淘宝数据分析（教你如何做淘宝数据分析）

电子商务的新时代已经到来，电子商务在数据的驱动下做出决策，进行商务活动。数据分析大致分为三个阶段。

一、数据呈现

第一阶段是数据呈现，即简单呈现部分数据，进行描述性统计分析(最大值、最小值、平均值等)。).

二、书架分析

第二阶段是数据分析，即对不同的数据进行交叉分析，使用回归分析等统计分析方法。

三、数据挖掘

第三阶段是数据挖掘，对数据进行更深层次的分析，使用数据挖掘模型或相关算法。

数据驱动目前卖家很少做，大多是因为无从下手。其实从数据分析的角度来说，很简单。只要对背景数据进行分析，建立新模型并不需要太多时间，现有的模型可以用来分析。

简单的分析方法也可以借鉴波士顿矩阵和GE矩阵的营销。再者，阿里集团提供了很多数据产品，如Data Cube、Business Staff、淘宝指数、阿里指数等，供卖家做数据分析。

本文向大家介绍一个案例。本案数据由某淘宝店主提供，数据源来自淘宝后台订单数据和敏感信息(买家ID、产品ID等)。已经过技术处理)。用SPSS软件做分析。

我们每次做营销活动，淘宝店主都想知道哪些产品更适合捆绑营销，哪些用户更有营销价值。

首先我们来看看哪些产品更适合捆绑销售。最近全店有200个婴儿销售记录。

首先，选择一个直观的网络图来发现潜在的关联。网络图的基本功能是反映标志字段值之间的密切关系，并通过不同类型的线反映链接强度。线越粗，链接越强。比如一个买家一起拿走三宝，两宝之间的频率会增加2

因为宝藏太多，看起来很密集。每个点代表一个产品(已经匿名处理)。虽然很密集，但是从图中可以发现一个明显的三角形。这是一个密切相关的产品。

在这里给网店卖家推荐快速提升宝贝排名技巧

“百度搜【豌豆电商】”门户网站 务必电脑登陆体验最佳效果

手动点击收藏购买流程，登录注册即可免费享受名师干货实践视频！

调整门槛后，可以看到下面的商品组合图。S287和S159一定要捆绑销售，S2009也可以合并，但不是首选。S2009和S3929也可以考虑合并绑定。

但是这家店的产品有200多种，应该会有更多的推荐组合，所以我们进一步找出产品的推荐规则。

挖掘关联规则常用的模型有Apriori和Carma。

Apriori算法是一种关联规则发现方法，其重点是找出在某一时刻共同发生的情况，从而找出可信的、有代表性的规则。

Carma算法的中文名称是连续关联规则挖掘算法，它是Apriori的替代算法，提供的结果比Apriori低得多。

因为这家店有很多宝贝，支持度不能太高，可以找出相应的推荐规则。所以这里选择了Carma模型，下面是支持度为10%的结果，发现和之前的网络图相关性是一样的。

就这些规则而言，对应200多件宝物显然是不够的。有了更好的推荐，我们把最低条件支持设为5%，会出现很多规则。

不难发现，店铺的性能是由店铺的两次爆款支撑的，所以其他宝贝的组合支撑率会比较低，但这些关联规则是不能忽略的。关联规则查出来后，要联系真实行业，了解买家为什么选择这种组合。最后，将关联规则应用于营销

紧接着，该店要做一份营销方案，需要针对重点客户发起重点营销，并预测营销效果，制定营销目标。

一般，我们选择简单易用的RFM模型来定位促销名单。

RFM模型是衡量客户价值和客户创利能力的重要工具和手段，在客户关系管理(CRM)的分析中经常使用到的模型之一。

该模型主要有以下三要素：

•最近一次消费(Recency)

•消费频率(Frequency)

•消费金额(Monetary)

RFM模型是根据这三要素，把顾客分成5＊5＊5 = 125个样本段，对其进行数据分析，然后制定我们的营销策略。

该模型最大的价值在于可以从所有的历史客户群中迅速定位最有价值的客户，并通过随后及时的建立沟通，将其潜在购买转化为实际购买行为，从而进一步加强用户忠诚度，封杀竞争对手的市场空间。以下是该模型的细分架构。

以下是RFM模型输出的结果。

125个样本段的样本量是基本相同的。

频率为5分的这一组，平均购买金额要比其他组的高一些。而频率得1分的这一组平均购买金额是最低的。

该模型会计算出RFM得分，根据RFM可以对客户进行分区。比如，筛选出RFM得分大于400的为主要的营销目标客户（RFM得分介于[111,555]之间）。

接着，我们还要分析一下，究竟哪种客户最有可能响应此次的营销活动呢？我们可以根据这个来预测营销活动的效果。

我们把仅购买一次的买家定义为“1”，购买两次含两次以上的买家定义为“2”，并计算出均次消费金额。然后分析其响应率（以“2”为正响应值）。结果如下图所示。

可以看到第一组233<RFM<=355分并且均次金额>70.95元的这个分组买家响应率达到了98%，第二组355<RFM<=455响应率达到96.73%，第三组RFM>455响应率达到78.43%。响应率越高代表越有可能再次回购。这三组买家可以提取出来，可能是重点营销的对象。

随后，还可以通过对应解析或判别分析方法来检验以上的分类结果，如果通过检验就可以根据分析结果找出指定用户，做后续的营销方案和操作。

甚至我们还可以仔细到根据每个买家的消费历史（需要宝贝品类和属性数据跟其关联分析）来预测推荐什么宝贝，这个买家最容易买单。

通过这个案例，相信读者可以感受到数据化决策的魅力，就像是一场战役的总指挥影响着整个战局的胜败，通过数据分析找到最接近胜利的一条路径。