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
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
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
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
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
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
从数据关联到用户分群
- 广告表846,811 条广告 · 价格、类目、投放计划、品牌
- 曝光日志1,048,575 行 · 每行一次曝光
- 用户表1,048,575 名用户 · 6 项编码属性
- 关联三张表用户编号与广告编号 · 975,441 行
- 清洗缺失数据移除性别或年龄层级缺失的记录
- 划分价格区间9 个区间,最高为 12,800 及以上
- 分区间计算点击率点击次数 ÷ 曝光次数
- 分区间分析用户构成年龄 · 消费层级 · 购物层级
- K-means 聚类5 类用户 · 40,997 名有点击行为的用户
- 沿用 RFM 分层名称重要保持 · 发展 · 挽留 · 一般 · 低价值
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
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
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
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
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
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
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
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
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。