本文是對唯品會特賣商品數據分析案例的一個總結，主要是根據商品促銷活動的銷售數據，分析商品售賣情況，使用ABC分析法進行商品結構優化。

ABC分析法

簡述：
ABC分類法又稱帕雷托分析法，也叫主次因素分析法，是項目管理中常用的一種方法。它是根據事物在技術或經濟方面的主要特征，進行分類排隊，分清重點和一般，從而有區別地確定管理方式的一種分析方法。由于它把被分析的對象分成A、B、C三類，所以又稱為ABC分析法。

標準帕累托圖

在ABC分析法的分析圖中，有兩個縱坐標，一個橫坐標，幾個長方形，一條曲線，左邊縱坐標表示頻數，右邊縱坐標表示頻率，以百分數表示。橫坐標表示影響質量的各項因素，按影響大小從左向右排列，曲線表示各種影響因素大小的累計百分數。一般地，是將曲線的累計頻率分為三級，與之相對應的因素分為三類：

• A類因素：發生累計頻率為0%~80%，是主要影響因素，需要嚴格控制、準確記錄，。
• B類因素：發生累計頻率為80%~90%，是次要影響因素，需要稍松空值、良好記錄。
• C類因素：發生累計頻率為90%~100%，是一般影響因素，需要簡單控制、最少記錄。

電商中的ABC分析法

在電商運營活動中，商品ABC分級主要指標有“支付轉化率”“商品庫存”，根據此區分商品屬于哪一類。商品ABC分級法需將分析顆粒精細到每個款式，相對復雜，所以只有在店鋪進行大型促銷活動才會用到，也因為此時數據量足夠大，使用ABC分析法才更有意義。

A級商品：

• 擁有高庫存、高轉化率的商品；
• 因為這類商品既暢銷，又有較深的庫存作為保障，因此可以作為活動中的主推商品。需要注意的是，在挑選A類商品時，還應注意此款商品的訪客不能太低，則，沒有經過“充分"流量測試的商品，其高轉化率可能是"偽高轉化率”。

B級商品：

• 經過流量測試的中等轉化率商品；
• 此類商品對訪客有一定吸引力，但不如A類商品的轉化率，可以繼續保持當前的銷售定為。但需要注意庫存告急，以及錯誤占用了A類商品陳列位置（B類商品陳列位置需要A類之后）。

C級商品：

• 轉化率低的商品；
• C類商品應放置于店鋪陳列底端，基本屬于被放棄的一類商品。但是，如果C類商品中高庫存的，可嘗試降價，更換營銷方式等辦法。

一、項目背景

唯品會專門做特賣的網站，在特定的時間段里，以優惠的價格出售指定商品。

二、分析目標

評估每次促銷活動的結果，根據轉換率、售賣比指標構建ABC模型優化商品結構，壓縮總庫存，使庫存結構合理化節約管理力量。

三、分析過程

• 準備工作（導入數據及處理觀察）；
• 總體運營指標分析 —— 計算商品銷售額、銷量、客單價、UV等指數進行同比、環比分析；
• 從價格區間分析商品 —— 將商品按價格分為多個區間，對每個區間的商品進行統計分析，針對指定區間計算轉換率、售賣比，分級ABC類商品優化商品結構；
• 從折扣區間分析商品 —— 將商品按折扣區間分為多個區間，對每個區間的商品進行統計分析，針對指定區間計算轉換率、售賣比，分級ABC類商品優化商品結構。

1.準備工作

(1) 導入模塊

import pandas as pd
pd.set_option('max_columns', 25)
# 保留4位小數
pd.set_option('display.float_format',lambda x : '%.4f' % x)
import numpy as np

import warnings
warnings.filterwarnings('ignore')
import sqlalchemy
import seaborn as sns
import matplotlib.pyplot as plt

(2) 導入數據

數據文件存放在sql數據庫，使用sqlalchemy模塊導入

# 商品信息表
sql = "select * from sales_info1"
df1 = pd.read_sql(sql,engine)
# 商品熱度表
sql = "select * from sales_info2"
df2 = pd.read_sql(sql,engine)
# 用戶訂單表
sql = 'select * from sales_info3'
df3 = pd.read_sql(sql,engine)

商品信息表

商品熱度表

用戶訂單表

(3)處理表格得到商品信息表

• 對用戶訂單表中的商品進行聚合得到表1
• 合并商品信息表和熱度表得到表2
• 合并表1和表2的到總體商品銷售明細

# 對用戶訂單表中的商品進行聚合
product_sales = df3.groupby('商品名').agg({'用戶id': pd.Series.nunique,
                           '購買金額':'sum',
                           '購買數量':'sum',
                           '購買單價':'mean',
                           '退貨件數':'sum',
                           '退貨金額':'sum'}).reset_index().rename(columns = {'用戶id':'商品購買用戶數', '購買數量':'商品銷售數量','購買金額':'商品銷售金額','購買單價':'商品銷售單價','是否退貨':'商品退貨數量','退貨金額':'商品退貨金額'})
# 合并商品信息表和熱度表
dt_product = pd.merge(df1,df2,how = 'left',on='商品名')
# 合并
df_product_sales = pd.merge(product_sales,dt_product,on = '商品名')
# 商品總體描述統計
df_product_sales.describe()

商品銷售明細

商品總體描述統計

• 共有80件商品，每件商品平均銷售額在46839元，平均單價為317元，平均銷量為150件退貨數為45件，退貨率較高達到1/3左右，平均折扣率在4折左右。

2.總體運營指標分析

• 分別計算商品GMV（銷售額）、實際銷售額（銷售額-退款金額）、銷量、客單價、UV（商品頁面獨立訪問數）、轉化率（客戶數/UV）、折扣率（GMV/吊牌總額）、備貨值（吊牌價*庫存數）、售賣比（GMV/備貨值）、收藏數、加入購物車數、SKU（最小品類單元）、SPU（款號）、退貨量、退款總額
• 輸入去年同期指標值
• 環比分析

sales_state = pd.concat([sales_state_dangqi,sales_state_tongqi], axis = 0).T.reset_index().rename(columns = {"index":"指標",1:"今年雙11",0:"去年雙11"})
sales_state["同比"] = (sales_state["今年雙11"] - sales_state["去年雙11"])/sales_state["去年雙11"]

今年、去年同期對比

• 總體運營情況上，今年總銷售額為3747167比去年同比上漲65%，銷量同比上漲57%；
• 大多數指標均有上漲，平均漲幅40%左右，拋開折扣率的下降，客單價下降了20%左右。

3.從價格區間優化商品結構

3.1 價格區間劃分

• 統計全部商品銷售單價
• 劃分價格區間，進行銷售統計

# 商品單價統計
df_product_sales["商品銷售單價"].describe()
# 劃分0-200,201-400,400+ 商品區間
listbins = [0, 200, 400, 1000000]
listlabel = ["200元及以下", "201-400元", "400元以上"]
# cut，左開右閉,include_lowest：包含左端點
df_product_sales["價格分組"] = pd.cut(df_product_sales["商品銷售單價"], bins = listbins, labels= listlabel, include_lowest=True)
# 進行統計
dt_product_sales_info = df_product_sales.groupby('價格分組').agg({'貨值':'sum',
                                                                  '商品銷售金額':'sum',
                                                                  '商品銷售數量':'sum',
                                                                  'UV數':'sum',
                                                                  '商品購買用戶數':'sum',
                                                                  '收藏數':'sum',
                                                                  '加購物車數':'sum'}).reset_index()
# 增加占比及轉化率
dt_product_sales_info['貨值占比'] = dt_product_sales_info['貨值'].div(dt_product_sales_info['貨值'].sum())
dt_product_sales_info['銷售占比'] = dt_product_sales_info['商品銷售金額'].div(dt_product_sales_info['商品銷售金額'].sum())
dt_product_sales_info['售賣比'] = dt_product_sales_info.apply(lambda x:x[2]/x[1],axis = 1)
dt_product_sales_info['客單價'] = dt_product_sales_info.apply(lambda x:x[2]/x[5],axis = 1)
dt_product_sales_info['轉換率'] = dt_product_sales_info.apply(lambda x:x[5]/x[4],axis = 1)

價格區間商品統計

3.2 區間選擇

• 由于個價格區間商品銷售表現都相近，轉化率大致相同，400+商品的銷售金額最高，但是銷量最低，貨值最高，為避免貨物積壓，就這一區間進行商品結構優化。

product_400 = df_product_sales.query("價格分組 == '400元以上'")
product_400['轉換率'] = product_400['商品購買用戶數'] / product_400['UV數']
product_400['備貨值'] = product_400['吊牌價'] * product_400['庫存量']
product_400['售賣比'] = product_400['商品銷售金額'] / product_400['備貨值']
product_400 = product_400[['商品名','商品銷售金額','商品銷售數量','商品銷售單價','商品購買用戶數','UV數','轉換率','庫存量','備貨值','售賣比']].reset_index(drop = True)
# 劃分A、B、C
def label(x):
    if x[0] > 0.007:
        return "A"
    elif x[0] <= 0.007 and x[1]>0.3:
        return "B"
    else:
        return "C"
product_400['label'] = product_400[["轉換率","售賣比"]].apply(lambda x:label(x),axis = 1)
product_400['color'] = product_400[["轉換率","售賣比"]].apply(lambda x:color(x),axis = 1)

400元以上產品

散點圖，黃色:C類，綠色:B類，紫色:A類

• A、B、C類產品分別有12,10,1件

3.3 優化方案

• A:轉化率大于0.7%的商品，暫時保留，用于下次促銷活動；
• B:轉化率小于等于0.7%的商品，但是售賣比大于30%的商品予以保留參加下次促銷活動，
• C:轉化率小于0.7%的商品，并且售賣比小于36%的商品進行清倉處理。

4.從折扣區間優化商品結構

4.1 折扣區間劃分

將產品折扣率劃分'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+'多個區間進行分析統計

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]
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+']

df_product_sales['折扣區間'] = pd.cut(df_product_sales['折扣率'],bins = listbins,labels = listlabels,include_lowest=True)
df_product_sales

4.2 指標計算

計算每個折扣區間的貨值、銷售額、銷售數量、UV數、轉化率、貨值占比等指標

pd.set_option('display.float_format',lambda x : '%.6f' % x)
dt_product_discount_info = df_product_sales.groupby('折扣區間').agg({'貨值':'sum',
                                                                     '商品銷售金額':'sum',
                                                                     '商品銷售數量':'sum',
                                                                     'UV數':'sum',
                                                                     '收藏數':'sum',
                                                                     '加購物車數':'sum',
                                                                     '商品購買用戶數':'sum'
                                                                     }).reset_index()
dt_product_discount_info['貨值占比'] = dt_product_discount_info['貨值'] / dt_product_discount_info['貨值'].sum()
dt_product_discount_info['銷售占比'] = dt_product_discount_info['商品銷售金額'] / dt_product_discount_info['商品銷售金額'].sum()
dt_product_discount_info['客單價'] = dt_product_discount_info['商品銷售金額'] / dt_product_discount_info['商品購買用戶數'].sum()
dt_product_discount_info['轉化率'] = dt_product_discount_info['商品購買用戶數'] / dt_product_discount_info['UV數'].sum()

折扣區間分析統計

銷售情況

4.3 區間選擇

折扣率在0.35-0.4之間的產品銷售額最高，針對以上區間進行具體分析優化產品

def label2(x):
    if x[0] > 0.365 and x[1]>0.007:
        return "A"
    else:
        return "C"
product_354['label'] = product_354[['售賣比','轉換率']].apply(lambda x:label2(x),axis = 1)

0.35-0.4區間產品銷售情況

• A類產品有5件、C類產品有20件，對A類產品保留繼續下次促銷，清倉處理C類產品。

4.4 優化方案

• 在折扣區間商品銷量均較好，只對商品進行了A、C類劃分。
• 轉化率大于0.7%，售賣比大于36.5%的商品劃分為A類商品，保留用于下次促銷活動。
• 其余商品劃分為C類商品，用于清倉處理。

四、總結

• 1.從整體運營情況來看，今年促銷活動銷售額為3747167元，實際銷售額為2607587元，同比去年增漲65%以上，銷量為12017件同比增漲57%。
• 2.根據ABC分析法
  • 從價格區間優化結果來看，400元以上價位產品一共23件，其中A類產品12件、B類1件、C類10件，下次活動可以對A類產品采取宣傳措施帶動其他產品銷量，C類產品進行清倉處理為下次活動節省空間資源。
  • 在折扣區間方面，整體折扣率在0.38左右，銷售額貢獻最高的為0.35-0.4之間的產品，在這一類產品中，A類5件，C類有20件，我們選擇保留A類產品，清倉處理C類產品。