt_product_sales["商品销售数量"].sum()
all_sales

Out：12017

# 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()
custom_price
# dt3.user_id.unique().count()

Out：493.56783456269756

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

Out：1176103

# 转化率 = 客户数 / UV
uv_rate = dt_product_sales["购买用户数量"].sum() / uv_cons
uv_rate

Out：0.006455216932530569

# 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 = (dt_product_sales["吊牌价"] * dt_product_sales["商品销售数量"]).sum() # 注意：这里是先求和再累加，顺序不可颠倒
# 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

Out：0.4179229541452886

# 备货值 = 货值 = 吊牌价 * 库存量
goods_value = dt_product_sales["货值"].sum()
goods_value

Out：18916395

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

Out：0.19809096817866195

# 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

Out：6224

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

Out：18690

# 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

Out：125

# 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

Out：80

# 拒退量：拒收和退货的总数量
reject_cons = dt_product_sales["退货件数"].sum()
reject_cons

Out：3643

# 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

Out：1139580

汇总基本指标数据，加入同期数据，与当期数据进行对比。

# 创建当期DataFrame
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"]

# 创建同期DataFrame
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"]

# 用stack函数将“sales_state_dangqi”行变为列，得到一个层次化索引的Series，转化为DataFrame后重置索引，再进行切片（1,2列的所有行）
sales_state_dangqi_s = pd.DataFrame(sales_state_dangqi.stack()).reset_index().iloc[:,[1,2]]
# 对列重命名
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"]
# 数据表合并
sales_state = pd.merge(sales_state_dangqi_s, sales_state_tongqi_s,on="指标")
# 新增“同比”一列，同比 = （当期 - 同期）/ 同期
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"]) / sales_state["去年双11"]
sales_state

结果显示：

相比于去年双11，今年双11，在基本指标方面，除“客单价”和“折扣率”有所下降，其他都有所增长，总体运营活动效果良好。

3. 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。

第一步：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。

3.1 划分价格区间段

将价格划分为“1-200'”,“200-500”,“400及以上”三个区间。

# 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']
# 利用pd.cut函数进行数据离散化切分，注意分组标签和分组数要一致
# 增加“价格分组”列，对“售卖价”进行分组
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()

3.2 确定指标

对每个价格区间的运营活动表现就以下指标进行分析：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、销售额、销量、UV、销量、收藏数、加购数
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()
# 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

3.3 区间选择

由各价格区间商品销售表现可以，三个区间段的商品转化率大致相同，200-500价格区间的商品销量最高，400+商品的销售金额最高，但是销量最少，货值最高。为了避免货物积压，就这一区间进行分析。

# 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及以上']
product_400.head()

3.4 确定商品指标

就这一价格区间商品着重比较以下指标：销售额，销量，件单价，客户数，UV，转换率，库存，备货值，售卖比

# 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"]
# 提取出需要评估的指标
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"]].head()

3.5 确定优化方案

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。

3.6 商品筛选

找出转化率大于 0.7% 的商品予以保留。

stay_stocks571 = product_400[product_400["转换率"] > 0.007]
stay_stocks571.head()

找出转化率小于 0.7% 但是售卖比大于 36% 的商品予以保留。

stay_stocks573 = product_400[(product_400["售卖比"] >= 0.36)&(product_400["转换率"] < 0.007)]
stay_stocks573

找出转化率小于0.7%并且售卖比小于36%的商品进行清仓处理。

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

4. 从折扣区间来优化商品结构

4.1 划分折扣区间段

# 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
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()

4.2 确定指标

对每个折扣区间的运营活动表现就以下指标进行分析：折扣区间、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
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()
# 货值占比、销售占比、客单价、转化率
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

4.3 区间选择

由各区间的销售数据表现可得，折扣区间在0.35-0.4的商品的货值、销售金额等各项数据指标都是最高的，所以我们选择 0.35-0.4 折扣区间进行深入探究。

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

4.4 确定商品指标

着重观察这一折扣区间内商品的销售额、销量、件单价、客户数、UV、转换率、库存、货值、售卖比

# 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"]
# 提取出需要评估的指标
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']]

Out：

4.5 优化方案

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。

4.6 商品筛选

在折扣率大于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

在折扣率大于37%的部分找出售卖比小于36.5%或转化率小于0.7%的商品进行清仓处理。

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