商品数据化运营

此为《Python数据分析与数据化运营》读书笔记

1 商品数据化运营概述

这里的商品指的是狭义上的实物商品，不包括有偿服务、虚拟商品等。
数据在商品运营过程中扮演了非常重要的角色，几乎随着商品工作的销售产生便已经开始，它涵盖了商品运营的方方面面。从销售预测模型到库存管理、从商品结构优化到动销管理、捆绑策略到关联组合等方面都需要数据支持；在海量的商品数据和复杂用户购物需求的背景下，通过数据来发现销售规律已经成为商品运营的关键。

2 商品数据化运营关键指标

2.1 销售类指标

2.1.1订单量/商品销售量

订单量：用户提交订单的数量。
商品销售量：销售商品的数量。

2.1.2订单金额/商品销售金额

订单金额：用户提交时的金额，又称为应付金额。订单金额是用户真正应该支付的金额。
订单金额=商品销售金额 + 运费 - 优惠凭证金额 -其他折扣
商品销售额：商品销售的金额。
商品销售额=商品销售单价*商品销售数量
订单金额和商品销售金额都会作为商品总销售收入的评估指标，前者主要侧重于用户实际付款，后者侧重于总收入。

2.1.3每订单金额/客单价/件单价

每订单金额 = 订单金额 / 订单量
客单价 = 订单金额 / 订单用户量
件单价 = 订单金额/商品销售量
这三个指标用来评估单位对象的价值产出，分别对应订单个体、用户个体和商品个体。

2.1.4订单转化率

订单转换率是电子商务网站最重要的评估指标之一
订单转换率=产生订单的访问量/总访问量

2.1.5支付转换率

支付转换率=完成支付的客户数/需要支付的客户数

2.1.6有效订单量/有效订单金额/有效商品销售量/有效商品销售额

当用户提交订单之后，其订单不一定有效，原因是销售公司都有订单审核过程会导致部分订单无效，并且很多用户下单之后也会主动取消或者由于超出特定订单规则外而被动取消。

2.1.7订单有效率/废单率

订单有效率 = 有效订单率/订单量
废单率 = 1-订单有效率

2.1.8毛利/毛利率

毛利 = 商品妥投销售额 - 商品批次进货成本
毛利率 = 毛利/商品妥投销售额

2.2 促销活动指标

2.2.1 每订单成本/每有效订单成本

每（有效）订单成本 = 费用/（有效）订单量

2.2.2 每优惠券收益/每积分兑换收益

每优惠券收益 = 优惠券带来的订单成交金额/优惠券数量
积分兑换收益= 使用积分兑换的订单成交金额/积分兑换量

2.2.3 活动直接收入/活动间接收入

活动直接收入指单纯通过促销活动带来的收入，用户购买的订单均属于促销活动商品。
活动间接收入指通过促销活动带来的用户购买了非活动商品的收入情况。

2.2.4 活动收入贡献

活动收入贡献包括活动直接收入贡献和间接收入贡献的总和。
活动收入贡献占比 = （活动直接收入 + 活动间接收入）/全站订单成交金额

2.2.5 活动拉升比例

活动拉升比例 = （活动期间收入/非活动期间收入）-1

2.3 供应链指标

2.3.1 库存可用天数

库存可用天数 = 库存商品数量/期内每日商品销售数量

2.3.2 库存量

库存量指一定周期内全部库存商品的数量。

2.3.3 库龄

库龄 = 出库时间 - 入库时间
库龄通常会按照时间划分不同区间，如1_{30天库龄、31}60天库龄、61~90天库龄等，不同商品周转天数不同，划分时间段也有所差异。库龄时间过长意味着商品进入滞销阶段。

2.3.4 滞销金额

滞销是指商品周转天数超过其应该售卖的周期，导致无法销售出去的情况。
滞销金额可以衍生滞销金额占比、滞销SKU占比、滞销商品销量占比等指标。
滞销金额占比 = 滞销金额/库存金额
滞销一方面会造成资金积压影响资金流动，另一方面会造成产品过季、过保质期或淘汰周期而导致产品损毁或下市。

2.3.5缺货率

缺货是相对于滞销的另一个极端，缺货意味着库存商品无法满足用户购买需求。
缺货率=缺货商品数量/顾客订单数量

2.3.6 残次数量/残次金额/残次占比

残次数量指残次商品的数量。
残次金额值残次商品的进货成本。
残次占比用来衡量残次商品在整个仓库中的比例。

2.3.7 库存周转天数

库存周转天数是用时间表示库存的周转速度，指的是从商品进货开始到最终完成销售或损坏所经历的天数。

3 商品数据化运营场景

3.1 销售预测

无论企业规模如何，销售预测都是销售管理非常重要的一环，也是做计划、管理、预算和目标的基础。销售预测主要应用的是销售预测场景，通过对历史数据的分析预测未来一段时间内企业产生的销售额、销售量或订单金额等。
比如：

• 未来一周会产生多少商品销售量？
• 如果给销售部门50000元促销费用，预期能带来多少订单？
• 下个月估计能产生多少毛收入？

3.2 库存分析

库存分析是商品动销分析的关键点之一，也是商品销售的基础和前提。库存分析主要解决以下几类问题：

• 当前的商品结构如何？是否具有合理的广度和深度组合？
• 库存中滞销商品金额有多少，滞销时间有多久？
• 当前M商品的可用天数是否能满足销售预期，需要补货多少？
• 平均商品库龄是多少，如何提升商品周转并降低库龄？
• 如何设置安全库存警戒线？
• 如何管理季节性库存商品，来满足季节性促销活动?
• 如何找到大龄库存商品并合理安排销售周期，防止商品过期、过季？
• 如何找到商品的最佳库存位置，以实现更高效率的分拣、包装盒出库？

3.3 市场分析

商品数据化运营中的市场分析主要应用于对商品所在市场的规模、特点、容量、性质、趋势等方面的宏观分析，主要侧重解决以下几方面的问题：

• 公司要打造新产品，该产品的市场容量有多少？预期年销售量有多少？
• 公司对于产品的关注点在哪里？最满意和最不满意的点分别是哪些？
• 新产品要上线，售价应该定在多少比较适合？
• 产品C的市场竞争对手是谁？它们具备哪些优势和不足？
• P手机产品现售价4800元，预计3个月后售价是多少？

3.4 促销分析

促销分析是商品数据化运营应用最广泛的场景之一，现在几乎每个企业都形成了以促销带销售的运营节奏。数据对于促销分析的主要应用包括以下几类场景：

• 制定打包和组合策略，使的用户单次购买商品金额最大化？
• 制定商品向上销售策略，购买了家电的用户下次可可能购买什么？
• 促销资源分析，明日商品活动的目标销售额是5000万，预计需要多少促销费用？
• 精准商品销售或推介，企业目前有10000件商品需要清仓处理，如何快速销售出去？
• 恶意促销订单、作弊订单的检测和分析，当前订单中有哪些是疑似黄牛的订单？
• 促销方式分析，不同的促销方式下，哪种最有利于销售提升并能使总体销售最大化，而不是全部商品都做促销？
• 商品定价，针对M商品应该制定促销价是多少能满足销售额最大化的需求？
• 商品陈列分析，如何摆放不同的商品能促销连带销售的最大化？
• 组合方式分析，大型活动时应该如何将不同的促销方式和折扣手段结合起来，以产生最大的活动收入？