电商特卖商品库存优化分析

本文是对唯品会特卖商品数据分析案例的一个总结，主要是根据商品促销活动的销售数据，分析商品售卖情况，使用ABC分析法进行商品结构优化。

ABC分析法

简述：
ABC分类法又称帕雷托分析法，也叫主次因素分析法，是项目管理中常用的一种方法。它是根据事物在技术或经济方面的主要特征，进行分类排队，分清重点和一般，从而有区别地确定管理方式的一种分析方法。由于它把被分析的对象分成A、B、C三类，所以又称为ABC分析法。

标准帕累托图

在ABC分析法的分析图中，有两个纵坐标，一个横坐标，几个长方形，一条曲线，左边纵坐标表示频数，右边纵坐标表示频率，以百分数表示。横坐标表示影响质量的各项因素，按影响大小从左向右排列，曲线表示各种影响因素大小的累计百分数。一般地，是将曲线的累计频率分为三级，与之相对应的因素分为三类：

A类因素：发生累计频率为0%~80%，是主要影响因素，需要严格控制、准确记录，。
B类因素：发生累计频率为80%~90%，是次要影响因素，需要稍松空值、良好记录。
C类因素：发生累计频率为90%~100%，是一般影响因素，需要简单控制、最少记录。

电商中的ABC分析法

在电商运营活动中，商品ABC分级主要指标有“支付转化率”“商品库存”，根据此区分商品属于哪一类。商品ABC分级法需将分析颗粒精细到每个款式，相对复杂，所以只有在店铺进行大型促销活动才会用到，也因为此时数据量足够大，使用ABC分析法才更有意义。

A级商品：

拥有高库存、高转化率的商品；
因为这类商品既畅销，又有较深的库存作为保障，因此可以作为活动中的主推商品。需要注意的是，在挑选A类商品时，还应注意此款商品的访客不能太低，则，没有经过“充分"流量测试的商品，其高转化率可能是"伪高转化率”。

B级商品：

经过流量测试的中等转化率商品；
此类商品对访客有一定吸引力，但不如A类商品的转化率，可以继续保持当前的销售定为。但需要注意库存告急，以及错误占用了A类商品陈列位置（B类商品陈列位置需要A类之后）。

C级商品：

转化率低的商品；
C类商品应放置于店铺陈列底端，基本属于被放弃的一类商品。但是，如果C类商品中高库存的，可尝试降价，更换营销方式等办法。

一、项目背景

唯品会专门做特卖的网站，在特定的时间段里，以优惠的价格出售指定商品。

二、分析目标

评估每次促销活动的结果，根据转换率、售卖比指标构建ABC模型优化商品结构，压缩总库存，使库存结构合理化节约管理力量。

三、分析过程

准备工作（导入数据及处理观察）；
总体运营指标分析 —— 计算商品销售额、销量、客单价、UV等指数进行同比、环比分析；
从价格区间分析商品 —— 将商品按价格分为多个区间，对每个区间的商品进行统计分析，针对指定区间计算转换率、售卖比，分级ABC类商品优化商品结构；
从折扣区间分析商品 —— 将商品按折扣区间分为多个区间，对每个区间的商品进行统计分析，针对指定区间计算转换率、售卖比，分级ABC类商品优化商品结构。

1.准备工作

(1) 导入模块

import pandas as pd
pd.set_option('max_columns', 25)
# 保留4位小数
pd.set_option('display.float_format',lambda x : '%.4f' % x)
import numpy as np

import warnings
warnings.filterwarnings('ignore')
import sqlalchemy
import seaborn as sns
import matplotlib.pyplot as plt

(2) 导入数据

数据文件存放在sql数据库，使用sqlalchemy模块导入

# 商品信息表
sql = "select * from sales_info1"
df1 = pd.read_sql(sql,engine)
# 商品热度表
sql = "select * from sales_info2"
df2 = pd.read_sql(sql,engine)
# 用户订单表
sql = 'select * from sales_info3'
df3 = pd.read_sql(sql,engine)

商品信息表

商品热度表

用户订单表

(3)处理表格得到商品信息表

对用户订单表中的商品进行聚合得到表1
合并商品信息表和热度表得到表2
合并表1和表2的到总体商品销售明细

# 对用户订单表中的商品进行聚合
product_sales = df3.groupby('商品名').agg({'用户id': pd.Series.nunique,
                           '购买金额':'sum',
                           '购买数量':'sum',
                           '购买单价':'mean',
                           '退货件数':'sum',
                           '退货金额':'sum'}).reset_index().rename(columns = {'用户id':'商品购买用户数', '购买数量':'商品销售数量','购买金额':'商品销售金额','购买单价':'商品销售单价','是否退货':'商品退货数量','退货金额':'商品退货金额'})
# 合并商品信息表和热度表
dt_product = pd.merge(df1,df2,how = 'left',on='商品名')
# 合并
df_product_sales = pd.merge(product_sales,dt_product,on = '商品名')
# 商品总体描述统计
df_product_sales.describe()

商品销售明细

商品总体描述统计

共有80件商品，每件商品平均销售额在46839元，平均单价为317元，平均销量为150件退货数为45件，退货率较高达到1/3左右，平均折扣率在4折左右。

2.总体运营指标分析

分别计算商品GMV（销售额）、实际销售额（销售额-退款金额）、销量、客单价、UV（商品页面独立访问数）、转化率（客户数/UV）、折扣率（GMV/吊牌总额）、备货值（吊牌价*库存数）、售卖比（GMV/备货值）、收藏数、加入购物车数、SKU（最小品类单元）、SPU（款号）、退货量、退款总额
输入去年同期指标值
环比分析

sales_state = pd.concat([sales_state_dangqi,sales_state_tongqi], axis = 0).T.reset_index().rename(columns = {"index":"指标",1:"今年双11",0:"去年双11"})
sales_state["同比"] = (sales_state["今年双11"] - sales_state["去年双11"])/sales_state["去年双11"]

今年、去年同期对比

总体运营情况上，今年总销售额为3747167比去年同比上涨65%，销量同比上涨57%；
大多数指标均有上涨，平均涨幅40%左右，抛开折扣率的下降，客单价下降了20%左右。

3.从价格区间优化商品结构

3.1 价格区间划分

统计全部商品销售单价
划分价格区间，进行销售统计

# 商品单价统计
df_product_sales["商品销售单价"].describe()
# 划分0-200,201-400,400+ 商品区间
listbins = [0, 200, 400, 1000000]
listlabel = ["200元及以下", "201-400元", "400元以上"]
# cut，左开右闭,include_lowest：包含左端点
df_product_sales["价格分组"] = pd.cut(df_product_sales["商品销售单价"], bins = listbins, labels= listlabel, include_lowest=True)
# 进行统计
dt_product_sales_info = df_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',
                                                                  '商品购买用户数':'sum',
                                                                  '收藏数':'sum',
                                                                  '加购物车数':'sum'}).reset_index()
# 增加占比及转化率
dt_product_sales_info['货值占比'] = dt_product_sales_info['货值'].div(dt_product_sales_info['货值'].sum())
dt_product_sales_info['销售占比'] = dt_product_sales_info['商品销售金额'].div(dt_product_sales_info['商品销售金额'].sum())
dt_product_sales_info['售卖比'] = dt_product_sales_info.apply(lambda x:x[2]/x[1],axis = 1)
dt_product_sales_info['客单价'] = dt_product_sales_info.apply(lambda x:x[2]/x[5],axis = 1)
dt_product_sales_info['转换率'] = dt_product_sales_info.apply(lambda x:x[5]/x[4],axis = 1)

价格区间商品统计

3.2 区间选择

由于个价格区间商品销售表现都相近，转化率大致相同，400+商品的销售金额最高，但是销量最低，货值最高，为避免货物积压，就这一区间进行商品结构优化。

product_400 = df_product_sales.query("价格分组 == '400元以上'")
product_400['转换率'] = product_400['商品购买用户数'] / product_400['UV数']
product_400['备货值'] = product_400['吊牌价'] * product_400['库存量']
product_400['售卖比'] = product_400['商品销售金额'] / product_400['备货值']
product_400 = product_400[['商品名','商品销售金额','商品销售数量','商品销售单价','商品购买用户数','UV数','转换率','库存量','备货值','售卖比']].reset_index(drop = True)
# 划分A、B、C
def label(x):
    if x[0] > 0.007:
        return "A"
    elif x[0] <= 0.007 and x[1]>0.3:
        return "B"
    else:
        return "C"
product_400['label'] = product_400[["转换率","售卖比"]].apply(lambda x:label(x),axis = 1)
product_400['color'] = product_400[["转换率","售卖比"]].apply(lambda x:color(x),axis = 1)

400元以上产品

散点图，黄色:C类，绿色:B类，紫色:A类

A、B、C类产品分别有12,10,1件

3.3 优化方案

A:转化率大于0.7%的商品，暂时保留，用于下次促销活动；
B:转化率小于等于0.7%的商品，但是售卖比大于30%的商品予以保留参加下次促销活动，
C: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。

4.从折扣区间优化商品结构

4.1 折扣区间划分

将产品折扣率划分'0.15-0.2','0.2-0.25','0.25-0.3','0.3-0.35','0.35-0.4','0.4-0.45','0.45-0.5','0.5-0.55','0.55-0.6','0.6-0.65','0.65-0.7','0.7+'多个区间进行分析统计

listbins = [0.15, 0.2, 0.25, 0.3, 0.35, 0.4, 0.45, 0.5, 0.55, 0.6, 0.65, 0.7, 1]
listlabels = ['0.15-0.2','0.2-0.25','0.25-0.3','0.3-0.35','0.35-0.4','0.4-0.45','0.45-0.5','0.5-0.55','0.55-0.6','0.6-0.65','0.65-0.7','0.7+']

df_product_sales['折扣区间'] = pd.cut(df_product_sales['折扣率'],bins = listbins,labels = listlabels,include_lowest=True)
df_product_sales

4.2 指标计算

计算每个折扣区间的货值、销售额、销售数量、UV数、转化率、货值占比等指标

pd.set_option('display.float_format',lambda x : '%.6f' % x)
dt_product_discount_info = df_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',
                                                                     '收藏数':'sum',
                                                                     '加购物车数':'sum',
                                                                     '商品购买用户数':'sum'
                                                                     }).reset_index()
dt_product_discount_info['货值占比'] = dt_product_discount_info['货值'] / dt_product_discount_info['货值'].sum()
dt_product_discount_info['销售占比'] = dt_product_discount_info['商品销售金额'] / dt_product_discount_info['商品销售金额'].sum()
dt_product_discount_info['客单价'] = dt_product_discount_info['商品销售金额'] / dt_product_discount_info['商品购买用户数'].sum()
dt_product_discount_info['转化率'] = dt_product_discount_info['商品购买用户数'] / dt_product_discount_info['UV数'].sum()

折扣区间分析统计

销售情况

4.3 区间选择

折扣率在0.35-0.4之间的产品销售额最高，针对以上区间进行具体分析优化产品

def label2(x):
    if x[0] > 0.365 and x[1]>0.007:
        return "A"
    else:
        return "C"
product_354['label'] = product_354[['售卖比','转换率']].apply(lambda x:label2(x),axis = 1)

0.35-0.4区间产品销售情况

A类产品有5件、C类产品有20件，对A类产品保留继续下次促销，清仓处理C类产品。

4.4 优化方案

在折扣区间商品销量均较好，只对商品进行了A、C类划分。
转化率大于0.7%，售卖比大于36.5%的商品划分为A类商品，保留用于下次促销活动。
其余商品划分为C类商品，用于清仓处理。

四、总结

1.从整体运营情况来看，今年促销活动销售额为3747167元，实际销售额为2607587元，同比去年增涨65%以上，销量为12017件同比增涨57%。
2.根据ABC分析法
- 从价格区间优化结果来看，400元以上价位产品一共23件，其中A类产品12件、B类1件、C类10件，下次活动可以对A类产品采取宣传措施带动其他产品销量，C类产品进行清仓处理为下次活动节省空间资源。
- 在折扣区间方面，整体折扣率在0.38左右，销售额贡献最高的为0.35-0.4之间的产品，在这一类产品中，A类5件，C类有20件，我们选择保留A类产品，清仓处理C类产品。