Carnaval du shopping annuel du festival du printemps des acheteurs "Double Eleven", combien de commandes avez-vous passées ?
Bien que l'éditeur n'ait pas trop acheté cette année, cela peut être considéré comme une contribution à "Double Eleven" !
Double Eleven est la saison annuelle de promotion des ventes pour le commerce de détail en ligne. Toutes les entreprises et marques de commerce électronique se préparent pour obtenir une pleine puissance de feu. Les marques qui souhaitent gagner la bataille du commerce électronique sont indispensables pour obtenir des informations sur les consommateurs. , Plus la marque est approfondie compréhension du comportement d'achat des consommateurs, plus il sera efficace d'aider les entreprises à mener des activités de marketing de manière plus ciblée.
Cet article analyse plusieurs facteurs clés du commerce électronique grâce à l'analyse des données, explique quels facteurs peuvent affecter les ventes et aide le commerce de détail en ligne à trouver des informations pour augmenter les ventes.
Aujourd'hui, nous utilisons la littérature Sakar, CO, Polat, alors, Katircioglu, M. et al. Un échantillon de données public dans Neural Comput & Applic (2018), combiné au logiciel JMP pour effectuer une analyse exploratoire intéressante des données du comportement d'achat des utilisateurs d'achats en ligne.
Étape 1 Acquisition d'informations
Source primaire
Les informations originales peuvent être obtenues par URL Téléchargez les données d'origine au format csv et ouvrez-les via JMP ; vous pouvez également utiliser directement la fonction de lecture de page Web de JMP pour obtenir directement les données côté Web.
(Opération JMP : fichier -> ouvrir depuis Internet -> page Web)
Introduction à l'information
L'ensemble de données contient 12 330 comportements d'achat des utilisateurs d'achats en ligne sur le site dans un délai d'un an, ainsi que les 17 enregistrements de comportement d'utilisateur correspondants et les résultats de la transaction finale. Parmi eux, 17 enregistrements de comportement comprennent 10 caractéristiques numériques et 7 caractéristiques de sous-type.
- Informations de base
Les pages Web de gestion, le temps de séjour de gestion, les pages Web d'information, le temps de séjour d'information, les pages Web de produit, le temps de séjour de produit, indiquent le nombre d'utilisateurs ouverts sur différents types de pages Web et le temps de séjour total.
- Taux de rebond
Le taux de rebond indique le pourcentage d'utilisateurs qui accèdent à une page de site Web à partir d'un certain chemin et quittent le site Web sans rien faire. Il peut être utilisé comme métrique pour mesurer l'ensemble du site Web ou comme métrique pour mesurer la page.
- Taux de sortie
Le taux de sortie représente le pourcentage de toutes les visites sur cette page qui quittent le site Web à partir de cette page pour une page particulière, et est généralement utilisé comme mesure de la page ;
- Valeur de la page
La valeur de la page représente la valeur moyenne des pages Web que les utilisateurs ont visitées avant de terminer la transaction ;
- Jour spécial
Jour spécial, c'est-à-dire l'intervalle entre l'heure d'accès au site Web et un jour spécial spécifique ;
- autre
Il comprend également le système d'exploitation, le navigateur, la zone, le type de trafic, le type de visiteur utilisé par l'utilisateur, s'il s'agit d'un week-end et le mois de l'année.
Étape 2 Analyse exploratoire visuelle
Le taux de rebond est lié au succès du marketing en ligne
Les clients ne consultent qu'une seule page puis quittent, ce qui rend difficile pour les marques d'avoir une chance de persuader les consommateurs d'acheter un produit. Après tout, ils ne parcourent qu'une seule page. Jetons un coup d'œil au taux de rebond ci-dessous.
(Opération JMP : Analyse -> Distribution)
On peut voir sur la figure que 90 % des clients ont un taux de rebond inférieur à 6 % et que le taux de rebond moyen de tous les utilisateurs n'est que de 2 %. S'il vous plaît, ne soyez pas anxieux et heureux. Il peut être inexact ou il peut y avoir un problème technique avec la façon dont le code de suivi analytique du site Web est intégré au site Web.
Parce que sur la base de l'expérience passée, le taux de rebond "normal" se situe entre 40% et 60%, moins de 40% est très rare, et plus de 70% est inquiétant et nécessite une action rapide.
Le taux de rebond actuel est au-delà de la plage attendue et semble "incroyablement bon", ce qui devrait être dû à un code d'analyse répété quelque part sur le site Web.
Exploration multiple des caractéristiques numériques des utilisateurs
Lors de l'analyse du comportement d'achat, les caractéristiques numériques de l'utilisateur peuvent avoir de nombreuses dimensions.Avec l'aide de la méthode d'analyse multiple de JMP, la relation entre chaque dimension peut être rapidement découverte, et il est possible de réaliser des opérations de réduction de dimensionnalité pour réduire le risque de surveillance des fonctionnalités Les ressources nécessaires sont gaspillées.
(Opération JMP : analyse -> plusieurs méthodes -> plusieurs)
Sur la base des données actuelles, le nombre d'utilisateurs ouverts sur différents types de pages Web est positivement corrélé avec le temps de séjour, ce qui est bien compris. Le taux de rebond et le taux de sortie sont également bien évidemment corrélés positivement en raison de formules de calcul similaires.De plus, aucune caractéristique numérique évidente ne s'avère corrélée.
L'impact de la façon dont les utilisateurs se connectent en ligne sur les ventes
Grâce aux résultats statistiques du test du chi carré dans la figure ci-dessous, nous pouvons saisir la relation entre le fait que la transaction soit terminée ou non et le système d'exploitation, le type de navigateur et le type de trafic du client.
( JMP Opération : Analyse -> Prendre X Ajustement Y )
En ce qui concerne le système d'exploitation, différents systèmes d'exploitation ont des proportions différentes d'utilisateurs effectuant des transactions.
On peut également voir sur le graphique que le système d'exploitation est légèrement supérieur lorsque le système d'exploitation est "2", tandis que "1" et "3" sont inférieurs. Cela peut signifier que la page du site Web n'est pas assez conviviale pour prendre en charge ces opérations. Si vous souhaitez améliorer cette partie Conversion des revenus, vous devez apporter les améliorations correspondantes. De même, pour les types de navigateurs et les types de trafic, nous avons également vu leur impact statistique sur la proportion d'utilisateurs effectuant des transactions, indiquant que le site Web peut également être amélioré à cet égard.
Nouveaux et anciens clients et jours ouvrables / Impact des week-ends sur les ventes
A l'aide de la méthode du test du chi carré de la section 2.3, nous pouvons également découvrir rapidement quelques nouveaux et anciens clients et la régularité des ventes en semaine/week-end, mais nous essayons ici une autre méthode de synthèse de fiches techniques.
(Opération JMP : analyse -> étude consommateurs -> classement)
En combinant les graphiques et les informations ci-dessus, vous pouvez clairement voir : Les anciens clients sont la force principale des visites de sites Web , indiquant que le site Web fait un bon travail dans la fidélisation de la clientèle ; mais nous voyons également que que ce soit en semaine (13,2% contre 26,1%) ou le week-end (16,5% contre 21,9%), le pourcentage de nouveaux clients effectuant des transactions est plus élevé Pour les anciens clients, cela montre que le site Web peut apporter quelques améliorations au taux de conversion des anciens clients.
Par exemple, les anciens clients peuvent profiter de remises plus importantes en introduisant de nouveaux clients lors de l'achat de produits, ce qui non seulement mobilise l'enthousiasme des anciens clients à acheter, mais ajoute également plus de nouveaux clients au site Web.
Affichage centralisé des différents résultats d'analyse
Si vous souhaitez afficher de manière centralisée divers graphiques d'analyse sous forme de rapports, vous pouvez utiliser la fonction de script de JMP pour réaliser une mise à jour en temps réel des données de lien de rapport en un seul clic, économisant ainsi de nombreuses opérations manuelles répétitives.
(Opération JMP : Fichier -> Nouveau -> Application)
Ce qui précède est le résultat d'une analyse exploratoire des données. Ci-dessous, essayons encore d'utiliser la méthode d'acquisition de données pour établir un modèle statistique quantitatif des principales caractéristiques des utilisateurs et des résultats des transactions mentionnés ci-dessus.
Étape 3 Modélisation prédictive des données
Grâce à l'arbre de décision, filtrez les caractéristiques clés qui affectent les ventes
L'arbre de décision est une méthode d'apprentissage supervisé. Il peut résumer des règles de décision à partir d'une série de données avec des caractéristiques et des étiquettes, et présenter ces règles dans une structure arborescente. Les résultats sont faciles à interpréter, et il a un large éventail d'applications dans diverses industries et des champs. .
(Opération JMP : Analyse -> Modélisation prédictive -> Segmentation)
À partir de la figure, nous pouvons observer les différentes étapes de l'arbre de décision, de haut en bas montrant les caractéristiques les plus importantes qui affectent les résultats de la transaction.
Le plus important d'entre eux est la valeur de la page Web. Les pourcentages de transactions avec une valeur de page Web inférieure à 0,067 et supérieure à 0,067 sont respectivement de 3,85 % et 56,4 %. L'écart est évident. Certains paramètres caractéristiques plus importants sont également répertoriés plus tard, tels que le taux de rebond, le mois et les pages liées aux produits. Ces informations sont toutes des facteurs importants qui déterminent les résultats des transactions. Elles peuvent désormais être rapidement sélectionnées et affichées, afin que les marques puissent se concentrer plus clairement d'amélioration et d'optimisation.
Choisissez le meilleur parmi les meilleurs, essayez plus de méthodes de collecte de données
En plus des arbres de décision, JMP fournit également une variété de méthodes d'acquisition de données telles que les réseaux de neurones, les forêts aléatoires, les arbres boostés et les machines à vecteurs de support, et peut facilement comparer les algorithmes de modèle pour obtenir le meilleur parmi les meilleurs.
Grâce au nouveau criblage de modèle de JMP Pro 16 pour comparer plusieurs méthodes d'acquisition de données à la fois.Avant cela, afin d'éviter que le modèle construit ne soit trop ajusté, vous pouvez d'abord suivre le rapport 6:2:2 de l'ensemble d'apprentissage, l'ensemble de test , et le jeu de vérification. Fractionnez les données d'origine pour générer une colonne de vérification.
(Opération JMP : Analyse -> Modélisation prédictive -> Générer des colonnes de vérification)
Comme le montre la figure ci-dessous, une fois les paramètres de caractéristiques et les résultats de transaction entrés, la plate-forme construira plusieurs modèles d'algorithmes en même temps et filtrera automatiquement la meilleure méthode de modélisation actuelle en tant que forêt aléatoire. l'avenir La capacité de prédiction des nouvelles données R-carré a atteint 0,6 et la précision de la prédiction a atteint 90,7 %.
Un modèle prédictif précis peut montrer que la marque comprend les résultats de transaction possibles de chaque utilisateur le plus tôt possible, en particulier en prédisant l'échec de la transaction, et répond et remédie tôt, comme des remises, comme l'affichage de l'interface de rétention avant le client quitte la page.
(Opération JMP : Analyse -> Modélisation prédictive -> Screening du modèle)
Qu'en est-il ? Après avoir lu l'analyse d'aujourd'hui, cela vous rend-il plus confiant dans la « guerre du commerce électronique » ?
Pour les marques, fournir des recommandations personnalisées de produits, de services et de produits, et faire du marketing personnalisé pour les besoins individuels est un énorme avantage du marketing en ligne par rapport au marketing traditionnel.
Combiné avec le logiciel d'analyse de données JMP, vous pouvez aider les entreprises à concevoir des pages de collecte de produits et des activités promotionnelles qui répondent mieux aux besoins des groupes de clients cibles grâce à une analyse approfondie du comportement de consommation des utilisateurs d'achats en ligne, et à répondre rapidement aux problèmes potentiels découverts. apportant ainsi de plus grands avantages à l'entreprise.
>> Téléchargez JMP 16 maintenant et profitez d'un essai gratuit de 30 jours <<
