数据 · 2023 年 8—10 月

电商用户与营销分析

2023 年商业分析实习项目:梳理电商分析指标体系,并基于覆盖 9 天的脱敏展示广告样本开展用户分析。关联约 105 万次曝光与 384,559 名用户,比较不同价格区间的点击表现和人群构成,再将有点击行为的用户分为五类,借用 RFM 分层名称提出营销建议。

角色
商业分析实习生
时间
2023 年 8—10 月
技术栈
Python · pandas · matplotlib · scikit-learn · Word
项目规模
约 105 万次曝光 · 384,559 名用户 · 61,117 条已展示广告 · 覆盖 9 天的脱敏展示广告样本 · 包含 52 项指标与模型的分析框架 · 5 类用户,沿用 RFM 分层名称

数据与图表

2023 年 8—10 月的商业分析实习项目。数据来自覆盖 9 天的脱敏展示广告样本,包括广告表、曝光日志和用户表;用户属性以编码层级表示。本页图表根据该样本复算生成,分群结果与原报告的差异见下文说明。

曝光次数
约 105 万9 天 · 51,900 次点击
点击率
4.95%全部价格区间的整体点击率
曝光用户数
384,559其中 93% 可关联至用户表
已展示广告数
61,117广告表共 846,811 条
用户分群数
5对 40,997 名有点击行为的用户进行 K-means 聚类

电商分析指标体系

围绕五类业务问题,整理 52 项指标与模型

  1. 流量与新客

    • 独立访客数(UV)
    • 页面浏览量(PV)

    新增用户

    • 市场增长潜力
    • 市场用户画像
    • 新老客户分析

    策略人群

    • 大快消策略人群
    • 白领人群
    • 中老年人群
    • 中高消费人群
    • 低消费人群
  2. 需求与场景

    用户调研

    • 搜索词
    • 品牌词
    • 品类词

    评价分析

    • 客服与物流
    • 产品属性与赠品
    • 场景词 · 好评率

    站外营销

    • 分平台关键词匹配
    • 达人种草与投放

    消费者流向

    • 用户来源
    • 用户去向
    • 关联购买
  3. 转化漏斗与流失

    转化环节

    • 浏览
    • 关注 / 收藏
    • 购物车
    • 下单 / 支付
    • 出库
    • 完成交易

    流失原因

    • 退货换货
    • 移除购物车
    • 兴趣转移 · 下单失败
    • 订单取消 · 跳出

    模型

    • AARRR
    • AIDMA · AISAS
    • 消费漏斗 · 电商漏斗
  4. 留存与复购

    留存

    • 初始事件
    • 回访事件与对比群组
    • 分析时间段

    复购

    • 计算公式与复购用户
    • 复购率
    • 按商品 · 用户 · 渠道拆分
    • 可视化
  5. 用户价值

    RFM 模型

    • 距最近一次消费的时间
    • 消费频次
    • 消费金额

    用户分层

    • 重要保持用户
    • 重要发展用户
    • 重要挽留用户
    • 一般用户
    • 低价值用户

    ABC 库存分析

    • A 类 · 10% 商品,70% 金额
    • B 类 · 30% 商品,20% 金额
    • C 类 · 60% 商品,10% 金额
图 1:先统一团队的分析口径,再开展具体分析。指标体系覆盖流量与新客、需求与场景、转化漏斗、留存复购及用户价值。最后一列的 RFM 分层名称,也用于解释后续聚类结果。

从数据关联到用户分群

  1. 广告表846,811 条广告 · 价格、类目、投放计划、品牌
  2. 曝光日志1,048,575 行 · 每行一次曝光
  3. 用户表1,048,575 名用户 · 6 项编码属性
  4. 关联三张表用户编号与广告编号 · 975,441 行
  5. 清洗缺失数据移除性别或年龄层级缺失的记录
  6. 划分价格区间9 个区间,最高为 12,800 及以上
  7. 分区间计算点击率点击次数 ÷ 曝光次数
  8. 分区间分析用户构成年龄 · 消费层级 · 购物层级
  9. K-means 聚类5 类用户 · 40,997 名有点击行为的用户
  10. 沿用 RFM 分层名称重要保持 · 发展 · 挽留 · 一般 · 低价值
图 2:使用 pandas 关联广告表、曝光日志和用户表,清洗后按价格划分区间,分别分析点击表现和人群构成。随后对有点击行为的用户聚类,并沿用指标体系中的 RFM 分层名称解释各类用户。

各价格区间的点击率与曝光占比

9 个价格区间 · 圆点表示点击率,柱形表示曝光占比 · 共 975,441 次已关联曝光

点击率3%4%5%6%最高 5.5%最低 4.2%曝光占比0%25%50%40%19%17%9%6%4%3%1%1%0–100100–200200–400400–800800–16001600–32003200–64006400–1280012800+
图 3:约四成曝光来自价格低于 100 的商品,该区间点击率最高,为 5.5%。随着价格升高,点击率在 1,600—6,400 区间降至约 4.2%,到最高区间回升至 5.1%,但该区间仅有 6,236 次曝光。比较点击率时,需要同时关注各区间的样本规模。

各价格区间接触到的用户构成

按用户消费层级划分的曝光占比,不含消费层级缺失的记录

  • 消费层级
  • 低消费层级
  • 中消费层级
  • 高消费层级
0%25%50%75%100%39%6%18%19%0–100100–200200–400400–800800–16001600–32003200–64006400–1280012800+
图 4:不同价格区间的点击率差异有限,人群构成却有明显变化。低消费层级用户贡献的曝光占比,从低于 100 区间的 39% 降至 6,400—12,800 区间的 17%;高消费层级则从 6% 升至 20%。年龄和购物层级的构成相对稳定,因此建议将消费层级作为广告投放的人群划分依据。

有点击行为用户的五类分群

对 40,997 名用户进行 K-means 聚类,特征为购物层级、点击率及点击广告的价格;本页采用固定随机种子复算

  1. 重要挽留

    用户数
    15,094
    点击率
    28%
    点击广告价格中位数
    288
    平均购物层级(1—3)
    3.0
    女性占比
    65%
    最常见年龄层级
    4
  2. 低价值

    用户数
    9,469
    点击率
    27%
    点击广告价格中位数
    24
    平均购物层级(1—3)
    3.0
    女性占比
    65%
    最常见年龄层级
    3
  3. 一般

    用户数
    6,490
    点击率
    52%
    点击广告价格中位数
    149
    平均购物层级(1—3)
    1.6
    女性占比
    50%
    最常见年龄层级
    5
  4. 重要保持

    用户数
    6,127
    点击率
    99%
    点击广告价格中位数
    288
    平均购物层级(1—3)
    3.0
    女性占比
    63%
    最常见年龄层级
    3
  5. 重要发展

    用户数
    3,817
    点击率
    99%
    点击广告价格中位数
    23
    平均购物层级(1—3)
    2.9
    女性占比
    64%
    最常见年龄层级
    3
图 5:沿用原报告的命名方式,以点击率和点击广告的价格分别作为频次、金额的替代指标。最大群体占约 37%,点击率相对较低、点击广告价格较高,被命名为「重要挽留用户」,建议通过再营销触达。两个点击率接近 99% 的群体大多仅有一次曝光,不能据此认定其忠诚度高。

问题

实习期间,商业分析团队交给我两项任务。第一,梳理电商业务需要关注的指标,覆盖流量、需求、转化漏斗、留存和用户价值,统一团队报告的分析口径。第二,结合广告表、曝光日志和用户表完成一次分析:哪些用户值得进一步投入营销资源,哪些用户需要重点关注流失风险?

方法与取舍

先梳理指标体系,再开展分析。 指标体系(图 1)围绕五类业务问题,整理了 52 项指标与模型,从独立访客数、页面浏览量到 RFM 用户分层。先与团队确认框架,再据此组织图表,让每项分析都对应明确的业务问题。

结合点击表现与人群构成解读价格差异。 按用户编号和广告编号关联三张表,形成每行对应一次曝光的明细表(图 2)。将价格划分为九个区间,分界值从 100 起逐级翻倍,最高区间为 12,800 及以上。分别比较各区间的点击率(图 3)和接触广告的用户构成(图 4),避免仅凭点击率推断人群差异。

对有点击行为的用户聚类,再借用 RFM 名称解释分群。 针对至少点击过一次广告的 40,997 名用户,以购物层级、点击率和点击广告的价格为特征,使用 K-means 聚类分为五组。随后沿用指标体系中的 RFM 分层名称:以点击率作为频次的替代指标,以点击广告的价格作为金额的替代指标,使分群结果便于对应营销建议(图 5)。这里使用的是广告行为特征,并非基于实际消费记录计算的完整 RFM 分层。

根据分群提出营销建议。 聚类报告针对各类用户分别给出营销与广告投放策略,让资源分配依据群体特征,而非仅参考整体平均值。

分析结果

交付内容包括指标体系、分析报告和用户聚类报告,主要发现如下:

  • 不同价格区间的点击表现存在差异。 价格低于 100 的广告点击率为 5.5%,在 1,600—6,400 区间降至约 4.2%,最高价格区间回升至 5.1%。
  • 用户构成随价格区间变化。 低消费层级用户贡献的曝光占比从低价区间的 39% 降至 17%,高消费层级用户的占比则从 6% 升至 20%。
  • 分群有助于区分营销策略。 本页复算中,最大群体占有点击行为用户的约 37%,点击率相对较低,但点击广告的价格较高。报告将这类用户命名为「重要挽留用户」,建议通过再营销触达。

原报告中,五个群体的占比分别为 45%、37%、9%、8% 和不足 0.1%。本页使用固定随机种子复算原报告的方法,因此展示的群体规模与原报告不同。

局限

样本仅覆盖 9 天,且经过脱敏处理。文件通过 Excel 保存时被截断为 1,048,575 行,曝光日志和用户表均不完整;用户属性以编码层级表示,缺少具体定义。

部分用户只有很少的曝光记录,其点击率波动较大。两个点击率接近 99% 的群体,大多仅有一次曝光,不能据此判断其为高忠诚度用户。分群名称应结合这些限制理解,也不应将广告点击行为直接等同于实际购买行为。

本页展示的是相关关系。广告价格、商品品类和用户构成同时变化,现有分析无法单独判断价格对点击率的因果影响。

← 返回首页