电商订单数据分析

时间：2023-03-15 22:34:01 | 来源：电子商务

时间：2023-03-15 22:34:01 来源：电子商务

电商订单数据分析

1. 背景

随着互联网进入到家家户户，电商平台的不断发展，电商的竞争日益激烈，为了提高店铺的销量，稳定客流，找准运营方向。

1. 任务目标

我们期望能运用数据分析技术，对电商订单进行初步分析，希望能够解决一下问题：

1. 2017年和2018年销售情况怎样？如果下降，原因是什么？
2. 用户的消费行为是怎样的？
3. 怎样指定接下来的运营策略？

分析思路如下

1. 数据处理
2. 数据基本信息

数据集：电商用户订单数据.csv

时间跨度：2017年-2018年

字段：由于数据集包含字段太多，现只选取部分字段：订单ID，客户ID，下单日期，销售额，数量，细分。

由于部分图表是在Python里进行分析，所以字段名改为：order_id ， user_id order_dt， trade_amount， order_quantity，user_category

1. Python数据预处理

（1）导入数据

（2）字段提取

由于字段太多，只使用以下六个字段，且部分图表是在Python里进行分析，所以对于字段进行重新命名：

订单ID：order_id ，

客户ID：user_id

下单日期：order_dt，

销售额：trade_amount，

数量：order_quantity，

细分user_category

1. 数据表基本信息

1. 修改字段类型

需要把order_id类型改为object,

order_dt数据类型改为datetime

新增加月份month这一列

通过以上基本信息可以得出，该表格没有缺失值，且经过excel简单查验，发现也没有重复值，所以可以开始对数据进行分析了

1. 订单数据的描述统计

根据描述统计，

每次下单购买数量：平均数是3.76个商品，标准差在2.23，故可以发现购买数量波动很大。中位数是3，75个百分位为5，最大值为14，故下单购买数量受到极值影响/

每次下单销售额：平均数是1619，标准差是2646，中位数是638，75百分位数是1790，极值是35621，说明销售金额数据波动大，且受极值影响。

1. 购买数量以及销售金额的数据分布

可以看出订单购买数量和销售额都是呈右偏分布，即中位数<平均数

1. 数据分析
2. 数据集的整体状况（此处用的excel分析）

通过饼图可以发现，2018年总体销售额比2017年略有下降。

1. 用户消费趋势分析（按月分析）

（1）下图是2017年和2018年用户每月销售额汇总情况对比

根据2017年和2018年的销售额汇总折线图可以发现，每年的销售额在1-4月，7月处于淡季，5-6月，8-12月处于旺季。

（2）下图是2017年和2018年用户每月购买次数汇总情况对比

（3）下图是2017年和2018年用户每月下单人数汇总情况对比

通过以上三个图形情况，发现销售额，下单数量和下单人数趋势一致。

（4）下面三个图分别是2017年和2018年每月的销售额，下单人数，购买数量增长情况

通过对比2017年和2018年的购买数量，下单人数以及销售金额情况都是在淡季的时候销售情况下跌，在旺季的时候销售情况上涨

结论：通过以上图表，发现在淡季用户下单人数大幅减少，从而导致购买数量和销售额的减少，由于缺乏数据，可以进一步分析。

①用户体验流程分析，查看流失客户行为数据，进一步回访客户找出客户流失原因，进行优化改进。

②产品分析：针对客户的评价，网站评论，用户反馈意见等维度，对产品体验进行分析优化。

③用户来源，通过分析用户来源渠道方面加强运营推广

1. 用户个体消费能力分析（按用户分析）
2. 展示购买数量和销售额的分布情况

通过以上两图可以发现

购买数量主要集中在10个以内，购买数量波动比较大，属于右偏分布

销售金额主要集中在5000以内，销售额波动大，极值对其影响也很大，也属于右偏分布

1. 用户购买数量和销售额的散点图

用户购买数量和销售金额不成相关性，但是由于销售金额分布较广

1. 用户购买退货率

1. 用户累计消费金额占比

通过下图可以发现销售金额不满足二八原则，即不满足20%的人数的销售额占比80%，也就是说销售额肯定存在问题


通过以上对用户个体消费能力分析，可以发现，用户的购买数量和销售金额数据波动很大，极值差距也很大，且购买金额不满足二八原则，说明核心用户定位不够精准

结论：需要根据店铺定位，对于核心客户加大推广力度，并且针对性的对这些客户的加强购物体验

1. 用户消费行为分析
2. 用户第一次消费

可以看出，用户基本是集中在2017年进行第一次消费，也就是说新客是在逐渐减少，到2018年基本上没有新客进行消费行为

1. 用户最后一次消费

通过上图可以发现，客户最后一次消费时间基本上就是集中在订单数据的最后几个月

1. 新老客户占比

①多少用户仅消费了一次

仅7个用户仅消费了一次，说明用户黏度较高

1. 用户分层

①RFM

RFM是一个经典用户分类模型，模型利用通过交易环节中最核心的三个维度：最近消费（Recency），消费频率（frequency),消费金额（Monetary）细分用户群体，从而分析不同群体的用户价值，最终达到精准营销。

1. 基于规则（均值）划分的RFM

RFM熊3个维度，分两个等级得到8类用户分层

通过RFM模型，把用户分为八类，分别给用户打上标签，八个分类为：

重要保持客户',重要价值客户，重要发展客户，重要挽留客户，一般保 持客户，一般价值客户，一般发展客户，一般挽留客户

从RFM分层可以知道，店铺中有很大一部分客户为一般发展客户和一般挽留客户，可以针对提升这些用户的活跃度，转换为优质客户。重要保持客户需要提供更优质服务，采用会员制运营。

针对上述8类用户分层情况，可初步制定三大运营策略：
提高活跃度：注重提升一般客户、低价值客户的活跃度，将其转化为优质客户。
提高留存率：与重要价值、重要挽留客户互动，提高这部分用户的留存率。
提高付费率：维系重要保持客户、重要发展客户的忠诚度，保持网站的良好收入。
具体手段包括搭建会员体系、会员分类管理与升级、积分兑换、发放折扣券等。

具体的运营策略参照如下：

【'111':'重要价值客户'】该类用户与企业交易频繁、交易金额大，但长时间没有二次消费，存在流失风险。——企业利润的潜在来源，采用用户唤回运营。
【'011':'重要保持客户'】该类用户与企业交易频繁、交易金额大，且最近一次消费时间间隔短，实际贡献价值很高。——企业优质的客户群，采用会员制运营。
【'101':'重要挽留客户'】该类用户交易金额大，但交易并不频繁、且长时间没有二次消费，也存在流失风险。——有很高潜在价值的客户，可针对性研究用户特征，通过特定营销手段吸引用户提高购买频率。
【'001':'重要发展客户'】该类用户最近消费间隔短、购买金额大，但交易不频繁。——有很高潜在价值的客户。对该类用户展开专题研究，重点分析用户群特征，以便在下次促销时向合适的用户传递合适的CD产品，转化为留存客户。
【'110':'一般价值客户'】该类用户购买频率高，但长时间没有交易，而且购买金额较低，企业已很难获取更多利润。
【'010':'一般保持客户'】该类用户最近交易时间间隔短、购买频率高，属于活跃用户，但由于累计购买金额较少，消费能力有限，属于企业的一般维持用户。
【'100':'一般挽留客户'】低价值客户。
【'000':'一般发展客户'】 无法立即给企业带来较大利润的用户。

针对上述8类用户分层情况，可初步制定三大运营策略：

提高活跃度：注重提升一般客户、低价值客户的活跃度，将其转化为优质客户。
提高留存率：与重要价值、重要挽留客户互动，提高这部分用户的留存率。
提高付费率：维系重要保持客户、重要发展客户的忠诚度，保持网站的良好收入。
具体手段包括搭建会员体系、会员分类管理与升级、积分兑换、发放折扣券等。

通过上图可以发现，重要价值客户的F和M较大，即消费次数多且消费时间间隔远，可以采取重点换回方式运营。

②新老客户活跃流失

参考漏斗模型，针对每个用户，按两年内的每个月对用户情况进行分类，即新用户、活跃用户、回流用户、流失用户。
通过下面的数据透视表即可得到每个用户每个月的购买情况，从而进行转化分析。


若本月无消费（即为0）
之前有记录
1.上条记录为无消费（即为0）
1.1若为未注册，则为未注册
1.2若为不活跃，则为不活跃
2.上条记录为有消费（即为1），则为不活跃
之前无记录，则为未注册
若本月有消费（即为1）

之前无记录，则为新客户
之前有记录
3.上条记录为无消费（即为0）
3.1若为未注册，则为新客户
3.2若为不活跃，则为回流客户
4.上条记录为有消费（即为1），则为活跃客户

由上表可知，每月的用户消费状态变化

活跃用户（持续消费用户），对应的是消费运营的质量
回流用户（之前不消费本月才消费），对应的是唤回运营
不活跃用户，对应的是流失
新客户，对应渠道与市场

Active：活跃用户除了2017年上半年处于增加情况，下半年处于先降低，然后缓步增加，到了2018年，整体处于先大幅度下降，然后缓步上升到2017年的水平。整体来说活跃用户偏少，说明运营质量不高，可能是竞争激烈导致，具体情况需要再进行详细分析。

New：新用户，只有在2017年以减少的趋势增加了，之后2018年则一直没有新用户增加。说明市场，渠道，需要加大运营力度以增加新用户。

Return：回流客户，除了2017年上半年处于上涨趋势，后一直到2018年底，都处于在150的幅值上下波动，说明老客户维护的还不错，需要进一步的挖掘客户需求。

Unactive：不活跃用户，2017年的不活跃用户一致增加，直到2018年二月达到顶峰，随后一直小幅下降。说明用户一直处于较大流失状态，需要采取提高用户体验等措施以达到加强用户黏度的效果。

1. 用户购买周期（按订单）

产品的平均购买周期是48天

1. 用户生命周期（第一次与最后一次购买时间差）

用户生命周期的均值是539天，75%以上的用户周期超过486天，说明用户黏度不错。

1. 复购率和回购率
2. 复购率

复购率的波动很大除了2018年7月份，基本上在0.45的上下波动。需要详细分析7月份产品分类，查找原因，这里不做赘述。

1. 回购率

从上图可以看出回购率的波动很大。说明客户的忠诚度不够，需要采取例如举办活动，发放优惠券等方式提高用户的忠诚度。

1. 总结

本次分析采用了多种分析方法，如趋势分析，用户行为分析，RFM模型分析，生命周期分析，漏斗转化分析，较全面刻画了店铺的运营现状。

主要结论有

1. 总体来看，每月的消费总金额、消费次数、产品购买量、消费人数趋势相似：均在1-4月，7月处于下降趋势，处于淡季，5-6月，8-12月处于大幅增加趋势，处于旺季。
2. 通过以上对用户个体消费能力分析，可以发现，用户的购买数量和销售金额数据波动很大，极值差距也很大，且购买金额不满足二八原则，说明核心用户定位不够精准
3. 用户基本是集中在2017年进行第一次消费，也就是说新客是在逐渐减少，到2018年基本上没有新客进行消费行为，但是老客户的黏性较高。
4. 从RFM分层可以知道，店铺中有很大一部分客户为一般发展客户和一般挽留客户，可以针对提升这些用户的活跃度，转换为优质客户。重要保持客户需要提供更优质服务
5. 整体来说活跃用户偏少。

新用户，只有在2017年以减少的趋势增加了，之后2018年则一直没有新用户增加。

回流客户，除了2017年上半年处于上涨趋势，后一直到2018年底，都处于在150的幅值上下波动，说明老客户维护的还不错。

不活跃用户，2017年的不活跃用户一致增加，直到2018年二月达到顶峰，随后一直小幅下降。说明用户一直处于较大流失状态。

1. 产品的平均购买周期是48天，用户生命周期的均值是539天，75%以上的用户周期超过486天，说明用户黏度不错。复购率的波动很大除了2018年7月份，基本上在0.45的上下波动。
2. 回购率的波动很大。

可以采取的措施：

1. 用户体验流程分析，查看流失客户行为数据，进一步回访客户找出客户流失原因，进行优化改进。
2. 产品分析：针对客户的评价，网站评论，用户反馈意见等维度，对产品体验进行分析优化。
3. 用户来源，通过分析用户来源渠道方面加强运营推广
4. 需要根据店铺定位，对于核心客户加大推广力度，并且针对性的对这些客户的加强购物体验
5. 提高活跃度：注重提升一般客户、低价值客户的活跃度，将其转化为优质客户。
   提高留存率：与重要价值、重要挽留客户互动，提高这部分用户的留存率。
   提高付费率：维系重要保持客户、重要发展客户的忠诚度，保持网站的良好收入。
   具体手段包括搭建会员体系、会员分类管理与升级、积分兑换、发放折扣券等。