買い物客の毎年恒例の春祭りガラ「ダブルイレブン」ショッピングカーニバル、何回注文しましたか？
今年は編集者はあまり買わなかったのですが、「ダブルイレブン」への貢献と言えます！
ダブルイレブンは、eコマース小売の年間販売促進シーズンです。すべてのeコマース企業とブランドは完全な火力を得るために準備を進めています。eコマースの戦いに勝ちたいブランドは、消費者の洞察に不可欠です。消費者の購買行動を理解すればするほど、企業がより的を絞った方法でマーケティング活動を行うのを支援することがより効果的になります。
この記事では、データ分析を通じてeコマースのいくつかの重要な要素を分析し、売り上げに影響を与える可能性のある要素を説明し、eコマース小売業者が売り上げを伸ばすための洞察を見つけるのに役立ちます。
今日、私たちは文献Sakar、COを使用します。 Polat、SO、 Katircioglu、M。etal。 Neural Comput＆Applic（2018）の公開サンプルデータとJMPソフトウェアを組み合わせて、オンラインショッピングユーザーの購入行動に関する興味深い探索的データ分析を行います。
ステップ1情報取得
元のソース
元の情報は、 URL元のデータをcsv形式でダウンロードし、JMPで開きます。また、JMPのWebページ読み取り機能を直接使用して、Web側のデータを直接取得することもできます。
（JMP操作：ファイル->インターネットから開く->ウェブページ）
情報背景紹介
データセットには、1年以内のサイトでの12,330人のオンラインショッピングユーザーの購入行動、および対応する17人のユーザー行動記録と最終的なトランザクション結果が含まれています。その中で、17の行動記録には10の数値特性と7つのサブタイプ特性が含まれています。
- 基本情報
管理Webページ、管理滞在時間、情報Webページ、情報滞在時間、製品Webページ、製品滞在時間は、さまざまなタイプのWebページで開かれたユーザーの数と合計滞在時間を示します。
- バウンス率
バウンス率は、特定のパスからWebサイトのページにアクセスし、何もせずにWebサイトを離れるユーザーの割合を示します。これは、Webサイト全体を測定するためのメトリックとして、またはページを測定するためのメトリックとして使用できます。
- 退出率
終了率は、特定のページについてこのページからWebサイトを離れる、このページへのすべての訪問の割合を表し、通常、ページの測定値として使用されます。
- ページ値
ページ値は、トランザクションを完了する前にユーザーがアクセスしたWebページの平均値を表します。
- 特別な日
特別な日。これは、Webサイトのアクセス時間と特定の特別な日との間の間隔を意味します。
- 他の
また、オペレーティングシステム、ブラウザ、エリア、トラフィックタイプ、ユーザーが使用する訪問者タイプ、週末かどうか、および月も含まれます。
ステップ2視覚的探索的分析
バウンス率はオンラインマーケティングの成功に関連しています
顧客は1ページしか表示せずに終了するため、ブランドが消費者に商品を購入するように説得する機会を得るのは困難です。結局、顧客は1ページしか閲覧しません。以下のバウンス率を見てみましょう。
（JMP操作：分析->配布）
この図から、顧客の90％のバウンス率が6％未満であり、すべてのユーザーの平均バウンス率はわずか2％であることがわかります。完璧ですか？心配したり幸せになったりしないでください。不正確であるか、ウェブサイトの分析トラッキングコードをウェブサイトに統合する方法に技術的な問題がある可能性があります。
過去の経験に基づくと、「通常の」バウンス率は40％〜60％であり、40％未満は非常にまれであり、70％を超えると心配であり、迅速な対応が必要です。
現在のバウンス率は予想範囲を超えており、「信じられないほど良好」に見えます。これは、Webサイトのどこかで分析コードが繰り返されたことが原因であると考えられます。
ユーザーの数値特性の複数の調査
買い物行動分析を行う場合、ユーザーの数値的特徴には多くの次元が含まれる可能性があります。JMPのマルチ分析手法を使用すると、各次元間の関係をすばやく発見でき、次元削減操作を実行して、その後のリスクを軽減できます。機能の監視。必要なリソースが無駄になります。
（JMP操作：分析->複数の方法->複数）
現在のデータに基づくと、さまざまなタイプのWebページで開かれたユーザーの数は、滞在時間と正の相関関係があり、よく理解されています。計算式が類似しているため、バウンス率とエグジット率も明らかに正の相関関係にあり、明らかな数値特性には相関関係が見られません。
ユーザーがオンラインで販売する方法の影響
下図のカイ二乗検定の統計結果から、トランザクションが完了したかどうかと、お客様のオペレーティングシステム、ブラウザの種類、トラフィックの種類との関係を把握できます。
（（ JMP操作：分析-> Xを取るYにフィット）。
オペレーティングシステムに関する限り、オペレーティングシステムが異なれば、トランザクションを完了するユーザーの割合も異なります。
また、グラフから、オペレーティングシステムが「2」の場合はオペレーティングシステムがわずかに高く、「1」と「3」が低い場合もわかります。これは、Webサイトページがこれらの操作をサポートするのに十分な友好的ではないことを意味している可能性があります。システム。この部分の収益の変換を改善したい場合は、対応する改善を行う必要があります。同様に、ブラウザの種類とトラフィックの種類についても、トランザクションを完了するユーザーの割合に統計的な影響が見られます。これは、この点でWebサイトにも改善の余地があることを示しています。
新旧の顧客と営業日/週末の売上への影響
セクション2.3のカイ二乗検定法の助けを借りて、いくつかの新旧の顧客と平日/週末の販売の規則性をすばやく発見することもできますが、ここでは別のデータシート要約法を試します。
（JMP操作：分析->消費者調査->分類）
上記のグラフィックと情報を組み合わせると、次のことがはっきりとわかります。古い顧客はウェブサイト訪問の主な力です、ウェブサイトが顧客維持に優れていることを示していますが、平日（13.2％対26.1％）でも週末（16.5％対21.9％）でも、トランザクションを完了した新規顧客の割合は高い古い顧客の場合、これは、Webサイトが古い顧客のコンバージョン率をいくらか改善できることを示しています。
たとえば、古い顧客は商品を購入するときに新しい顧客を紹介することでより大きな割引を享受できます。これにより、古い顧客の購入意欲が高まるだけでなく、Webサイトに新しい顧客が追加されます。
さまざまな分析結果を一元表示
さまざまな分析チャートをレポート形式で一元的に表示したい場合は、JMPのスクリプト機能を利用して、ワンクリックでレポートリンクデータのリアルタイム更新を実現し、手作業の繰り返しを大幅に省くことができます。
（JMP操作：ファイル->新規->アプリケーション）
上記は、いくつかの探索的データ分析の結果です。以下では、データ取得の方法を使用して、上記のユーザーの主な特性とトランザクション結果の定量的統計モデルを確立することをさらに試みましょう。
Step.3データ予測モデリング
デシジョンツリーを通じて、売上に影響を与える主要な特性をフィルタリングします
デシジョンツリーは教師あり学習方法であり、一連のデータからのデシジョンルールを特性とラベルで要約し、これらのルールをツリー構造で提示できます。結果は解釈しやすく、さまざまな業界で幅広い用途があります。およびフィールド。
（JMP操作：分析->予測モデリング->セグメンテーション）
この図から、トランザクションの結果に影響を与える最も重要な特性を示す上から下まで、意思決定ツリーのさまざまな段階を観察できます。
これらの中で最も重要なのはウェブページの値です。ウェブページの値が0.067未満と0.067を超えるトランザクションの割合は、それぞれ3.85％と56.4％です。ギャップは明らかです。バウンス率、月、製品関連のページなど、いくつかのより重要な特性パラメータも後でリストされます。これらの情報はすべて、トランザクション結果を促進する重要な要素です。ブランドがより明確に焦点を合わせることができるように、すばやく選択して表示できるようになりました。改善と最適化の。
最良の中から最良のものを選択し、より多くのデータ収集方法を試してください
JMPは、決定木に加えて、ニューラルネットワーク、ランダムフォレスト、ブースティングツリー、サポートベクターマシンなどのさまざまなデータ取得方法も提供し、モデルアルゴリズムを簡単に比較して、最高の中から最高のものを実現できます。
JMP Pro 16の新しいモデルスクリーニングを通じて、一度に複数のデータ取得方法を比較します。その前に、構築されたモデルの過剰適合を防ぐために、最初にトレーニングセットとテストセットの6：2：2の比率に従うことができます。 、および検証セット。元のデータを分割して検証列を生成します。
（JMP操作：分析->予測モデリング->検証列の生成）
次の図に示すように、機能パラメータとトランザクション結果を入力すると、プラットフォームは同時に複数のアルゴリズムモデルを構築し、現在の最良のモデリング方法をランダムフォレストとして自動的に選別します。テストセットでのモデルのパフォーマンスは次のとおりです。将来新しいデータのR-squareの予測能力は0.6に達し、予測精度は90.7％に達しました。
正確な予測モデルは、ブランドが各ユーザーの可能なトランザクション結果をできるだけ早く理解し、特にトランザクションの失敗を予測し、顧客の前に保持インターフェースをポップアップするなどの割引など、早期に対応して修正することを示すことができますページを終了します。
（JMP操作：分析->予測モデリング->モデルスクリーニング）
どうですか？今日の分析を読んだ後、それはあなたに「eコマース戦争」にもっと自信を持たせますか？
ブランドにとって、パーソナライズされた製品、サービス、および製品の推奨事項を提供し、個々のニーズに合わせて1対1のマーケティングを行うことは、従来のマーケティングに対するオンラインマーケティングの大きな利点です。
JMPデータ分析ソフトウェアと組み合わせることで、オンラインショッピングユーザーの消費行動を詳細に分析し、発見された潜在的な問題に迅速に対応することで、企業がターゲット顧客グループのニーズをより適切に満たす製品コレクションページやプロモーション活動を設計できるように支援できます。これにより、企業により大きなメリットがもたらされます。
>>今すぐJMP16をダウンロードして、30日間の無料トライアルをお楽しみください<<
