唯品会电商项目复盘

活动有三张excel表：1.产品明细表数据（促销前运营供给）

2.产品热度状况表 （活动完毕后核算的成果）

3.用户出售明细表

# 读取数据# 产品明细表sql_cmd = "select * from sales_info1"# 履行sql句子，获取数据dt1 = pd.read_sql(sql=sql_cmd, con=engine)dt1.rename(columns={"sale_name":"产品名",                    "sale_price":"售卖价",                    "tag_price":"吊牌价",                    "discout":"扣头率",                    "stocks":"库存量",                    "stocks_value":"货值",                    "cost_price":"成本价",                    "profit_rate":"赢利率",                    "skus":"SKU"},          inplace=True)dt1.head()dt1.head().to_clipboard(excel=True)

# 读取数据# 产品热度表sql_cmd = "select * from sales_info2"# 履行sql句子，获取数据dt2 = pd.read_sql(sql=sql_cmd, con=engine)dt2.rename(columns={"sale_name":"产品名",                    "uvs":"UV数",                    "collections":"保藏数",                    "carts":"加购物车数"},          inplace=True)dt2.head()

# 读取数据# 出售明细表sql_cmd = "select * from sales_info3"# 履行sql句子，获取数据dt3 = pd.read_sql(sql=sql_cmd, con=engine)dt3.rename(columns={"user_id":"用户id",                    "buy_date":"购买日期",                    "sale_name":"产品名",                    "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)dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})dt3.head()

4.1.2 兼并产品明细表和产品热度表和出售明细表数据

#要兼并三张表需求先对出售明细表进行处理，核算出每个产品的出售状况product_sales = dt3.groupby("产品名").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":"产品出售数量",                              "购买金额":"产品出售金额",                              "是否退货":"产品退货数量",                              "退货金额":"产品退货金额",                              "购买单价":"产品出售单价",                              "用户id":"购买用户数量"},inplace=True)product_sales.head()

# 兼并进程# 先兼并把产品明细表和热度表，再兼并上每个产品的出售表dt_product = dt1.merge(dt2,how="left",on="产品名")dt_product_sales = dt_product.merge(product_sales,how="left",on="产品名")dt_product_sales.head()

4.2 整体运营状况

整体运营部分，首要重视出售额（GMV）、售卖比、UV、转化率等方针。出售额用来和预期方针做比照，售卖比用来看产品流转状况。

GMV：出售额，在唯品会里称为到手价。实销：GMV – 拒退金额销量：累计出售量（含拒退）客单价：GMV / 客户数，客单价与毛利率休戚相关，一般客单价越高，毛利率越高UV：产品地点页面的独立拜访数转化率：客户数 / UV扣头率：GMV / 吊牌总额（吊牌总额 = 吊牌价 * 销量）备货值：吊牌价 * 库存数售卖比：又称售罄率，GMV / 备货值保藏数：保藏某款产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4.2.1 方针核算

#1、GMV：出售额，包括退货的金额gmv = dt_product_sales["产品出售金额"].sum()#2、实践出售额=GMV - 退货金额return_sales = dt_product_sales["产品退货金额"].sum()return_money = gmv - return_sales#3、销量：累计出售量（含拒退）all_sales = dt_product_sales["产品出售数量"].sum()#4、客单价：GMV / 客户数，客单价与毛利率休戚相关，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()# 5、UV：产品地点页面的独立拜访数uv_cons = dt_product_sales["UV数"].sum()# 6、转化率：客户数 / UVuv_rate = dt_product_sales["购买用户数量"].sum() / dt_product_sales["UV数"].sum()# 7、扣头率：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["产品出售数量"])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、保藏数：保藏某款产品的用户数量coll_cons = dt_product_sales["保藏数"].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["产品名"].unique())# 14、拒退量：拒收和退货的总数量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["产品退货金额"].sum()

4.2.2 和上一年双11 各项方针进行同期比照

# 汇总核算sales_state_dangqi = pd.DataFrame(    {"GMV":[gmv,],"实践出售额":[return_money,],"销量":[all_sales,],"客单价":[custom_price,],     "UV数":[uv_cons,],"UV转化率":[uv_rate,],"扣头率":[discount_rate,],"货值":[goods_value,],     "售卖比":[sales_rate,],"保藏数":[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=["本年双11",]# 上一年的双11该店肆的数据已知sales_state_tongqi = pd.DataFrame(    {"GMV":[2261093,],"实践出售额":[1464936.517,],"销量":[7654,],"客单价":[609.34567,],     "UV数":[904694,],"UV转化率":[0.0053366,],"扣头率":[0.46,],"货值":[12610930,],     "售卖比":[0.1161,],"保藏数":[4263,],"加购数":[15838,],"sku数":[82,],     "spu数":[67,],"拒退量":[2000,],"拒退额":[651188.57,],},     ) #index=["上一年双11",]#行转列后同期比照sales_state_dangqi_s = pd.DataFrame(sales_state_dangqi.stack()).reset_index().iloc[:,[1,2]]sales_state_dangqi_s.columns = ["方针","本年双11"]sales_state_tongqi_s = pd.DataFrame(sales_state_tongqi.stack()).reset_index().iloc[:,[1,2]]sales_state_tongqi_s.columns = ["方针","上一年双11"]sales_state = pd.merge(sales_state_dangqi_s, sales_state_tongqi_s,on="方针")sales_state["同比"] = (sales_state["本年双11"] - sales_state["上一年双11"]) / sales_state["上一年双11"]sales_state

整体方针的剖析仅仅反映了微观的成果，一般电商公司所售产品都是有价格区间段的，为了进一步拆解，分别从价格区间来深入研究，以此来优化后期的促销结构，由于是打折活动，这儿也核算了扣头区间的优化，价格区间和扣头区间相辅佐，能够更好的协助优化产品结构

4.3.从价格区间来优化产品结构

首要要对产品的价格区间进行区分，其次核算每个区间的转化率，售卖比，最终，以转化率和售卖比为方针，使用ABC分类办法优化产品结构4.3.1 区分价格区间：

# 区分价格区间段#设置切分区域listBins = [0,200, 400, 100000]#设置切分后对应标签listLabels = ['1_200','200_400','400以上']#使用pd.cut进行数据离散化切分，留意分组标签和分组数要共同"""pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)x:需求切分的数据bins:切分区域right : 是否包括右端点默许True，包括labels:对应标签，用符号来替代回来的bins，若不在该序列中，则回来NaNretbins:是否回来距离binsprecision:精度include_lowest:是否包括左端点，默许False，不包括。默许是左开右闭区间"""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()

4.3.2 价格区间出售状况核算：方针：价格区间、货值、货值占比、出售额、出售占比、销量、客单价、UV、保藏数、加购数、转化率

# 核算  dt_product_sales_info = dt_product_sales.groupby("价格分组").agg({                                        "货值":"sum",                                        "产品出售金额":"sum",                                        "产品出售数量":"sum",                                        "UV数":"sum",                                        "购买用户数量":"sum",                                        "保藏数":"sum",                                        "加购物车数":"sum"                                        }).reset_index()# 货值占比、出售占比、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["出售占比"]=dt_product_sales_info["产品出售金额"]/dt_product_sales_info["产品出售金额"].sum()dt_product_sales_info["客单价"]=dt_product_sales_info["产品出售金额"]/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()

由表可知，出售量和购买人数最多的价格区间是200~400，出售额最高的是400以上，转化率根本相同4.3.3 优化进程：

以400以上价格区间为例剖析优化计划

# 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以上']product_400.head()

核算400以上价格区间产品方针：出售额、销量、售卖价、购买用户数量、UV、转换率=客户数 / UV、库存量、备货值=吊牌价 * 库存量、售卖比=又称售罄率，GMV / 备货值

# 转换率=客户数 / UVproduct_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["库存量"]# 售卖比=又称售罄率，GMV / 备货值product_400["售卖比"] = product_400["产品出售金额"]/product_400["备货值"]product_400[["产品名","产品出售金额","产品出售数量","产品出售单价","购买用户数量","UV数",'转换率',"库存量","备货值","售卖比"]]

这儿咱们以转化率和售卖比为方针来进行ABC剖析，临界值以转化率的50%分位数，售卖比的90%分位数选取

# 检查转化率和售卖比数据product_400['转化率'].quantile(0.5)0.007017543859649123product_400['售卖比'].quantile(0.9)0.3609752112640176

优化计划：转化率选取50%分位数的值，意味着50%的产品转化率是大于0.007的。售卖比挑选90%分位数，表明出售额/备货值为0.