唯品会的网络安全架构 唯品会的网站特点

（电商）唯品会双十一促销活动复盘——数据分析

项目背景：

    唯品会是一个专门做特卖的网站，什么是特卖呢。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。特卖一般是商家清库存，不过也有一些专门生产商品做特卖的商家。

    特卖行业也是有个真实存在的产业链，只是因为快速分销渠道，地理位置等关系，大多数都集中在一线城市，部分生活在一线城市的都基本或多或少去过几次各个品牌的特卖仓，但是二三线甚至四五线城市的就比较难接触到，后来就有一群人成了品牌搬运工，和各大品牌联系通过微信等渠道快速分销大牌库存，达到快速低价消除库存，加快周转回笼资金等目的。

    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。

此次分析的目标：

    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。

分析流程：

• 1、总体运营指标
• 2、从价格区间找出表现不好的产品，优化商品结构
• 3、从折扣区间来找出表现不好的产品，优化商品结构

import pandas as pd
import numpy as np

import warnings
warnings.filterwarnings('ignore')

〇、数据清洗与准备

1、读取数据，更改列名

import sqlalchemy

engine = sqlalchemy.create_engine('mysql+pymysql://ID:PASSWORD@localhost:3306/datdabase')

# 读取数据
# 商品信息表
sql_cmd = "select * from sales_info1"

# 执行sql语句，获取数据
dt= pd.read_sql(sql=sql_cmd, con=engine)

dt.rename(columns={"sale_name":"商品名",
                    "sale_price":"售卖价",
                    "tag_price":"吊牌价",
                    "discout":"折扣率",
                    "stocks":"库存量",
                    "stocks_value":"货值",
                    "cost_price":"成本价",
                    "profit_rate":"利润率",
                    "skus":"SKU"},
          inplace=True)

dt.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU
0	A001	15	70	0.214286	501	35070	14	0.066667	2
1	A002	236	610	0.386885	423	258030	75	0.682203	1
2	A003	473	1253	0.377494	415	519995	394	0.167019	1
3	A004	320	835	0.383234	624	521040	279	0.128125	2
4	A005	15	82	0.182927	179	14678	27	-0.800000	1

# 读取数据
# 商品热度表
sql_cmd = "select * from sales_info2"

# 执行sql语句，获取数据
dt2 = pd.read_sql(sql=sql_cmd, con=engine)

dt2.rename(columns={"sale_name":"商品名",
                    "uvs":"UV数",
                    "collections":"收藏数",
                    "carts":"加购物车数"},
          inplace=True)

dt2.head()

	商品名	UV数	收藏数	加购物车数
0	A001	10926	48	372
1	A002	13124	84	193
2	A003	25657	45	173
3	A004	20833	5	273
4	A005	19371	71	356

# 读取数据
# 用户销售明细表
sql_cmd = "select * from sales_info3"

# 执行sql语句，获取数据
dt3 = pd.read_sql(sql=sql_cmd, con=engine)

dt3.rename(columns={"user_id":"用户id",
                    "buy_date":"购买日期",
                    "sale_name":"商品名",
                    "buy_cons":"购买数量",
                    "buy_price":"购买单价",
                    "cost_price":"购买金额",
                    "is_tui":"是否退货",
                    "tui_cons":"退货件数",
                    "tui_price":"退货金额"},
          inplace=True)

dt3['是否退货']=dt3["是否退货"].map({"是":1,"否":0})
dt3.head()

	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
0	1	20191111	F001	1	920.0	920.0	1	1	920.0
1	2	20191111	B007	2	548.0	1096.0	0	0	0.0
2	2	20191111	E007	1	930.0	930.0	1	1	930.0
3	3	20191111	A004	2	320.0	640.0	1	2	640.0
4	3	20191111	H007	2	750.0	1500.0	0	0	0.0

2、合并商品信息表和商品热度表数据

# 把商品信息加上该商品的热度信息
# 得到基础的商品信息，以及商品的一些热度信息：加购物车数量，收藏数量、uv数
dt_products=pd.merge(dt1,dt2,how='left',on='商品名')
dt_products.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356

3、合并商品信息表和商品热度表数据和用户销售明细表

dt3.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8036 entries, 0 to 8035
Data columns (total 9 columns):
用户id    8036 non-null object
购买日期    8036 non-null int64
商品名     8036 non-null object
购买数量    8036 non-null int64
购买单价    8036 non-null float64
购买金额    8036 non-null float64
是否退货    8036 non-null int64
退货件数    8036 non-null int64
退货金额    8036 non-null float64
dtypes: float64(3), int64(4), object(2)
memory usage: 565.2+ KB

# 统计每个商品的一个销售情况
product_sales=dt3.groupby('商品名').agg({'购买数量':sum,
                                      '购买金额':sum,
                                   '退货件数':sum,
                                   '退货金额':sum,
                                   '购买单价':np.mean,
                                   '用户id':pd.Series.nunique}).reset_index()

product_sales.rename(columns={'购买数量':'商品销售数量',
                             '购买金额':'商品销售金额',
                             '是否退货':'商品退货数量',
                             '退货金额':'商品退货金额',
                             '购买单价':'商品销售单价',
                             '用户id':'购买用户数量'},inplace=True)

product_sales.head()

	商品名	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量
0	A001	185	2775.0	59	885.0	15.0	116
1	A002	146	34456.0	31	7316.0	236.0	87
2	A003	144	68112.0	31	14663.0	473.0	94
3	A004	172	55040.0	56	17920.0	320.0	111
4	A005	122	1830.0	32	480.0	15.0	81

# 合并商品信息
dt_product_sales=pd.merge(dt_products,product_sales,how='left',on='商品名')
dt_product_sales.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.0	59	885.0	15.0	116
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.0	31	7316.0	236.0	87
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.0	31	14663.0	473.0	94
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.0	56	17920.0	320.0	111
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.0	32	480.0	15.0	81

一、总体运营情况评价

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、GMV：销售额，包含退货的金额
GMV=dt_product_sales.商品销售金额.sum()
GMV

3747167.0

#2、实际销售额=GMV - 退货金额
ruturn_sales=dt_product_sales.商品退货金额.sum()
实际销售额=GMV-ruturn_sales
实际销售额

2607587.0

#3、销量：累计销售量（含拒退）
销量=dt_product_sales.商品销售数量.sum()
销量

12017

#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。
# dt3.user_id.unique().count()
客单价=GMV/dt_product_sales.购买用户数量.sum()
客单价

493.56783456269756

# 5、UV：商品所在页面的独立访问数
UV=dt_product_sales.UV数.sum()
UV

1176103

# 6、转化率：客户数 / UV。
转化率 = dt_product_sales.购买用户数量.sum()/UV
转化率

0.006455216932530569

# 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。
吊牌总额=(dt_product_sales.吊牌价*dt_product_sales.商品销售数量).sum()
折扣率=GMV/吊牌总额
折扣率

0.4179229541452886

# 8、备货值：吊牌价 * 库存数。
备货值=(dt_product_sales.吊牌价*dt_product_sales.库存量).sum()
备货值

18916395

# 9、售卖比：又称售罄率，GMV / 备货值。
售卖比=GMV/备货值
售卖比

0.19809096817866195

# 10、收藏数：收藏某款商品的用户数量。
收藏数=dt_product_sales.收藏数.sum()
收藏数

6224

# 11、加购数：加购物车人数。
加购数=dt_product_sales.加购物车数.sum()
加购数

18690

# 12、SKU数：促销活动中的最小品类单元（一般指货号）。
SKU数=dt_product_sales.SKU.sum()
SKU数

125

# 13、SPU数：促销活动中的SPU计数（一般指款号）。
SPU数=dt_product_sales.商品名.nunique()
SPU数

80

# 14、拒退量：拒收和退货的总数量。退货件数
拒退量=dt_product_sales.退货件数.sum()
拒退量

3643

# 15、拒退额：拒收和退货的总金额。
拒退额=dt_product_sales.商品退货金额.sum()
拒退额

1139580.0

# 汇总统计
# 汇总统计
sales_state_thisyear = pd.DataFrame(
    {"GMV":[GMV],"实际销售额":[实际销售额],"销量":[销量],"客单价":[客单价],
     "UV数":[UV],"UV转化率":[转化率],"折扣率":[折扣率],"货值":[备货值],
     "售卖比":[售卖比],"收藏数":[收藏数],"加购数":[加购数],"sku数":[SKU数],
     "spu数":[SPU数],"拒退量":[拒退量],"拒退额":[拒退额]},
    ) #index=["今年双11",]
sales_state_thisyear 

# 去年的数据
sales_state_lastyear = pd.DataFrame(
    {"GMV":[2261093],"实际销售额":[1464936.517],"销量":[7654],"客单价":[609.34567],
     "UV数":[904694,],"UV转化率":[0.0053366,],"折扣率":[0.46,],"货值":[12610930],
     "售卖比":[0.1161],"收藏数":[4263],"加购数":[15838],"sku数":[82],
     "spu数":[67],"拒退量":[2000],"拒退额":[651188.57]}
    ) #index=["去年双11",]

#sales_state = pd.concat([sales_state_thisyear, sales_state_lastyear])
sales_state_thisyear_s = pd.DataFrame(sales_state_thisyear.stack()).reset_index().iloc[:,[1,2]]
sales_state_thisyear_s.columns = ["指标","今年双11"]
sales_state_lastyear_s = pd.DataFrame(sales_state_lastyear.stack()).reset_index().iloc[:,[1,2]]
sales_state_lastyear_s.columns = ["指标","去年双11"]
sales_state = pd.merge(sales_state_thisyear_s, sales_state_lastyear_s,on="指标")
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"]) / sales_state["去年双11"]
pd.set_option('display.float_format',lambda x : '%f' % x) #禁用科学技数法
sales_state

	指标	今年双11	去年双11	同比
0	GMV	3747167.000000	2261093.000000	0.657237
1	实际销售额	2607587.000000	1464936.517000	0.780000
2	销量	12017.000000	7654.000000	0.570029
3	客单价	493.567835	609.345670	-0.190004
4	UV数	1176103.000000	904694.000000	0.300001
5	UV转化率	0.006455	0.005337	0.209612
6	折扣率	0.417923	0.460000	-0.091472
7	货值	18916395.000000	12610930.000000	0.500000
8	售卖比	0.198091	0.116100	0.706210
9	收藏数	6224.000000	4263.000000	0.460005
10	加购数	18690.000000	15838.000000	0.180073
11	sku数	125.000000	82.000000	0.524390
12	spu数	80.000000	67.000000	0.194030
13	拒退量	3643.000000	2000.000000	0.821500
14	拒退额	1139580.000000	651188.570000	0.750000

二、从价格区间来优化商品结构

我们需要做的是，深入探究不同区间的数据，以此来优化后期的促销结构。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。

查看指标：

• 销售额
• 销量
• 件单价
• 客户数
• UV
• 转换率
• 库存
• 货值
• 售卖比

# 划分价格区间段
#设置切分区域
listbins=[0,200,400,100000]

#设置切分后对应标签
list_labels=['1-200','200-400','400以上']

#利用pd.cut进行数据离散化切分，注意分组标签和分组数要一致
"""
pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)
x:需要切分的数据
bins:切分区域
right : 是否包含右端点默认True，包含
labels:对应标签，用标记来代替返回的bins，若不在该序列中，则返回NaN
retbins:是否返回间距bins
precision:精度
include_lowest:是否包含左端点，默认False，不包含
"""
dt_product_sales['价格分组']=pd.cut(dt_product_sales.售卖价,bins=listbins,labels=list_labels,include_lowest=True)
dt_product_sales.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.000000	59	885.000000	15.000000	116	1-200
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.000000	31	7316.000000	236.000000	87	200-400
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.000000	31	14663.000000	473.000000	94	400以上
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.000000	56	17920.000000	320.000000	111	200-400
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.000000	32	480.000000	15.000000	81	1-200

价格区间销售情况统计

• 价格区间
• 货值
• 货值占比
• 销售额
• 售卖比
• 销售占比
• 销量
• 客单价
• UV
• 收藏数
• 加购数
• 转化率

# 货值分组数据、销量分组数据
dt_price_agg=dt_product_sales.groupby('价格分组').agg({'货值':sum,
                                     '商品销售金额':sum,
                                     '商品销售数量':sum,
                                     'UV数':sum,
                                     '购买用户数量':sum,
                                     '收藏数':sum,
                                     '加购物车数':sum}).reset_index()
dt_price_agg.head()

	价格分组	货值	商品销售金额	商品销售数量	UV数	购买用户数量	收藏数	加购物车数
0	1-200	1573146	339896.000000	3615	369561	2280	1733	5324
1	200-400	8585973	1417702.000000	4978	465547	3151	2608	8302
2	400以上	8757276	1989569.000000	3424	340995	2161	1883	5064

# 货值占比、销售占比、客单价、转化率
dt_price_agg['货值占比']=dt_price_agg.货值/dt_price_agg.货值.sum()
dt_price_agg['销售占比']=dt_price_agg.商品销售金额/dt_price_agg.商品销售金额.sum()
dt_price_agg['客单价']=dt_price_agg.商品销售金额/dt_price_agg.购买用户数量
dt_price_agg['转化率']=dt_price_agg.购买用户数量/dt_price_agg.UV数
dt_price_agg

	价格分组	货值	商品销售金额	商品销售数量	UV数	购买用户数量	收藏数	加购物车数	货值占比	销售占比	客单价	转化率
0	1-200	1573146	339896.000000	3615	369561	2280	1733	5324	0.083163	0.090707	149.077193	0.006169
1	200-400	8585973	1417702.000000	4978	465547	3151	2608	8302	0.453891	0.378340	449.921295	0.006768
2	400以上	8757276	1989569.000000	3424	340995	2161	1883	5064	0.462946	0.530953	920.670523	0.006337

# 取出400及以上价格区间的数据内容
dt_over_400=dt_product_sales[dt_product_sales['价格分组']=='400以上']
dt_over_400.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.000000	31	14663.000000	473.000000	94	400以上
5	A006	428	1493	0.286674	264	394152	233	0.455607	1	5805	134	161	143	61204.000000	46	19688.000000	428.000000	90	400以上
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	6	242	158	67308.000000	43	18318.000000	426.000000	101	400以上
13	B004	491	1394	0.352224	396	552024	353	0.281059	2	14535	120	211	160	78560.000000	47	23077.000000	491.000000	102	400以上
15	B006	484	1467	0.329925	296	434232	398	0.177686	2	3733	115	285	141	68244.000000	48	23232.000000	484.000000	91	400以上

计算商品指标

• 销售额
• 销量
• 件单价
• 客户数
• UV
• 转换率=客户数 / UV
• 库存
• 备货值=吊牌价 * 库存数
• 售卖比=又称售罄率，GMV / 备货值

# 转化率=客户数 / UV
dt_over_400['转化率']=dt_over_400.购买用户数量/dt_over_400.UV数
# 备货值=吊牌价 * 库存数
dt_over_400['备货值']=dt_over_400.吊牌价*dt_over_400.库存量
dt_over_400.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转化率	备货值
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	173	144	68112.000000	31	14663.000000	473.000000	94	400以上	0.003664	519995
5	A006	428	1493	0.286674	264	394152	233	0.455607	1	5805	...	161	143	61204.000000	46	19688.000000	428.000000	90	400以上	0.015504	394152
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	242	158	67308.000000	43	18318.000000	426.000000	101	400以上	0.004939	536959
13	B004	491	1394	0.352224	396	552024	353	0.281059	2	14535	...	211	160	78560.000000	47	23077.000000	491.000000	102	400以上	0.007018	552024
15	B006	484	1467	0.329925	296	434232	398	0.177686	2	3733	...	285	141	68244.000000	48	23232.000000	484.000000	91	400以上	0.024377	434232

5 rows × 21 columns

# 售卖比=又称售罄率，GMV / 备货值
dt_over_400['售卖比']=dt_over_400.商品销售金额/dt_over_400.备货值
dt_over_400.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转化率	备货值	售卖比
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	144	68112.000000	31	14663.000000	473.000000	94	400以上	0.003664	519995	0.130986
5	A006	428	1493	0.286674	264	394152	233	0.455607	1	5805	...	143	61204.000000	46	19688.000000	428.000000	90	400以上	0.015504	394152	0.155280
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	158	67308.000000	43	18318.000000	426.000000	101	400以上	0.004939	536959	0.125350
13	B004	491	1394	0.352224	396	552024	353	0.281059	2	14535	...	160	78560.000000	47	23077.000000	491.000000	102	400以上	0.007018	552024	0.142313
15	B006	484	1467	0.329925	296	434232	398	0.177686	2	3733	...	141	68244.000000	48	23232.000000	484.000000	91	400以上	0.024377	434232	0.157160

5 rows × 22 columns

dt_over_400[['商品名','商品销售金额','商品销售数量','购买用户数量','UV数','转化率','库存量','备货值','售卖比']].head()

	商品名	商品销售金额	商品销售数量	购买用户数量	UV数	转化率	库存量	备货值	售卖比
2	A003	68112.000000	144	94	25657	0.003664	415	519995	0.130986
5	A006	61204.000000	143	90	5805	0.015504	264	394152	0.155280
10	B001	67308.000000	158	101	20448	0.004939	479	536959	0.125350
13	B004	78560.000000	160	102	14535	0.007018	396	552024	0.142313
15	B006	68244.000000	141	91	3733	0.024377	296	434232	0.157160

dt_over_400.describe().iloc[:,-3:]

	转化率	备货值	售卖比
count	23.000000	23.000000	23.000000
mean	0.009080	380751.130435	0.253001
std	0.006193	124618.094156	0.122274
min	0.003664	179772.000000	0.124160
25%	0.004587	285115.000000	0.155137
50%	0.007018	319682.000000	0.230562
75%	0.012989	484616.500000	0.318303
max	0.024377	645402.000000	0.639005

优化方案：

• 转化率大于0.8%的商品，暂时保留，用于下次促销活动；
• 转化率小于0.8%的商品，但是售卖比大于25%的商品予以保留参加下次促销活动，
• 转化率小于0.8%的商品，并且售卖比小于25%的商品进行清仓处理。

# 挑选合格的商品：
# 1、保留商品：转化率大于0.8%的商品予以保留
dt.remain1=dt_over_400[dt_over_400.转化率>0.008]
dt.remain1.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转化率	备货值	售卖比
5	A006	428	1493	0.286674	264	394152	233	0.455607	1	5805	...	143	61204.000000	46	19688.000000	428.000000	90	400以上	0.015504	394152	0.155280
15	B006	484	1467	0.329925	296	434232	398	0.177686	2	3733	...	141	68244.000000	48	23232.000000	484.000000	91	400以上	0.024377	434232	0.157160
29	C010	750	1226	0.611746	229	280754	128	0.829333	1	5044	...	117	87750.000000	43	32250.000000	750.000000	75	400以上	0.014869	280754	0.312551
46	E007	930	1578	0.589354	409	645402	356	0.617204	1	7264	...	154	143220.000000	47	43710.000000	930.000000	96	400以上	0.013216	645402	0.221908
50	F001	920	1438	0.639777	217	312046	237	0.742391	1	4630	...	116	106720.000000	40	36800.000000	920.000000	80	400以上	0.017279	312046	0.342001

5 rows × 22 columns

# 挑选合格的商品：
# 2、保留商品：找出转化率小于0.8% 但是 售卖比大于25%的部分予以保留
dt.remain2=dt_over_400[(dt_over_400.转化率<0.008) & (dt_over_400.售卖比>0.25)]
dt.remain2.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转化率	备货值	售卖比
48	E009	401	1004	0.399402	224	224896	268	0.331671	2	25477	...	155	62155.000000	50	20050.000000	401.000000	99	400以上	0.003886	224896	0.276372
60	G001	463	1266	0.365719	142	179772	268	0.421166	2	13011	...	142	65746.000000	46	21298.000000	463.000000	95	400以上	0.007302	179772	0.365719
69	G010	720	1156	0.622837	267	308652	152	0.788889	1	19119	...	145	104400.000000	42	30240.000000	720.000000	91	400以上	0.004760	308652	0.338245
75	H006	710	825	0.860606	324	267300	203	0.714085	2	10479	...	122	86620.000000	43	30530.000000	710.000000	82	400以上	0.007825	267300	0.324055

4 rows × 22 columns

# 3、清仓处理商品，找出转化率小于0.8%并且售卖比小于25%的部分
dt.clearance=dt_over_400[(dt_over_400.转化率<0.008) & (dt_over_400.售卖比<0.25)]
dt.clearance.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	转化率	备货值	售卖比
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	144	68112.000000	31	14663.000000	473.000000	94	400以上	0.003664	519995	0.130986
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	158	67308.000000	43	18318.000000	426.000000	101	400以上	0.004939	536959	0.125350
13	B004	491	1394	0.352224	396	552024	353	0.281059	2	14535	...	160	78560.000000	47	23077.000000	491.000000	102	400以上	0.007018	552024	0.142313
16	B007	548	1499	0.365577	325	487175	420	0.233577	2	29492	...	201	110148.000000	66	36168.000000	548.000000	122	400以上	0.004137	487175	0.226095
17	B008	480	1422	0.337553	339	482058	302	0.370833	2	18574	...	136	65280.000000	39	18720.000000	480.000000	82	400以上	0.004415	482058	0.135419

5 rows × 22 columns

三、从折扣区间来优化商品结构

同样地，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。

dt_product_sales.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.000000	59	885.000000	15.000000	116	1-200
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.000000	31	7316.000000	236.000000	87	200-400
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.000000	31	14663.000000	473.000000	94	400以上
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.000000	56	17920.000000	320.000000	111	200-400
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.000000	32	480.000000	15.000000	81	1-200

# 划分价格区间段
#设置切分区域
discount_bins=[0.15,0.20,0.25,0.30,0.35,0.40,0.45,0.50,0.55,0.60,0.65,0.70,1]
#设置切分后对应标签
discount_labels=['0.15-0.20','0.20-0.25','0.25-0.30','0.30-0.35','0.35-0.40','0.40-0.45',
                 '0.45-0.50','0.50-0.55','0.55-0.60','0.60-0.65','0.65-0.70','0.70-1',]
#利用pd.cut进行数据离散化切分，注意分组标签和分组数要一致
"""
pandas.cut(x,bins,right=True,labels=None,retbins=False,precision=3,include_lowest=False)
x:需要切分的数据
bins:切分区域
right : 是否包含右端点默认True，包含
labels:对应标签，用标记来代替返回的bins，若不在该序列中，则返回NaN
retbins:是否返回间距bins
precision:精度
include_lowest:是否包含左端点，默认False，不包含
"""
dt_product_sales['折扣区间']=pd.cut(dt_products.折扣率,bins=discount_bins,labels=discount_labels,include_lowest=True)
dt_product_sales.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间
0	A001	15	70	0.214286	501	35070	14	0.066667	2	10926	48	372	185	2775.000000	59	885.000000	15.000000	116	1-200	0.20-0.25
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.000000	31	7316.000000	236.000000	87	200-400	0.35-0.40
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.000000	31	14663.000000	473.000000	94	400以上	0.35-0.40
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.000000	56	17920.000000	320.000000	111	200-400	0.35-0.40
4	A005	15	82	0.182927	179	14678	27	-0.800000	1	19371	71	356	122	1830.000000	32	480.000000	15.000000	81	1-200	0.15-0.20

折扣区间销售情况统计

• 价格区间
• 货值
• 货值占比
• 销售额
• 售卖比
• 销售占比
• 销量
• 客单价
• UV
• 收藏数
• 加购数
• 转化率

# 货值分组数据、销售分组数据等 
dt_discount_agg=dt_product_sales.groupby('折扣区间').agg({'货值':sum,
                                                          '商品销售金额':sum,
                                                          '商品销售数量':sum,
                                                          'UV数':sum,
                                                          '购买用户数量':sum,
                                                          '收藏数':sum,
                                                          '加购物车数':sum}).reset_index()
dt_discount_agg

	折扣区间	货值	商品销售金额	商品销售数量	UV数	购买用户数量	收藏数	加购物车数
0	0.15-0.20	14678	1830.000000	122	19371	81	71	356
1	0.20-0.25	597376	106944.000000	1052	67808	634	520	1505
2	0.25-0.30	546516	79924.000000	725	66471	462	538	971
3	0.30-0.35	2553886	382794.000000	1065	87609	660	536	1530
4	0.35-0.40	8105784	1369758.000000	3696	443317	2341	2046	5884
5	0.40-0.45	2098352	453179.000000	1988	184205	1258	845	3428
6	0.45-0.50	1869262	311158.000000	1452	138194	934	683	1996
7	0.50-0.55	112395	38024.000000	196	26088	124	25	84
8	0.55-0.60	645402	143220.000000	154	7264	96	78	388
9	0.60-0.65	1785946	590706.000000	1144	98210	735	630	1795
10	0.65-0.70	319498	183010.000000	301	27087	185	169	690
11	0.70-1	267300	86620.000000	122	10479	82	83	63

# 货值占比、销量占比、客单价、转化率  
dt_discount_agg['货值占比']=dt_discount_agg.货值/dt_discount_agg.货值.sum()
dt_discount_agg['销量占比']=dt_discount_agg.商品销售数量/dt_discount_agg.商品销售数量.sum()
dt_discount_agg['客单价']=dt_discount_agg.商品销售金额/dt_discount_agg.购买用户数量
dt_discount_agg['转化率']=dt_discount_agg.购买用户数量/dt_discount_agg.UV数

dt_discount_agg

	折扣区间	货值	商品销售金额	商品销售数量	UV数	购买用户数量	收藏数	加购物车数	货值占比	销量占比	客单价	转化率
0	0.15-0.20	14678	1830.000000	122	19371	81	71	356	0.000776	0.010152	22.592593	0.004182
1	0.20-0.25	597376	106944.000000	1052	67808	634	520	1505	0.031580	0.087543	168.681388	0.009350
2	0.25-0.30	546516	79924.000000	725	66471	462	538	971	0.028891	0.060331	172.995671	0.006950
3	0.30-0.35	2553886	382794.000000	1065	87609	660	536	1530	0.135009	0.088624	579.990909	0.007533
4	0.35-0.40	8105784	1369758.000000	3696	443317	2341	2046	5884	0.428506	0.307564	585.116617	0.005281
5	0.40-0.45	2098352	453179.000000	1988	184205	1258	845	3428	0.110928	0.165432	360.237679	0.006829
6	0.45-0.50	1869262	311158.000000	1452	138194	934	683	1996	0.098817	0.120829	333.145610	0.006759
7	0.50-0.55	112395	38024.000000	196	26088	124	25	84	0.005942	0.016310	306.645161	0.004753
8	0.55-0.60	645402	143220.000000	154	7264	96	78	388	0.034119	0.012815	1491.875000	0.013216
9	0.60-0.65	1785946	590706.000000	1144	98210	735	630	1795	0.094413	0.095198	803.681633	0.007484
10	0.65-0.70	319498	183010.000000	301	27087	185	169	690	0.016890	0.025048	989.243243	0.006830
11	0.70-1	267300	86620.000000	122	10479	82	83	63	0.014131	0.010152	1056.341463	0.007825

# 取出0.35-0.4价格区间的数据内容
discount_3540=dt_product_sales[dt_product_sales['折扣区间']=='0.35-0.40']
discount_3540.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	收藏数	加购物车数	商品销售数量	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	84	193	146	34456.000000	31	7316.000000	236.000000	87	200-400	0.35-0.40
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	45	173	144	68112.000000	31	14663.000000	473.000000	94	400以上	0.35-0.40
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	5	273	172	55040.000000	56	17920.000000	320.000000	111	200-400	0.35-0.40
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	6	242	158	67308.000000	43	18318.000000	426.000000	101	400以上	0.35-0.40
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	111	299	151	43488.000000	44	12672.000000	288.000000	89	200-400	0.35-0.40

计算商品指标

• 销售额
• 销量
• 件单价
• 客户数
• UV
• 转换率=客户数 / UV
• 库存
• 货值=吊牌价 * 库存数
• 售卖比=又称售罄率，GMV / 备货值

# 转化率=客户数 / UV
# 备货值=吊牌价 * 库存数
discount_3540['转化率']=discount_3540.购买用户数量/discount_3540.UV数
discount_3540['备货值']=discount_3540.吊牌价*discount_3540.库存量
discount_3540.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转化率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	34456.000000	31	7316.000000	236.000000	87	200-400	0.35-0.40	0.006629	258030	0.133535
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	68112.000000	31	14663.000000	473.000000	94	400以上	0.35-0.40	0.003664	519995	0.130986
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	...	55040.000000	56	17920.000000	320.000000	111	200-400	0.35-0.40	0.005328	521040	0.105635
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	67308.000000	43	18318.000000	426.000000	101	400以上	0.35-0.40	0.004939	536959	0.125350
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	43488.000000	44	12672.000000	288.000000	89	200-400	0.35-0.40	0.003841	327494	0.132790

5 rows × 23 columns

# 售卖比=又称售罄率，GMV / 备货值
discount_3540['售卖比']=discount_3540.商品销售金额/discount_3540.备货值
discount_3540.head()

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转化率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	34456.000000	31	7316.000000	236.000000	87	200-400	0.35-0.40	150.850575	258030	0.133535
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	68112.000000	31	14663.000000	473.000000	94	400以上	0.35-0.40	272.946809	519995	0.130986
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	...	55040.000000	56	17920.000000	320.000000	111	200-400	0.35-0.40	187.684685	521040	0.105635
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	67308.000000	43	18318.000000	426.000000	101	400以上	0.35-0.40	202.455446	536959	0.125350
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	43488.000000	44	12672.000000	288.000000	89	200-400	0.35-0.40	260.337079	327494	0.132790

5 rows × 23 columns

discount_3540.describe().iloc[:,-3:]

	转化率	备货值	售卖比
count	25.000000	25.000000	25.000000
mean	0.006746	324231.360000	0.194728
std	0.004307	160733.327436	0.076399
min	0.003325	86436.000000	0.088185
25%	0.003892	209982.000000	0.131121
50%	0.005011	262892.000000	0.187435
75%	0.007296	487175.000000	0.230854
max	0.021228	679320.000000	0.365719

优化结果：

• 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。

# 挑选合格的商品：
# 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
discount_remain1=discount_3540[(discount_3540.折扣率>0.37)&(discount_3540.售卖比>0.365)&(discount_3540.转化率>0.007)]
discount_remain1

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转化率	备货值	售卖比
64	G005	221	588	0.375850	147	86436	106	0.520362	2	4334	...	31603.000000	43	9503.000000	221.000000	92	200-400	0.35-0.40	0.021228	86436	0.365623

1 rows × 23 columns

# 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
# 取反即可
discount_clearance1=discount_3540[(discount_3540.折扣率>0.37)&((discount_3540.售卖比<0.365)|(discount_3540.转化率<0.007))]
discount_clearance1

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转化率	备货值	售卖比
1	A002	236	610	0.386885	423	258030	75	0.682203	1	13124	...	34456.000000	31	7316.000000	236.000000	87	200-400	0.35-0.40	0.006629	258030	0.133535
2	A003	473	1253	0.377494	415	519995	394	0.167019	1	25657	...	68112.000000	31	14663.000000	473.000000	94	400以上	0.35-0.40	0.003664	519995	0.130986
3	A004	320	835	0.383234	624	521040	279	0.128125	2	20833	...	55040.000000	56	17920.000000	320.000000	111	200-400	0.35-0.40	0.005328	521040	0.105635
10	B001	426	1121	0.380018	479	536959	311	0.269953	1	20448	...	67308.000000	43	18318.000000	426.000000	101	400以上	0.35-0.40	0.004939	536959	0.125350
12	B003	288	746	0.386059	439	327494	109	0.621528	1	23170	...	43488.000000	44	12672.000000	288.000000	89	200-400	0.35-0.40	0.003841	327494	0.132790
19	B010	390	992	0.393145	188	186496	265	0.320513	2	7934	...	46800.000000	43	16770.000000	390.000000	82	200-400	0.35-0.40	0.010335	186496	0.250944
37	D008	340	916	0.371179	287	262892	204	0.400000	2	6236	...	42160.000000	36	12240.000000	340.000000	84	200-400	0.35-0.40	0.013470	262892	0.160370
48	E009	401	1004	0.399402	224	224896	268	0.331671	2	25477	...	62155.000000	50	20050.000000	401.000000	99	400以上	0.35-0.40	0.003886	224896	0.276372
63	G004	392	1040	0.376923	479	498160	234	0.403061	2	15356	...	57624.000000	50	19600.000000	392.000000	90	200-400	0.35-0.40	0.005861	498160	0.115674
70	H001	297	755	0.393377	338	255190	166	0.441077	1	6856	...	44253.000000	42	12474.000000	297.000000	92	200-400	0.35-0.40	0.013419	255190	0.173412

10 rows × 23 columns

# 挑选合格的商品：
# 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
discount_remain2=discount_3540[(discount_3540.折扣率<0.37)&(discount_3540.售卖比>0.365)&(discount_3540.转化率>0.007)]
discount_remain2

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转化率	备货值	售卖比
60	G001	463	1266	0.365719	142	179772	268	0.421166	2	13011	...	65746.000000	46	21298.000000	463.000000	95	400以上	0.35-0.40	0.007302	179772	0.365719

1 rows × 23 columns

# 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
# 取反即可
discount_clearance2=discount_3540[(discount_3540.折扣率<0.37)&((discount_3540.售卖比<0.365)|(discount_3540.转化率<0.007))]
discount_clearance2

	商品名	售卖价	吊牌价	折扣率	库存量	货值	成本价	利润率	SKU	UV数	...	商品销售金额	退货件数	商品退货金额	商品销售单价	购买用户数量	价格分组	折扣区间	转换率	备货值	售卖比
13	B004	491	1394	0.352224	396	552024	353	0.281059	2	14535	...	78560.0	47	23077.0	491.0	102	400及以上	0.35_0.4	0.007018	552024	0.142313
16	B007	548	1499	0.365577	325	487175	420	0.233577	2	29492	...	110148.0	66	36168.0	548.0	122	400及以上	0.35_0.4	0.004137	487175	0.226095
21	C002	201	553	0.363472	287	158711	105	0.477612	1	7835	...	29748.0	43	8643.0	201.0	97	200_400	0.35_0.4	0.012380	158711	0.187435
22	C003	473	1321	0.358062	242	319682	254	0.463002	2	17244	...	70950.0	44	20812.0	473.0	92	400及以上	0.35_0.4	0.005335	319682	0.221939
24	C005	270	765	0.352941	178	136170	115	0.574074	2	12610	...	39690.0	35	9450.0	270.0	92	200_400	0.35_0.4	0.007296	136170	0.291474
26	C007	403	1122	0.359180	258	289476	167	0.585608	2	20754	...	70122.0	47	18941.0	403.0	104	400及以上	0.35_0.4	0.005011	289476	0.242238
30	D001	346	951	0.363828	239	227289	269	0.222543	1	24418	...	45672.0	37	12802.0	346.0	90	200_400	0.35_0.4	0.003686	227289	0.200942
32	D003	193	533	0.362101	417	222261	165	0.145078	1	27367	...	29143.0	49	9457.0	193.0	91	1_200	0.35_0.4	0.003325	222261	0.131121
41	E002	389	1080	0.360185	629	679320	244	0.372751	2	24150	...	59906.0	36	14004.0	389.0	94	200_400	0.35_0.4	0.003892	679320	0.088185
42	E003	486	1349	0.360267	354	477546	220	0.547325	2	19094	...	59292.0	43	20898.0	486.0	77	400及以上	0.35_0.4	0.004033	477546	0.124160
54	F005	338	957	0.353187	179	171303	206	0.390533	1	18817	...	39546.0	32	10816.0	338.0	77	200_400	0.35_0.4	0.004092	171303	0.230854
56	F007	488	1351	0.361214	235	317485	402	0.176230	2	25320	...	73200.0	34	16592.0	488.0	95	400及以上	0.35_0.4	0.003752	317485	0.230562
77	H008	324	886	0.365688	237	209982	157	0.515432	1	19245	...	45036.0	40	12960.0	324.0	92	200_400	0.35_0.4	0.004780	209982	0.214476

13 rows × 23 columns

优化结果：

• 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。

总体方案：

• 在一级入口中，首页的流量占比最高，我们可以将优化后的畅销款(A006、B006、C010、E007、F001、F002、H004、H007等)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（E009、G001、G010、H006等），我们将其作为快抢和疯抢处理。
• 对于转化率低、售卖比低的滞销款（A003、B001、B004、B007、B008、C003、C007、D007、E003、F007等），我们将尽快下架商品。