电商平台之战：Square VS Shopify的数据解决方案

今天，我们带大家了解的主题是：Square VS Shopify电商平台的数据解决方案，以及对应的工作机会。 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：
电商是如何应用数据科学的？
电商零售业是怎么运用数据分析的？
如何在电商数据分析中做Customer Segmentation客户细分？
数据分析师如何高效地给电商品牌做客户细分？

通常，想要判断一个公司具体是做什么的、怎样赚钱的，可以通过公司所招聘岗位的岗位描述，了解到这家公司目前处于怎样的盈利阶段以及公司的发展情况。让我们来看看这两家公司。

Square是个怎样的应用场景呢？举个例子，我们在商店店付款时，经常会看到一个刷卡的pos机是Square的，作为用户，我们可以看到它是一个提供pos机的公司，但这其实不完全是这个公司的业务范畴，Square也为商家提供解决方案，不仅仅只是提供一套收款的硬件，同时也为公司提供在线的E-Commerce平台。

从上图，我们可以看到在Square有很多分析类（Analystics）、数据科学类（Data Science）的岗位，同时也有一些更偏向于软件工程师（Software Engineer）的Full-Stack Engineer或者Data Engineer这类岗位。希望大家可以通过这些分析类（Analystics）和数据科学类（Data Science）的岗位去分析岗位描述，寻找与自己的工作背景契合的点。如果契合度很高，那自然非常好，但如果有一些东西是自己不了解的，又应该怎样去学习和准备，把这些不足的地方填满，只有如此才能在现在竞争非常激烈的就业市场里脱颖而出。

我们来看Square发布的这个数据分析师（Data Analystics）的岗位描述，可以看到此岗位要求候选人有实验项目（Experimentation project）经验（如AB testing），此外还要求两年工作经验。但因为是非常初级的岗位，所以本科或者研究生毕业的同学都可以尝试申请。其他方面提到了一些技能（如SQL），并且很清楚了写了候选人需要知道什么是schema、会做一些ETL的设计。可以推测在面试过程中，不仅会问到怎样去写一些SQL的代码，同时还会问到一些更深层次的问题。由此，我们可以判断的是，Square每天的数据量是很大的。Square作为一个非常大的公司，拥有海量的来自全世界不同的pos机上或者在线E-Commerce平台上面的数据。

面试可能还会问到AB test的问题，比如怎么做T-test。最后也提到了候选人需要会做一些用户流失预测（predicting churn）、聚类用户（clustering user archetypes），可以看出，作为一个E-Commerce公司，普遍存在的问题就是怎样了解用户流失，怎样建立用户流失模型、怎样把用户做聚类（clustering）以及交叉销售（cross-sell）和提升销售（up-sell）。交叉销售（cross-sell）是卖给客户一个产品A，并且想把产品B也卖出去，怎样才能做到这件事情呢？提升销售（up-sell）是假设卖了一个标准规格的产品，怎样把加大加长的plus版产品也卖给客户。通过这几点要求可以看出，Square希望候选人有一些做数据科学模型（Data Science model）的经验。

刚刚讲了Square的职位，大家可能不太熟悉Shopify，但这个公司其实也非常有名。Shopify创立于加拿大渥太华，现在也是IPO，在亚洲市场发展地非常好。和Square不同，Shopify作为电商平台，提供用户更多自由，创造属于用户自己的品牌，例如，帮助用户建立购物车，支付系统，完善物流制度等。Shopify招聘许多职位，包括Senior Data Scientist, Data Engineer, Data Science Manager等，我们接下来会分析这些职位的描述。

我们可以看到，在Senior Data Scientist的职位描述中，清晰地描述了该岗位需要什么技能，而且该技能范围远大于Square，例如你是否做过回归（Regression）、生存分析（Survival analysis）、用户分类（customer segmentation）等，我们在找工作时需要注意这些点。如果职位描述非常详细，你就更需要认认真准备，这也可以成为你的最大优势。在资质方面，Shopify要求4-6年工作经验，要求你拥有分析见解能力，了解Python、软件工程方面的基础知识等，例如怎样设计建设（Architect），怎样设计端到端的数据产品等。同时，如果你拥有扩建ETL管道的经验，那就再好不过了。

那么，什么是电商平台呢？电商平台是将传统的线下商店搬到线上，同时伴有支付系统等功能。因为这种形式比较特殊，所以可以非常了解用户取向。在线下购物时，我们会遇到不同的推销员，他们会根据客户试穿的衣服等为你推荐产品等。但是因为这些推销员的工作经验、工作年限不同，推荐的产品可能并不符合用户取向。第二，如果店内客户比较多，推销员无法顾及到每位客户。这时，电商平台可以为你提供更及时的推荐（例如，猜你喜欢等），或者为你推荐捆绑商品等。

这也是E-Commerce能够更好、24hX7地去了解客户需求，并且给出一些推荐，这也是它的优势。还有一点，它会给你一些促销、低价的福利。

我们看一下都有什么电商平台，希望对这个行业感兴趣的同学不用完全于纠结几家公司，可以考虑一下其他公司。比如，Wix是以色列一个利润大于十亿美金的公司，Big Commerce是澳大利亚去年上市的一个公司，虽然没有Wix那么大，但是值得关注。剩下Magento Commerce、WooCommerce、PreataShop三个公司，是E-commerce开源的API框架，首先它是免费的，它可以帮助用户更好地建立网站。比如WooCommerce是有名的Wood Plus旗下的子公司，它专门为中小型电商建立的平台，可以用它搭建自己的网站。Squarespace是帮你建立网站的公司，不仅仅是限制在电子商务方面，还有很多模板，可以购买它的模板，也可以租网络服务器等设备。

关于如何选择电子商务平台，我们这里也有一些推荐。首先，你需要考虑自己的产品是不是必须线下销售，是否需要邮寄，比如卖NFT的一个币、或是数据服务流（data service streaming），根本不存在这样的邮寄的场景。而如果这个平台它是专注于物流部分的，我们就不会优先考虑它们；第二就是怎样把产品交付给消费者；第三是怎么与消费者建立密切关系，并且能够发展这个业务；最后是怎样经营业务和管理财务。比如知道些货源卖货，但是不了解财务以及如何报税等，现在很多电商平台不仅提供了网站的设计，同时也提供了怎么去报税这样一些便利的服务。

Shopify和Square有一个很大的区别——Shopify有Monthly Fee的，同时在每个Payment中会有一个2.9%的Processing Fee，这个和Square是一样的，同时有一个online fee。虽然Shopify收费，但是这些费用还是小于Amazon的marketplace的。但是，要如何选择在Shopify还是Amazon上面卖东西呢？这个是根据自己的用户群体，到底是卖一个什么东西，需不需要Shipping，可以自己计算一下相关费用选择平台。

接下来这部分，讲的是数据科学在电商平台方面都有一些什么项目，或者是有哪些商业问题。

首先是用户生命周期的问题，我们怎么去算用户生命周期，一个比较简单的公式是

(Average Order Value) x (Number of Repeat Orders) x (Average Customer life span)

这个公式看起来很简单，但是我们要明，白平均订单价值、重复订单数量、平均客户寿命都是在变化的量，以平均客户寿命举例，每一个客户的寿命都是不一样的，尽管我们可以取平均值，但均值也是不一样的，平均客户寿命不一定是一个完美的正态分布的形态，假设我们用一个很传统的平均用户生命长度来算，有可能我们会高估或者低估，这样有可能存在风险是造成公司的一些收支不平衡。

下面一个问题是流失模型（churn model），我们在回答用户生命周期之前，要先了解用户的流失，比如，shopify有一个月费（monthly subscription），如果用户停止订阅的话，我们就知道这个用户流失了；但是像square这样的商业模式，是不收费的。当用户不再用我们的产品和服务的话，我们是不知道的，那么我们怎么推算churn呢？这个就是问题的难度所在。因为有可能一个用户两个月没有用相关产品和服务了，但是隔了两个月这个用户又回来了，所以当没有monthly subscription的时候，会更难的判断是否有流失。这个也是在做电商分析的时候需要学习和研究的模型。

购物篮分析（Market Basket Analysis）比较有趣，我们首先要看公司是否有增长，这中间会存在很多干扰信息，比如，我们的每一个电商商店每个月或者每年销售的产品是不一样的，由于我们销售的产品种类和数量都不一样，所以并不能推算网上商店是不是有增长。所以一个经典的分析是说把所有的东西先放到一个篮子里面，抛开之前增减的新添加的产品不谈，先看一下篮子里面的产品是什么样的状态，然后判断商店是增加还是减少。有一个传统的解决方法是同店销售（Same-store sales）。

最后一个问题是价格优化（Price Optimization），这个是一个比较难的问题，需要对供给和需求有更深入的了解。同时更难的是怎样判断需求，如果你感兴趣这个话题的话可以搜一下Uber的需求预测（demand forescast），看他们是怎么做价格优化的，这里面的难点是做需求评估；另一个是调整价格，要注意怎样让价格在比较公平的情况下同时提高销售收入，带动利润不仅仅是提高收入，要考虑怎样把一个产品以一个合适的价格卖给需要的人，甚至我们可以给一个促销价格。

如果想要在电商行业走得更远的话，可以多找一些相关的项目，真实体验一下。同时如果你发现申请的公司或者职位有这样一个项目的话，以可以多加了解，因为你在这个职位上学到的内容可以帮助你拿到其他的一些工作机会，在今后的职业发展中在其他的职位也可以更好的展现自己。

电商给我们的生活带来的便利我们多少都有体会，而数据科学还在继续推动这个行业的发展。希望今天的工作分享和电商运用的技术能帮你了解这个行业。感谢你的阅读！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/

Recap 作者：数据应用学院
美工编辑：过儿
校对审稿：佟佟
公开课回放链接：https://www.youtube.com/watch?v=IzIjdWlMSAw