商务数据分析与应用实训教程 课件 项目4、5 商品分析、用户分析

项目4商品分析场景描述企业A是一家集设计、生产、销售于一体的公司，在线上开通了天猫旗舰店进行日常销售。随着业务的发展，为了更好地满足客户需求，了解客户的定位，企业A想对店铺中的商品进一步细分，对不同的商品做出更准确的定位，企业A开始对淘宝/天猫平台保健用品市场的客户需求及商品的生命周期等进行分析。项目目标掌握商品分析的方法，把控商品的生命周期，使店铺的商品不断优化，最终提升店铺整体的销售额。项目任务分析维度商品分析

任务1：商品评价分析

商品评价

任务2：爆款诊断分析

爆款各指标表现

任务3：商品生命周期分析

商品的销售周期

任务4：商品关键词分析

商品各关键词表现

任务5：商品供应链分析

商品库存变化及补货分析思路项目4商品分析任务1商品评价分析商品评价是指消费者对购买商品的使用体验、感受、满意度等进行的一种表达和评价方式。什么是商品评价？通过抓取用户对商品的评价用语，对用户评价的词根拆分与词频统计，分析出用户对商品的评价信息。如何进行评价分析？收到/随身灸/了/，/包装/很/上/档次/，/艾灸盒/专利/设计/的/，/材质/也/很好/，/艾柱/是/正宗/艾绒/，/烟小/，/灸感/明显/，/非常满意/的/一款/艾灸/工具

举例：评价分析实操数据源：该任务所用到的文件名称为“4-1商品评价分析”（1）复制评价内容,进入“PowerQuery”编辑器评价分析实操（2）筛选数据（3）分词处理评价分析实操（3）分词处理评价分析实操（4）词频统计（5）关闭上载基于分词进行统计，分组汇总方式为计数，最后关闭上载数据。评价分析实操（5）柱形图制作降序排序，筛选词频，删除“了”“的”等词，再制作图表。项目4商品分析任务2爆款诊断分析爆款诊断分析爆款是指在商品销售中，供不应求，销量很高的商品。进行爆款诊断分析的原因主要有以下几点:通过爆款诊断分析，卖家可以全面了解自己产品在市场的表现，包括销量、流量、转化率等关键指标。这样有助于卖家判断产品是否具有爆款潜力。了解产品表现基于爆款诊断分析的结果，卖家可以调整和优化运营策略，例如改进产品描述、调整价格策略、加大推广力度等，从而推动产品更好地满足市场需求，提升销售效果。指导运营策略通过分析，卖家可以及时发现并解决可能导致销售不佳的问题，避免库存积压和资源浪费，降低经营风险。降低风险爆款诊断实操

数据源：该任务所用到的文件名称为“4-2爆款诊断分析”（1）访客数分析①从“行业数据”表中复制“日期”“访客数”“浏览量”“行业成交金额”“行业支付转化率”等指标数据至新表。②选择“日期”“访客数”“商品访客数”三列。指在通过对爆款的访客数、浏览量、支付转化率与成交金额的统计分析，将这些指标跟行业进行对比，分析商品是否具有爆款潜质。爆款诊断实操（1）访客数分析③插入数据透视表，绘制组合图，并美化图表。爆款诊断实操①选择“日期”“浏览量”“商品浏览量”三列。（2）浏览量分析爆款诊断实操②插入数据透视表，绘制组合图。（2）浏览量分析爆款诊断实操③设置坐标轴格式，单位为百万，并美化图表。（2）浏览量分析爆款诊断实操①选择“日期”“行业成交金额”“行业支付转化率”三列。（3）行业成交金额与支付转化率分析爆款诊断实操②插入数据透视表，绘制组合图，并更改图表标题。（3）行业成交金额与支付转化率分析爆款诊断实操③设置坐标轴格式，“支付转化率”指标百分比小数位设为0，“行业成交金额”指标单位为百万，并美化图表。（3）行业成交金额与支付转化率分析爆款诊断实操④添加数据标签，并美化图表。（3）行业成交金额与支付转化率分析爆款诊断实操①选择“日期”“商品成交金额”“商品支付转化率”三列。（4）商品成交金额与支付转化率分析爆款诊断实操②插入数据透视表，绘制组合图，并更改图表标题。（4）商品成交金额与支付转化率分析爆款诊断实操③设置坐标轴格式，“支付转化率”指标的最小值设为-0.06，百分比小数位设为0，“商品成交金额”指标最大值设为2400。（4）商品成交金额与支付转化率分析爆款诊断实操④美化图表。（4）商品成交金额与支付转化率分析项目4商品分析任务3商品生命周期分析什么是商品生命周期？商品生命周期是指一个商品从研发、生产、上市、销售到退出市场的过程，一般可以划分为引入期、成长期、成熟期和衰退期四个阶段。指新产品刚进入市场的时期。往往表现为销量增长缓慢，利润为负。引入期指产品已经开始为大批购买者所接受的时期。往往表现为销量的急剧上升，销售利润不断增加。成长期指产品所处市场已趋于饱和，或已出现强有力的替代产品的竞争，销量增速开始趋缓，利润也开始随之下降的阶段。成熟期由于消费者的兴趣转移，或竞品已逐步开始占领市场，产品的销量开始迅速下降，直至最终退出市场。衰退期根据产品的销售额数据绘制销售额折线图，从中分析出产品的生命周期，从而把握产品的运营节奏。如何分析商品生命周期？

数据源：该任务所用到的文件名称为“4-3商品生命周期分析”（1）创建数据透视表①创建数据透视表，设置数据透视表字段。商品生命周期分析实操（2）创建生命周期折线图①绘制折线图。②单筛选某一商品进行观察，这里筛选显示商家编码为“7A719424000-08”的商品。商品生命周期分析实操项目4商品分析任务4商品关键词分析商品关键词指的是商品标题中的词，是与商品属性相关的关键字眼，能够被买家搜索到，从而提高商品的曝光率。因此，商品关键词的选取对于商品的销售和推广非常重要。商品关键词分析通过对商品(自身店铺)和竞品的关键词与行业搜索关键词进行建模，对比分析特定关键词的访客数等指标趋势，从而达到优化商品标题的目的。分析商品关键词

数据源：该任务所用到的文件名称为“4-4商品关键词分析”（1）竞店关键词拆分①分别将4张表加载到PowerQuery编辑器。商品关键词分析实操（1）竞店关键词拆分②在“单品表”中添加自定义列。③展开词根，不勾选“使用原始列名作为前缀”。商品关键词分析实操（1）竞店关键词拆分④添加自定义列，判断关键词中是否包含词根。⑤勾选“TRUE”保留包含词根的关键词数据⑥关闭上载数据，但仅创建连接添加至数据模型。商品关键词分析实操（2）商品关键词建模①再次进入PowerPivot操作界面，选择“关系图视图”②关联4张表。商品关键词分析实操③返回数据视图，添加3个度量值。总访客数：=SUM([访客数])总支付买家数：=SUM([支付买家数])平均转化率：=[总支付买家数]/[总访客数]商品关键词分析实操（2）商品关键词建模④在PowerPivot编辑器的主页创建“数据透视表”。⑤以“词根”作为维度，“单品”表中的“总访客数”“总支付买家数”“成交金额”“平均转化率”，“竞品”中的“uv”和“成交订单”，“行业”表中的“搜索人气”“交易指数”“在线商品数”“支付转化率”作为指标。商品关键词分析实操（2）商品关键词建模（3）关键词分析①创建透视图，并创建在现有工作表中。②添加数据透视表字段。商品关键词分析实操③添加“词根”切片器。商品关键词分析实操（3）关键词分析项目4商品分析任务5商品补货计划分析商品补货计划补货要考虑现有库存量、未来可能产生的销量、安全库存量和供应链的补货周期，在买家下单时现有库存量能够支撑等待补货的时间。比如补货周期时14天，要提前预留超过14天的库存，在剩余14天库存时就要给工厂下单。补货业务逻辑商品补货计划是指商家根据商品的销售情况、库存状况等因素，制定的一项计划，用于确定何时需要补货以及补货的数量。这个计划有助于商家保持合理的库存水平，避免缺货或积压现象，从而满足顾客需求，优化运营效率和成本控制。

数据源：该任务所用到的文件名称为“宝贝报表”“订单报表”“库存统计表”（1）订单-库存关系建模①新建一张表，进入PowerPivot界面。②分别导入3个Excel文件。商品补货计划分析实操（1）订单-库存关系建模③在“关系图视图”中建立表关系。“订单报表”的“订单编号”字段连接“宝贝报表”的“订单编号”字段，“宝贝报表”的“商家编码”字段连接“库存统计表”的“商家编码”字段。商品补货计划分析实操（2）计算补货周期①新增计算创建多个新列。近N天销量=SUMX(FILTER('宝贝报表','宝贝报表'[商家编码]='库存统计表'[商家编码]&&DATEDIFF(RELATED('订单报表'[订单付款时间),Date(2019,1,30),day)<='库存统计表'[补货周期]),[购买数量的总和])多少天后补货=IF(CEILING(DIVIDE([库存],[近N天销量]),1)-1<0,0,CEILING(DIVIDE([库存],[近N天销量]),1)-1)*[补货周期]最小补货量=IF([多少天后要补货]=0,[近N天销量]-[库存],0)最近一周备货量=IF('库存统计表'[多少天后要补货]=0,库存报表'[最小补货量]+'库存统计'[近N天销量],0)商品补货计划分析实操（3）创建商品补货计划表①在PowerPivot界面创建数据透视表，且创建在现有工作表中。②添加数据透视表字段。将“库存统计表”中的“商家编码”字段作为维度，“近7天销量”字段、“产品库存”字段、“补货周期”字段、“多少天后补货”字段、“最小补货量”字段、“最近一周备货量”字段作为指标。商品补货计划分析实操“优鲜沛蔓越莓干907g*1”近7天销量最高，达到57件，并且“优鲜沛蔓越莓干907g*1”最近一周备货量也最多，为84件货。“狗男不开心带鱼酥*1盒”近7天销量最低仅有7件，在42天后才需要补货。谢谢观看！项目5用户分析场景描述某店铺近期为了更好地了解店铺用户的情况与想法，决定对店铺用户进行一次更深层次的研究分析。希望通过一系列分析后，能够调整运营方案为店铺带来更好的收益。项目目标通过数据分析对店铺用户有一个明确的认识，为店铺接下来的运营方式、方案的实施提供数据支持。项目任务分析维度用户分析任务1：店铺用户地域打标

用户地域透视表

用户地域可视化任务2：用户响应预测分析

用户响应预测模型任务3：用户价值分析

RFM模型任务4：用户舆情分析

产品评论分词

产品评论的词云图分析思路项目5用户分析任务1店铺用户地域打标店铺用户地域打标是指对店铺的用户根据其所在地域进行分类或标记。什么是店铺用户地域打标？为什么要进行店铺用户地域打标？通过对用户地域进行打标，可以更好地了解用户的分布情况，从而帮助店铺进行地域性的市场分析和销售策略的制定。如何进行店铺用户地域打标？可以通过成交金额这一重要指标来了解用户的地域分布情况。某个地域的用户成交金额较高，可能意味着该地区的用户需求较为强烈。店铺用户地域打标实操数据源：该任务所用到的文件名称为“5-1用户打标”①选中“5-1用户打标”表中的任意单元格。②在“插入”选项卡中选择“数据透视表”选项。③设置“数据透视表字段”时，要将“省份”字段放入“行”标签框；将“总金额”字段放入“值”标签框。④在数据透视表的“求和项：总金额”字段区域内右击，选择“排序”选项卡下的“降序”选项，对总金额进行降序排序。⑤单击数据透视表区域，选择“插入”选项卡下面的“柱形图”选项。店铺用户地域打标实操⑥优化图表：删除网格线，修改图表标题，添加数据标签等。店铺用户地域打标实操项目5用户分析任务2用户响应预测分析用户响应预测分析是一种数据分析方法，旨在预测和理解用户对特定行动或事件的响应。什么是用户响应预测分析？为什么要进行用户响应预测分析？通过用户响应预测分析企业可以更好地了解用户需求和行为，从而优化营销策略和提供个性化的服务，提高用户满意度和业务效益。如何进行用户响应预测分析？基于历史响应数据，可以通过函数计算参数、预估用户响应结果以及单样本损失等内容。接着，可以使用梯度下降法和适当的学习率来更新参数。最后，通过对比历史响应结果和函数预估结果，可以评估预估的准确性。用户响应预测分析实操数据源：该任务所用到的文件名称为“5-2用户响应预测”①打开“5-2用户响应预测”文件。②在字段“宝贝总数量”旁添加一列，列名为“用户响应预测”，键入公式“=RANDBETWEEN(0,1)”，随机生成0或1，这里的0或1表示用户上一次的响应情况。③在空白处添加“参数”字段，并在“参数”字段键入公式“=RAND()*0.5”。因为用到的数据有4个特征列，所以设置4个参数。用户响应预测分析实操④在字段“用户响应预测”旁，新增一列名为“预估值”的字段，键入公式“=1/(1+EXP(-SUMPRODUCT(A2:D2,$P$3:$S$3)))”，计算“预估值”列中的值。⑤在字段“预估值”字旁添加一列，列名为“单样本损失”，键入公式“=-IF(F2=E2,0,(E2*LOG(F2)+(1-E2)*LOG(1-F2)))”，计算出每个单样本的损失值，“单样本损失”字段就是建模过程中样本的损失值。用户响应预测分析实操⑥设定一个“学习率”字段，“学习率”数值不易设定过大，可以设为0.01。⑦在已设置的“参数”字段下方，对应键入“梯度”字段，并键入公式：“=AVERAGE(SUMPRODUCT($F$2:$F$64,A2:A64)-SUMPRODUCT($E$2:$E$64,A2:A64))”通过AVERAGE函数和SUMPRODUCT函数两者的结合计算得出“梯度”字段的值。⑧在已设置的“梯度”字段下方，对应键入“更新后参数”字段，并键入公式“=P3*$W$3*P5”计算出“更新后参数”字段的值用户响应预测分析实操⑨将“更新后参数”字段按粘贴“值”的方式复制粘贴至“参数”行，其他字段会自动更新。⑩利用COUNTIF函数统计“用户响应”和“预估值”字段中0和1的个数，键入公式“=COUNTIF(E2:E64,0)”。两列0和1的个数进行比较，判断预估的准确性。项目5用户分析任务3用户价值分析用户价值分析是一种评估和理解用户对企业的价值和贡献的方法。什么是用户价值分析？为什么要进行用户价值分析？用户价值分析可以帮助企业将客户进行细分，将用户划分为不同的群体，根据不同的用户特征和行为制定有针对性的营销策略。如何进行用户价值分析？可以通过创建RFM模型，利用消费者的近期购买行为、购买的总体频率以及花了多少钱3项指标来描述该消费者的价值状况。RFM模型是消费者管理领域里的一种消费者消费行为分析模型。R为近度（Recency）代表最近购买时间，指上次购买至现在的时间间隔。R值越大表示网店与消费者发生交易的时间越久，反之与网店发生交易的时间越近。理论上R值越小（即最近有购买行为）的消费者是复购可能性越高的有价值消费者。F为频度（Frequency）代表购买频率，指的是某一期间内购买的次数。F越大代表该段时间内消费者的购买频率越高，存在极大的复购可能性；反之F值越小，则消费者活跃度越低，相应的价值越低。M为额度（Monetary）代表总购买金额，指的是某一期间内购买商品的金额。M越大表示该类消费者对本网店（产品）的购买意愿转化为购买行为可能性越大，该类消费者的价值越应受到关注，反之亦然。RFM模型理论R的计算方法是计算现在与最近一次购买日期之间的间隔天数。F的计算方法是对消费者下单的订单数据进行统计。M的计算方法是将消费者的消费金额进行汇总。RFM计算基于RFM模型的消费者分组为消费者分组，即将三个指标分别分为“高”和“低”两种，高于均值的为“高”，低于均值的为“低”。用户价值分析实操数据源：该任务所用到的文件名称为“5-3用户价值”①选中“5-3用户价值”表中的任意单元格。②在“数据”选项卡中，选择“来自表格/区域”选项，即可将数据加载至PowerQuery。③在“添加列”选项卡中，选择“自定义列”选项。在弹出“自定义列”对话框中，将“新列名”框设置为“今天日期”，在“自定义列公式”框中键入公式“=DateTime.Date(#datetime(2021,1,1,0,0,0))”。用户价值分析实操用户价值分析实操④选中“今日日期”字段，在“主页”选项卡的“转换”选区中，选择“数据类型”下拉列表下的“日期/时间”类型，将“今天日期”字段的类型与订单付款时间进行统一。⑤在“添加列”选项卡中，选择“自定义列”选项，将“新列名”框设为“R”，在“自定义列公式”框中键入公式“=[今天日期][订单付款时间]”。⑥删除“订单付款时间”字段和“今天日期”字段，将字段“R”的数据类型改为“整数”类型。⑦进行数据分组，得到每位用户的RFM数据。数据分组：在“开始”选项卡中，选择“分组依据”选项，将每组的分列依据填入分组依据中。用户价值分析实操⑧在“开始”选项卡中，选择“高级编辑器”选项，进入函数编辑页面，在上表代码in前补上以下关于用户等级判断的条件语句，并将最后一行将“分组的行”改为“已添加条件列”。AR=List.Average(分组的行[R])，AM=List.Average(分组的行[M])，AF=List.Average(分组的行[F])，已添加条件列=Table.AddColumn(分组的行,"用户等级",eachif([R]<AR)and([M]>AM)and([F]>AF)then"高价值用户"elseif([R]>AR)and([M]>AM)and([F]>AF)then"重点保持用户"elseif([R]<AR)and([M]>AM)and([F]<AF)then"重点发展用户"elseif([R]>AR)and([M]>AM)and([F]<AF)then"重点挽留用户"elseif([R]<AR)and([M]<AM)and([F]>AF)then"一般价值用户"elseif([R]>AR)and([M]<AM)and([F]>AF)then"一般保持用户"elseif([R]<AR)and([M]<AM)and([F]<AF)then"一般发展用户"else"潜在用户")用户价值分析实操