电商行业数据分析具体有哪些方法(常用的4种方法)-昊阳知识网

2020年的新冠疫情为电商提供了飞速发展的契机。2020年第2季度，美国电商零售额已从第1季度的1604亿美元飙升至2115亿美元。专家预测，到2024年，美国的电商销售额将突破1万亿美元，占零售总额的18.1%。在过去的一年里，各大包装消费品公司（CPG）的电商销售额占总零售额的比例都有了明显提高，如下图中显示的联合利华、雀巢、宝洁。

联合利华（Unilever）电子商务全球副总裁Claire Hennah认为，“电子商务不再是只属于未来的渠道，因为未来已经来到。”毋庸置疑，在新的一年里，企业们将尤为重视电商业务的发展，而数据分析就是一个扩大电商销售规模极有潜力的工具。那么像联合利华、雀巢、宝洁这样的知名跨国日用消费品公司，都是如何利用数据来分析电商零售的销售额和利润率，并进行优化的呢？

1. 产品推荐引擎

你还记得你去商店的时候，导购在整个购物经历中扮演的角色吗？他/她知道你关心什么，购物预算是多少，会给出购物推荐，而你最终也确实购买了不少他/她推荐的东西。这种与客户的关系是公司需要的，而产品推荐引擎（product recommendation engine）就是一个很好的解决方案。推荐引擎是什么？简单来说，它提供了一个自动化的“贴心导购”。这种工具使用机器学习算法向客户推荐他们可能感兴趣的产品。推荐可以通过网站、电子邮件推广、在线广告等渠道进行。推荐可以分为两种：

a) 非个性化的推荐引擎

这种推荐不需要细分客户数据，通过欢迎邮件或新闻通讯邮件发送推荐，通常适用于：

发布一个新产品推荐潮流产品，如畅销的咖啡品牌，帮助吸引新客户。滞销库存，比如打折的豪华香皂。

b) 个性化推荐引擎

这里是重点！个性化推荐引擎使用顾客数据来推荐最合适的优惠和促销活动。它使用深度学习算法和自然语言处理(NLP)，使消费者尽可能地体验个性化服务。这种算法会用到客户的购买历史、最近的活动、网上行为，和社交媒体浏览情况，通过提高转化率、增加客户的平均购买价值、降低跳出率和购物车删除率等方式大大提升电商销售额。麦肯锡曾在报告中指出，在亚马逊上售出的产品中，有35%都来自于这些个性化算法推荐。

2. 购物篮分析

购物篮分析可以帮助你找到一起购买的不同产品之间的联系。换句话来说，它基于的原则就是：如果一个顾客购买了一个商品，他们或多或少都可能购买另一个相关商品。和推荐引擎一样，购物篮分析一般会运用到机器学习或深度学习算法。

举一个例子，商店可以将孩子的牙刷（不是很盈利的产品）与父亲的除臭剂（快消品）相捆绑，这样可以使得这两个商品一周的总利润增加8%。

关联规则学习是用来发现不同商品之间联系的一种机器学习方法。它不会考虑购买产品的顺序。下面我们将简单演示一下这个分析。

这个分析是基于成千上万的购物车数据的，但是本文将只提供七个购物车数据，方便在下文解释我们需要计算的三个指标。我们可以先来探索一下洗发液与护发素之间的关系（篮子1）：

a）支持度

什么是“支持度”：同时购买产品x和产品y的交易次数在所有交易中的比例。

“支持度”商业含义：这个指标展示了这两个产品被一起购买的频率。

关联规则中洗发液和护发素的支持度是0.71——>洗发液和护发素同时被购买的交易占总交易次数的71%。

b）置信度

什么是“置信度”：同时购买产品x和产品y的交易次数占购买过产品x的交易次数。

商业含义：这个指标展示了在购买了其中一个商品时，这两个产品同时被购买的频率。

关联规则中洗发液和护发素的置信度是0.83——>当顾客购买洗发液时，有83%的概率也会购买护发素。

c）提升度

什么是“提升度”：提升度是置信度与期望置信度的比例。其中，期望置信度为产品y在购物篮中出现的概率。

商业含义：提升度展示了这个关联规则有多强，即这个规则在预测结果时表现如何。较高的提升度意味着商品之间的强关联。

提升度 = 1 →这两个购买的商品之间没有关系。

提升度 > 1→ 这两个商品有可能会被一起购买，提升度越高，可能性越大。

提升度 < 1 → 这两个商品不太可能会被一起购买，他们是替代品。

关联规则中洗发液与护发素的提升度为1.17——>当顾客购物车加入了洗发液时，他们购买护发素的概率要大于他们的购物车中没有洗发液的情况。购物车中存在洗发液，增加了顾客购买护发素的概率。

在使用了关联规则过后，可以用卡方分析，这会帮助你在数理上找到关联规则的显著性。

3.价格优化

80％的人表示电商购物最重要的就是有竞争力的价格。

因此找到使客户满意同时又兼顾公司利润的价位就非常重要。现在我们来看看三个价格优化用到的重要概念：

a）客户和产品细分

对相似的产品和客户进行分组是价格优化的第一步。常用的算法有监督分类和无监督聚类。具体要看业务需求和数据类型决定使用哪个模型。

高露洁就曾使用K-mean聚类法对有类似销售趋势的产品进行分组。这样可以为每个分组建立一个预测模型，而不用建立过多的模型。

b）回归建模

一旦完成分组，建立围绕销售，转化率，季节性，产品属性，营销渠道等各个数据点的回归模型将有助于确定产品的最佳价格。比如联合利华个人护理产品的分析团队可以通过建立回归模型，预测Dove除臭剂如果降低5％的价格，可以提升15%的销售额。

c）动态定价

还记得上次亚马逊大减价期间，不仅你最喜欢的产品价格下调，其他电商也降低了价格吗？

这就是动态定价。它将竞争对手的数据输入机器学习算法中来进行定价从而确定不同时间的产品价格。这使得产品在价格频繁波动情况下，也可以在竞争激烈的市场中生存下来。

A/ B测试可以完善定价模型，但是它需要很多技术方面的考虑。

4.需求预测

需求预测是通过分析从而预测产品需求和销售量。提前了解销售趋势可以在诸多方面提供竞争优势：

a）更好的库存管理

低估库存可能会导致库存缺货，从而引起客户不满。高估库存水平可能导致库存过多，从而增加不必要的存储成本。

通过需求预测可以更加明智的安排库存，避免因畅销产品售罄或产品滞销导致的仓库空间浪费。

b）更好的现金流管理

由于避免了滞销库存占用大量现金，我们就可以正确规划预算，优化现金的使用，进而降低财务风险。

c）更好的定价策略

有效的需求预测还可以优化定价策略。你可以从预期有较高需求的产品那里收取更多费用，反之亦然，同时可以更好的安排营销预算，广告投放和折扣计划等等。

d）更好的客户服务

预测产品需求及其波动有助于更好的规划客户服务。举个例子，亚马逊在2013年申请了“预先配送”专利，可在购买之前使用预测模型将所需的产品运送给客户。亚马逊的算法可以预测消费者的购买情况，并将产品发送到最近的仓库，然后等待实际购买。亚马逊认为，这将大大减少从购买到实际交付的延迟，从而促进公司整体销售。

总结

电商务零售行业中有很多数据分析的应用案例，本文简单的列举了一些直接影响电商销售收入的例子。最后和大家分享沃尔玛前首席执行官Joel Anderson的观点：“你不能只是期望用户涌入网站。如果你真的想成功，就必须创造流量。”

关于电商领域的分析还涉及非常多方面的专业内容，如果你想具体学习关于电商分析的各项工作内容、商业模型、分析框架、指标衡量手段，以及如何准备电商分析岗位求职，就来报名这门由MarTechApe携手美国互联网零售电商公司Moda Operandi的高级数据分析经理，开设的《从0到1：手把手入门电商数据分析》课程，带你掌握电商数据分析的必备技能与行业知识！

课程大纲