雙十一狂歡總額

1682億，“淘寶+天貓”2017年雙十一交易總額。看到這數字，驚訝的同時，是否想到自己作為狂歡者的一份子，貢獻了多少數據。這全民狂歡的背后，蘊含多少商家的套路，你又是否知道呢？！

PS ：

• 本文所用數據為2016年淘寶雙十一美妝商品數據
• 使用jupyter notebook ，python進行數據分析
• bokeh 為可視化圖表模塊

數據源展示

事不宜遲，馬上進入我們的分析環節

問題1：有多少美妝商品品牌參加了雙十一活動？

1.1 導入函數庫

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
% matplotlib inline

import warnings
warnings.filterwarnings('ignore') 
# 不發出警告

from bokeh.io import output_notebook
output_notebook()
# 導入notebook繪圖模塊

from bokeh.plotting import figure,show
from bokeh.models import ColumnDataSource
# 導入圖表繪制、圖標展示模塊
# 導入ColumnDataSource模塊

1.2 導入數據文件

import os
os.chdir('E:\\數據分析\\項目08電商打折套路解析')
# 創建工作路徑

df = pd.read_excel('雙十一淘寶美妝數據.xlsx',sheetname=0,header=0,index_col=0)
df_length = len(df)
df_columns = df.columns.tolist()
df.fillna(0,inplace = True)   # 填充缺失值
df['date'] = df.index.day     # 提取銷售日期

1.3 對商品進行分類

根據商品雙十一前后銷售情況，大致可以把商品分為7種
A. 11.11前后及當天都在售 → 一直在售
B. 11.11之后停止銷售 → 雙十一后停止銷售
C. 11.11開始銷售并當天不停止 → 雙十一當天上架并持續在售
D. 11.11開始銷售且當天停止 → 僅雙十一當天有售
E. 11.5 - 11.10 → 雙十一前停止銷售
F. 僅11.11當天停止銷售 → 僅雙十一當天停止銷售
G. 11.12開始銷售 → 雙十一后上架

data1 = df[['id','title','店名','date']]
#print(data1.head())
# 篩選數據

d1 = data1[['id','date']].groupby(by = 'id').agg(['min','max'])['date']  
# 統計不同商品的銷售開始日期、截止日期

id_11 = data1[data1['date']==11]['id'].unique()
d2 = pd.DataFrame({'id':id_11,'雙十一當天是否售賣':True})
# 篩選雙十一當天售賣的商品id

id_date = pd.merge(d1,d2,left_index=True,right_on='id',how = 'left')
id_date['雙十一當天是否售賣'][id_date['雙十一當天是否售賣']!=True] = False
#print(id_date.head())
# 合并數據

m = len(data1['id'].unique())
m_11 = len(id_11)
m_11_pre = m_11/m
print('商品總數為%i個\n-------' % m)
print('雙十一當天參與活動的商品總數為%i個，占比為%.2f%%\n-------' % (m_11,m_11_pre*100))
print('品牌總數為%i個\n' % len(data1['店名'].unique()),data1['店名'].unique())
# 統計

id_date['type'] = '待分類'
id_date['type'][(id_date['min'] <11)&(id_date['max']>11)] = 'A'      #  A類：11.11前后及當天都在售 → 一直在售
id_date['type'][(id_date['min'] <11)&(id_date['max']==11)] = 'B'     #  B類：11.11之后停止銷售 → 雙十一后停止銷售
id_date['type'][(id_date['min'] ==11)&(id_date['max']>11)] = 'C'     #  C類：11.11開始銷售并當天不停止 → 雙十一當天上架并持續在售
id_date['type'][(id_date['min'] ==11)&(id_date['max']==11)] = 'D'    #  D類：11.11開始銷售且當天停止 → 僅雙十一當天有售
id_date['type'][id_date['雙十一當天是否售賣']== False] = 'F'         #  F類：僅11.11當天停止銷售 → 僅雙十一當天停止銷售
id_date['type'][id_date['max']<11] = 'E'                             #  E類：11.5 - 11.10 → 雙十一前停止銷售
id_date['type'][id_date['min'] >11] = 'G'                            #  G類：11.11之后開始銷售 → 雙十一后上架
# 商品銷售節奏分類

result1 = id_date['type'].value_counts()
result1 = result1.loc[['A','C','B','D','E','F','G']]  # 調整順序
# 計算不同類別的商品數量

from bokeh.palettes import brewer
colori = brewer['YlGn'][7]

plt.axis('equal')  
plt.pie(result1,labels = result1.index, autopct='%.2f%%',pctdistance=0.8,labeldistance =1.1,
        startangle=90, radius=1.5,counterclock=False, colors = colori)
# 繪制餅圖

result1

我們可以得知商品數量信息

雙十一美妝商品數據

雙十一美妝商品類型分布餅圖

可以猜測，商家為了迎合狂歡節日，在商品的選擇和折扣上有很大的波動計劃。對數據只在乎“折扣值”大小的用戶，很容易就陷入商家的糖果炮彈中。

二、哪些商品真正在打折？

2.1 計算打折情況

把商品打折情況分為兩種，一是真打折，價格為10天波動里的最低值，否則為不打折。

data2 = df[['id','title','店名','date','price']]
data2['period'] = pd.cut(data2['date'],[4,10,11,14],labels = ['雙十一前','雙十一當天','雙十一后'])
#print(data2.head())
# 篩選數據

price = data2[['id','price','period']].groupby(['id','price']).min()
price.reset_index(inplace = True)
# 針對每個商品做price字段的value值統計，查看價格是否有波動

id_count = price['id'].value_counts()
id_type1 = id_count[id_count == 1].index
id_type2 = id_count[id_count != 1].index
# 篩選出“不打折”和“真打折”的商品id

n1 = len(id_type1)
n2 = len(id_type2)
print('真打折的商品數量約占比%.2f%%，不打折的商品數量約占比%.2f%%' % (n2/len(id_count)*100, n1/len(id_count)*100))

打折情況

僅僅只有24.73%，雙十一到底是用戶的狂歡，還是商家的狂歡，或許你已經有些許答案。

2.2 計算折扣率

為了清晰地呈現各品牌雙十一打折情況，多角度分析，我們再來計算商品的折扣率，大致查看折扣的分布情況

result3_data1 = data2[['id','price','period','店名']].groupby(['id','period']).min()
result3_data1.reset_index(inplace = True)
# 篩選數據

result3_before11 = result3_data1[result3_data1['period'] == '雙十一前']
result3_at11 = result3_data1[result3_data1['period'] == '雙十一當天']
result3_data2 = pd.merge(result3_at11,result3_before11,on = 'id')
# 篩選出商品雙十一當天及雙十一之前的價格

result3_data2['zkl'] = result3_data2['price_x'] / result3_data2['price_y']
# 計算折扣率


# 用bokeh繪制折線圖：x軸為折扣率，y軸為商品數量占比
bokeh_data = result3_data2[['id','zkl']].dropna()
bokeh_data['zkl_range'] = pd.cut(bokeh_data['zkl'],bins = np.linspace(0,1,21))
bokeh_data2 = bokeh_data.groupby('zkl_range').count().iloc[:-1] # 這里去掉折扣率在0.95-1之間的數據，該區間內數據zkl大部分為1，不打折
bokeh_data2['zkl_pre'] = bokeh_data2['zkl']/bokeh_data2['zkl'].sum()
# 將數據按照折扣率拆分為不同區間，并統計不同1扣率的商品數量

source = ColumnDataSource(data=bokeh_data2)
# 創建數據

lst_brand = bokeh_data2.index.tolist()

hover = HoverTool(tooltips=[("折扣率", "@zkl")])  # 設置標簽顯示內容

p = figure(x_range=lst_brand, plot_width=900, plot_height=350, title="商品折扣率統計",
          tools=[hover,'reset,xwheel_zoom,pan,crosshair'])
# 構建繪圖空間

p.line(x='zkl_range',y='zkl_pre',source = source,     # 設置x，y值, source → 數據源
       line_width=2, line_alpha = 0.8, line_color = 'black',line_dash = [10,4])   # 線型基本設置
# 繪制折線圖
p.circle(x='zkl_range',y='zkl_pre',source = source, size = 8,color = 'red',alpha = 0.8)

p.xgrid.grid_line_color = None
p.axis.minor_tick_line_color = None
p.outline_line_color = None
# 設置其他參數

show(p)

商品折扣分布折線圖

商品折扣出現兩個波峰，一個是8.5折到9折，此類折扣最為常見，既響應了狂歡節的打折信號，又不會把價格定得過低造成虧損，屬于人畜無害的一種手段，誠然也是最普遍的套路。

喜聞樂見的是，第二個波峰在4.5折到5折，這類商品的口號往往是限量半價發售，或是第二件半價，旨在快速積累店鋪人氣，清理庫存商品。對于普羅大眾而言，這類商品才稱得上真正的狂歡。

其次，折扣力度越大，商品量越少實屬常見。低價商品多以秒殺為主，數量及其有限。當然，搶到就是賺到。

2.3 哪個品牌稱得上“良心商家”

# 用bokeh繪制浮動散點圖，y坐標為品牌類型，x坐標為折扣力度

from bokeh.transform import jitter

brands = result3_data2['店名_y'].dropna().unique().tolist()
# 得到y坐標

bokeh_data = result3_data2[['id','zkl','店名_y']].dropna()
bokeh_data = bokeh_data[bokeh_data['zkl'] < 0.95]
source = ColumnDataSource(data = bokeh_data)
# 創建數據

hover = HoverTool(tooltips=[("折扣率", "@zkl")])  # 設置標簽顯示內容

p = figure(plot_width=800, plot_height=600,y_range=brands,title="不同品牌折扣率情況",
          tools=[hover,'reset,ywheel_zoom,pan,crosshair'])

p.circle(x='zkl', 
         y=jitter('店名_y', width=0.6, range=p.y_range),
         source=source, alpha=0.3)
# jitter參數 → 'day'：第一參數，這里指y的值，width：間隔寬度比例，range：分類范圍對象，這里和y軸的分類一致

p.ygrid.grid_line_color = None
# 設置其他參數

show(p)

品牌折扣情況

可以發現，大多品牌的折扣都有幾個數據密集點，集中在5折8.5折前后，這與前文相對應。

細心觀察，可以發現兩個有趣的品牌銷售手段。伍草集有四個數據密集點，分別在5-8折內，同時在各個折扣值上都有涉獵。大膽猜測，伍草集的銷售計劃旨在廣撒網，多個價格區間搶占用戶，滿足多個階級人群需要。
反觀歐萊雅，折扣數據分別在超高折扣和低折扣，缺乏中間數值。可猜測，歐萊雅的商品更受高薪人群青睞，需要超高折扣吸引中層消費者，同時低折扣滿足原客戶需求。

三、商家營銷套路挖掘

最后，我們來匯總觀察不痛品牌的參與打折商品數值，并做成氣泡圖

# 解析出不同品牌的參與打折商品比例及折扣力度，并做散點圖，總結打折套路

data_zk = result3_data2[result3_data2['zkl']<0.95]  # 刪除未打折數據
result4_zkld = data_zk.groupby('店名_y')['zkl'].mean()
# 篩選出不同品牌的折扣率

n_dz = data_zk['店名_y'].value_counts()
n_zs = result3_data2['店名_y'].value_counts()
result4_dzspbl = pd.DataFrame({'打折商品數':n_dz,'商品總數':n_zs})
result4_dzspbl['參與打折商品比例'] = result4_dzspbl['打折商品數'] / result4_dzspbl['商品總數']
result4_dzspbl.dropna(inplace = True)
#print(result4_dzspbl.head())
# 計算出不同品牌參與打折商品比例

result4_sum = result2_data.copy()
# 篩選出品牌參加雙11活動的商品總數

result4_data = pd.merge(pd.DataFrame(result4_zkld),result4_dzspbl,left_index = True, right_index = True, how = 'inner')
result4_data = pd.merge(result4_data,result4_sum,left_index = True, right_index = True, how = 'inner')
# 合并數據


# 用bokeh繪制散點圖，x軸為參與打折商品比例，y軸為折扣力度，點的大小代表該品牌參加雙11活動的商品總數
from bokeh.models.annotations import Span            # 導入Span模塊
from bokeh.models.annotations import Label           # 導入Label模塊
from bokeh.models.annotations import BoxAnnotation   # 導入BoxAnnotation模塊


bokeh_data = result4_data[['zkl','sum','參與打折商品比例']]
bokeh_data.columns = ['zkl','amount','pre']
bokeh_data['size'] = bokeh_data['amount'] * 0.03
source = ColumnDataSource(bokeh_data)
# 創建ColumnDataSource數據

x_mean = bokeh_data['pre'].mean()
y_mean = bokeh_data['zkl'].mean()

hover = HoverTool(tooltips=[("品牌", "@index"),
                            ("折扣率", "@zkl"),
                            ("商品總數", "@amount"),
                            ("參與打折商品比例", "@pre"),
                           ])  # 設置標簽顯示內容
p = figure(plot_width=600, plot_height=600,
                title="各個品牌打折套路解析" , 
                tools=[hover,'box_select,reset,wheel_zoom,pan,crosshair']) 
# 構建繪圖空間

p.circle_x(x = 'pre',y = 'zkl',source = source,size = 'size',
           fill_color = 'red',line_color = 'black',fill_alpha = 0.6,line_dash = [8,3])
p.ygrid.grid_line_dash = [6, 4]
p.xgrid.grid_line_dash = [6, 4]
# 散點圖

x = Span(location=x_mean, dimension='height', line_color='green',line_alpha = 0.7, line_width=1.5, line_dash = [6,4])
y = Span(location=y_mean, dimension='width', line_color='green',line_alpha = 0.7, line_width=1.5, line_dash = [6,4])
p.add_layout(x)
p.add_layout(y)
# 繪制輔助線

bg1 = BoxAnnotation(bottom=y_mean, right=x_mean,fill_alpha=0.1, fill_color='olive')
label1 = Label(x=0.1, y=0.55,text="少量大打折",text_font_size="10pt" )
p.add_layout(bg1)
p.add_layout(label1)
# 繪制第一象限

bg2 = BoxAnnotation(bottom=y_mean, left=x_mean,fill_alpha=0.1, fill_color='firebrick')
label2 = Label(x=0.7, y=0.55,text="大量大打折",text_font_size="10pt" )
p.add_layout(bg2)
p.add_layout(label2)
# 繪制第二象限

bg3 = BoxAnnotation(top=y_mean, right=x_mean,fill_alpha=0.1, fill_color='firebrick')
label3 = Label(x=0.1, y=0.80,text="少量少打折",text_font_size="10pt" )
p.add_layout(bg3)
p.add_layout(label3)
# 繪制第三象限

bg4 = BoxAnnotation(top=y_mean, left=x_mean,fill_alpha=0.1, fill_color='olive')
label4 = Label(x=0.7, y=0.80,text="少量大打折",text_font_size="10pt" )
p.add_layout(bg4)
p.add_layout(label4)
# 繪制第四象限

show(p)

運行代碼可得下圖。其中，x軸為參與打折商品比例，y軸為折扣力度，點的大小代表該品牌參加雙11活動的商品總數

各美妝品牌雙十一打折數值詳情

總結：

品牌大致可分四類

• 少量少打折：包括雅詩蘭黛、嬌蘭、蘭蔻、薇姿、玉蘭油等共5個品牌。
• 少量大打折：包括悅詩風吟、蘭芝、歐珀萊等3個品牌。該類品牌的打折商品較少，但折扣力度較大。
• 大量小打折：包括妮維雅、美寶蓮、蜜絲佛陀等3個品牌。該類型有半數以上的商品都參與了打折活動，但折扣力度并不大。
• 大量大打折：包括相宜本草、佰草集、自然堂等三大國產品牌。這些品牌不僅有90%以上的商品參與了折扣活動，而且折扣力度很大。

看到現在，18年的雙十一，你還敢輕易“剁手”嗎？（大量大打折的還是不錯的，小聲嗶嗶）