Carnaval de compras anual de la Gala del Festival de Primavera de compradores “Double Eleven”, ¿cuántos pedidos ha realizado?
Aunque el editor no compró demasiado este año, ¡aún puede considerarse como una contribución al "Double Eleven"!
Double Eleven es una temporada de promoción anual para el comercio minorista de comercio electrónico. Todas las empresas y marcas de comercio electrónico se están preparando y disparando a toda máquina. Si las marcas quieren tomar la iniciativa en la guerra del comercio electrónico, los conocimientos de los consumidores son esenciales. Cuanto más comprenda la marca el comportamiento de compra de los consumidores, más eficazmente podrá ayudar a las empresas a llevar a cabo actividades de marketing más específicas.
Este artículo utiliza el análisis de datos para analizar varios factores clave del comercio electrónico, explicar qué factores pueden afectar las ventas y ayudar al comercio minorista a encontrar información para aumentar las ventas.
Hoy utilizaremos la literatura de Sakar, CO, Polat, S.O., Katircioglu, M. et al. Se utiliza una muestra de datos públicos de Neural Comput & Applic (2018), combinados con el software JMP, para realizar un interesante análisis de datos exploratorios sobre el comportamiento de compra de los usuarios de compras en línea.
Paso 1 Adquisición de datos
fuente original
Los datos originales se pueden 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 de la página web.
(Operación JMP: Archivo -> Abrir desde Internet -> Página web)
Introducción a los antecedentes de la información.
Este conjunto de datos contiene el comportamiento de compra de 12.330 usuarios de compras en línea en el sitio web en un año, así como los 17 registros de comportamiento de usuario correspondientes y los resultados finales de las transacciones. Hay 17 registros de comportamiento, incluidas 10 características numéricas y 7 características categóricas.
- Información básica
Las páginas web de administración, el tiempo de permanencia de administración, las páginas web de información, el tiempo de permanencia de la información, las páginas web de productos, el tiempo de permanencia del producto, representan el número total de usuarios que abren y el tiempo de permanencia en diferentes tipos de páginas web.
- Porcentaje de rebote
La tasa de rebote indica qué porcentaje de usuarios que ingresan a la página de un sitio web desde una ruta específica sin hacer nada y simplemente abandonan el sitio web, puede usarse como una medida de todo el sitio web o como una medida de la página.
- tasa de salida
La tasa de salida indica que para una página específica, el porcentaje de personas que abandonan el sitio web desde esta página representa todas las visitas a esta página. Generalmente se utiliza como medida de la página;
- valor de página
El valor de la página representa el número promedio de páginas que visitó un usuario antes de completar una transacción;
- día especial
Los días especiales representan el intervalo entre el tiempo de acceso al sitio web y días especiales específicos;
- otro
Además, también incluye el sistema operativo, navegador, región, tipo de tráfico, tipo de visitante utilizado por el usuario, si es fin de semana y el mes del año.
Paso 2 Análisis exploratorio visual.
El nivel de tasa de rebote está relacionado con el éxito del marketing online.
Los clientes solo ven una página y luego salen, lo que dificulta que las marcas convenzan a los consumidores para que compren productos, ya que solo vieron una página. Echemos un vistazo a cómo se ve la tasa de rebote a continuación.
(Operación JMP: Análisis -> Distribución)
Como se puede ver en la imagen, el 90% de los clientes tiene una tasa de rebote inferior al 6% y la tasa de rebote promedio de todos los usuarios es solo del 2%, ¿no es perfecto? Por favor, no estés demasiado ansioso por ser feliz todavía. Podría ser inexacto o podría haber un problema técnico con la forma en que el código de seguimiento analítico 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%. Por debajo del 40% es muy raro y por encima del 70% es preocupante y requiere una acción urgente.
Las tasas de rebote que actualmente están fuera del rango esperado y parecen "demasiado buenas para ser verdad" probablemente se deban a un código de análisis duplicado en alguna parte del sitio.
Exploración múltiple de las características numéricas del usuario.
Al realizar un análisis del comportamiento de compra, las características numéricas del usuario pueden tener muchas dimensiones. Con la ayuda del método de análisis multivariado de JMP, se puede descubrir rápidamente la relación entre cada dimensión y es posible implementar operaciones de reducción de dimensionalidad, lo que reducirá el tiempo y Esfuerzo para el seguimiento posterior de funciones. Necesario desperdicio de recursos.
(Operación JMP: Análisis -> Métodos multivariados -> Multivariado)
Según los datos actuales, existe una correlación positiva entre el número de veces que un usuario abre diferentes tipos de páginas web y el tiempo que permanece en ellas, lo cual es fácil de entender. La tasa de rebote y la tasa de salida también tienen una correlación positiva significativa debido a fórmulas de cálculo similares. Además, no se encontró ninguna correlación característica numérica obvia.
El impacto de la forma en que los usuarios acceden a Internet en las ventas
A través de los resultados estadísticos de la prueba de chi-cuadrado en la siguiente figura, podemos capturar la relación entre si se completa una transacción y el sistema operativo, el tipo de navegador y el tipo de tráfico del cliente.
( JMP Operación: Análisis -> Toma X En forma )
En lo que respecta a los sistemas operativos, la proporción de usuarios que completan transacciones es diferente para los diferentes sistemas operativos.
También se puede ver en el gráfico que cuando el sistema operativo es "2", está ligeramente más arriba, mientras que "1" y "3" están en la parte inferior, lo que puede significar que la página del sitio web no es lo suficientemente amigable para soportar estos sistemas operativos. Si desea mejorar la conversión de ingresos de esta parte, es necesario realizar las mejoras correspondientes. De manera similar, para el tipo de navegador y el tipo 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 Parte 2.3, también podemos descubrir rápidamente los patrones de ventas de algunos clientes nuevos y antiguos y entre semana/fines de semana, pero aquí probamos otro método de resumen de tablas de datos.
(Operación JMP: Análisis->Investigación del Consumidor->Clasificación)
Combinando los gráficos y la información anteriores, podemos ver claramente: Los clientes antiguos son la principal fuente de visitas al sitio web , lo que indica que el sitio web ha hecho un buen trabajo en la retención de clientes; pero también vemos que la proporción de nuevos clientes que completan transacciones es mayor ya sea entre semana (13,2% frente a 26,1%) o los fines de semana (16,5% frente a 21,9%). clientes, esto muestra que el sitio web puede realizar algunas mejoras en la tasa de conversión de los clientes antiguos.
Por ejemplo, cuando los clientes antiguos compran productos, pueden disfrutar de mayores descuentos al presentar nuevos clientes, lo que no sólo despierta el entusiasmo de los antiguos clientes por comprar, sino que también añade más clientes nuevos al sitio web.
Visualización centralizada de diversos resultados de análisis.
Si desea mostrar varios gráficos de análisis en forma de informe, puede utilizar la función de secuencia de comandos de JMP para actualizar los datos del enlace del informe en tiempo real con un solo clic, ahorrando así muchas operaciones manuales repetitivas.
(Operación JMP: Archivo->Nuevo->Aplicación)
Lo anterior son los resultados de algunos análisis de datos exploratorios. A continuación, intentaremos utilizar métodos de recopilación de datos para establecer un modelo estadístico cuantitativo para las principales características del usuario y los resultados de las transacciones mencionados anteriormente.
Paso 3 Modelado predictivo de datos
Evalúe las características clave que afectan las ventas a través de árboles de decisión.
El árbol de decisión es un método de aprendizaje supervisado que puede resumir reglas de decisión a partir de una serie de datos con características y etiquetas, y presentar estas reglas en una estructura de diagrama de árbol. Los resultados son fáciles de interpretar y tienen amplia aplicación en diversas industrias y campos. Aplicación.
(Operación JMP: Análisis -> Modelado predictivo -> Segmentación)
En el diagrama podemos observar las distintas etapas del árbol de decisión, mostrando de arriba a abajo las características más importantes que influyen en el resultado comercial.
El más importante es el valor de la página web: los ratios de transacciones de páginas web con valores inferiores a 0,067 y superiores a 0,067 son del 3,85% y 56,4% respectivamente, con lagunas evidentes. También hay algunos parámetros característicos más importantes que se enumeran más adelante, como la tasa de rebote, el mes y las páginas relacionadas con el producto, etc. Esta información es factores importantes que impulsan los resultados de las transacciones y ahora se pueden seleccionar y mostrar rápidamente, lo que permite a las marcas tener una visión más clara. enfoque para la mejora y optimización.
Seleccionar lo mejor de lo mejor, probar más métodos de recopilación de datos
Además de los árboles de decisión, JMP también proporciona una variedad de métodos de recopilación de datos, como redes neuronales, bosques aleatorios, árboles potenciados y máquinas de vectores de soporte, y puede completar fácilmente comparaciones entre algoritmos modelo para lograr lo mejor de lo mejor.
A través del nuevo análisis de modelos de JMP Pro 16, se pueden comparar múltiples métodos de recopilación de datos al mismo tiempo. Antes de eso, para evitar que el modelo construido se sobreajuste, primero puede seguir el conjunto de entrenamiento, el conjunto de prueba y el conjunto de verificación en la proporción de 6:2:2 Divida proporcionalmente los datos originales y genere columnas de verificación.
(Operación JMP: Análisis->Modelado predictivo->Generar columna de validación)
Como se muestra en la siguiente figura, una vez que ingresa los parámetros característicos y los resultados de la transacción, la plataforma construirá múltiples modelos de algoritmos al mismo tiempo y seleccionará automáticamente el mejor método de modelado actual como bosque aleatorio. Como indicador del futuro, la capacidad de predicción R-cuadrado de los nuevos datos alcanzó 0,6 y la precisión de la predicción alcanzó el 90,7%.
Los modelos de predicción precisos pueden ayudar a las marcas a comprender los posibles resultados de las transacciones de cada usuario lo antes posible, especialmente predecir fallas en las transacciones y ofrecer respuestas y remedios tempranos, como descuentos o abrir una interfaz de retención antes de que los clientes abandonen la página.
(Operación JMP: Análisis->Modelado predictivo->Detección de modelo)
¿Qué tal? Después de leer el análisis de hoy, ¿le da más confianza en la “guerra del comercio electrónico”?
Para las marcas, ofrecer recomendaciones personalizadas de productos, servicios y productos básicos, y realizar marketing personalizado basado en las necesidades individuales es una gran ventaja del marketing online sobre el marketing tradicional.
Combinado con el software de análisis de datos JMP, puede realizar un análisis en profundidad del comportamiento de consumo de los usuarios de compras en línea, lo que 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 y a dar respuestas oportunas a posibles problemas descubiertos y mejoras, aportando así mayores beneficios a la empresa.
>> Descargue JMP 16 ahora y obtenga una prueba gratuita de 30 días <<
