Jährliche Frühlingsfestgala „Double Eleven“, Einkaufskarneval, wie viele Bestellungen haben Sie aufgegeben?
Obwohl der Herausgeber dieses Jahr nicht allzu viel gekauft hat, kann es dennoch als Beitrag zur „Double Eleven“ gewertet werden!
Double Eleven ist eine jährliche Werbesaison für den E-Commerce-Einzelhandel. Alle E-Commerce-Unternehmen und -Marken rüsten sich und geben auf Hochtouren. Wenn Marken im E-Commerce-Krieg die Führung übernehmen wollen, sind Verbraucherkenntnisse unerlässlich. Umso mehr Je besser die Marke das Kaufverhalten der Konsumenten versteht, desto effektiver kann sie Unternehmen dabei helfen, gezieltere Marketingaktivitäten durchzuführen.
Dieser Artikel nutzt die Datenanalyse, um mehrere Schlüsselfaktoren des E-Commerce zu analysieren, zu erklären, welche Faktoren sich auf den Umsatz auswirken können, und um dem E-Commerce-Einzelhandel dabei zu helfen, Erkenntnisse zur Umsatzsteigerung zu gewinnen.
Heute verwenden wir die Literatur Sakar, CO, Polat, S.O., Katircioglu, M. et al. Öffentliche Beispieldaten von Neural Comput & Applic (2018) werden in Kombination mit JMP-Software verwendet, um einige interessante explorative Datenanalysen zum Kaufverhalten von Online-Shopping-Benutzern durchzuführen.
Schritt 1 Datenerfassung
Originalquelle
Originaldaten können über abgerufen werden 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)
Einführung in den Informationshintergrund
Dieser Datensatz enthält das Kaufverhalten von 12.330 Online-Shopping-Nutzern auf der Website innerhalb eines Jahres sowie die entsprechenden 17 Nutzerverhaltensaufzeichnungen und endgültigen Transaktionsergebnisse. Es gibt 17 Verhaltensdatensätze, darunter 10 numerische Merkmale und 7 kategoriale Merkmale.
- Grundinformation
Verwaltungswebseiten, Verwaltungsverweildauer, Informationswebseiten, Informationsverweildauer, Produktwebseiten, Produktverweildauer stellen die Gesamtzahl der Benutzer dar, die verschiedene Arten von Webseiten öffnen, und die Verweildauer.
- Absprungrate
Die Absprungrate gibt an, wie viel Prozent der Nutzer eine Website-Seite über einen bestimmten Pfad betreten, ohne etwas zu tun, und die Website einfach wieder verlassen. Sie kann als Maß für die gesamte Website oder als Maß für die Seite verwendet werden.
- Ausstiegsrate
Die Exit-Rate gibt an, dass für eine bestimmte Seite der Prozentsatz der Personen, die die Website von dieser Seite verlassen, für alle Besuche auf dieser Seite verantwortlich ist. Sie wird im Allgemeinen als Maß für die Seite verwendet;
- Seitenwert
Der Seitenwert stellt die durchschnittliche Anzahl der Seiten dar, die ein Benutzer besucht hat, bevor er eine Transaktion abschließt.
- besonderer Tag
Sondertage stellen den Zeitraum zwischen der Website-Zugriffszeit und bestimmten Sondertagen dar;
- andere
Darüber hinaus umfasst es auch das Betriebssystem, den Browser, die Region, die Verkehrsart, den vom Benutzer verwendeten Besuchertyp, ob es sich um ein Wochenende handelt und den Monat im Jahr.
Schritt 2 Visuelle explorative Analyse
Die Höhe der Absprungrate hängt mit dem Erfolg des Online-Marketings zusammen.
Kunden sehen sich nur eine Seite an und verlassen diese dann wieder, was es für Marken schwierig macht, Verbraucher zum Kauf von Produkten zu bewegen, da sie nur eine Seite angesehen haben. Schauen wir uns unten an, wie die Absprungrate aussieht.
(JMP-Vorgang: Analyse -> Verteilung)
Wie auf dem Bild zu sehen ist, haben 90 % der Kunden eine Absprungrate von weniger als 6 %, und die durchschnittliche Absprungrate aller Nutzer beträgt nur 2 %. Ist das nicht perfekt? Seien Sie bitte noch nicht zu sehr darauf bedacht, glücklich zu sein. Es könnte ungenau sein oder es könnte ein technisches Problem bei der Integration des Analytics-Tracking-Codes der Website in die Website vorliegen.
Denn erfahrungsgemäß liegt die „normale“ Absprungrate zwischen 40 % und 60 %. Unter 40 % ist sehr selten und über 70 % ist besorgniserregend und erfordert dringendes Handeln.
Absprungraten, die derzeit außerhalb des erwarteten Bereichs liegen und „zu schön um wahr zu sein“ erscheinen, werden wahrscheinlich durch doppelten Analysecode irgendwo auf der Website verursacht.
Mehrfache Untersuchung der numerischen Merkmale des Benutzers
Bei der Analyse des Einkaufsverhaltens können die numerischen Merkmale des Benutzers viele Dimensionen haben. Mithilfe der multivariaten Analysemethode von JMP kann die Beziehung zwischen den einzelnen Dimensionen schnell ermittelt werden, und es ist möglich, Operationen zur Reduzierung der Dimensionalität zu implementieren, wodurch Zeit und Zeit reduziert werden Aufwand für späteres Feature-Monitoring. Notwendige Ressourcenverschwendung.
(JMP-Vorgang: Analyse -> Multivariate Methoden -> Multivariate)
Basierend auf aktuellen Daten besteht ein positiver Zusammenhang zwischen der Häufigkeit, mit der ein Benutzer verschiedene Arten von Webseiten öffnet, und der Verweildauer auf diesen. Dies ist leicht zu verstehen. Aufgrund ähnlicher Berechnungsformeln weisen Absprungrate und Ausstiegsrate ebenfalls eine signifikante positive Korrelation auf. Darüber hinaus wurde keine offensichtliche numerische charakteristische Korrelation gefunden.
Die Auswirkung der Art und Weise, wie Benutzer auf das Internet zugreifen, auf den Umsatz
Anhand der statistischen Ergebnisse des Chi-Quadrat-Tests in der folgenden Abbildung können wir die Beziehung zwischen dem Abschluss einer Transaktion und dem Betriebssystem, dem Browsertyp und der Verkehrsart des Kunden erfassen.
( JMP Operation: Analyse -> Nimm X FitY )
Was die Betriebssysteme betrifft, so ist der Anteil der Benutzer, die Transaktionen abschließen, je nach Betriebssystem unterschiedlich.
Aus der Grafik ist auch ersichtlich, dass das Betriebssystem „2“ etwas höher ist, während „1“ und „3“ niedriger sind. Dies kann bedeuten, dass die Website-Seite nicht benutzerfreundlich genug ist, um unterstützt zu werden Diese Betriebssysteme. Wenn Sie diesen Teil der Umsatzumwandlung verbessern möchten, müssen entsprechende Verbesserungen vorgenommen werden. In ähnlicher Weise haben wir auch für Browsertyp und Verkehrstyp deren statistische Auswirkung auf den Anteil der Benutzer, die Transaktionen abschließen, gesehen, was darauf hindeutet, dass die Website auch in dieser Hinsicht Raum für Verbesserungen hat.
Neue und alte Kunden und Arbeitstage / Einfluss von Wochenenden auf den Umsatz
Mit Hilfe der Chi-Quadrat-Testmethode in Teil 2.3 können wir auch schnell die Verkaufsmuster einiger neuer und alter Kunden sowie Wochentage/Wochenenden ermitteln, aber hier versuchen wir eine andere Methode der Datentabellenzusammenfassung.
(JMP-Vorgang: Analyse->Verbraucherforschung->Klassifizierung)
Wenn wir die obigen Grafiken und Informationen kombinieren, können wir deutlich sehen: Alte Kunden sind die Hauptquelle für Website-Besuche Dies weist darauf hin, dass die Website bei der Kundenbindung gute Arbeit geleistet hat. Wir sehen jedoch auch, dass der Anteil neuer Kunden, die Transaktionen abschließen, höher ist, sei es an Wochentagen (13,2 % gegenüber 26,1 %) oder am Wochenende (16,5 % gegenüber 21,9 %). Kunden zeigt dies, dass die Website einige Verbesserungen bei der Conversion-Rate alter Kunden bewirken kann.
Wenn beispielsweise alte Kunden Waren kaufen, können sie durch die Einführung neuer Kunden größere Rabatte genießen. Dies weckt nicht nur die Kaufbegeisterung der alten Kunden, sondern bringt auch mehr neue Kunden auf die Website.
Zentrale Darstellung vielfältiger Analyseergebnisse
Wenn Sie verschiedene Analysediagramme in Form eines Berichts anzeigen möchten, können Sie die Skriptfunktion von JMP verwenden, um die Berichtsverknüpfungsdaten in Echtzeit mit einem Klick zu aktualisieren und so viele sich wiederholende manuelle Vorgänge zu ersparen.
(JMP-Vorgang: Datei->Neu->Anwendung)
Das Obige ist das Ergebnis einiger explorativer Datenanalysen. Als nächstes werden wir weiterhin versuchen, mithilfe von Datenerfassungsmethoden ein quantitatives statistisches Modell für die oben genannten Hauptbenutzermerkmale und Transaktionsergebnisse zu erstellen.
Schritt 3 Datenvorhersagemodellierung
Überprüfen Sie mithilfe von Entscheidungsbäumen die wichtigsten Merkmale, die sich auf den Umsatz auswirken
Entscheidungsbaum ist eine überwachte Lernmethode, die Entscheidungsregeln aus einer Reihe von Daten mit Merkmalen und Beschriftungen zusammenfassen und diese Regeln in einer Baumdiagrammstruktur darstellen kann. Die Ergebnisse sind leicht zu interpretieren und finden breite Anwendung in verschiedenen Branchen und Bereichen. Anwendung.
(JMP-Vorgang: Analyse -> Vorhersagemodellierung -> Segmentierung)
Anhand des Diagramms können wir die verschiedenen Phasen des Entscheidungsbaums beobachten und von oben nach unten die wichtigsten Merkmale zeigen, die das Handelsergebnis beeinflussen.
Der wichtigste Faktor ist der Wert der Webseite. Die Transaktionsquote von Webseitenwerten unter 0,067 und über 0,067 beträgt 3,85 % bzw. 56,4 %, mit offensichtlichen Lücken. Außerdem werden später einige weitere wichtige charakteristische Parameter aufgeführt, wie z. B. die Absprungrate, der Monat und die produktbezogenen Seiten usw. Diese Informationen sind wichtige Faktoren, die die Transaktionsergebnisse beeinflussen und jetzt schnell ausgewählt und angezeigt werden können, sodass Marken einen klareren Fokus haben zur Verbesserung und Optimierung.
Die Besten der Besten auswählen und weitere Datenerfassungsmethoden ausprobieren
Neben Entscheidungsbäumen bietet JMP auch eine Vielzahl von Datenerfassungsmethoden wie neuronale Netze, Random Forests, Boosted Trees und Support Vector Machines und kann problemlos Vergleiche zwischen Modellalgorithmen durchführen, um das Beste vom Besten zu erzielen.
Durch das neue Modell-Screening von JMP Pro 16 können mehrere Datenerfassungsmethoden gleichzeitig verglichen werden. Um eine Überanpassung des erstellten Modells zu verhindern, können Sie zuvor zunächst den Trainingssatz, den Testsatz und den Verifizierungssatz im Verhältnis von verfolgen 6:2:2 Teilen Sie die Originaldaten proportional auf und generieren Sie Verifizierungsspalten.
(JMP-Vorgang: Analyse -> Vorhersagemodellierung -> Validierungsspalte generieren)
Wie in der folgenden Abbildung dargestellt, erstellt die Plattform nach Eingabe der charakteristischen Parameter und Transaktionsergebnisse mehrere Algorithmusmodelle gleichzeitig und wählt automatisch die aktuell beste Modellierungsmethode als Random Forest aus. Die Leistung des Modells im Testsatz ist ein Indikator für die Zukunft. Die Vorhersagefähigkeit R-Quadrat der neuen Daten erreichte 0,6 und die Vorhersagegenauigkeit erreichte 90,7 %.
Präzise Vorhersagemodelle können Marken dabei helfen, die möglichen Transaktionsergebnisse jedes Benutzers so früh wie möglich zu verstehen, insbesondere Transaktionsfehler vorherzusagen und frühzeitig zu reagieren und Abhilfemaßnahmen zu ergreifen, z. B. Rabatte oder das Einblenden einer Kundenbindungsschnittstelle, bevor Kunden die Seite verlassen.
(JMP-Vorgang: Analyse->Prädiktive Modellierung->Modell-Screening)
Wie wäre es? Macht Sie die Lektüre der heutigen Analyse zuversichtlicher im „E-Commerce-Krieg“?
Für Marken ist die Bereitstellung personalisierter Produkt-, Service- und Warenempfehlungen sowie die Durchführung von One-to-One-Marketing auf der Grundlage individueller Bedürfnisse ein großer Vorteil des Online-Marketings gegenüber traditionellem Marketing.
In Kombination mit der JMP-Datenanalysesoftware können Sie eine detaillierte Analyse des Konsumverhaltens der Online-Shopping-Benutzer durchführen. Dies kann Unternehmen dabei helfen, Produktsammlungsseiten und Werbeaktivitäten zu gestalten, die besser auf die Bedürfnisse der Zielgruppen zugeschnitten sind, und zeitnah auf potenzielle Probleme reagieren zu können entdeckt. Verbesserungen und damit einen größeren Nutzen für das Unternehmen.
>> Laden Sie JMP 16 jetzt herunter und erhalten Sie eine 30-tägige kostenlose Testversion <<
