쇼핑객들의 연례 봄 축제 갈라 'Double Eleven' 쇼핑 카니발, 얼마나 주문하셨나요?
편집자가 올해 많이 사지는 않았지만 여전히 "Double Eleven"에 대한 공헌으로 간주 될 수 있습니다!
Double Eleven은 전자상거래 소매업을 위한 연례 프로모션 시즌입니다. 모든 전자상거래 기업과 브랜드가 총력을 다하고 있습니다. 브랜드가 전자상거래 전쟁에서 주도권을 잡기 위해서는 소비자 통찰력이 필수적입니다. 더 브랜드가 소비자의 구매 행동을 철저히 이해할수록 기업이 보다 효과적으로 타겟 마케팅 활동을 수행하는 데 도움이 될 수 있습니다.
이 기사에서는 데이터 분석을 사용하여 전자상거래의 여러 주요 요소를 분석하고, 어떤 요소가 매출에 영향을 미칠 수 있는지 설명하고, 전자상거래 소매업체가 매출 증대를 위한 인사이트를 찾는 데 도움을 줍니다.
오늘 우리는 Sakar, CO, 폴랏, S.O., Katircioglu, M.et al. JMP 소프트웨어와 결합된 Neural Comput & Applic(2018)의 공개 샘플 데이터는 온라인 쇼핑 사용자의 구매 행동에 대한 흥미로운 탐색 데이터 분석을 수행하는 데 사용됩니다.
1 단계 데이터 취득
원본 소스
원본 데이터는 다음을 통해 얻을 수 있습니다. URL 원본 데이터를 csv 형식으로 다운로드하여 JMP를 통해 열 수 있으며, JMP의 웹 페이지 읽기 기능을 직접 사용하여 웹 페이지 데이터를 직접 얻을 수도 있습니다.
(JMP 작업: 파일 -> 인터넷에서 열기 -> 웹페이지)
정보 배경 소개
이 데이터 세트에는 1년 동안 웹사이트에서 온라인 쇼핑 사용자 12,330명의 구매 행동과 해당 17개의 사용자 행동 기록 및 최종 거래 결과가 포함되어 있습니다. 10개의 숫자 특성과 7개의 범주형 특성을 포함하여 17개의 행동 기록이 있습니다.
- 기본 정보
관리 웹 페이지, 관리 체류 시간, 정보 웹 페이지, 정보 체류 시간, 제품 웹 페이지, 제품 체류 시간은 다양한 유형의 웹 페이지를 열고 체류하는 총 사용자 수를 나타냅니다.
- 반송률
이탈률은 특정 경로에서 웹사이트 페이지에 아무런 조치도 취하지 않고 단순히 접속한 사용자의 비율을 말하며, 웹사이트 전체에 대한 척도나 페이지에 대한 척도로 활용될 수 있습니다.
- 종료율
종료율은 특정 페이지에 대해 이 페이지에서 웹사이트를 떠나는 사람들의 비율이 이 페이지에 대한 모든 방문을 설명한다는 것을 나타내며 일반적으로 페이지를 측정하는 데 사용됩니다.
- 페이지 값
페이지 값은 거래를 완료하기 전에 사용자가 방문한 평균 페이지 수를 나타냅니다.
- 특별한 날
특별일은 웹사이트 접속 시간과 특정 특별일 사이의 간격을 나타냅니다.
- 다른
또한 운영체제, 브라우저, 지역, 트래픽 유형, 사용자가 사용한 방문자 유형, 주말인지, 연중 월인지도 포함됩니다.
2 단계 시각적 탐색 분석
이탈률 수준은 온라인 마케팅의 성공과 관련이 있습니다.
고객은 한 페이지만 보고 나가기 때문에 브랜드는 소비자가 한 페이지만 본 후에 제품을 구매하도록 설득하기가 어렵습니다. 아래에서 이탈률이 어떤지 살펴보겠습니다.
(JMP 작업: 분석 -> 배포)
사진에서 볼 수 있듯이 고객의 90%가 이탈률이 6% 미만이고 전체 사용자의 평균 이탈률도 2%에 불과하니 완벽하지 않나요? 아직 행복해지려고 너무 조급해하지 마세요. 정확하지 않을 수도 있고 웹사이트의 분석 추적 코드가 웹사이트에 통합되는 방식에 기술적인 문제가 있을 수도 있습니다.
과거 경험에 따르면 "정상적인" 반송률은 40%에서 60% 사이입니다. 40% 미만은 매우 드물고 70% 이상은 걱정스럽고 긴급한 조치가 필요합니다.
현재 예상 범위를 벗어나고 "사실이라고 믿기에는 너무 좋은" 것처럼 보이는 이탈률은 사이트 어딘가에 중복된 분석 코드가 원인일 가능성이 높습니다.
사용자 수치특성의 다중 탐색
쇼핑 행동 분석을 할 때 사용자의 수치적 특성은 여러 차원을 가질 수 있는데, JMP의 다변량 분석 방법을 활용하면 각 차원 간의 관계를 빠르게 찾아낼 수 있고, 차원 축소 연산을 구현할 수 있어 시간과 비용이 절감됩니다. 후속 기능 모니터링을 위한 노력 자원 낭비가 필요합니다.
(JMP 작업: 분석 -> 다변량 방법 -> 다변량)
현재 데이터에 따르면 사용자가 다양한 유형의 웹페이지를 여는 횟수와 해당 페이지에 머무르는 시간 사이에는 긍정적인 상관관계가 있으며 이는 이해하기 쉽습니다. 이탈률과 이탈률 역시 계산식이 유사하여 유의미한 양의 상관관계를 보이고 있으며, 뚜렷한 수치적 특성 상관관계는 발견되지 않았습니다.
사용자가 인터넷에 액세스하는 방식이 판매에 미치는 영향
아래 그림의 카이제곱 테스트의 통계 결과를 통해 거래 완료 여부와 고객의 운영체제, 브라우저 유형, 트래픽 유형 간의 관계를 파악할 수 있습니다.
( JMP 작업: 분석 -> X를 받아라 FitY )
운영 체제와 관련하여 거래를 완료하는 사용자의 비율은 운영 체제마다 다릅니다.
그래프에서도 알 수 있듯이 운영체제가 "2"일 경우 약간 높은 반면, "1"과 "3"은 낮은 편입니다. 이는 웹사이트 페이지가 지원할 만큼 친숙하지 않다는 의미일 수도 있습니다. 이러한 운영 체제.이 부분의 수익 전환을 개선하려면 해당 개선이 이루어져야 합니다. 마찬가지로, 브라우저 유형과 트래픽 유형의 경우 거래를 완료하는 사용자 비율에 대한 통계적 영향도 확인했는데, 이는 웹사이트에도 이와 관련하여 개선의 여지가 있음을 나타냅니다.
신규 및 기존 고객 및 근무일 / 주말이 매출에 미치는 영향
Part 2.3의 카이제곱 테스트 방법을 사용하면 일부 신규 고객과 기존 고객, 주중/주말의 판매 패턴을 빠르게 발견할 수 있지만 여기서는 데이터 테이블 요약의 또 다른 방법을 시도해 보겠습니다.
(JMP 운영 : 분석->소비자 조사->분류)
위의 그래픽과 정보를 결합하면 다음을 명확하게 알 수 있습니다. 기존 고객이 웹사이트 방문의 주요 소스입니다. , 이는 웹사이트가 고객 유지 측면에서 좋은 성과를 거두었음을 나타냅니다. 또한 거래를 완료하는 신규 고객의 비율이 주중(13.2% 대 26.1%) 또는 주말(16.5% 대 21.9%)에 더 높다는 것을 알 수 있습니다. 이는 웹사이트가 기존 고객의 전환율을 어느 정도 향상시킬 수 있음을 보여줍니다.
예를 들어 기존 고객이 상품을 구매할 때 신규 고객을 소개하면 더 큰 할인 혜택을 누릴 수 있으며, 이는 기존 고객의 구매 의욕을 불러일으킬 뿐만 아니라 웹사이트에 더 많은 신규 고객을 추가하는 효과도 있습니다.
다양한 분석 결과를 중앙 집중식으로 표시
다양한 분석 차트를 보고서 형식으로 표시하고 싶다면 JMP의 스크립트 기능을 활용하면 원클릭으로 보고서 링크 데이터를 실시간으로 업데이트할 수 있어 반복적인 수작업을 많이 줄일 수 있습니다.
(JMP 작업: 파일->새로 만들기->응용 프로그램)
위의 내용은 탐색적 데이터 분석의 결과입니다. 다음으로, 위에서 언급한 주요 사용자 특성과 거래 결과에 대한 정량적 통계 모델을 구축하기 위해 데이터 수집 방법을 활용하도록 더욱 노력하겠습니다.
3단계 데이터 예측 모델링
의사결정 트리를 통해 매출에 영향을 미치는 주요 특징을 선별합니다.
의사결정트리(Decision Tree)란 일련의 데이터로부터 특성과 라벨을 붙여 의사결정 규칙을 요약하고, 이러한 규칙을 트리 다이어그램 구조로 제시할 수 있는 지도학습 방법으로, 그 결과를 해석하기 쉽고 다양한 산업 및 분야에 폭넓게 적용할 수 있다.
(JMP 작업: 분석 -> 예측 모델링 -> 세분화)
다이어그램에서 우리는 거래 결과에 영향을 미치는 가장 중요한 특징을 위에서 아래로 보여주는 의사결정 트리의 다양한 단계를 관찰할 수 있습니다.
가장 중요한 것은 웹페이지의 가치인데, 웹페이지 가치가 0.067보다 낮고 0.067보다 높은 거래율은 각각 3.85%, 56.4%로 확연한 격차가 있다. 이탈률, 월별 및 제품 관련 페이지 등과 같이 나중에 나열된 더 중요한 특성 매개변수도 있습니다. 이러한 정보는 거래 결과를 유도하는 중요한 요소이며 이제 신속하게 선택하고 표시할 수 있으므로 브랜드가 보다 명확한 초점을 가질 수 있습니다. 개선과 최적화를 위해.
최고 중에서 최고를 선택하고, 더 많은 데이터 수집 방법을 시도합니다.
의사결정 트리 외에도 JMP는 신경망, 랜덤 포레스트, 부스팅 트리, 지원 벡터 머신 등 다양한 데이터 수집 방법을 제공하며 모델 알고리즘 간의 비교를 쉽게 완료하여 최고 중 최고를 달성할 수 있습니다.
JMP Pro 16의 새로운 모델 스크리닝을 통해 여러 데이터 수집 방법을 한 번에 비교할 수 있으며, 이에 앞서 구축된 모델의 과적합을 방지하기 위해 먼저 훈련 세트, 테스트 세트, 검증 세트를 비율로 따를 수 있습니다. 6:2:2 원본 데이터를 비례적으로 분할하여 검증 컬럼을 생성합니다.
(JMP 작업: 분석->예측 모델링->검증 열 생성)
아래 그림에서 볼 수 있듯이, 특성 매개변수와 거래 결과를 입력하면 플랫폼은 동시에 여러 알고리즘 모델을 구축하고 자동으로 현재 최상의 모델링 방법인 랜덤 포레스트를 선택합니다.테스트 세트에 대한 모델의 성능 는 미래를 나타내는 지표로, 새로운 데이터의 예측력 R제곱은 0.6, 예측 정확도는 90.7%에 달했다.
정확한 예측 모델은 브랜드가 각 사용자의 가능한 거래 결과를 가능한 한 빨리 이해하고, 특히 거래 실패를 예측하고, 고객이 페이지를 나가기 전에 할인이나 유지 인터페이스 팝업과 같은 조기 대응 및 구제책을 마련하는 데 도움이 될 수 있습니다.
(JMP 작업: 분석->예측 모델링->모델 스크리닝)
어때요? 오늘의 분석을 읽어보니 '전자상거래 전쟁'에 대한 확신이 좀 생겼나요?
브랜드의 경우 개인화된 제품, 서비스 및 상품 추천을 제공하고 개인의 요구에 따라 일대일 마케팅을 수행하는 것은 기존 마케팅에 비해 온라인 마케팅의 큰 이점입니다.
JMP 데이터 분석 소프트웨어와 결합하면 온라인 쇼핑 사용자의 소비 행동에 대한 심층 분석을 수행할 수 있습니다. 이를 통해 기업은 대상 고객 그룹의 요구 사항을 더 잘 충족하는 제품 컬렉션 페이지와 판촉 활동을 설계하고 잠재적인 문제에 적시에 대응할 수 있습니다. 개선 사항을 발견하여 기업에 더 큰 이점을 제공합니다.
>> 지금 JMP 16을 다운로드하고 30일 무료 평가판을 받아보세요 <<
