一、背景介绍：
双十一购物狂欢节，是指每年11月11日的网络促销日，源于淘宝商城（天猫）2009年11月11日举办的网络促销活动，当时参与的商家数量和促销力度有限，但营业额远超预想的效果，于是11月11日成为天猫举办大规模促销活动的固定日期。双十一已成为中国电子商务行业的年度盛事，并且逐渐影响到国际电子商务行业。
二、分析目的：
评估促销活动的结果，并根据活动结果，优化商品结构，以便让自己的商品卖的更好。
三、主要分析框架
image.png
四、ABC分类方法简介
ABC分类法(Activity Based Classification) ，全称应为ABC分类库存控制法。在ABC分析法中，先将目标数据倒序拍了，然后做累计百分比统计，最后将得到百分比按照如下划分为A,B,C三类：
A类：发生累计频率为0%~80%，是主要影响因素
B类：发生累计频率为80%~90%，是次要影响因素
B类：发生累计频率为90%~100%，是一般影响因素
image.png
ABC分析法常用语电商活动分析中。
商品ABC分级的关键指标是“支付传化率”，“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足够大，ABC分级才更有意义。
A级：高库存且高转化率。A类商品长效且库存有保障，可作为活动中的主推商品。
B级：转化率中等，且经过流量测试的商品。对方可有一定的吸引力，可以继续维持当前的销售定位
C级：转化率较低，且经过流量测试的商品。C类商品应处于店铺低端，基本属于被放弃的一类商品。但如果C类商品库存较高，则需要尝试改变策略如更换主图，降价等方式清除库存。
五、分析过程
准备工作：BlackFriday.csv 数据集，分析工具：Anaconda Jupyter Notebook
import pandas as pd
import numpy as np
1.读取数据并处理
dt1 = pd.read_csv("sales_info1.csv")
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()
image.png
dt2 = pd.read_csv("sales_info2.csv")
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()
image.png
dt3 = pd.read_csv("sales_info3.csv")
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)
# 将是否退货列的是否替换为1与0，方便后续计算
dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})
dt3.head()
image.png
2. 活动整体情况分析
2.1 表合并处理
# 将商品信息表dt1与商品热度表dt2合并，生成商品信息表dt_product
dt_product = dt1.merge(dt2,how="left",on="商品名")
# 对用户销售明细表根据商品分组聚合，生成商品销售表product_sales
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)
# 将商品信息表dt_product与商品销售表product_sales合并,生成一个汇总表dt_product_sales
dt_product_sales = dt_product.merge(product_sales,how="left",on="商品名")
dt_product_sales.head()
image.png
2.2 计算本次活动相关指标情况，与去年同期进行比较
通过分析，查看活动的GMV，销量，实际销售额，客单价，拒退量，拒退额，折扣率，备货值，SKU，SPU，售卖比，UV，转化率，收藏数，加购数
#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
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）
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()
2.3 将今年双十一与去年双十一的活动数据对比分析
# 将以上内容汇总到一张表
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,]})
# 导入去年双十一活动数据
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,]})
# 将两表转置并合并
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")
# 求各指标的同比情况
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"]) / sales_state["去年双11"]
sales_state
image.png
3. 从价格区间来优化商品结构
3.1 对价格进行分区
# 根据价格区间进行切片分区
# 设定分区
listBins = [0,200, 400, 100000]
#设置切分后对应标签
listLabels = ['1_200','200_500','400及以上']
# 按照设定的分区，将数据切分成
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()
image.png
3.2 按照价格分区进行分组聚合
# 按照价格分区进行分组聚合
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.head()
image.png
3.3 取价格分组在400以上的部分进行分类
# 取价格分组在400以上的内容
product_400 = dt_product_sales[dt_product_sales["价格分组"]=='400及以上']
# 求转化率与售卖比
# 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"]
# 选取部分列
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"]]
product_400.head()
image.png
3.4 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。
# 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]
# 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)]
# 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)]
4. 总结：
从整体来看：今年双十一活动GMV较去年同比增长65.7%，总销量较去年同比增长同比增长57%，整体趋势向好
通过本次活动，在价格大于400元区间的商品：
商品名为A006, B004, B006, C010, E007, F001, F002, G001, G003, H004, H006, H007商品，转化率大于70%，作为后续重点推广产品，加强在首页的布局，确保流量以提高销售额
商品名为A003, B001, B007, E003, E009, F007, G010商品转化率小于70%但售卖比大于36%，作为次级优先商品，尽可能保持当前销售策略
商品名为B008，C003，C007，D007商品转化率小于70%售卖比36%，这部分商品停止进货，通过降价等方式尽快清仓处理。
网友评论