电商零售业是怎么运用数据分析的?
我最近帮一个公司优化了他们亚马逊上在线目录的产品策略。通过数据科学方法,预测了电子商务销售额,同时也非常精确地预测了产品的盈利能力,并优化了公司的利润。最后,这个项目受到了了这个公司团队的认可。
本文是我在这个项目获得的经验和学习的延伸。我将探讨数据分析在电子商务零售行业中不同的使用途径,特别是对于联合利华、雀巢、宝洁等这类跨国消费品公司。我将用我惯用的方式进行分析,让人觉得通俗易懂,又趣味横生。如果你想了解更多数据分析相关内容,可以阅读以下这些文章:
4个电商常用Customer Segmentation的方法
Market Basket Analysis:把握电商求职核心的购物篮分析是什么?
数据求职常出现的RFM是什么?如何影响电商行业营销策略?
听电商大佬跟你聊聊E-Commerce的数据人生
用联合利华电子商务全球副总裁 Claire Hennah 的话来说,“电子商务不再只是通向未来的渠道。未来就在这里。”
我爱数字。所以,我们从一些数字开始讲起。
2020 年,美国的零售电子商务销售额从第一季度的 1604 亿美元飙升至第二季度的 2115 亿美元。新冠疫情造成的封锁无疑推动了电子商务销售额的增长。Claire的观点很棒,她说:
“许多人是第一次网购,这提高了渗透率。”
让我们来看看过去 5 年第二季度电子商务销售额占美国零售总额的百分比,这样你就能对电子商务潜力的上升有一个更直观的感受。
此外,据预测,截至2024 年,美国的电子商务销售额将超过 1 万亿美元,占零售总额的 18.1%。
下面,我们可以看到,2020 年顶级 CPG 公司电子商务销售额占零售总额的百分比方面与2019年相比的表现。
所以你就能理解,公司在促进电子商务销售方面的重要性。
现在,让我们深入探讨和分析,在帮助消费品公司扩大电子商务销售方面具有巨大潜力的不同途径。
1 产品推荐
你是否还记得,在逛常去的商场时,热情的店主或员工会在你购物时提供帮助?他知道你买了什么食物、用了哪个牌子的洗衣粉,甚至你孩子喜欢哪款冰淇淋。他知道你的购物预算,并会帮你推荐产品。然后你确实多次购买了他推荐的产品。对吧!
这种与客户之间的关系,正是公司所需要的。
而产品推荐引擎是就是这种关系的关键。那么,什么是推荐引擎?
它是“热情店主”的一种自动化形式,使用了机器学习的算法,向客户推荐他们可能感兴趣的产品的工具。推荐可以通过以下渠道进行:
- 网站内
- 邮件推广
- 在线广告
推荐引擎有两种类型:
a) 非个性化推荐引擎
这类推荐是在首次欢迎电子邮件,或通知批量时事的时候发送,效果非常好,而且无需使用客户数据。下面几种产品推荐效果非常好:
- 新产品,例如最近推出的新巧克力冰淇淋
- 热门产品,如一个畅销的咖啡品牌,帮助招募新客户
- 滞销产品,例如打折的豪华香皂
b) 个性化推荐引擎
这才是宝藏!个性化推荐引擎通过使用客户数据来推荐最佳优惠和促销活动。它使用了深度学习算法和自然语言处理 (NLP) ,让客户的体验尽可能个性化。这些算法使用来自下列数据:
- 购买记录
- 客户近期活动
- 上网的行为
- 社交媒体浏览内容
这些算法非常强大,可以通过以下这些方式大幅促进电子商务销售:
- 提高转化率
- 增加客户的平均消费金额
- 降低跳出率和购物车放弃率
举例,下面是是亚马逊的推荐引擎目前向我展示的内容。看起来它知道我喜欢锻炼。
麦肯锡报告称,客户在亚马逊上购买的商品中,有 35% 来自基于此类算法的产品推荐。
2 购物篮分析
购物篮分析是一种识别同时购买的一对/一组产品之间关联强度的技术。简而言之,它基于这样一个概念:如果客户购买了一种产品,他们或多或少会购买另一种相关产品。购物篮分析还会使用机器学习/深度学习算法,如产品推荐引擎。
我将用我之前提到的项目中的一个例子来解释这一点。我将儿童牙刷(零利润产品)与止汗露(爸爸们常用的快销产品)捆绑在一起,该组合的总利润每周增加了 8%。
关联规则学习(Association rule learning)是一种用于发现产品之间关联的机器学习方法。它不考虑购买产品的顺序。我会用一个例子来解释这一点。
这个分析在数百万个购物篮上运行,但我将用 7 个购物篮进行演示,并解释所使用的 3 个重要指标。接下来,让我们探讨洗发水和护发素之间的关联(购物篮 1):
a) 支持(Support)
- 定义:同时包含产品 x 和 y 的交易数量占交易总数的百分比。
- 商业意义:表示两种产品一起购买的频率。
关联规则 {shampoo} => {conditioner} 支持度为 0.71 → 两种产品在 71% 的交易中是一起购买的。
b) 置信度(Confidence)
- 定义:同时包含产品 x 和 y 的交易数量与包含产品 x 的交易数量的比率。
- 商业意义:表示关联规则成立的频率,即两个产品一起购买的频率。
关联规则 {shampoo} => {conditioner} 的置信度为 0.83 → 客户购买洗发水时,有83%的概率也会买护发素。
c) 提升(Lift)
- 定义:Lift 是置信度与预期置信度的比率。预期置信度只是产品 y 在篮子中的概率。
- 商业意义:表示关联的强度,即规则在预测结果方面与假设结果相比的程度。提升值越高,表示关联越强。
Lift = 1 → 购买产品之间没有关系。
Lift > 1 → 产品很可能是一起购买的。提升值越高,机会就越大。
Lift < 1 → 产品不太可能一起购买。他们互为替代品。
关联规则 {shampoo} => {conditioner} 的提升值为 1.17 →
在知道洗发水已经在篮子里的情况下,购买护发素的概率远高于洗发水不在篮子的情况下购买护发素的概率。
所以,购物篮里有洗发水可以增加购买护发素的概率。
我知道提升值有点难理解。希望你现在已经明白了。
在此之后,卡方分析(Chi-squared analysis)有助于定义关联规则的统计显着性。
3 价格优化
80% 的人表示,有竞争力的价格是网上购物最重要的点。
所以,你要知道,设定最优价格并在客户满意度和公司利润之间取得平衡是多么重要。现在,我们来讨论与价格优化相关的 3 个重要概念:
a) 客户和产品的细分
这是价格优化的第一步,你将在此对相似的产品和客户进行分组。分类(监督)和聚类(无监督)算法对于这种细分很有用。最佳方法取决于业务需求和数据类型。
b) 回归建模
细分完成后,围绕销售、转化率、季节性、产品属性、营销渠道等的各种数据点的回归模型有助于确定产品的最佳价格。
我举一个来自 CPG 行业的假设商业例子。联合利华个人护理产品分析团队建立的回归模型可以帮助其预测,如果德芙止汗露价格下降 5% ,销售额可以提高 15%。
c) 动态定价
你还记得上一次你喜欢的产品在亚马逊大甩卖期间降价,其他电商也降价是什么时候吗?
这就是动态定价。它使用竞争对手的数据作为机器学习算法的输入进行定价,以确定不同时间的产品价格。这有助于产品在价格频繁波动的竞争市场中保持活力。
A/B 测试可用于优化定价模型,但它需要考虑技术层面。
4 需求预测
让我们花一分钟时间,想象一下本杰明富兰克林和亚伯拉罕林肯是电子商务商业大亨。
富兰克林警告不要低估电子商务零售需求预测的潜力。
“如果你没有计划,你就是在计划失败。”
林肯提供了完美的策略,将需求预测包含在你的电子商务公司的分析场景中。
“给我六个小时砍一棵树,我会用前四个小时磨斧头。”
需求预测是指,使用分析技术来预测产品需求及销售额。当你提前了解销售趋势时,它会在以下方面为你提供优于竞争对手的优势:
a) 更好的库存管理
低估库存水平会导致库存缺货,从而引起客户的不满。高估库存库存水平会导致库存积压,从而产生不必要的存储成本。
需求预测有助于进行明智的库存规划,并使你免于因库存流动缓慢而导致热门产品售罄和仓库空间的浪费。
b) 更好的现金流管理
由于资金不会被滞留在流动缓慢的库存中,它可以帮助你正确规划预算,并以最佳方式使用现金。因此,它可以帮助你降低财务风险。
c) 更好的定价策略
有效的需求预测还有助于改进定价策略。你可以对需求预测较高的产品收取更高的费用,反之亦然。你可以更好地规划营销预算、广告投入和促销活动。
d) 更好的客户服务
对产品需求及其波动的先验知识,有助于规划更好的客户服务。我们可以来看一个商务例子。
亚马逊在 2013 年获得了“Anticipatory Shipping(预知购物)”的专利,使用预测模型,在客户购买之前就产品运送出去。亚马逊的算法会预测你的购买情况,并将产品发送到离你最近的仓库。然后,亚马逊会等你真的去下单购买这些产品。亚马逊认为,这将极大减少从购买时间到实际交付的延迟,并提高公司的整体销售额。
结论
电子商务零售行业有许多分析应用程序,但以上这些内容,都可以对电子商务销售收入产生直接影响。希望你喜欢。
最后,让我们来看一下乔尔安德森(沃尔玛前首席执行官)的名言。
“你不能只是开设一个网站,然后就希望人们蜂拥而至。如果你真的想成功,你必须创造流量。”感谢你的阅读!希望通过这个案例,你可以对实际的电商分析有所了解。你还可以订阅我们的YouTube频道,观看大量数据科学相关公开课:https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ;在LinkedIn上关注我们,扩展你的人际网络!https://www.linkedin.com/company/dataapplab/
原文作者:Ashish Tomar
翻译作者:LIa
美工编辑:过儿
校对审稿:Jiawei Tong
原文链接:https://towardsdatascience.com/data-analytics-in-e-commerce-retail-7ea42b561c2f