買い物客のため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、何件注文しましたか?
今年は編集者はあまり買いませんでしたが、それでも「ダブルイレブン」への貢献と言えますね！
ダブル イレブンは、電子商取引小売業にとって毎年恒例のプロモーション シーズンです。すべての電子商取引企業とブランドが準備を整え、全力で取り組んでいます。ブランドが電子商取引戦争で主導権を握りたいのであれば、消費者の洞察が不可欠です。詳細ブランドが消費者の購買行動を徹底的に理解すればするほど、企業がよりターゲットを絞ったマーケティング活動を実行するのに効果的に役立ちます。
この記事では、データ分析を使用して e コマースのいくつかの主要な要因を分析し、どの要因が売上に影響を与えるかを説明し、e コマース小売業者が売上を増やすための洞察を見つけるのに役立ちます。
今日は、コロラド州サカールの文献を使用します。 ポラット、S.O.、 Katircioglu、M. et al. 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 ユーザーの購買行動に関する興味深い探索的データ分析を実施します。
ステップ1データ収集
オリジナルソース
オリジナルデータは次の方法で取得できます。 URLオリジナルデータをcsv形式でダウンロードしてJMPで開くこともできますし、JMPのWebページ読み込み機能を利用してWebページ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 -> Web ページ)
情報背景の紹介
このデータセットには、Web サイト上の 12,330 人のオンライン ショッピング ユーザーの 1 年間の購買行動と、対応する 17 人のユーザー行動記録および最終取引結果が含まれています。 10 個の数値特徴と 7 個のカテゴリ特徴を含む 17 個の行動記録があります。
- 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、さまざまな種類の Web ページを開いたユーザーの総数と滞在時間を表します。
- 直帰率
直帰率とは、特定の経路からWebサイトのページに流入し、何もせずにWebサイトから離脱したユーザーの割合を示すもので、Webサイト全体の尺度としても、ページ単位の尺度としても使用できます。
- 離脱率
離脱率は、特定のページについて、このページへのすべての訪問者のうち、そのページから Web サイトから離脱した人の割合を示します。一般にページの尺度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訪問した平均ページ数を表します。
- 特別な日
特別日は、Web サイトのアクセス時間と特定の特別日の間の間隔を表します。
- 他の
さらに、オペレーティング システム、ブラウザ、地域、トラフィック タイプ、ユーザーが使用した訪問者のタイプ、週末や月かどうかも含まれます。
ステップ2視覚的な探索的分析
直帰率のレベルは、オンライン マーケティングの成功に関係します。
顧客は 1 ページだけを閲覧して終了するため、ブランドが消費者に製品の購入を説得することは困難になります。1 ページしか閲覧していないからです。以下で直帰率がどのようになるかを見てみましょう。
(JMP操作：分析→配信)
写真からわかるように、90% の顧客の直帰率は 6% 未満で、全ユーザーの平均直帰率はわずか 2% です。完璧ではありませんか?まだ幸せになることを心配しすぎないでください。不正確であるか、Web サイトの分析トラッキング コードが Web サイトに統合され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」直帰率は 40% から 60% の間であり、40% 未満になることは非常にまれで、70% を超えると懸念されるため、緊急の対応が必要になるからです。
現在、直帰率が予想範囲外で、「本当であるとは思えない」と思われる場合は、サイト上のどこかにある重複した分析コードが原因である可能性があります。
ユーザーの数値的特性の複数の調査
買い物行動分析を行う場合、ユーザーの数値的特徴は多くの次元を持つ場合がありますが、JMP の多変量解析手法を使用すると、各次元間の関係を迅速に発見でき、次元削減操作を実装することができるため、時間と時間を短縮できます。その後の機能監視のための労力、必要なリソースの無駄。
(JMP 操作: 分析 -> 多変量手法 -> 多変量)
現在のデータに基づくと、ユーザーがさまざまな種類の Web ページを開く回数とそのページに滞在する時間の間には正の相関関係があり、これは容易に理解できます。直帰率と離脱率も同様の計算式により有意な正の相関関係を示しているが、明らかな数値的特性相関は見られなかった。
ユーザーのインターネットへのアクセス方法が売上に与える影響
以下の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、顧客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 ->テイクXフィット）
オペレーティング システムに関する限り、トランザクションを完了するユーザーの割合はオペレーティング システムによって異なります。
また、グラフからもわかるように、OSが「2」の場合は若干高く、「1」や「3」の場合は低めとなっており、Webサイトのページがサポートに不向きである可能性があります。この部分の収益換算を向上させたい場合は、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対する統計的な影響が確認されており、この点でも Web サイトには改善の余地があることが示されています。
新規顧客と既存顧客と営業日/週末の売上への影響
パート 2.3 のカイ二乗検定法の助けを借りて、一部の新旧顧客および平日/週末の販売パターンを迅速に発見することもできますが、ここではデータ テーブルの要約の別の方法を試します。
(JMP の操作: 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、次のことが明確にわかります。古い顧客がウェブサイト訪問の主なソースであるこれは、Web サイトが顧客維持においてうまく機能していることを示していますが、平日 (13.2% 対 26.1%) または週末 (16.5% 対 21.9%) のどちらでも、取引を完了する新規顧客の割合が高いこともわかります。これは、Web サイトが古い顧客のコンバージョン率をある程度改善できることを示しています。
たとえば、古い顧客が商品を購入する場合、新しい顧客を紹介することで、より大きな割引を受けることができ、古い顧客の購買意欲を刺激するだけでなく、Web サイトにさらに多くの新しい顧客を追加することもできます。
多様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表示したい場合、JMPのスクリプト機能を使用すると、ワンクリックでレポートリンクデータをリアルタイムに更新でき、繰り返しの手動操作を大幅に節約できます。
(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。次に、データ収集手法をさらに活用して、上記の主なユーザー特性と取引結果に関する定量的な統計モデルを確立することを目指します。
ステップ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機能をスクリーニングする
デシジョンツリーとは、一連のデータから特徴やラベルを付けて決定ルールを要約し、樹形図構造で表現できる教師あり学習手法であり、その結果は解釈が容易であり、さまざまな業界や分野で幅広く応用されています。
(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、デシジョン ツリーのさまざまな段階を観察することができ、取引結果に影響を与える最も重要な機能が上から下まで示されています。
最も重要なのは Web ページの価値であり、Web ページの価値が 0.067 未満の場合と 0.067 を超える場合のトランザクション率はそれぞれ 3.85% と 56.4% であり、明らかな差があります。直帰率、月および製品関連ページなど、より重要な特性パラメーターも後でリストされます。これらの情報はトランザクション結果を左右する重要な要素であり、すぐに選択して表示できるため、ブランドはより明確な焦点を当てることができます。改善と最適化のために。
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す
デシジョン ツリーに加えて、JMP はニューラル ネットワーク、ランダム フォレスト、ブースト 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収集方法も提供し、モデル アルゴリズム間の比較を簡単に完了して最良のものを実現できます。
JMP Pro 16 の新しいモデル スクリーニングにより、複数のデータ収集方法を一度に比較できます。その前に、構築されたモデルの過学習を防ぐために、まずトレーニング セット、テスト セット、検証セットを次の比率で追跡できます。 6:2:2 元のデータを比例的に分割し、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)
下図に示すように、特性パラメーター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複数のアルゴリズム モデルを同時に構築し、現在最適なモデリング手法をランダム フォレストとして自動的に選択します。新しいデータの予測能力 R 二乗は 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起こり得る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、顧客がページを離れる前に割引や保持インターフェイスのポップアップなどの早期の対応と救済策を行うのに役立ちます。
(JMP 操作: 分析 -> 予測モデリング -> モデル スクリーニング)
どうでしょうか？今日の分析を読んで、「電子商取引戦争」にもっと自信が持てるようになりましたか?
ブランドにとって、パーソナライズされた製品、サービス、商品の推奨を提供し、個人のニーズに基づいて 1 対 1 のマーケティングを実施できることは、従来のマーケティングに比べてオンライン 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することができます。これにより、企業は対象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し、潜在的な問題にタイムリーに対応できます。発見された改善により、企業に大きな利益がもたらされます。
>>今すぐ JMP 16 をダウンロードして、30 日間の無料トライアルを入手してください<<
