雙十一數據解密：電商銷售額與哪些因素有關？數據分析告訴你

[#1]

購物者的年度春晚「雙十一」購物狂歡節，你下了多少單？

雖然今年小編買的不算太多，但也算是為「雙十一」貢獻了一份力量吧！

雙十一做為電商零售一年一度的促銷大季，各家電商和品牌方都在摩拳擦掌，火力全開，品牌方想要在電商大戰中拔得頭籌，對於消費者洞察就必不可少，品牌方對消費者的購買行為瞭解地越透徹，就越能有效地幫助企業更有針對性地開展市場行銷活動。

本篇文章透過數據分析的方式，針對電商的幾個關鍵因子作分析，解釋哪些可能因子影響銷售額，幫助電商零售找到提升銷售額的洞察。

今天，我們就借助文獻Sakar, C.O., Polat, S.O., Katircioglu, M. et al. Neural Comput & Applic (2018) 中的一份公開樣本資料，結合JMP軟體來對網購使用者購買行為做一些有趣的探索性資料分析。

Step.1 資料獲取

原始資料來源

原始資料的獲取，可以通過網址下載csv格式原始資料，並通過JMP打開；也可以直接利用JMP的網頁讀取功能，直接獲取網頁端資料。

（JMP操作：文件-> 從internet打開 ->網頁）

資料背景介紹

該資料集包含12,330 名網購用戶一年內在該網站的購買行為，以及對應的17個使用者行為記錄和最終交易結果。其中17個行為記錄，包括10個數值型特徵，7個分類型特徵。

1. 基本資訊

管理類網頁，管理類停留時間，資訊類網頁，資訊類停留時間，產品類網頁，產品類停留時間，表示用戶在不同類型網頁上的打開數量及停留時間總和。

2. 跳出率

跳出率表示從某個特定路徑進入網站頁面，有多少百分比的用戶什麼都沒有做，就直接離開了網站，它既可作為衡量整個網站的度量，也可作為衡量頁面的度量。

3. 退出率

退出率表示對某一個特定頁面而言，從這個頁面離開網站占所有訪問到這個頁面的百分比，一般作為衡量頁面的度量；

4. 頁面價值

頁面價值表示使用者在完成交易之前訪問過的網頁的平均值；

5. 特殊日

特殊日，表示網站存取時間與特定特殊日子的間隔；

6. 其他

此外還包括使用者使用的作業系統、流覽器、區域、流量類型、訪客類型，是否為週末以及一年中的月份資訊。

Step.2 視覺化探索性分析

跳出率高低，關係到網路行銷的成功與否

客戶僅僅查看單個頁面後退出，讓品牌方很難有機會說服消費者購買產品，畢竟他們只流覽了一頁。讓我們來查看下面跳出率的情況吧。

（JMP操作：分析-> 分佈）

從圖上可以看出，90%客戶的跳出率低於6%，所有用戶的平均跳出率只有2%，是不是很完美？請先不要著急高興。它可能是不準確的，或許是網站的分析跟蹤代碼如何集成到網站出現了技術問題。

因為根據以往經驗，「正常」跳出率在 40%-60% 之間，低於 40% 是非常罕見的，高於 70% 是令人擔憂且是需要趕緊採取行動的。

當前跳出率超出預期範圍並且看起來「好得令人難以置信」，應該是網站中的某個地方重複的分析代碼所造成。

使用者數值型特徵的多元探索

在做購物行為分析的時候，使用者的數值型特徵可能維度很多，借助JMP的多元分析方法，可以快速發現各個維度之間的關係，並有可能實現降維操作，為後續的特徵監控減少不必要的資源浪費。

（JMP操作：分析 -> 多元方法 ->多元）

基於當前資料，使用者在各個不同類型網頁上的打開數量和停留時間成正相關， 這個很好理解。跳出率和退出率因為計算公式相似也成明顯正相關，此外，沒有發現明顯的數值特徵相關。

使用者上網方式對銷售的影響

通過下圖卡方檢驗的統計結果，我們可以捕捉到完成交易與否與客戶的作業系統、流覽器類型和流量類型之間的關係。

（JMP操作：分析->以X擬合Y）

就作業系統而言，不同作業系統，使用者完成交易的比例是不一樣的。

通過圖形也能看出，作業系統是「2」的時候略高，而「1」和「3」則偏低，這可能意味著網站頁面對這些作業系統的支援不夠友好，如果要提升這部分的收益轉化，則需要做出相應的改進。同理，對流覽器類型和流量類型，我們也看到了他們對使用者完成交易比例的統計學影響，說明網站在這方面也有改進空間。

新老客戶和工作日/週末對銷售的影響

借助2.3部分卡方檢驗的方法，我們也能快速發現一些新老客戶和工作日/週末對銷售的規律，但這裡嘗試另一種資料表匯總的方法。

（JMP操作：分析-> 消費者研究 -> 分類）

結合上面的圖形和資料，能清楚地看到：老客戶是網站訪問的主力，說明網站在客戶維繫上做得很好；但是我們也看到，不管是在平日（13.2% vs 26.1%）還是在週末（16.5% vs 21.9%），新客戶的完成交易的比例都要高於老客戶，這說明網站可以在老客戶的轉換率上做出些改進。

例如老客戶在購買商品的時候可以通過介紹新客戶的方式來享受更大的折扣，這樣既調動了老客戶的購買熱情，也為網站增加了更多的新客戶。

多樣分析結果的集中展示

如果想把各種分析圖表以報表的形式集中展示， 可以通過JMP的腳本功能，就可以一鍵實現報表連結資料的即時更新，節省大量的重複性手動操作。

（JMP操作：檔 -> 新建 -> 應用程式）

以上是一些探索性資料分析的結果。下面，我們來進一步嘗試用資料採擷的方法對上面提到的使用者主要特徵與交易結果建立量化的統計模型。

Step.3 資料預測建模

通過決策樹，篩選影響銷售的關鍵特徵

決策樹是一種有監督學習方法，能夠從一系列有特徵和標籤的資料中總結出決策規則，並用樹狀圖的結構來呈現這些規則，結果解釋方便，在各個行業和領域都有著廣泛的應用。

（JMP操作：分析 -> 預測建模 -> 分割）

從圖中我們可以觀察決策樹的各個階段，從上到下顯示影響交易結果的最重要的特徵。

其中最重要的是網頁價值，網頁價值低於0.067和高於0.067的成交比率分別為3.85%和56.4%，差距明顯。後面還有些比較重要的特徵參數也都一併列出，比如跳出率，月份和產品相關頁面等，這些資訊都是驅動交易結果的重要因素，現在可以快速被挑選展示出來，從而讓品牌方有了一個更清晰的改進優化重點。

優中選優，更多資料採擷方法的嘗試

除了決策樹，JMP還提供了諸如神經網路、隨機森林、提升樹和支援向量機等多種資料採擷的方法，並且可以輕鬆完成模型演算法之間的比較，實現優中選優。

通過JMP Pro 16 全新的模型篩選來對多種資料採擷方法一次性完成比較，在這之前，為了防止構建的模型過擬合，可以先按照訓練集，測試集，驗證集 6：2：2的比例對原始資料進行拆分，生成驗證列。

（JMP操作：分析->預測建模 ->生成驗證列）

如下圖所示，一次輸入特徵參數和交易結果，平臺會同時構建多個演算法模型，並自動篩選出當前的最佳建模方法為隨機森林，模型在測試集上的表現，也就是對將來新資料的預測能力R方達到了0.6，預測準確性達到了90.7%。

精確的預測模型可以説明品牌方儘早瞭解每一個使用者可能的交易結果，尤其是預測交易失敗的情況，提早做出應對和補救，比如打折，比如在客戶退出頁面前彈出挽留介面等。

（JMP操作：分析 -> 預測建模 ->模型篩選）

怎麼樣？看了今天的分析，是不是讓你在「電商大戰」中更有信心了呢？

對品牌方而言，提供個性化產品、服務與商品推薦，並針對個別需求做出一對一行銷，是網路行銷相對于傳統行銷的一個巨大優勢。

結合JMP資料分析軟體，您能夠透過對網購用戶消費行為的深入分析，可以幫助企業設計出更能滿足目標顧客群需求的商品集合頁與促銷活動，並及時針對發現的潛在問題，做出相應的改進，從而為企業帶來更大的收益。

>> 立即下載JMP 16，即享30天免費試用 <<