쇼핑객의 연례 봄 축제 갈라 "더블 일레븐"쇼핑 카니발, 얼마나 많은 주문을 했습니까?
올해는 에디터가 많이 사지 않았지만, '더블일레븐'에 대한 기여로 볼 수 있어요!
더블일레븐은 전자상거래 유통의 연례 판촉 시즌이다. 모든 전자상거래 기업과 브랜드가 전력을 다하기 위해 총력을 기울이고 있다. 전자상거래 전투에서 이기고자 하는 브랜드는 소비자 인사이트에 필수 불가결하다. , 브랜드의 철저한 소비자의 구매 행동을 이해할수록 기업이 보다 표적화된 방식으로 마케팅 활동을 수행하도록 돕는 것이 더 효과적일 것입니다.
이 기사는 데이터 분석을 통해 전자 상거래의 여러 핵심 요소를 분석하고 어떤 가능한 요소가 판매에 영향을 미치는지 설명하고 전자 상거래 소매가 판매를 늘리기 위한 통찰력을 찾는 데 도움이 됩니다.
오늘날 우리는 문헌을 사용합니다. Sakar, CO, 폴라트, SO, Katircioglu, M. et al. Neural Comput & Applic(2018)의 공개 샘플 데이터는 JMP 소프트웨어와 결합되어 온라인 쇼핑 사용자의 구매 행동에 대한 흥미로운 탐색 데이터 분석을 수행합니다.
1 단계 정보 수집
원본 소스
를 통해 원본 정보를 얻을 수 있습니다. URL csv 형식의 원본 데이터를 다운로드하여 JMP를 통해 열거나 JMP의 웹 페이지 읽기 기능을 직접 사용하여 웹 측 데이터를 직접 얻을 수도 있습니다.
(JMP 작업: 파일 -> 인터넷에서 열기 -> 웹페이지)
정보 배경 소개
데이터 세트에는 1년 이내에 사이트에서 12,330명의 온라인 쇼핑 사용자의 구매 행동과 해당 17명의 사용자 행동 기록 및 최종 거래 결과가 포함됩니다. 그 중 17개의 행동 기록은 10개의 수치적 특성과 7개의 하위 유형 특성을 포함합니다.
- 기본 정보
관리웹페이지, 관리체재시간, 정보웹페이지, 정보체재시간, 제품웹페이지, 제품체재시간은 각종 웹페이지를 연 이용자수와 총체류시간을 나타냅니다.
- 이탈률
이탈률은 특정 경로에서 웹사이트 페이지에 진입한 후 아무 작업도 하지 않고 웹사이트를 나가는 사용자의 비율을 나타내는 것으로, 전체 웹사이트를 측정하는 메트릭으로 사용하거나 페이지를 측정하는 메트릭으로 사용할 수 있습니다.
- 이탈률
종료율은 특정 페이지에 대해 이 페이지에서 웹사이트를 떠나는 이 페이지에 대한 모든 방문의 비율을 나타내며 일반적으로 페이지의 척도로 사용됩니다.
- 페이지 값
페이지 값은 사용자가 거래를 완료하기 전에 방문한 웹 페이지의 평균 값을 나타냅니다.
- 특별한 날
특정일, 웹사이트 접속 시간과 특정 특정일 사이의 간격을 의미합니다.
- 다른
또한 운영 체제, 브라우저, 지역, 트래픽 유형, 사용자가 사용한 방문자 유형, 주말 여부, 연도 월도 포함됩니다.
2 단계 시각적 탐색적 분석
이탈률은 온라인 마케팅의 성공과 관련이 있습니다.
고객은 한 페이지만 보고 빠져나가기 때문에 브랜드는 소비자를 설득할 기회를 얻기 어렵고 결국 한 페이지만 탐색하게 된다. 아래에서 이탈률을 살펴보겠습니다.
(JMP 운영 : 분석 -> 유통)
그림에서 알 수 있듯이 고객의 90%는 이탈률이 6% 미만이고 모든 사용자의 평균 이탈률은 2%에 불과합니다.완벽한가요? 불안하고 기뻐하지 마십시오. 정확하지 않거나 웹사이트의 분석 추적 코드가 웹사이트에 통합되는 방식에 기술적인 문제가 있을 수 있습니다.
과거 경험에 따르면 "정상적인" 이탈률은 40%-60%이고 40% 미만은 매우 드물며 70% 이상은 걱정스럽고 빠른 조치가 필요합니다.
현재 이탈률은 예상 범위를 벗어났으며 "믿을 수 없을 정도로 양호"해 보입니다. 이는 웹사이트 어딘가에서 반복되는 분석 코드로 인해 발생해야 합니다.
사용자의 수치적 특성에 대한 다중 탐색
쇼핑 행동 분석을 할 때 사용자의 수치적 특징은 많은 차원을 가질 수 있습니다.JMP의 다중 분석 방법의 도움으로 각 차원 간의 관계를 빠르게 찾을 수 있으며 차원 축소 작업을 달성하여 후속 위험을 줄일 수 있습니다. 기능 모니터링 필요한 리소스가 낭비됩니다.
(JMP 연산: 분석 -> 다중 방법 -> 다중)
현재 데이터에 따르면 다양한 유형의 웹 페이지를 연 사용자 수는 체류 시간과 양의 상관 관계가 있으며 이는 잘 알려져 있습니다. 이탈률과 이탈률 역시 유사한 계산 공식으로 인해 분명히 양의 상관관계가 있으며, 뚜렷한 수치적 특성도 상관관계가 없는 것으로 나타났습니다.
사용자가 온라인에 접속하는 방식이 판매에 미치는 영향
아래 그림의 카이제곱 검정의 통계적 결과를 통해 거래 완료 여부와 고객의 운영체제, 브라우저 유형, 트래픽 유형 간의 관계를 파악할 수 있다.
( JMP 작업: 분석 -> 테이크 X Y 맞춤 )
운영 체제에 관한 한, 운영 체제마다 트랜잭션을 완료하는 사용자 비율이 다릅니다.
운영 체제가 "2"일 때 운영 체제가 약간 높고 "1"과 "3"이 낮을 때 그래프에서 볼 수 있습니다. 이는 웹 사이트 페이지가 이러한 운영 체제를 지원하기에 충분히 친숙하지 않다는 것을 의미할 수 있습니다. 이 부분의 수익전환을 개선하고 싶다면 그에 상응하는 개선이 필요합니다. 마찬가지로 브라우저 유형 및 트래픽 유형의 경우 거래를 완료한 사용자의 비율에 대한 통계적 영향도 확인했습니다. 이는 웹사이트에도 이와 관련하여 개선의 여지가 있음을 나타냅니다.
신규 및 기존 고객 및 근무일 / 주말이 매출에 미치는 영향
섹션 2.3의 카이-제곱 검정 방법의 도움으로 일부 신규 및 기존 고객과 주중/주말 판매의 규칙성을 빠르게 발견할 수도 있지만 여기서는 다른 데이터 시트 요약 방법을 시도합니다.
(JMP 운영 : 분석 -> 소비자 조사 -> 분류)
위의 그래픽과 정보를 결합하면 다음을 명확하게 볼 수 있습니다. 오래된 고객은 웹 사이트 방문의 주요 요소입니다. , 웹사이트가 고객 유지에 좋은 역할을 하고 있음을 나타냅니다. 그러나 주중(13.2% 대 26.1%)이든 주말(16.5% 대 21.9%)이든 거래를 완료하는 신규 고객의 비율은 다음과 같습니다. 더 높음 기존 고객의 경우 웹사이트가 기존 고객의 전환율을 일부 개선할 수 있음을 보여줍니다.
예를 들어, 기존 고객은 상품을 구매할 때 신규 고객을 소개함으로써 더 큰 할인을 받을 수 있습니다. 이는 기존 고객의 구매 의욕을 불러일으킬 뿐만 아니라 웹 사이트에 더 많은 신규 고객을 추가합니다.
다양한 분석 결과를 중앙 집중식으로 표시
다양한 분석 차트를 보고서 형태로 중앙에서 표시하고 싶다면 JMP의 스크립트 기능을 사용하여 클릭 한 번으로 보고서 링크 데이터의 실시간 업데이트를 실현할 수 있으므로 반복적인 수작업을 많이 줄일 수 있습니다.
(JMP 작업: 파일 -> 새로 만들기 -> 애플리케이션)
위의 내용은 일부 탐색적 데이터 분석의 결과입니다. 아래에서는 위에서 언급한 사용자의 주요 특성과 거래 결과에 대한 정량적 통계 모델을 구축하기 위해 데이터 수집 방법을 더 사용해 보겠습니다.
3단계 데이터 예측 모델링
의사 결정 트리를 통해 판매에 영향을 미치는 주요 특성 필터링
의사 결정 트리는 지도 학습 방법입니다. 특성 및 레이블이 있는 일련의 데이터에서 의사 결정 규칙을 요약하고 이러한 규칙을 트리 구조로 나타낼 수 있습니다. 결과를 해석하기 쉽고 다양한 산업 분야에서 광범위하게 적용할 수 있습니다. 그리고 필드. .
(JMP 운영: 분석 -> 예측 모델링 -> 세분화)
그림에서 우리는 트랜잭션 결과에 영향을 미치는 가장 중요한 특성을 보여주는 위에서 아래로 의사결정 트리의 다양한 단계를 관찰할 수 있습니다.
이 중 가장 중요한 것은 웹페이지의 가치인데 웹페이지 가치가 0.067보다 낮고 0.067보다 높은 거래 비율은 각각 3.85%와 56.4%로 격차가 확연하다. 이탈률, 월 및 제품 관련 페이지와 같은 몇 가지 더 중요한 특성 매개변수도 나중에 나열됩니다. 이러한 정보는 모두 거래 결과를 이끄는 중요한 요소입니다. 이제 신속하게 선택하고 표시할 수 있으므로 브랜드가 보다 명확하게 집중할 수 있습니다. 개선 및 최적화.
최고 중에서 최고를 선택하고 더 많은 데이터 수집 방법을 시도하십시오
JMP는 의사 결정 트리 외에도 신경망, 랜덤 포레스트, 부스트 트리, 지원 벡터 머신과 같은 다양한 데이터 수집 방법을 제공하며 모델 알고리즘을 쉽게 비교하여 최고 중 최고를 달성할 수 있습니다.
JMP Pro 16의 새로운 모델 스크리닝을 통해 여러 데이터 수집 방법을 한 번에 비교하기 전에 빌드된 모델이 과적합되는 것을 방지하기 위해 먼저 훈련 세트, 테스트 세트의 6:2:2 비율을 따를 수 있습니다. , 및 검증 세트 원본 데이터를 분할하여 검증 열을 생성합니다.
(JMP 작업: 분석 -> 예측 모델링 -> 검증 열 생성)
아래 그림과 같이 기능 매개변수와 트랜잭션 결과를 입력하면 플랫폼은 동시에 여러 알고리즘 모델을 구성하고 현재 최상의 모델링 방법을 랜덤 포레스트로 자동 선별합니다. 테스트 세트에 대한 모델의 성능은 다음과 같습니다. 미래 새로운 데이터 R-square의 예측 능력은 0.6, 예측 정확도는 90.7%에 달했습니다.
정확한 예측 모델은 브랜드가 각 사용자의 가능한 거래 결과를 가능한 한 빨리 이해하고 특히 거래의 실패를 예측하고 고객 앞에 리텐션 인터페이스를 팝업하는 등 할인과 같은 조기 대응 및 해결을 보여줄 수 있습니다. 페이지를 종료합니다.
(JMP 운영: 분석 -> 예측 모델링 -> 모델 스크리닝)
어때요? 오늘의 분석을 읽고 나면 '전자상거래 전쟁'에 대한 자신감이 생기나요?
브랜드의 경우 개인화 된 제품, 서비스 및 제품 권장 사항을 제공하고 개인의 요구에 맞는 일대일 마케팅을 수행하는 것은 전통적인 마케팅에 비해 온라인 마케팅의 큰 이점입니다.
JMP 데이터 분석 소프트웨어와 결합하면 온라인 쇼핑 사용자의 소비 행동에 대한 심층 분석을 통해 대상 고객 그룹의 요구를 보다 잘 충족하는 제품 수집 페이지 및 판촉 활동을 설계하고 발견된 잠재적 문제에 신속하게 대응할 수 있습니다. 따라서 기업에 더 큰 이익을 가져다 줍니다.
>> 지금 JMP 16을 다운로드하고 30일 무료 평가판을 즐기십시오 <<
