目录

  • 原理
  • 分析步骤
  • 指标
  • 参数
  • 假设
  • 可视化


原理

销售金额杜邦分析图

左边可以看成客服

右边可以看成用户

商品售价=总金额/总数量

杜邦财务分析Python 杜邦财务分析模型_数据分析


杜邦财务分析Python 杜邦财务分析模型_杜邦财务分析Python_02

杜邦分析法利用各个主要财务比率之间的内在联系,建立财务比率分析的综合模型,来综合地分析和评价企业财务状况和经营业绩的方法。采用杜邦分析图将有关分析指标按内在联系加以排列,本思想是 将企业的净资产收益率逐级分解为多项比例的乘积,有助于快速发现企业经营业绩变化成因。从而直观地反映出企业的财务状况和经营成果的总体面貌。

分析步骤

分析思路:

1、提升平均零售价或销售折扣,有助于提升每件单价,从而提升业绩

2、提升客单数量有助于提升客单价,从而提升业绩

3、提升成交率有助于提升成交笔数,从而提升业绩

零售价一般不能改,所以要从提升成交率销售折扣客单量三个方面着手

我们将这三个参数设置为可变参数,可以是单一参数变量,也可以是多参数组合变化

杜邦财务分析Python 杜邦财务分析模型_推荐引擎_03

指标

1、总销售金额 = SUM(‘销售明细’[销售额])//实际卖多少钱

销售数量 = SUM(‘销售明细’[销量])

每件的单价 = DIVIDE([销售金额],[销售数量])//总

2、成交笔数 = DISTINCTCOUNT(‘销售明细’[订单编号])//统计

客单价 = DIVIDE([销售金额],[成交笔数])//每一笔赚多少钱

客单量 = DIVIDE([销售数量],[成交笔数])

3、客流量 = SUM(‘客流数据’[客流数量])//不同时间客流数量汇总

成交率 = DIVIDE([成交笔数],[客流量])

销售零售额 = SUMX(‘销售明细’,‘销售明细’[销量]*RELATED(‘产品信息’[零售价]))

//这商品应该卖多少钱;销售明细卖了多少个X 商品售价,跨引用related,每一行都要计算用sumx

平均零售价 = DIVIDE([销售零售额],[销售数量])

销售折扣 = DIVIDE([销售金额],[销售零售额])//实际卖(促销2.7)/应该卖(定价3.5)

杜邦财务分析Python 杜邦财务分析模型_搜索_04

参数

成交率:0.01—0.03区间
销售折扣:0.5—0.95
客单量:1——2
目的是做对比,提高对销售金额的影响
·

假设

成交笔数_假设 = ROUND([客流量][成交率_假设 值],0)
每件单价_假设 = [平均零售价]
[销售折扣_假设 值]

客单价_假设 = [每件单价_假设][客单量_假设 值]
销售金额_假设 = [客单价_假设]
[成交笔数_假设]

销售金额变化百分比 = DIVIDE([销售金额_假设]-[销售金额],[销售金额])

杜邦财务分析Python 杜邦财务分析模型_数据分析_05

可视化

杜邦财务分析Python 杜邦财务分析模型_数据_06


总结:

三基分析法

评判一家电商企业的常用数据指标:
(1)用户数:成交后的买家数,反映品牌对市场的影响力,评估品牌所占领的市场份额;
(2)平均消费金额:每年人均消费金额,评估品牌的消费人群定位,以及盈利期望是否合理;
(3)复购率:衡量用户忠诚度,复购率高说明对新客户的依赖不大,节省更多的市场推广费用。
根据复购率,确定公司的经营重心:
1、用户获取模式:复购率不足40%,说明经营重心应放在新用户的获取上;
2、混合模式:复购率为40%~60%,应兼顾新客户的获取与回头客的招揽;
3、忠诚度模式:复购率大于60%,应将经营重心放在客户忠诚度上。
各种模式间没有优劣之分。

电商运营分析的维度:
1、平台:属性、节奏、规则
2、店铺:流量(流量、用户)、商品(货)、促销(场)
3、竞品:主推、策略、页面

现在的电子商务:
1、大多买家通过搜索找到所买物品,而非电商网站的内部导航,搜索关键字更为重要;
2、电商商家通过推荐引擎来预测买家可能需要的商品。推荐引擎以历史上具有类似购买记录的买家数据以及用户自身的购买记录为基础,向用户提供推荐信息;
3、电商商家时刻优化网站性能,如A/B Test划分来访流量,并区别对待来源不同的访客,进而找到最优的产品、内容和价格;
4、购买流程早在买家访问网站前,即在社交网络、邮件以及在线社区中便已开始,即长漏斗流程(以一条推文、一段视频或一个链接开始,以购买交易结束)。

相关数据指标:关键词和搜索词、推荐接受率、邮件列表/短信链接点入率