淘宝数据分析怎么做（淘宝数据分析怎么做的）

电子商务利用数据驱动决策、开展业务活动的电子商务新时代已经到来。数据分析大致分为三个阶段。

1.数据呈现

第一阶段是数据呈现，即简单展示一些已有的数据，并进行描述性统计分析（最大值、最小值、平均值等）。

2.书架分析

第二阶段是数据分析，涉及不同数据的交叉分析以及回归分析等统计分析方法的运用。

3.数据挖掘

第三阶段是数据挖掘，即对数据进行更深入的分析，利用数据挖掘模型或相关算法。

很少有卖家是数据驱动的，主要是因为他们不知道从哪里开始。其实从数据分析的角度来看，非常简单。只需分析背景数据即可。您不需要花费太多时间来构建新模型。您可以使用现有模型进行分析。

简单的分析方法还可以参考营销中的波士顿矩阵、GE矩阵等分析方法。此外，阿里巴巴集团还提供了很多数据产品，如数据魔方、商业顾问、淘宝指数、阿里指数等产品供卖家进行数据分析。

本文向您介绍一个案例。本案例数据由某淘宝店主提供。数据来源来自淘宝后台订单数据和敏感信息（买家ID、商品ID等经过技术处理）。使用SPSS软件进行分析。

每次做营销活动时，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。该店最近销售了200种产品。

首先选择直观的网络图来发现潜在的连接。网络图的基本功能是反映标志字段值之间关系的紧密程度，通过不同类型的线来反映链接强度。线越粗，链接越牢固。例如，如果买家一起拿走了三件商品，那么两件商品之间的出现频率就会增加2

因为宝宝太多，所以显得密密麻麻。每个点代表一个产品（已被匿名处理）。虽然密密麻麻，但从图中可以发现一个明显的三角形。这是一个强相关的产品。

以下是网店卖家快速提高产品排名的一些技巧

“百度搜索[豌豆电子商务]”门户网站。请务必使用电脑登录才能体验最佳效果。

手动点击采集购买流量，名师实战视频，登录注册即可免费享受！

调整阈值后，可以看到下面的产品组合图。S287和S159必须捆绑销售。S2009也可以考虑将两者结合起来，但并不是首选。S2009和S3929也可以考虑组合捆绑。

但是，商店有200多个产品，所以推荐组合应该更多，所以我们进一步找出产品推荐规则。

关联规则挖掘常用的模型有Apriori和Carma。

Apriori算法是一种关联规则发现方法，其重点是寻找在某些时刻同时发生的情况，从而找到那些可信且具有代表性的规则。

Carma算法的中文名称是连续关联规则挖掘算法。它是Apriori的替代方案，并提供比Apriori低得多的支持水平的结果。

由于商店的产品数量非常多，支持度不能太高，因此可以找到相应的推荐规则。因此，这里选择Carma模型。以下是支持率为10%的结果。发现和之前网络图中找到的相关性是一样的。

仅仅这几条规则显然不足以对应200多个宝宝。为了更好的推荐产品，我们将最低条件支持度设置为5%，这样就会出现很多规则。

不难发现，店铺的业绩是由店内的两款热门单品支撑的，所以其他宝贝组合的支持率会更低，但这些关联规则也不容忽视。找到关联规则后，需要连接到真实的行业，才能了解买家为什么选择这个组合。最后，将关联规则应用到营销中。

紧接着，门店需要制定营销计划，需要针对重点客户开展重点营销，预测营销效果，制定营销目标。

一般情况下，我们会选择简单易用的RFM模型来定位促销列表。

RFM模型是衡量客户价值和客户盈利能力的重要工具和手段。它是客户关系管理（CRM）分析中经常使用的模型之一。

该模型主要有以下三个要素：

?最新消费（Recency）

?消费频率（Frequency）

?消费金额（货币）

RFM模型根据这三个要素将客户分为5*5*5=125个样本细分，对其进行数据分析，然后制定我们的营销策略。

这种模式的最大价值在于，可以从所有历史客户群中快速定位到最有价值的客户，并通过后续的及时沟通，将其潜在购买转化为实际购买，从而进一步强化用户忠诚度，阻击竞争对手。市场空间。下面是模型的分解架构。

以下是RFM模型输出的结果。

125个样本段的样本量基本相同。

该频率为5次的群体的平均购买金额高于其他群体。频率得分为1的组的平均购买金额最低。

该模型将计算RFM分数，并且可以根据RFM对客户进行分区。例如，选择RFM得分大于400的客户作为主要营销目标客户（RFM得分在[111,555]之间）。

接下来，我们需要分析，哪类客户最有可能对这种营销活动做出反应？我们可以用它来预测营销活动的有效性。

我们将只购买一次的买家定义为“1”，将购买两次及以上的买家定义为“2”，并计算平均消费金额。然后分析其响应率（以“2”为正响应值）。结果如下所示。

可以看到，第一组233RFM=355点、平均购买金额70.95元的买家响应率达到98%，第二组355RFM=455的响应率达到96.73%，响应率达到96.73%。第三组RFM455的利用率达到78.43%。回复率越高，您重复购买的可能性就越大。这三类买家是可以提取出来的，可能是重点营销的对象。

随后，还可以通过相应的分析或判别分析方法来检验上述分类结果。如果通过测试，就可以根据分析结果找到指定用户，并进行后续的营销计划和运营。

我们甚至可以足够仔细地根据每个买家的消费历史（需要产品类别和属性数据及其相关性分析）来预测推荐哪些产品，哪些买家最有可能付费。

通过这个案例，相信读者能够感受到数据决策的魅力，就像一场战役的统帅影响整个战役的胜负。通过数据分析，我们可以找到最接近胜利的路径。