Wie viele Bestellungen haben Sie aufgegeben?
Auch wenn die Redakteurin dieses Jahr nicht allzu viel eingekauft hat, kann sie doch als Beitrag zu "Double Eleven" gewertet werden!
Double Eleven ist die jährliche Verkaufsförderungssaison für den E-Commerce-Einzelhandel. Alle E-Commerce-Unternehmen und -Marken bereiten sich darauf vor, volle Feuerkraft zu erzielen. Marken, die den E-Commerce-Kampf gewinnen wollen, sind für Consumer Insights unverzichtbar. , Je gründlicher die Marke Verständnis des Kaufverhaltens der Verbraucher, desto effektiver ist es, Unternehmen bei der gezielten Durchführung von Marketingaktivitäten zu unterstützen.
Dieser Artikel analysiert mehrere Schlüsselfaktoren des E-Commerce durch Datenanalyse, erklärt, welche möglichen Faktoren den Umsatz beeinflussen und hilft dem E-Commerce-Einzelhandel, Erkenntnisse zu gewinnen, um den Umsatz zu steigern.
Heute verwenden wir die Literatur Sakar, CO, Polat, SO, Katircioglu, M. et al. Öffentliche Beispieldaten in Neural Comput & Applic (2018), kombiniert mit JMP-Software, um einige interessante explorative Datenanalysen des Kaufverhaltens von Online-Shopping-Benutzern durchzuführen.
Schritt 1 Informationsbeschaffung
Originalquelle
Die Originalinformationen erhalten Sie über URL Laden Sie die Originaldaten im csv-Format herunter und öffnen Sie sie über JMP; Sie können auch direkt die Webseitenlesefunktion von JMP verwenden, um die Webseitendaten direkt abzurufen.
(JMP-Vorgang: Datei -> aus dem Internet öffnen -> Webseite)
Informationshintergrund Einführung
Der Datensatz enthält 12.330 Kaufverhalten von Online-Shopping-Nutzern auf der Website innerhalb eines Jahres sowie die entsprechenden 17 Datensätze zum Nutzerverhalten und endgültige Transaktionsergebnisse. Darunter enthalten 17 Verhaltensaufzeichnungen 10 numerische Merkmale und 7 Untertypmerkmale.
- Grundinformation
Management-Webseiten, Management-Verweilzeit, Informations-Webseiten, Informations-Verweilzeit, Produkt-Webseiten, Produkt-Verweilzeit, geben die Anzahl der auf verschiedenen Arten von Webseiten geöffneten Benutzer und die Gesamtverweilzeit an.
- Absprungrate
Die Absprungrate gibt den Prozentsatz der Benutzer an, die eine Website über einen bestimmten Pfad aufrufen und die Website verlassen, ohne etwas zu tun. Sie kann als Metrik zur Messung der gesamten Website oder als Metrik zur Messung der Seite verwendet werden.
- Ausstiegsrate
Die Ausstiegsrate stellt den Prozentsatz aller Besuche auf dieser Seite dar, die die Website von dieser Seite für eine bestimmte Seite verlassen, und wird im Allgemeinen als Maß für die Seite verwendet;
- Seitenwert
Der Seitenwert stellt den Durchschnittswert der Webseiten dar, die Benutzer vor Abschluss der Transaktion besucht haben;
- Besonderer Tag
Sondertag, d. h. das Intervall zwischen der Zugriffszeit der Website und einem bestimmten Sondertag;
- Sonstiges
Es enthält auch das Betriebssystem, den Browser, den Bereich, den Verkehrstyp, den vom Benutzer verwendeten Besuchertyp, ob es sich um ein Wochenende handelt, und den Monat des Jahres.
Schritt 2 Visuelle explorative Analyse
Die Absprungrate hängt mit dem Erfolg des Online-Marketings zusammen
Kunden sehen sich nur eine Seite an und verlassen sie dann, was es für Marken schwierig macht, Verbraucher zum Kauf eines Produkts zu bewegen, da sie nur eine Seite durchsuchen. Schauen wir uns unten die Absprungrate an.
(JMP-Vorgang: Analyse -> Verteilung)
Aus der Abbildung ist ersichtlich, dass 90 % der Kunden eine Absprungrate von weniger als 6 % aufweisen und die durchschnittliche Absprungrate aller Nutzer nur 2 % beträgt. Bitte seien Sie nicht ängstlich und glücklich. Sie kann ungenau sein oder es kann ein technisches Problem mit der Integration des Analyse-Tracking-Codes der Website in die Website vorliegen.
Denn nach bisheriger Erfahrung liegt die „normale“ Absprungrate zwischen 40%-60%, weniger als 40% sind sehr selten und mehr als 70% sind besorgniserregend und erfordern schnelles Handeln.
Die aktuelle Absprungrate liegt außerhalb des erwarteten Bereichs und sieht „unglaublich gut“ aus, was an wiederholtem Analysecode irgendwo auf der Website liegen soll.
Mehrfache Untersuchung der numerischen Eigenschaften der Benutzer
Bei der Analyse des Einkaufsverhaltens können die numerischen Merkmale des Benutzers viele Dimensionen haben.Mit Hilfe der Multianalysemethode von JMP kann die Beziehung zwischen den einzelnen Dimensionen schnell entdeckt werden, und es ist möglich, Dimensionsreduktionsoperationen durchzuführen, um das Risiko von Folgeschäden zu reduzieren Merkmalsüberwachung Die notwendigen Ressourcen werden verschwendet.
(JMP-Vorgang: Analyse -> mehrere Methoden -> mehrere)
Basierend auf aktuellen Daten korreliert die Anzahl der geöffneten Benutzer auf verschiedenen Arten von Webseiten positiv mit der Verweildauer, was gut bekannt ist. Auch die Absprungrate und die Ausstiegsrate sind aufgrund der ähnlichen Berechnungsformeln offensichtlich positiv korreliert, zudem lassen sich keine offensichtlichen numerischen Merkmale korrelieren.
Die Auswirkungen der Art und Weise, wie Nutzer online gehen, auf den Verkauf
Durch die statistischen Ergebnisse des Chi-Quadrat-Tests in der folgenden Abbildung können wir die Beziehung zwischen dem Abschluss der Transaktion und dem Betriebssystem des Kunden, dem Browsertyp und der Verkehrsart erfassen.
( JMP Bedienung: Analyse -> Nimm X Fit Y )
Was das Betriebssystem betrifft, weisen verschiedene Betriebssysteme unterschiedliche Anteile von Benutzern auf, die Transaktionen ausführen.
Aus der Grafik ist auch ersichtlich, dass das Betriebssystem etwas höher ist, wenn das Betriebssystem "2" ist, während "1" und "3" niedriger sind. Dies kann bedeuten, dass die Website-Seite nicht freundlich genug ist, um diese Betriebssysteme zu unterstützen Wenn Sie diesen Teil Umsatzumwandlung verbessern möchten, müssen Sie entsprechende Verbesserungen vornehmen. Ebenso haben wir bei Browsertypen und Verkehrstypen deren statistische Auswirkungen auf den Anteil der Benutzer gesehen, die Transaktionen abschließen, was darauf hindeutet, dass die Website auch in dieser Hinsicht verbesserungswürdig ist.
Neue und alte Kunden und Arbeitstage / Auswirkungen von Wochenenden auf den Umsatz
Mit Hilfe der Chi-Quadrat-Testmethode in Abschnitt 2.3 können wir auch schnell einige neue und alte Kunden und die Regelmäßigkeit der Verkäufe an Wochentagen/Wochenenden entdecken, aber hier versuchen wir eine andere Datenblattzusammenfassungsmethode.
(JMP-Betrieb: Analyse -> Verbraucherforschung -> Klassifizierung)
Wenn Sie die obigen Grafiken und Informationen kombinieren, können Sie Folgendes deutlich sehen: Alte Kunden sind die Hauptursache für Website-Besuche , Dies weist darauf hin, dass die Website bei der Kundenbindung gute Arbeit leistet; wir sehen jedoch auch, dass der Prozentsatz der Neukunden, die Transaktionen abschließen, an Wochentagen (13,2 % vs. 26,1 %) oder am Wochenende (16,5% vs. 21,9 %) beträgt höher Für alte Kunden zeigt dies, dass die Website einige Verbesserungen bei der Konversionsrate von alten Kunden erzielen kann.
So können Altkunden beispielsweise durch die Einführung neuer Kunden beim Warenkauf größere Rabatte genießen, was nicht nur die Kaufbegeisterung der Altkunden mobilisiert, sondern auch mehr Neukunden auf die Website bringt.
Zentralisierte Anzeige verschiedener Analyseergebnisse
Wenn Sie verschiedene Analysediagramme in Form von Berichten zentral anzeigen möchten, können Sie die Skriptfunktion von JMP verwenden, um eine Echtzeit-Aktualisierung von Berichtsverknüpfungsdaten mit einem Klick zu realisieren, wodurch viele sich wiederholende manuelle Vorgänge eingespart werden.
(JMP-Vorgang: Datei -> Neu -> Anwendung)
Das Obige sind die Ergebnisse einiger explorativer Datenanalysen. Lassen Sie uns im Folgenden weiter versuchen, mithilfe der Methode der Datenerfassung ein quantitatives statistisches Modell für die oben genannten Hauptmerkmale von Benutzern und Transaktionsergebnissen zu erstellen.
Schritt 3 Datenvorhersagemodellierung
Filtern Sie im Entscheidungsbaum die wichtigsten Merkmale, die sich auf den Umsatz auswirken
Decision Tree ist eine Methode des überwachten Lernens. Sie kann Entscheidungsregeln aus einer Reihe von Daten mit Merkmalen und Labels zusammenfassen und in einer Baumstruktur darstellen. Die Ergebnisse sind leicht zu interpretieren und sie hat ein breites Anwendungsspektrum in verschiedenen Branchen und Felder. .
(JMP-Vorgang: Analyse -> Vorhersagemodellierung -> Segmentierung)
Aus der Abbildung können wir die verschiedenen Phasen des Entscheidungsbaums erkennen, von oben nach unten zeigen wir die wichtigsten Merkmale, die das Ergebnis der Transaktion beeinflussen.
Die wichtigste davon stellt der Wert der Webseite dar. Der Prozentsatz der Transaktionen mit einem Webseitenwert unter 0,067 und über 0,067 beträgt 3,85% bzw. 56,4%. Die Lücke ist offensichtlich. Einige weitere wichtige charakteristische Parameter werden später ebenfalls aufgeführt, wie Absprungrate, Monat und produktbezogene Seiten. Diese Informationen sind allesamt wichtige Faktoren für die Transaktionsergebnisse. Jetzt können sie schnell ausgewählt und angezeigt werden, damit Marken einen klareren Fokus haben können der Verbesserung und Optimierung.
Wählen Sie das Beste unter den Besten aus, probieren Sie weitere Datenerfassungsmethoden aus
Neben Entscheidungsbäumen bietet JMP auch eine Vielzahl von Datenerfassungsmethoden wie neuronale Netze, Random Forests, Boosted Trees und Support Vector Machines und kann Modellalgorithmen einfach vergleichen, um die besten unter den Besten zu erzielen.
Durch das neue Modell-Screening von JMP Pro 16 zum Vergleich mehrerer Datenerfassungsmethoden gleichzeitig. Um eine Überanpassung des gebauten Modells zu verhindern, können Sie zuerst das 6:2:2-Verhältnis des Trainingssatzes, des Testsatzes, verfolgen , und Verifizierungssatz. Teilen Sie die Originaldaten auf, um eine Verifizierungsspalte zu generieren.
(JMP-Vorgang: Analyse -> Vorhersagemodellierung -> Verifizierungsspalten generieren)
Wie in der Abbildung unten gezeigt, erstellt die Plattform nach der Eingabe von Merkmalsparametern und Transaktionsergebnissen gleichzeitig mehrere Algorithmusmodelle und filtert automatisch die aktuell beste Modellierungsmethode als Random Forest heraus die Zukunft Die Vorhersagefähigkeit des neuen Daten-R-Quadrats erreichte 0,6 und die Vorhersagegenauigkeit erreichte 90,7%.
Ein genaues Vorhersagemodell kann zeigen, dass die Marke die möglichen Transaktionsergebnisse jedes Benutzers so früh wie möglich versteht, insbesondere das Scheitern der Transaktion vorhersagt und frühzeitig reagiert und Abhilfe schafft, z verlässt die Seite.
(JMP-Operation: Analysis -> Predictive Modeling -> Model Screening)
Wie wäre es? Macht Sie das nach der Lektüre der heutigen Analyse selbstbewusster im „E-Commerce-Krieg“?
Für Marken ist die Bereitstellung personalisierter Produkt-, Service- und Produktempfehlungen sowie die Erstellung von One-to-One-Marketing für individuelle Bedürfnisse ein großer Vorteil des Online-Marketings gegenüber dem traditionellen Marketing.
In Kombination mit der JMP-Datenanalysesoftware können Sie Unternehmen bei der Gestaltung von Produktsammlungsseiten und Werbeaktivitäten unterstützen, die den Bedürfnissen der Zielkundengruppen durch eine eingehende Analyse des Konsumverhaltens der Online-Shopping-Nutzer besser gerecht werden, und umgehend auf entdeckte potenzielle Probleme reagieren. wodurch dem Unternehmen größere Vorteile gebracht werden.
>> Laden Sie JMP 16 jetzt herunter und genießen Sie eine kostenlose 30-Tage-Testversion <<
