Carnaval de compras anual de la Gala del Festival de Primavera de los compradores "Double Eleven", ¿cuántos pedidos hicieron?
Aunque el editor no compró demasiado este año, ¡puede considerarse como una contribución a "Double Eleven"!
Double Eleven es la temporada anual de promoción de ventas para el comercio electrónico minorista. Todas las empresas y marcas de comercio electrónico se están preparando para obtener la máxima potencia. Las marcas que desean ganar la batalla del comercio electrónico son indispensables para obtener información sobre los consumidores. comprensión del comportamiento de compra de los consumidores, más eficaz será ayudar a las empresas a llevar a cabo actividades de marketing de una manera más específica.
Este artículo analiza varios factores clave del comercio electrónico a través del análisis de datos, explica qué factores posibles afectan las ventas y ayuda al comercio minorista a encontrar información para aumentar las ventas.
Hoy utilizamos la literatura de Sakar, CO, Polat, SO, Katircioglu, M. et al. Una muestra pública de datos en Neural Comput & Applic (2018), combinada con el software JMP para realizar un interesante análisis de datos exploratorios del comportamiento de compra de los usuarios de compras en línea.
Paso 1 Adquisición de información
Fuente original
La información original se puede obtener a través de URL Descargue los datos originales en formato csv y ábralos a través de JMP; también puede usar directamente la función de lectura de páginas web de JMP para obtener directamente los datos del lado web.
(Operación JMP: archivo -> abrir desde Internet -> página web)
Introducción a los antecedentes de la información
El conjunto de datos contiene 12,330 comportamientos de compra de los usuarios de compras en línea en el sitio dentro de un año, así como los correspondientes 17 registros de comportamiento del usuario y los resultados finales de la transacción. Entre ellos, 17 registros de comportamiento incluyen 10 características numéricas y 7 características de subtipo.
- Información básica
Páginas web de gestión, tiempo de estancia de gestión, páginas web de información, tiempo de estancia de información, páginas web de productos, tiempo de estancia de productos, indican el número de usuarios abiertos en diferentes tipos de páginas web y el tiempo total de estancia.
- Porcentaje de rebote
La tasa de rebote indica el porcentaje de usuarios que ingresan a la página de un sitio web desde una ruta determinada y abandonan el sitio web sin hacer nada. Se puede utilizar como métrica para medir todo el sitio web o como métrica para medir la página.
- Tasa de salida
La tasa de salida representa el porcentaje de todas las visitas a esta página que abandonan el sitio web desde esta página para una página en particular, y generalmente se usa como una medida de la página;
- Valor de la página
El valor de la página representa el valor promedio de las páginas web que los usuarios han visitado antes de completar la transacción;
- Día especial
Día especial, que significa el intervalo entre la hora de acceso al sitio web y el día especial específico;
- otro
También incluye el sistema operativo, navegador, área, tipo de tráfico, tipo de visitante utilizado por el usuario, si es fin de semana y mes del año.
Paso 2 Análisis exploratorio visual
La tasa de rebote está relacionada con el éxito del marketing online.
Los clientes solo ven una página y luego salen, lo que dificulta que las marcas tengan la oportunidad de persuadir a los consumidores para que compren un producto. Después de todo, solo navegan por una página. Echemos un vistazo a la tasa de rebote a continuación.
(Operación JMP: Análisis -> Distribución)
Se puede ver en la figura que el 90% de los clientes tienen una tasa de rebote de menos del 6%, y la tasa de rebote promedio de todos los usuarios es solo del 2%. ¿Es perfecto? Por favor, no estés ansioso y feliz. Puede ser inexacto o puede haber un problema técnico con la forma en que el código de seguimiento de análisis del sitio web se integra en el sitio web.
Porque según la experiencia pasada, la tasa de rebote "normal" está entre el 40% y el 60%, menos del 40% es muy raro y más del 70% es preocupante y requiere una acción rápida.
La tasa de rebote actual está más allá del rango esperado y se ve "increíblemente bueno", lo que debería ser causado por el código de análisis repetido en algún lugar del sitio web.
Exploración múltiple de las características numéricas de los usuarios
Al realizar el análisis del comportamiento de compra, las características numéricas del usuario pueden tener muchas dimensiones. Con la ayuda del método de análisis múltiple de JMP, la relación entre cada dimensión se puede descubrir rápidamente y es posible lograr operaciones de reducción de dimensionalidad para reducir el riesgo de supervisión de funciones Los recursos necesarios se desperdician.
(Operación JMP: análisis -> métodos múltiples -> múltiples)
Según los datos actuales, el número de usuarios abiertos en diferentes tipos de páginas web se correlaciona positivamente con el tiempo de permanencia, que se comprende bien. La tasa de rebote y la tasa de salida también están obviamente correlacionadas positivamente debido a fórmulas de cálculo similares.Además, no se encuentran correlaciones entre características numéricas obvias.
El impacto de la forma en que los usuarios se conectan en línea en las ventas
A través de los resultados estadísticos de la prueba de chi-cuadrado en la figura siguiente, podemos capturar la relación entre si la transacción se completa o no y el sistema operativo del cliente, el tipo de navegador y el tipo de tráfico.
( JMP Operación: Análisis -> Toma X Ajuste Y )
En lo que respecta al sistema operativo, los diferentes sistemas operativos tienen diferentes proporciones de usuarios que completan transacciones.
También se puede ver en el gráfico que el sistema operativo es un poco más alto cuando el sistema operativo es "2", mientras que "1" y "3" son más bajos. Esto puede significar que la página del sitio web no es lo suficientemente amigable para admitir estos Si desea mejorar esta parte Conversión de ingresos, debe realizar las mejoras correspondientes. Del mismo modo, para los tipos de navegadores y tipos de tráfico, también hemos visto su impacto estadístico en la proporción de usuarios que completan transacciones, lo que indica que el sitio web también tiene margen de mejora en este sentido.
Clientes nuevos y antiguos y días laborables / Impacto de los fines de semana en las ventas
Con la ayuda del método de prueba de chi-cuadrado en la sección 2.3, también podemos descubrir rápidamente algunos clientes nuevos y antiguos y la regularidad de las ventas los días de semana / fines de semana, pero aquí probamos otro método de resumen de la hoja de datos.
(Operación JMP: análisis -> investigación de consumidores -> clasificación)
Combinando la información y los gráficos anteriores, puede ver claramente: Los clientes antiguos son la fuerza principal de las visitas al sitio web , Lo que indica que el sitio web está haciendo un buen trabajo en la retención de clientes; pero también vemos que ya sea entre semana (13,2% vs 26,1%) o los fines de semana (16,5% vs 21,9%), el porcentaje de nuevos clientes que completan transacciones es Mayor Para los clientes antiguos, esto muestra que el sitio web puede realizar algunas mejoras en la tasa de conversión de los clientes antiguos.
Por ejemplo, los clientes antiguos pueden disfrutar de mayores descuentos introduciendo nuevos clientes al comprar productos, lo que no solo moviliza el entusiasmo de los antiguos clientes por comprar, sino que también añade más clientes nuevos al sitio web.
Visualización centralizada de varios resultados de análisis
Si desea mostrar de forma centralizada varios gráficos de análisis en forma de informes, puede utilizar la función de secuencia de comandos de JMP para realizar una actualización en tiempo real de los datos del enlace del informe con un solo clic, lo que ahorra muchas operaciones manuales repetitivas.
(Operación JMP: Archivo -> Nuevo -> Aplicación)
Los anteriores son los resultados de algunos análisis de datos exploratorios. A continuación, intentemos utilizar el método de adquisición de datos para establecer un modelo estadístico cuantitativo para las principales características de los usuarios y los resultados de las transacciones mencionados anteriormente.
Paso 3 Modelado predictivo de datos
A través del árbol de decisiones, filtre las características clave que afectan las ventas
El árbol de decisiones es un método de aprendizaje supervisado. Puede resumir reglas de decisión a partir de una serie de datos con características y etiquetas, y presentar estas reglas en una estructura de árbol. Los resultados son fáciles de interpretar y tiene una amplia gama de aplicaciones en diversas industrias. y campos.
(Operación JMP: Análisis -> Modelado predictivo -> Segmentación)
En la figura podemos observar las distintas etapas del árbol de decisión, de arriba hacia abajo mostrando las características más importantes que afectan los resultados de la transacción.
El más importante de ellos es el valor de la página web, los porcentajes de transacciones con un valor de página web menor a 0.067 y mayor a 0.067 son 3.85% y 56.4%, respectivamente, la brecha es obvia. Algunos parámetros de características más importantes también se enumeran más adelante, como la tasa de rebote, el mes y las páginas relacionadas con el producto. Todos estos datos son factores importantes que impulsan los resultados de la transacción. Ahora se pueden seleccionar y mostrar rápidamente para que las marcas puedan tener un enfoque más claro de mejora y optimización.
Elija el mejor entre los mejores, pruebe más métodos de recopilación de datos
Además de los árboles de decisión, JMP también proporciona una variedad de métodos de adquisición de datos, como redes neuronales, bosques aleatorios, árboles potenciados y máquinas de vectores de soporte, y puede comparar fácilmente algoritmos de modelos para lograr lo mejor entre los mejores.
A través de la nueva selección de modelos de JMP Pro 16 para comparar múltiples métodos de adquisición de datos a la vez. Antes de eso, para evitar que el modelo construido se sobreajuste, primero puede seguir la relación 6: 2: 2 del conjunto de entrenamiento, conjunto de prueba y conjunto de verificación. Divida los datos originales para generar una columna de verificación.
(Operación JMP: Análisis -> Modelado predictivo -> Generar columnas de verificación)
Como se muestra en la figura siguiente, una vez que se ingresan los parámetros de las características y los resultados de la transacción, la plataforma construirá múltiples modelos de algoritmos al mismo tiempo y automáticamente descartará el mejor método de modelado actual como bosque aleatorio. El rendimiento del modelo en el conjunto de prueba es el futuro La capacidad de predicción de los nuevos datos R-cuadrado alcanzó 0,6 y la precisión de predicción alcanzó el 90,7%.
Un modelo predictivo preciso puede mostrar que la marca comprende los posibles resultados de la transacción de cada usuario lo antes posible, especialmente al predecir el error de la transacción, y responde y soluciona con anticipación, como descuentos, como abrir la interfaz de retención antes que el cliente. sale de la página.
(Operación JMP: Análisis -> Modelado predictivo -> Cribado del modelo)
¿Qué te parece? Después de leer el análisis de hoy, ¿le da más confianza en la "guerra del comercio electrónico"?
Para las marcas, ofrecer productos, servicios y recomendaciones de productos personalizados y hacer marketing uno a uno para las necesidades individuales es una gran ventaja del marketing online sobre el marketing tradicional.
En combinación con el software de análisis de datos JMP, puede ayudar a las empresas a diseñar páginas de colección de productos y actividades promocionales que satisfagan mejor las necesidades de los grupos de clientes objetivo mediante un análisis en profundidad del comportamiento de consumo de los usuarios de compras en línea y responder rápidamente a los problemas potenciales descubiertos. Mejorar, aportando mayores beneficios a la empresa.
>> Descargue JMP 16 ahora y disfrute de una prueba gratuita de 30 días <<
