Excel電商數(shù)據(jù)分析與應(yīng)用 課件 第 11章　消費者運營分析

消費者運營分析11.1.1消費者地域分析&11.2.2消費者行為習(xí)慣分析1消費者地域分析2CONTENTS消費者行為習(xí)慣分析消費者地域分析PARTONE消費者地域分析消費者分布是消費者的基本屬性，了解消費者的分布有助于經(jīng)營者制訂運營策略。消費者地域分布數(shù)據(jù)可基于訂單報表進行整理，可以指導(dǎo)品牌商或者大型電商企業(yè)進行線下門店的布局。例：下載商家后臺訂單報表數(shù)據(jù)，分析消費者的地域分布情況。解：下載的文件是CSV格式，將文件導(dǎo)入PowerQuery編輯器進行清洗，如圖11-1所示，在Excel【數(shù)據(jù)】選項卡中單擊【從文本/CSV】選項。如圖11-2所示，設(shè)置對應(yīng)的文件路徑后單擊【編輯】按鈕。消費者地域分析進入PowerQuery編輯器后，如圖11-3所示，對訂單狀態(tài)進行篩選，將【交易關(guān)閉】和【等待買家付款】過濾掉。如圖11-4所示，選中“收貨地址”，可以提取出每筆訂單的收貨省份，在【添加列】選項卡中單擊【提取】-【分隔符之前的文本】選項。圖11-3圖11-4庫存績效分析如圖11-5所示，在彈出的分隔符設(shè)置界面中，在【分隔符】處鍵入一個英文輸入法下的空格符號。如圖11-6所示，提取后可以獲得省份信息，修改字段名稱為“省份”。接下來基于省份統(tǒng)計匯總數(shù)據(jù)，如圖11-7所示，在【開始】選項卡中單擊【分組依據(jù)】選項。圖11-5圖11-6圖11-7庫存績效分析如圖11-8所示，進行分組依據(jù)設(shè)置，基于“買家會員名”和“省份”分組。如圖11-9所示，由于訂單信息中會有消費者多次下單，因此將會員合并，減少重復(fù)計數(shù)，但此時還會有重復(fù)，因為有小部分消費者多次下單時收貨地址不一致，可能會有跨省份的訂單，此時可以忽略此情況，默認(rèn)一個消費者存在多個省份，因為這種比例會很少。如果要精準(zhǔn)判斷，需要根據(jù)下單地址的頻次選擇頻次高的，但如果出現(xiàn)部分地址的頻次相同的情況，就無法判斷了。圖11-8圖11-9庫存績效分析再一次進行分組，按照圖11-10所示內(nèi)容進行設(shè)置，分組結(jié)果如圖11-11所示。如圖11-12所示，單擊【開始】選項卡中【關(guān)閉并上載】選項，將數(shù)據(jù)導(dǎo)入Excel的工作表。圖11-11圖11-12圖11-10庫存績效分析在Excel中，如圖11-13所示，選中數(shù)據(jù)并單擊【插入】選項卡中的【數(shù)據(jù)透視表】選項。如圖11-14所示，在數(shù)據(jù)透視表字段設(shè)置中，將【行】設(shè)置字段為“省份”，【值】設(shè)置字段為“求和項：計數(shù)”。圖11-13圖11-14庫存績效分析如圖11-15所示，在“點擊量”上單擊鼠標(biāo)右鍵，在彈出的菜單中選擇【降序】排序。如圖11-16所示，插入柱形圖后可以更直觀地分析消費者的地域分布，河南省、廣東省和浙江省是主要的消費者集中地，推廣時可以偏向這三個省份。圖11-15圖11-16消費者行為習(xí)慣分析PARTTWO消費者行為習(xí)慣分析消費者行為習(xí)慣可基于下單的時間特征進行分析，可以研究消費者下單日期為星期幾，也可以研究消費者下單時間為幾點。例：下載商家后臺訂單報表數(shù)據(jù)，分析消費者下單的行為習(xí)慣。解：下載的文件是CSV格式，將文件導(dǎo)入PowerQuery編輯器進行清洗，如圖11-17所示，在Excel【數(shù)據(jù)】選項卡中單擊【從文本/CSV】選項。如圖11-18所示，設(shè)置對應(yīng)的文件路徑后單擊【編輯】按鈕。消費者行為習(xí)慣分析進入PowerQuery編輯器后，如圖11-19所示，對訂單狀態(tài)進行篩選，將【交易關(guān)閉】和【等待買家付款】過濾掉。如圖11-20所示，選中【訂單付款時間】，在【添加列】選項卡單擊【日期-天-星期幾】創(chuàng)建新列。圖11-19圖11-20消費者行為習(xí)慣分析如圖11-21所示，選中“訂單付款時間”，在【添加列】選項卡單擊【時間】-【小時】-【小時】選項，創(chuàng)建新列。修改對應(yīng)的字段名稱，如圖11-22所示。如圖11-23所示，單擊【開始】選項卡中【關(guān)閉并上載】選項，將數(shù)據(jù)導(dǎo)入Excel的工作表中。圖11-21圖11-22圖11-23消費者行為習(xí)慣分析在Excel中，如圖11-24所示，選中數(shù)據(jù)并單擊【插入】選項卡中的【數(shù)據(jù)透視表】選項。如圖11-25所示，在數(shù)據(jù)透視表字段設(shè)置中，將【行】設(shè)置字段為“星期幾”，【值】設(shè)置字段為“計數(shù)項：買家會員名”和“求和項：買家實際支付金額”。設(shè)置后的數(shù)據(jù)透視表如圖11-26所示，從圖中可以看出星期日的支付金額最高，星期六最低，星期一到星期五差別不大。圖11-24圖11-25圖11-26消費者行為習(xí)慣分析圖11-27圖11-28再創(chuàng)建一個數(shù)據(jù)透視表，如圖11-27所示，在數(shù)據(jù)透視表字段設(shè)置中，將【行】設(shè)置字段為“小時”，【值】設(shè)置字段為“計數(shù)項：買家會員名”和“求和項：買家實際支付金額”。如圖11-28所示，早上7:00消費者開始購物，16:00～18:00點是購物高峰期，23:00開始陸續(xù)休息?；谶@個數(shù)據(jù)可調(diào)整客服排班和輪崗交接時間。消費者行為習(xí)慣分析圖11-29圖11-30如圖11-29和圖11-30所示，插入組合圖展示更加直觀，可用于制作消費者報告。感謝觀看消費者運營分析11.2RFM模型1RFM模型理論及計算方法CONTENTS2RFM計算實例PARTONERFM模型理論及計算方法1．RFM模型理論RFM模型是消費者管理領(lǐng)域里的一種消費者消費行為分析模型。R為近度（Recency）代表最近購買時間，指上次購買至現(xiàn)在的時間間隔。R值越大表示網(wǎng)店與消費者發(fā)生交易的時間越久，反之與網(wǎng)店發(fā)生交易的時間越近。理論上R值越小（即最近有購買行為）的消費者是復(fù)購可能性越高的有價值消費者。F為頻度（Frequency）代表購買頻率，指的是某一期間內(nèi)購買的次數(shù)。F越大代表該段時間內(nèi)消費者的購買頻率越高，存在極大的復(fù)購可能性；反之F值越小，則消費者活躍度越低，相應(yīng)的價值越低。M為額度（Monetary）代表總購買金額，指的是某一期間內(nèi)購買商品的金額。M越大表示該類消費者對本網(wǎng)店（產(chǎn)品）的購買意愿轉(zhuǎn)化為購買行為可能性越大，該類消費者的價值越應(yīng)受到關(guān)注，反之亦然。RFM模型動態(tài)展示了現(xiàn)有消費者在網(wǎng)店的購物特征，為網(wǎng)店制訂營銷決策提供了依據(jù)，便于網(wǎng)店對于現(xiàn)有消費者分類與管理。2．RFM計算（1）計算RR的計算方法是計算現(xiàn)在與最近一次購買日期之間的間隔天數(shù)。（2）計算FF的計算方法是對消費者下單的訂單數(shù)據(jù)進行統(tǒng)計。（3）計算MM的計算方法是將消費者的消費金額進行匯總。3．基于RFM模型的消費者分組為消費者分組，即將三個指標(biāo)分別分為“高”和“低”兩種，高于均值的為“高”，低于均值的為“低”。R值“高”“低”判定步驟：①分別求取每位消費者的購買商品日期與現(xiàn)今時間的最小時間間隔R。②求取時間間隔R均值。③將每位消費者的最小時間間隔與R均值比較，小于均值為低，大于均值為高。F值“高”“低”判定步驟：①求取每位消費者某時間段內(nèi)的購買次數(shù)和（即購買頻率F）。②求取頻率F均值。③將每位消費者的F值與F均值比較，小于均值為低，大于均值為高。M值“高”“低”判定步驟：①求取每位消費者某時間段內(nèi)的購買金額和M。②求取購買金額和M均值。③將每位消費者的M值與M均值比較，小于均值為低，大于均值為高。以此為標(biāo)準(zhǔn)將消費者歸為八大類，如表11-1所示。R值F值M值消費者類型低高高高價值消費者高高高重點保持消費者低低高重點發(fā)展消費者高低高重點挽留消費者低高低一般價值消費者高高低一般保持消費者低低低一般發(fā)展消費者高低低潛在消費者表11-1 RFM分類表PARTTWORFM計算實例例11-3：現(xiàn)有某淘寶網(wǎng)店2022年8月至2022年10月消費者購買數(shù)據(jù)，數(shù)據(jù)采集自商家后臺的訂單報表和寶貝報表。如圖11-31所示，為了精準(zhǔn)化消費者營銷，降低推廣成本，現(xiàn)需要使用PowerQuery將5794位消費者分類。圖11-31消費者信息表解：（1）將Excel數(shù)據(jù)加載至PowerQuery。如圖11-32所示，在【數(shù)據(jù)】選項卡中，單擊【從表格】選項，即可將數(shù)據(jù)加載至PowerQuery。圖11-32將數(shù)據(jù)從表格導(dǎo)入PowerQuery編輯器操作界面成功加載至PowerQuery的數(shù)據(jù)如圖11-33所示。圖11-33加載到PowerQuery中的數(shù)據(jù)（2）計算時間間隔R。創(chuàng)建當(dāng)下時間字段：如圖11-34所示，在【添加列】選項卡中，單擊【自定義列】選項。圖11-34創(chuàng)建自定義列操作界面進入“自定義列”頁面，如圖11-35所示，【新列名】設(shè)置為“今天日期”，【自定義列公式】設(shè)置為“DateTime.Date(#datetime(2022,11,1,0,0,0))”，單擊“確定”按鈕，成功后如圖11-36所示。圖11-35創(chuàng)建今天日期圖11-36成功創(chuàng)建今日日期將“今天日期”列的類型與訂單付款時間統(tǒng)一：選中“今日日期”列，在【開始】選項卡中，單擊【數(shù)據(jù)類型】選項，選中合適的類型，此處選擇“日期/時間”。格式統(tǒng)一后的數(shù)據(jù)如圖11-37所示。圖11-37格式統(tǒng)一后的數(shù)據(jù)

新建一列為“今天日期”減去“訂單付款日期”。如圖11-38所示，在【添加列】選項卡中，單擊【自定義列】選項，【新列名】設(shè)為“R”，【自定義列公式】設(shè)為“[今天日期]-[訂單付款時間]”，單擊【確定】按鈕，計算結(jié)果如圖11-39所示。圖11-38計算R圖11-39R的計算結(jié)果刪除“訂單付款時間”與“今天日期”列，并將“R”列類型改為整數(shù)，結(jié)果如圖11-40所示。圖11-40修整后的數(shù)據(jù)（3）進行數(shù)據(jù)分組，得到每位消費者的RFM數(shù)據(jù)。將數(shù)據(jù)分組：在【開始】選項卡中，單擊【分組依據(jù)】選項，填入圖11-41所示信息，運行結(jié)果如圖11-42所示。圖11-41分組依據(jù)設(shè)置界面圖11-42數(shù)據(jù)分組結(jié)果（4）消費者歸類。通過自己寫函數(shù)建立邏輯判斷，歸類消費者等級。在【開始】選項卡中，單擊【高級編輯器】選項，進入函數(shù)編輯頁面，如圖11-43所示。在上表代碼in前補上以下關(guān)于消費者等級判斷的條件語句。AR=List.Average(分組的行[R])，AM=List.Average(分組的行[M])，AF=List.Average(分組的行[F])，已添加條件列=Table.AddColumn(分組的行,"消費者等級",eachif([R]<AR)and([M]>AM)and([F]>AF)then"高價值消費者"elseif([R]>AR)and([M]>AM)and([F]>AF)then"重點保持消費者"elseif([R]<AR)and([M]>AM)and([F]<AF)then"重點發(fā)展消費者"elseif([R]>AR)and([M]>AM)and([F]<AF)then"重點挽留消費者"elseif([R]<AR)and([M]<AM)and([F]>AF)then"一般價值消費者"elseif([R]>AR)and([M]<AM)and([F]>AF)then"一般保持消費者"elseif([R]<AR)and([M]<AM)and([F]<AF)then"一般發(fā)展消費者"else"潛在消費者"圖11-43函數(shù)編輯界面

并將最后一行將“分組的行”改為“已添加條件列”。（注：AR為R的平均值，AF為F的平均值，AM為M的平均值）

改完后代碼如圖11-44所示。圖11-44修改高級編輯器代碼成功運行即可得到完整的消費者歸類，如圖11-45所示。圖11-45RFM消費者分組感謝觀看消費者運營分析11.3.1消費者復(fù)購率計算與分析&11.3.2復(fù)購間隔分析&11.3.3復(fù)購產(chǎn)品歸因分析1消費者復(fù)購率計算與分析2CONTENTS復(fù)購間隔分析3復(fù)購產(chǎn)品歸因分析消費者復(fù)購率計算與分析PARTONE消費者復(fù)購率計算與分析1.復(fù)購率計算復(fù)購率可以分為“用戶復(fù)購率”和“訂單復(fù)購率”。用戶復(fù)購率=單位時間內(nèi)：購買兩次及以上的用戶數(shù)/有購買行為的總用戶數(shù)。如單位時間內(nèi)，回頭客購買人數(shù)/總購買人數(shù)，計算出來的比例，則為重復(fù)購買率。例如在一個月內(nèi)，有100個消費者成交，其中有20個是回頭客，則重復(fù)購買率為20%。訂單復(fù)購率=單位時間內(nèi)：第二次及以上購買的訂單個數(shù)/總訂單數(shù)。如在某個季度中，一共產(chǎn)生了100筆交易，其中有20個人有了二次購買，這20個人中的10個人又有了三次購買，則重復(fù)購買次數(shù)為30次，重復(fù)購買率為30%。2.復(fù)購率分析第一步：從8個月數(shù)據(jù)中提取出二月的數(shù)據(jù)來計算復(fù)購率，那么復(fù)購率的計算值是不是需要某個值作為參照標(biāo)準(zhǔn)呢？高于這個值表示二月復(fù)購率較為理想，低于這個值表示二月復(fù)購率不達(dá)標(biāo)。第二步：同時計算出2022年7月—2023年1月數(shù)據(jù)的平均復(fù)購率和二月的復(fù)購率，比較二月的復(fù)購率和近7個月的平均復(fù)購率，若二月的復(fù)購率高于近7個月的平均復(fù)購率，則可謂運營頗有成效。例：某網(wǎng)店運營人員現(xiàn)有該網(wǎng)店2022年7月—2023年2月的訂單數(shù)據(jù)，希望深入了解該網(wǎng)店二月的消費者復(fù)購情況。數(shù)據(jù)采集自商家后臺的訂單報表和寶貝報表。解：分析思路如下。消費者復(fù)購率計算與分析圖11-46圖11-47圖11-48（3）復(fù)購率計算實操例11-5：某淘寶網(wǎng)店2022年7月—2023年2月消費者購買數(shù)據(jù)如圖11-46所示，計算用戶復(fù)購率。解：如圖11-47所示，在【數(shù)據(jù)】選項卡區(qū)中，單擊【從表格】選項，將數(shù)據(jù)導(dǎo)入PowerQuery編輯器，成功導(dǎo)入PowerQuery編輯器的數(shù)據(jù)如圖11-48所示。消費者復(fù)購率計算與分析將“訂單付款時間”類型改為【日期】。如圖11-49所示，選中“訂單付款時間”列，單擊【開始】選項卡中的【數(shù)據(jù)類型】下的【日期】選項，運行結(jié)果如圖11-50所示。圖11-49圖11-50消費者復(fù)購率計算與分析將同一天購買兩次的消費者去重。選中全字段，單擊【開始】選項卡中【刪除行】下的【刪除重復(fù)項】選項。隨后統(tǒng)計每個消費者在2022年7月—2023年1月的購買次數(shù)。單擊【開始】選項卡中的【分組依據(jù)】選項，給數(shù)據(jù)分組，填入圖11-51所示的信息，運行結(jié)果如圖11-52所示。圖11-51圖11-52消費者復(fù)購率計算與分析如圖11-53所示，對計數(shù)結(jié)果進行篩選，留下計數(shù)結(jié)果大于1的行，運行結(jié)果如圖11-54所示。圖11-53圖11-54消費者復(fù)購率計算與分析如圖11-54所示，單擊【開始】選項卡中的【關(guān)閉并上載】選項，將數(shù)據(jù)加載至工作表，工作表中的數(shù)據(jù)如圖11-55所示。統(tǒng)計留下的買家消費者名個數(shù)即為7個月內(nèi)復(fù)購的買家數(shù)，此處得到的復(fù)購買家數(shù)為：648；總買家數(shù)為：24444-1380+648=23712；故可知7個月內(nèi)該網(wǎng)店平均復(fù)購率為：648/23712=0.027327935。從8個月數(shù)據(jù)中篩選出二月銷售收據(jù)，重復(fù)步驟（1）～（3）即可得到二月的復(fù)購情況，此處通過計算得出二月的消費者復(fù)購率為0.028571429。發(fā)現(xiàn)2月的復(fù)購率比近7個月的復(fù)購率高，故說明網(wǎng)店二月的復(fù)購率處于正常值范圍。圖11-55圖11-56消費者復(fù)購率計算與分析復(fù)購間隔分析PARTTWO復(fù)購間隔分析表11-21.復(fù)購間隔定義復(fù)購間隔天數(shù)，即消費者復(fù)購的時間間隔，當(dāng)然數(shù)據(jù)中會出現(xiàn)一個消費者復(fù)購多次（≥3）的情況，此處把它定義為消費者距今最近的兩次購買時間的差值。依據(jù)復(fù)購時間間隔的大小，將消費者分為4組，如表11-2所示。

可以根據(jù)復(fù)購時間間隔安排喚醒消費者的活動和時間，提高喚醒老消費者的效果，并且可進行一系列活動增加新消費者黏度。網(wǎng)店在運營過程中，關(guān)于網(wǎng)店風(fēng)格和調(diào)性的確定也可以參考這方面的數(shù)據(jù)。復(fù)購間隔消費者分組小于30天活躍消費者30～90天可激活消費者90～180天預(yù)流失消費者180天以上無復(fù)購流失消費者復(fù)購間隔分析2.復(fù)購間隔計算實操例：某網(wǎng)店營運人員現(xiàn)有該網(wǎng)店2022年7月—2023年2月的銷售訂單數(shù)據(jù)，希望從數(shù)據(jù)中將消費者進行復(fù)購時間間隔歸類。數(shù)據(jù)采集自商家后臺的訂單報表和寶貝報表。

2022年7月—2023年2月消費者信息數(shù)據(jù)集如圖11-57所示。解：將數(shù)據(jù)導(dǎo)入PowerQuery編輯器并將“訂單付款時間”轉(zhuǎn)化為【日期】類型，并進行每位消費者的去重操作，結(jié)果如圖11-58所示。復(fù)購間隔分析將每位消費者的訂單付款時間以列表形式進行分組。在函數(shù)編輯欄輸入：“Table.Group(更改的類型,{"買家消費者名"},{{"購買日期列表",each([訂單付款時間]),typelist}})”，即可得到以消費者名稱為分組依據(jù)的按列表分組的表，每位消費者對應(yīng)的List中包含了該消費者的所有購買時間，如圖11-59所示。將每位消費者的最近兩個購買時間作為新列插入表中：如圖11-60所示，在【添加列】選項卡中，單擊【自定義列】。在【自定義列公式】框輸入：“List.MaxN([購買日期列表],2)”。注：由于日期越晚數(shù)值越大，因此取最大的兩個數(shù)。運行結(jié)果如圖11-60所示。圖11-59圖11-60圖11-61復(fù)購間隔分析最近兩個購買日期作差計算復(fù)購時間間隔。如圖11-62所示，在【添加列】選項卡中，單擊【自定義列】選項。在【自定義列公式】框輸入：“Duration.Days(List.Max([距今最近兩個購買日期])-List.Min([距今最近兩個購買日期]))”。注：Duration.Days可提取日期的天數(shù)。運行結(jié)果如圖11-63所示。圖11-62圖11-63復(fù)購間隔分析圖11-64圖11-65將數(shù)據(jù)進行篩選，僅留下購買時間間隔大于0的整數(shù)行，并將數(shù)據(jù)加載至工作表，如圖11-64所示。如圖11-65所示，將數(shù)據(jù)進行透視，繪制復(fù)購時間間隔與復(fù)購人數(shù)分布圖。復(fù)購間隔分析從圖19和圖20中可以發(fā)現(xiàn)以下情況。（1）復(fù)購消費者中94.95%的人會在70天內(nèi)進行復(fù)購，如果未在70天內(nèi)進行復(fù)購，則該消費者回購的概率微乎其微。（2）8個月內(nèi)復(fù)購消費者中活躍消費者有355人，可激活消費者有176人，預(yù)流失消費者有19人。針對可激活消費者和預(yù)流失消費者，可以采取以下3種方法激活：②首頁設(shè)置淘寶店鋪優(yōu)惠券、老消費者回饋等活動。①提升網(wǎng)店的體驗度：通過私信等方式將老消費者引導(dǎo)到最需要的網(wǎng)店頁提升吸引力。③合理布局標(biāo)簽和分類，讓消費者有需要時能夠快速找到自己的目標(biāo)。復(fù)購產(chǎn)品歸因分析PARTTHREE復(fù)購產(chǎn)品歸因分析圖11-66圖11-67觸發(fā)用戶復(fù)購行為的根本因素是消費者初次購買產(chǎn)品的消費者體驗。產(chǎn)品的消費者體驗不僅決定了復(fù)購率，還決定了企業(yè)的生死存亡。產(chǎn)品復(fù)購率的提升還是要依托于產(chǎn)品本身，如果定期對產(chǎn)品復(fù)購情況進行分析，對于產(chǎn)品布局以及長遠(yuǎn)發(fā)展是十分有益的。1.產(chǎn)品引發(fā)復(fù)購行為數(shù)統(tǒng)計。例11-7：現(xiàn)有某網(wǎng)店2022年7月—2023年2月的產(chǎn)品銷售訂單數(shù)據(jù)集，希望從中挖掘觸發(fā)消費者復(fù)購行為的產(chǎn)品，為網(wǎng)店3月的戰(zhàn)略調(diào)整提供數(shù)據(jù)依據(jù)。數(shù)據(jù)采集自網(wǎng)店后臺的訂單報表和寶貝報表。

2022年7月—2023年2月消費者消費信息數(shù)據(jù)集如圖11-66所示。將數(shù)據(jù)導(dǎo)入PowerQuery編輯器并將“訂單付款時間”轉(zhuǎn)化為【日期】類型，導(dǎo)入效果如圖11-67所示。復(fù)購產(chǎn)品歸因分析將同一天內(nèi)購買兩次的買家數(shù)據(jù)去重，每個消費者每一天僅留下一條數(shù)據(jù)，降低復(fù)購產(chǎn)品的統(tǒng)計誤差。選中“買家會員名”列和“訂單付款時間”列，在【開始】選項卡中，單擊【刪除行】下的【刪除重復(fù)項】選項。統(tǒng)計有復(fù)購行為的買家數(shù)據(jù)及商品編碼。選中“買家會員名”列，在【開始】選項卡中，單擊【保留行】下的【保留重復(fù)項】選項。依據(jù)“買家會員名”排序，運行結(jié)果如圖11-68所示。統(tǒng)計觸發(fā)買家復(fù)購行為的產(chǎn)品。刪除重復(fù)買家數(shù)據(jù)，留下買家首次購買網(wǎng)店產(chǎn)品的時間及商品編碼。選中“買家會員名”列，在【開始】選項卡中，單擊【刪除行】下的【刪除重復(fù)項】選項。運行結(jié)果如圖11-69所示。復(fù)購產(chǎn)品歸因分析表11-3透視統(tǒng)計觸發(fā)復(fù)購產(chǎn)品的數(shù)據(jù)。將PowerQuery編輯器處理后的數(shù)據(jù)加載至工作表，運行結(jié)果如圖11-70所示。創(chuàng)建數(shù)據(jù)透視表，將觸發(fā)買家復(fù)購行為的產(chǎn)品進行時間及類別歸類，統(tǒng)計結(jié)果如表11-3所示。計數(shù)項:商家編碼列標(biāo)簽行標(biāo)簽2022年2023年總計QPL8101181110217A71942400012

12QPL810122617QPL810127

337A920234002137A1134110002137A3194920003

37A127237000112311055002

27A7130440002

27A7194250001

17A127236000

117A813037000

117A3191301001

13A06510811

17A1272350001

17A71304400071

1WA3712j1

17A5131290001

17A5131300001

1總計502070復(fù)購產(chǎn)品歸因分析從上述統(tǒng)計結(jié)果可以發(fā)現(xiàn)以下內(nèi)容。2022年7月—2023年2月該網(wǎng)店共有70個產(chǎn)品觸發(fā)了買家一次或多次的復(fù)購行為。觸發(fā)買家復(fù)購行為的產(chǎn)品編碼為“QPL810118”“7A719424000”“QPL810122”，可見如若消費者購買了這三款產(chǎn)品產(chǎn)生復(fù)購的概率較大。在商家實際的統(tǒng)計過程中，可以依據(jù)這三款產(chǎn)品的特征分析出產(chǎn)品的共性及個性，調(diào)整網(wǎng)店的產(chǎn)品布局，增加消費者黏性。2.復(fù)購產(chǎn)品的關(guān)聯(lián)。復(fù)購產(chǎn)品的關(guān)聯(lián)即同一位買家?guī)状钨徺I的產(chǎn)品間的關(guān)系，也就是統(tǒng)計出買家第一次購買某個產(chǎn)品后第二次可能會購買什么。此處用到的數(shù)據(jù)集依舊是本小節(jié)“產(chǎn)品引發(fā)復(fù)購行為數(shù)統(tǒng)計”中的Q數(shù)據(jù)集。將數(shù)據(jù)集導(dǎo)入PowerQuery編輯器，并將同一天內(nèi)購買兩次的買家數(shù)據(jù)去重，保留有復(fù)購行為的買家數(shù)據(jù)，詳細(xì)步驟參照本小節(jié)“產(chǎn)品引發(fā)復(fù)購行為數(shù)統(tǒng)計”中內(nèi)容。將有復(fù)購行為的“買家會員名”和“訂單付款時間”按照升序排序，運行結(jié)果如圖11-71所示。復(fù)購產(chǎn)品歸因分析圖11-72將有復(fù)購行為的買家所購買的所有商品的編號進行分組。在函數(shù)欄內(nèi)填入函數(shù)：“Table.Group(排序的行,{"買家消費者名"},{{"購買商品的編碼",each([商家編碼]),typelist}})”，運行結(jié)果如圖11-72所示。復(fù)購產(chǎn)品歸因分析圖11-73圖11-74統(tǒng)計每位買家的購買產(chǎn)品總數(shù)。在【添加列】選項卡中，單擊【自定義列】選項，輸入公式：“List.Count([購買商品的編碼])”，如圖11-73所示。運行結(jié)果如圖11-74所示。復(fù)購產(chǎn)品歸因分析圖11-76展開商品編碼列表。如圖11-75所示，單擊“購買商品的編碼”右邊的雙向箭頭。運行結(jié)果如圖11-76所示。復(fù)購產(chǎn)品歸因分析圖11-77將PowerQuery編輯器處理后的數(shù)據(jù)加載至sheet表，如圖11-77所示。創(chuàng)建數(shù)據(jù)透視表并加入切片器，單擊各分類查看統(tǒng)計結(jié)果，可從統(tǒng)計結(jié)果中發(fā)現(xiàn)以下內(nèi)容。2022年7月—2023年2月數(shù)據(jù)集中總買家數(shù)為5805人，發(fā)生一次復(fù)購行為的買家共66人，發(fā)生兩次復(fù)購行為的買家共3人，發(fā)生7次復(fù)購行為的買家共1人，可見該網(wǎng)店的復(fù)購率極低。在發(fā)生復(fù)購行為的買家中，兩次購買相同物品的復(fù)購行為是最多的。復(fù)購產(chǎn)品歸因分析感謝觀看消費者運營分析11.4.1評價詞頻分析&11.4.2評價情感分析1評價詞頻分析2CONTENTS評價情感分析評價詞頻分析PARTONE評價詞頻分析詞頻分析是文本分析的基礎(chǔ)，基于詞頻可以了解大量文本信息的內(nèi)容，既可以分析自己的商品也可以分析競品。接口說明如下。通過基于機器學(xué)習(xí)算法分詞的開源接口，可查閱接口的相關(guān)說明。接口：/get.php?source=¶m1=¶m2=。接口參數(shù)如下。“Source=”：要分詞的文本。“Param1=”：返回分詞結(jié)果的概率，最小為0，最大為1?！癙aram2=”：是否為調(diào)試模式，調(diào)試模式可以看到分詞結(jié)果的概率。0為非調(diào)試模式，1為調(diào)試模式。例1：/get.php?source=清華大學(xué)是好學(xué)校¶m1=0¶m2=1。返回：清華:0.604942清華大學(xué):1華大:0.068537大學(xué):0.937618好學(xué):0.730473好學(xué)校:0.699564學(xué)校:0.833307例2：/get.php?source=清華大學(xué)是好學(xué)校¶m1=0.8¶m2=1。返回：清華大學(xué):1大學(xué):0.949906學(xué)校:0.936925例3：/get.php?source=清華大學(xué)是好學(xué)校¶m1=0¶m2=0返回：清華清華大學(xué)華大大學(xué)好學(xué)學(xué)校評價詞頻分析圖11-78評價詞頻分析例4：圖11-78所示為采集某競品的消費者評價數(shù)據(jù)，分析評價的詞頻。數(shù)據(jù)采集路徑：【淘寶商品】-【評價詳情頁】。解：選中數(shù)據(jù)，如圖11-79所示，在【數(shù)據(jù)】選項卡中單擊【自表格/區(qū)域】選項，將評價導(dǎo)入PowerQuery編輯器。圖11-79圖11-80圖11-81如圖11-80所示，在PowerQuery編輯器中篩選數(shù)據(jù)，搜索“此用戶”，將無效的評價“此用戶沒有填寫評價?！边^濾掉。如圖11-81所示，在【添加列】選項卡中，單擊【自定義列】功能鍵。評價詞頻分析圖11-82圖11-83評價詞頻分析如圖11-83所示，鍵入公式“Csv.Document(Web.Contents("/get.php?source="&Uri.EscapeDataString([評價])&"¶m1=0.8¶m2=0"))”。M函數(shù)說明：Web.Contents：是以二進制文件的格式下載網(wǎng)頁。Csv.Document：是將二進制文件轉(zhuǎn)換成Csv格式的表格。由于是訪問互聯(lián)網(wǎng)數(shù)據(jù)需要設(shè)置隱私級別，為了方便練習(xí)，如圖11-82所示，可直接勾選【忽略此文件的隱私級別檢查……】，老版本沒有這個選項，選擇公共權(quán)限。獲取數(shù)據(jù)后，如圖11-84所示，勾選【展開】和【Column1】字段，展開后將字段“Column1”重命名為“分詞”。展開后，按照圖11-85所示內(nèi)容，篩選掉空白行。圖11-84圖11-85消費者復(fù)購率計算與分析圖11-86圖11-87消費者復(fù)購率計算與分析如圖11-86所示，在【開始】選項卡中單擊【分組依據(jù)】選項。如圖11-87所示，基于分詞進行分組。圖11-88圖11-89消費者復(fù)購率計算與分析如圖11-88所示，單擊【開始】選項卡中【關(guān)閉并上載】選項，將數(shù)據(jù)關(guān)閉并上載到Excel工作表中。如圖11-89所示，對“計數(shù)”進行排序，可以觀察到買家對這款產(chǎn)品的評價關(guān)鍵詞，通過觀察可以發(fā)現(xiàn)買家對這款產(chǎn)品滿意的占比較大，因此這款產(chǎn)品的效果不錯。評價情感分析PARTTWO評價情感分析評價情感分析是判斷文本的情感得分，正面得分越高表示買家對產(chǎn)品或服務(wù)越滿意，負(fù)面得分越高表示消費者對產(chǎn)品或服務(wù)越不滿意。情感分析同樣需要使用API接口實現(xiàn)，沒有純免費的接口，可使用商業(yè)接口的免費調(diào)用次數(shù)。商業(yè)接口可以在API集市申請，本例使用/的接口，每天可調(diào)用500次。接口地址：/sentiment/analysis。調(diào)用方式：Post。圖11-90圖11-91例5：圖11-90所示是評價數(shù)據(jù)，使用接口分析評價情感得分。數(shù)據(jù)采集路徑：【淘寶商品】-【評價詳情頁】。選中數(shù)據(jù)，如圖11-91所示，在【數(shù)據(jù)】選項卡中單擊【自表格/區(qū)域】選項，將評價導(dǎo)入PowerQuery編輯器。評價情感分析圖11-92圖11-93由于接口的次數(shù)限制，在PowerQuery編輯器中進行數(shù)據(jù)篩選，只保留前5條，每次只消耗5次API調(diào)用次數(shù)。如圖11-92所示，在PowerQuery編輯器【開始】選項卡中，單擊【保