最近做的项目是唯品会促销案例复盘，主要是用jupyter notebook，使用python的pandas和numpy包完成分析， 评估每次促销活动的结果，并根据情况优化商品结构，以便让自己的商品卖的更好。

一、项目背景

唯品会是一个专门做特卖的网站，特卖一般是指在特定的时间段里，以优惠的价格出售指定的商品，一般以商城或者专卖店为多。该模式在线下早已存在（比如商场促销、街边的尾货甩卖），在国外成熟的大商场内也有针对滞销商品的打折特卖，如奥特莱斯。

在货源上，由于品牌尾货具备天然的清仓需求，是折扣零售最常见的货源，但实际上，只要成本足够低，新品首发、定制包销、自有品牌均可以成为折扣特卖零售的可持续货源。成立初期，唯品会货源以尾货为主，但随着唯品会在电商领域的不断发展，新品和专供品的占比不断提升，早在 2016 年 Q2 分析中，唯品会当季新品和平台特供品就已经占 37%了。

二、数据获取来源

通过远程jupyter notebook环境连接数据库读取以下三个表的数据。

1）商品明细表：

        主要包括每件商品的详细信息，包括：售价、吊牌价、折扣率、库存量、货值、成本价、利润率以及SKU这些字段。折扣率和利润率情况已经包含，后续可以省去计算步骤

2）商品热度情况：

        本表包含4个字段：商品名、UV数、收藏数和加购物车数。这些字段可以通过商品名和其余表关联，计算转化率等

3）用户销售明细表：

        本表记录每个用户购买商品的详细情况，包含：用户id、购买日期、商品名、购买数量、购买单价、购买金额、是否退货、退货件数、退货金额这些字段。可通过商品名和前两张表关联，完成商品销售情况的聚合分析

三、数据预处理

1.分别读取三张表的信息

表一

表二

表三

2.合并三张表

将三张表合并来，合并成一张表，便于后续计算和分析：

首先通过两张表都有的“商品名”字段，将商品明细表和商品热度表合并，得到基础商品信息

用户销售明细表并不能直接合并，需要先以“商品名”为主，通过groupby聚合，提取需要的字段

再将以上两张表通过“商品名”字段合并，完成三张表的聚合

合并商品明细表和商品热度表

对用户信息表进行聚合

完成三表合并

四、总体运营情况

1.总体运营情况评价以及字段含义解释

总体运营部分，主要关注销售额、售卖比、UV、转化率等指标，其他指标作为辅助指标。销售额用来和预期目标做对比，售卖比用来看商品流转情况。

GMV：销售额，在唯品会里称为到手价。

实销：GMV – 拒退金额。

销量：累计销售量（含拒退）。

客单价：GMV / 客户数，客单价与毛利率息息相关，一般客单价越高，毛利率越高。

UV：商品所在页面的独立访问数。

转化率：客户数 / UV。

折扣率：GMV / 吊牌总额（吊牌总额 = 吊牌价 * 销量），在日常工作中，吊牌额是必不可少的。

备货值：吊牌价 * 库存数。

售卖比：又称售罄率，GMV / 备货值。

收藏数：收藏某款商品的用户数量。

加购数：加购物车人数。

SKU数：促销活动中的SKU计数（一般指货号）。

SPU数：促销活动中的SPU计数（一般指款号）。

拒退量：拒收和退货的总数量。

拒退额：拒收和退货的总金额

1.1 运营指标的计算

1、GMV：销售额，包含退货的金额

2、实际销售额=GMV - 退货金额

3、销量：累计销售量（含拒退）

4、客单价：GMV / 客户数，客单价与毛利率息息相关，一般客单价越高，毛利率越高。

5、UV：商品所在页面的独立访问数

6、转化率：客户数 / UV

7、折扣率：GMV / 吊牌总额（吊牌总额 = 吊牌价 * 销量），在日常工作中，吊牌额是必不可少的。

8、备货值：吊牌价 * 库存数

9、售卖比：又称售罄率，GMV / 备货值

10、收藏数：收藏某款商品的用户数量

11、加购数：加购物车人数

12、SKU数：促销活动中的最小品类单元（一般指货号）

13、SPU数：促销活动中的SPU计数（一般指款号）

14、拒退量：拒收和退货的总数量。退货件数

15、拒退额：拒收和退货的总金额

1.2汇总统计，计算同期数据做对比

今年的数据汇总并化成DataFrame形式

去年的数据汇总并化成DataFrame形式

通过转置合并得到数据对比表格

2.从价格区间来优化商品结构

首先我们需要找到在本次促销中此区间的销售源数据，源数据要求显示具体的款号、销售额、销量等信息。第二步，计算出每个款的转化率、折扣率等数据。

2.1对数据进行分组

三个区间进行分组聚合统计

2.2货值占比、销售占比、客单价、转化率

2.3取出区间在400以上的用户做重点销售，以便对商品进行优化

2.3.1转换率=客户数 / UV

2.3.2备货值=吊牌价 * 库存数

2.3.3售卖比=又称售罄率，GMV / 备货值

2.3.4取出需要的字段

2.4 优化方案：

转化率大于0.7%的商品，暂时保留，用于下次促销活动；

转化率小于0.7%的商品，但是售卖比大于36%的商品予以保留参加下次促销活动，

转化率小于0.7%的商品，并且售卖比小于36%的商品进行清仓处理。

2.4.1、保留商品：转化率大于0.7%的商品予以保留

2.4.2、保留商品：找出转化率小于0.7% 但是 售卖比大于36%的部分予以保留

2.4.3、清仓处理商品，找出转化率小于0.7%并且售卖比小于36%的部分

3.从折扣区间来优化商品结构

我们选择0.35-0.4折扣区间进行深入探究。dt_product_discount_info表中，我们可以得到0.35-0.4折扣区间的售卖比为16.90%，转化率为0.53%，折扣率为37%，在进行商品结构优化的时候要着重对比这几个指标。

3.1对折扣率的数据进行分组

3.2折扣区间销售情况统计

3.2.1对数据进行分组聚合

3.2.2货值占比、销售占比、客单价、转化率

3.2.3取出0.35-0.4价格区间的数据内容

3.3.计算商品指标

3.3.1转换率=客户数 / UV

3.3.2备货值=吊牌价 * 库存数

3.3.3售卖比=又称售罄率，GMV / 备货值

3.3.4提取需要的字段

3.4优化方案：

折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留，其余进行清仓处理；

折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留，其余进行清仓处理。

1、保留商品：折扣率大于37%的部分找出售卖比大于36.5%且转化率大于0.7%的商品予以保留

2、清仓处理商品，不满足条件的：折扣率大于37%的部分找出售卖比小于36.5%或转化率小于0.7%的商品

3、保留商品：在折扣率小于37%的部分找出售卖比大于36.5%且转化率大于0.7%的部分予以保留

4、清仓处理商品，不满足此条件的：在折扣率小于37%的部分找出售卖比小于36.5%或转化率小于0.7%的部分

五、总结

在一级入口中，首页的流量占比最高，我们可以将畅销款布局在首页档期流。在唯品会中，我们需要不断的增加商品来保证我们的SKU数，对于新增的商品我们也会增加在其中。对于平销款，我们将其作为快抢和疯抢处理。