2020年的COVID-19疫情为电子商务提供了快速发展的机遇。 2020年第二季度，美国电商零售额从一季度的1604亿美元飙升至2115亿美元。 专家预测，到2024年，美国电商销售额将突破1万亿美元，占零售总额的18.1%。 过去一年，主要消费品公司（CPG）的电商销售额占零售总额的比重大幅上升，如联合利华、雀巢、宝洁等，如下图所示。
联合利华全球电子商务副总裁认为，“电子商务不再是只属于未来的渠道，因为未来已经到来”。 毫无疑问，在新的一年里，企业将特别关注电子商务业务。 开发、数据分析是扩大电商销售规模极具潜力的工具。 那么联合利华、雀巢、宝洁等知名跨国消费品公司是如何利用数据来分析电商零售额和利润率并进行优化的呢？
1.产品推荐引擎
您还记得您去商店时以及导购在整个购物体验中所扮演的角色吗？ 他/她知道你关心什么，你的购物预算是多少，并且会给出购物建议，你最终会买很多他/她推荐的东西。 这种与客户的关系正是公司所需要的，而产品推荐引擎（）就是一个很好的解决方案。 什么是推荐引擎？ 简单来说，它提供了一个自动化的“贴心导购”。 该工具使用机器学习算法向客户推荐他们可能感兴趣的产品。 推荐可以通过网站、电子邮件促销、在线广告和其他渠道进行。 推荐可以分为两种：
a) 非个性化推荐引擎
这种推荐不需要对客户数据进行细分。 建议通过欢迎电子邮件或新闻通讯电子邮件发送，通常适用于：
b) 个性化推荐引擎
这就是重点！ 个性化推荐引擎使用客户数据来推荐最合适的优惠和促销活动。 它利用深度学习算法和自然语言处理（NLP），使消费者尽可能体验个性化服务。 该算法将利用客户的购买历史、最近的活动、在线行为和社交媒体浏览，通过提高转化率、增加客户的平均购买价值、降低跳出率和购物车删除率来极大地改善电子商务。 销售量。 麦肯锡曾在一份报告中指出，亚马逊上销售的产品中有35%来自于这些个性化算法推荐。
2. 购物篮分析
购物篮分析可以帮助您找到一起购买的不同产品之间的联系。 换句话说，它基于这样的原则：如果顾客购买了一件商品，他们或多或少可能会购买另一件相关商品。 与推荐引擎一样，购物篮分析通常使用机器学习或深度学习算法。
例如，商店可以将孩子的牙刷（利润不是很高的产品）与他父亲的除臭剂（快速消费品）捆绑在一起，这可以使这两个商品的总利润在一周内增加 8%。
关联规则学习是一种用于发现不同产品之间联系的机器学习方法。 它不考虑产品的购买顺序。 下面我们就简单地演示一下这个分析。
这个分析是基于数千个购物车，但本文仅提供七个购物车，以便于下面解释我们需要计算的三个指标。 我们可以先探讨一下洗发水和护发素之间的关系（一篮子）：
a) 支持
什么是“支持度”：同时购买产品x和产品y的交易笔数占所有交易笔数的比例。
“支持”商业含义：该指标显示一起购买这两种产品的频率。
洗发水和护发素在关联规则中的支持度为0.71——>同时购买洗发水和护发素的交易占总交易笔数的71%。
b) 信心
什么是“置信度”：同时购买产品x和产品y的交易次数占产品x已被购买的交易次数。
业务影响：此指标显示购买其中一种产品时购买两种产品的频率。
洗发水和护发素在关联规则中的置信度为0.83——>当顾客购买洗发水时，有83%的概率他也会购买护发素。
c) 提升程度
什么是“提升度”：提升度是置信度与预期置信度的比率。 其中，预期置信度是产品y出现在购物篮中的概率。
业务意义：Lift表明了关联规则的强弱程度，即规则在预测结果方面的表现如何。 较高的提升意味着项目之间的相关性很强。
Lift = 1 → 两个购买的商品之间没有关系。
提升度 > 1→ 这两种产品可以一起购买。 升力越高，可能性就越大。
Lift < 1 → 这两个项目不太可能一起购买，它们是替代品。
关联规则中洗发水和护发素的改善度为1.17——>当顾客将洗发水添加到购物车时，他们购买护发素的概率比购物车中没有洗发水时更大。 购物车中出现洗发水会增加顾客购买护发素的可能性。
使用关联规则后，您可以使用卡方分析，这将帮助您从数学上找到关联规则的显着性。
3、价格优化
80%的人表示，电商购物最重要的是有竞争力的价格。
因此，在考虑公司利润的同时找到一个让客户满意的价格点非常重要。 现在让我们看看价格优化中使用的三个重要概念：
a) 客户和产品细分
将相似的产品和客户分组是价格优化的第一步。 常用的算法包括监督分类和无监督聚类。 根据业务需求和数据类型来决定使用哪种模型。
高露洁使用 K 均值聚类方法对具有相似销售趋势的产品进行分组。 这使您可以为每个分组构建预测模型，而无需构建太多模型。
b) 回归建模
分组完成后，围绕各种数据点（例如销售额、转化率、季节性、产品属性、营销渠道等）构建回归模型将有助于确定产品的最佳价格。 例如，联合利华的个人护理产品分析团队可以建立一个回归模型来预测，如果多芬除臭剂的价格降低5%，销量将增加15%。
c) 动态定价
还记得上次亚马逊促销期间，不仅你喜欢的产品降价了，其他电商也降价了？
这就是动态定价。 它将竞争对手的数据输入机器学习算法，以确定一段时间内的产品价格。 这使得该产品能够在价格频繁波动的情况下在竞争激烈的市场中生存。
A/B 测试可以完善您的定价模型，但它需要大量的技术考虑。
4.需求预测
需求预测是通过分析对产品需求和销量的预测。 提前了解销售趋势可以在很多方面提供竞争优势：
a) 更好的库存管理
低估库存可能会导致库存缺货，从而导致客户不满意。 高估库存水平可能会导致库存过剩，从而增加不必要的存储成本。
通过需求预测，可以更明智地安排库存，避免因畅销产品售完或滞销产品而造成仓库空间的浪费。
b) 更好的现金流管理
通过避免滞销库存占用大量现金，我们可以正确规划预算并优化现金使用，从而降低财务风险。
c) 更好的定价策略
有效的需求预测还可以优化定价策略。 您可以对预计需求量较高的产品收取更高的费用，反之亦然，同时还能够更好地组织您的营销预算、广告和折扣计划等。
d) 更好的客户服务
预测产品需求及其波动有助于更好地规划客户服务。 例如，亚马逊于 2013 年申请了一项“提前发货”专利，该专利使用预测模型在客户购买之前将所需产品运送给客户。 亚马逊的算法预测消费者将购买什么，并将产品发送到最近的仓库，然后在那里等待实际购买。 亚马逊认为，这将显着减少从购买到实际交付的延迟，从而提高公司的整体销售额。
总结
数据分析在电商零售行业有很多应用案例。 本文简要列举了一些直接影响电子商务销售收入的例子。 最后，我想与大家分享一下沃尔玛前首席执行官乔尔的观点：“你不能仅仅指望用户涌入网站。如果你真的想成功，你就必须创造流量。”
对电子商务领域的分析还涉及到很多方面的专业内容。 如果你想
具体了解电商分析的各种工作内容、业务模式、分析框架、指标衡量方法，以及如何为电商分析岗位求职做好准备。
快来报名参加这门由美国互联网零售电商公司Moda高级数据分析经理开设的课程吧。
《从0到1：电商数据分析循序渐进入门》
本课程将帮助您掌握电商数据分析必备技能和行业知识！