Gala annuel du shopping de la Fête du Printemps « Double Eleven », combien de commandes avez-vous passées ?
Même si l'éditeur n'a pas trop acheté cette année, cela peut quand même être considéré comme une contribution au « Double Eleven » !
Double Eleven est une saison de promotion annuelle pour le commerce de détail en ligne. Toutes les entreprises et marques de commerce électronique se préparent et tirent à plein régime. Si les marques veulent prendre les devants dans la guerre du commerce électronique, les connaissances des consommateurs sont essentielles. Plus la marque comprend le comportement d'achat des consommateurs, plus elle peut aider efficacement les entreprises à mener des activités marketing plus ciblées.
Cet article utilise l'analyse des données pour analyser plusieurs facteurs clés du commerce électronique, expliquer quels facteurs peuvent affecter les ventes et aider les détaillants en ligne à trouver des informations pour augmenter les ventes.
Aujourd'hui, nous utiliserons la littérature Sakar, CO, Polat, S.O., Katircioglu, M. et al. Un échantillon de données publiques de Neural Comput & Applic (2018), combiné au logiciel JMP, est utilisé pour mener une analyse exploratoire intéressante des données sur le comportement d'achat des utilisateurs d'achats en ligne.
Étape 1 L'acquisition des données
source primaire
Les données originales peuvent être obtenues via URL Téléchargez les données originales 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 de la page Web.
(Opération JMP : Fichier -> Ouvrir depuis Internet -> Page Web)
Introduction aux informations générales
Cet ensemble de données contient le comportement d'achat de 12 330 utilisateurs d'achats en ligne sur le site Web sur une période d'un an, ainsi que les 17 enregistrements de comportement d'utilisateur correspondants et les résultats finaux des transactions. Il existe 17 enregistrements comportementaux, dont 10 caractéristiques numériques et 7 caractéristiques catégorielles.
- Informations de base
Les pages Web de gestion, le temps de séjour de la gestion, les pages Web d'informations, le temps de séjour des informations, les pages Web de produits, le temps de séjour des produits, représentent le nombre total d'utilisateurs ouvrant et le temps de séjour sur différents types de pages Web.
- Taux de rebond
Le taux de rebond indique le pourcentage d'utilisateurs qui accèdent à une page d'un site Web à partir d'un chemin spécifique sans rien faire et quittent simplement le site Web. Il peut être utilisé comme mesure de l'ensemble du site Web ou comme mesure de la page.
- taux de sortie
Le taux de sortie indique que pour une page spécifique, le pourcentage de personnes quittant le site Web à partir de cette page représente toutes les visites sur cette page. Il est généralement utilisé comme mesure de la page ;
- valeur de la page
La valeur de la page représente le nombre moyen de pages visitées par un utilisateur avant de terminer une transaction ;
- jour spécial
Les jours spéciaux représentent l'intervalle entre l'heure d'accès au site Web et des jours spéciaux spécifiques ;
- autre
De plus, il inclut également le système d'exploitation, le navigateur, la région, le type de trafic, le type de visiteur utilisé par l'utilisateur, s'il s'agit d'un week-end et du mois de l'année.
Étape 2 Analyse exploratoire visuelle
Le niveau de taux de rebond est lié au succès du marketing en ligne.
Les clients ne consultent qu'une seule page puis quittent le site, ce qui rend difficile pour les marques de convaincre les consommateurs d'acheter des produits puisqu'ils n'ont consulté qu'une seule page. Voyons ci-dessous à quoi ressemble le taux de rebond.
(Opération JMP : Analyse -> Distribution)
Comme le montre l’image, 90 % des clients ont un taux de rebond inférieur à 6 %, et le taux de rebond moyen de tous les utilisateurs n’est que de 2 %. N’est-ce pas parfait ? S'il vous plaît, ne soyez pas trop impatient d'être heureux pour l'instant. Cela pourrait être inexact ou il pourrait y avoir un problème technique avec la façon dont le code de suivi analytique du site Web est intégré au site Web.
Car d'après l'expérience passée, le taux de rebond « normal » se situe entre 40 % et 60 %, un taux inférieur à 40 % est très rare, et un taux supérieur à 70 % est inquiétant et nécessite une action urgente.
Les taux de rebond qui se situent actuellement en dehors de la plage attendue et semblent « trop beaux pour être vrais » sont probablement causés par un code d'analyse en double quelque part sur le site.
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. Grâce à la méthode d'analyse multivariée de JMP, la relation entre chaque dimension peut être rapidement découverte et il est possible de mettre en œuvre des opérations de réduction de dimensionnalité, ce qui réduira le temps et efforts pour la surveillance ultérieure des fonctionnalités. Gaspillage nécessaire de ressources.
(Opération JMP : Analyse -> Méthodes multivariées -> Multivariée)
Sur la base des données actuelles, il existe une corrélation positive entre le nombre de fois qu'un utilisateur ouvre différents types de pages Web et le temps qu'il y reste, ce qui est facile à comprendre. Le taux de rebond et le taux de sortie présentent également une corrélation positive significative en raison de formules de calcul similaires et aucune corrélation caractéristique numérique évidente n'a été trouvée.
L'impact de la manière dont les utilisateurs accèdent à Internet sur les ventes
Grâce aux résultats statistiques du test du chi carré dans la figure ci-dessous, nous pouvons capturer la relation entre le fait qu'une transaction soit terminée et le système d'exploitation du client, le type de navigateur et le type de trafic.
( JMP Opération : Analyse -> Prends X En forme )
En ce qui concerne les systèmes d'exploitation, la proportion d'utilisateurs effectuant des transactions est différente selon les systèmes d'exploitation.
On peut également voir sur le graphique que lorsque le système d'exploitation est "2", il est légèrement supérieur, tandis que "1" et "3" sont en bas. Cela peut signifier que la page du site Web n'est pas assez conviviale pour prendre en charge ces systèmes d'exploitation. Si vous souhaitez améliorer cette conversion des revenus partiels, des améliorations correspondantes doivent être apportées. De même, pour le type de navigateur et le type de trafic, nous avons également constaté leur impact statistique sur la proportion d'utilisateurs effectuant des transactions, ce qui indique que le site Web peut également s'améliorer à cet égard.
Nouveaux et anciens clients et jours ouvrables / Impact des week-ends sur les ventes
À l'aide de la méthode de test du chi carré de la partie 2.3, nous pouvons également découvrir rapidement les modèles de ventes de certains nouveaux et anciens clients ainsi que les jours de semaine/week-end, mais nous essayons ici une autre méthode de résumé des tableaux de données.
(Opération JMP : Analyse->Recherche Consommateur->Classification)
En combinant les graphiques et les informations ci-dessus, nous pouvons clairement voir : Les anciens clients sont la principale source de visites sur le site Web , ce qui indique que le site Web a fait un bon travail en matière de fidélisation de la clientèle ; mais on constate également que la proportion de nouveaux clients effectuant des transactions est plus élevée que ce soit en semaine (13,2 % contre 26,1 %) ou le week-end (16,5 % contre 21,9 %). clients, cela montre que le site Web peut apporter certaines améliorations au taux de conversion des anciens clients.
Par exemple, lorsque d'anciens clients achètent des produits, ils peuvent bénéficier de réductions plus importantes en introduisant de nouveaux clients, ce qui non seulement suscite l'enthousiasme des anciens clients pour l'achat, mais ajoute également davantage de nouveaux clients au site Web.
Affichage centralisé de divers résultats d'analyse
Si vous souhaitez afficher divers graphiques d'analyse sous la forme d'un rapport, vous pouvez utiliser la fonction de script de JMP pour mettre à jour les données du lien du rapport en temps réel 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. Ensuite, nous essaierons davantage d'utiliser des méthodes de collecte de données pour établir un modèle statistique quantitatif pour les principales caractéristiques des utilisateurs et les résultats des transactions mentionnés ci-dessus.
Étape 3 Modélisation prédictive des données
Filtrez les fonctionnalités clés qui affectent les ventes via des arbres de décision
L'arbre de décision est une méthode d'apprentissage supervisé qui peut résumer les 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 ont une large application dans diverses industries et domaines. Application.
(Opération JMP : Analyse -> Modélisation prédictive -> Segmentation)
À partir du diagramme, nous pouvons observer les différentes étapes de l'arbre de décision, montrant de haut en bas les caractéristiques les plus importantes qui influencent le résultat du trading.
Le plus important est la valeur de la page Web. Les taux de transaction des valeurs de page Web inférieures à 0,067 et supérieures à 0,067 sont respectivement de 3,85 % et 56,4 %, avec des écarts évidents. Il existe également des paramètres caractéristiques plus importants répertoriés plus loin, tels que le taux de rebond, les pages liées au mois et au produit, etc. Ces informations sont des facteurs importants qui déterminent les résultats des transactions et peuvent désormais être rapidement sélectionnées et affichées, permettant aux marques d'avoir une orientation plus claire. pour l'amélioration et l'optimisation.
Sélectionner le meilleur parmi les meilleurs, essayer davantage de méthodes de collecte de données
En plus des arbres de décision, JMP propose également diverses méthodes de collecte de données telles que les réseaux de neurones, les forêts aléatoires, les arbres boostés et les machines vectorielles de support, et peut facilement effectuer des comparaisons entre les algorithmes de modèles pour obtenir le meilleur du meilleur.
Grâce au nouveau filtrage de modèles de JMP Pro 16, plusieurs méthodes de collecte de données peuvent être comparées en même temps. Avant cela, afin d'éviter un surajustement du modèle construit, vous pouvez d'abord suivre l'ensemble d'entraînement, l'ensemble de test et l'ensemble de vérification dans le rapport de 6:2:2 Divisez proportionnellement les données d'origine et générez des colonnes de vérification.
(Opération JMP : Analyse->Modélisation prédictive->Générer une colonne de validation)
Comme le montre la figure ci-dessous, une fois que vous avez saisi les paramètres caractéristiques et les résultats de la transaction, la plateforme construira plusieurs modèles d'algorithmes en même temps et sélectionnera automatiquement la meilleure méthode de modélisation actuelle comme forêt aléatoire. est un indicateur de l'avenir : la capacité prédictive R-carré des nouvelles données a atteint 0,6 et la précision de la prédiction a atteint 90,7 %.
Des modèles de prédiction précis peuvent aider les marques à comprendre le plus tôt possible les résultats de transaction possibles de chaque utilisateur, en particulier à prédire les échecs de transaction, et à apporter des réponses et des solutions rapides, telles que des remises ou l'affichage d'une interface de rétention avant que les clients ne quittent la page.
(Opération JMP : Analyse->Modélisation prédictive->Criblage de modèle)
Et ça ? 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 mener un marketing personnalisé basé sur les besoins individuels constitue un énorme avantage du marketing en ligne par rapport au marketing traditionnel.
En combinaison avec le logiciel d'analyse de données JMP, vous pouvez effectuer une analyse approfondie du comportement de consommation des utilisateurs d'achats en ligne, ce qui peut aider les entreprises à concevoir des pages de collection de produits et des activités promotionnelles qui répondent mieux aux besoins des groupes de clients cibles et à réagir rapidement aux problèmes potentiels. améliorations apportées, apportant ainsi de plus grands bénéfices à l'entreprise.
>> Téléchargez JMP 16 maintenant et bénéficiez d'un essai gratuit de 30 jours <<
