大数据在电商的应用及场景分析课件

1、大数据在电商的应用及场景分析概要大数据的基本概念大数据价值体现大数据的价值挖掘与结果展示大数据对电商影响大数据应用难点分析电商大数据挖掘方向方法电商应用场景分析大数据平台技术架构大数据应用展望大数据基本概念1.什么是大数据？Volume(大量)Velocity(速率)Variety(多样)Value(价值)Veracity(真实性)大数据基本概念2.技术概念逻辑处理大数据价值体现大数据价值记录情景辅助，操作基础备份和监督情景复原，责任追究预测情景研究，系统优化纠偏情景指引，方向微调大数据价值体现大数据创造价值的三个关键点人口统计 信息人际关系金融行为 和交易下单记录社交媒体差旅行为存款账户 信

2、息贷款信息投资理财家庭拥有的房 产跟住所消费与购 买数据占有数据分析价值实现数据收集数据存储管理数据分析与挖掘结果展示用户数据浏览数据Search 数据交易数据评价数据支付数据结构化，非结构 化，半结构化数 据分布式文件系统分布式数据库(关 系型，NoSql)云存储实时流处理分类聚类特征Web页挖掘机器学习人工智能神经网络自然语言分析标签云聚类图空间信息流热图大数据数据挖掘数据挖掘，数据分析过程方法，大数据的价值密度低，为了要找到金子，我们需要存储整座金矿沙大数据数据挖掘与展示结果展示标签云(Cloud Tag),标签云是一套相关的标签以及于此相应的权重，权重影响标签的字，颜色，或其它视觉效果

3、。用以表示一个网站中的内容及热门程度。大数据数据挖掘与展示结果展示聚类图(ClusterGram),是指用图形方式展示聚类分析结果的技术，可以有助于判断 簇数量不同时的聚类效果大数据数据挖掘与展示结果展示空间信息流(Spatial Information Flow),是展示信息空间状态的一种可视化技术大数据数据挖掘与展示结果展示热图(Heat Map),是一项数据展示技术，将变量值用不同的颜色或高亮形式描绘出来。 可以非常直观的展示一些原本不易理解或表达的数据，比如密度，频率，温度等大数据对电商影响数据为王正在来临的大数据时代，数据成了驱动业务增长的关键，谁掌握了数据，谁就掌握了竞争优势大数据

4、对电商影响不同行业应用大数据技术潜在价值评估大数据对电商影响在大数据电商应用方面具有天然优势1.数据优势电商平台每天产生海量数据数据浏览数据评价交易支付收货搜索数据售后大数据对电商影响在大数据应用方面具有天然优势2.人才优势电商公司一般都是技术公司，所以有大量大数据方面的人才大数据应用难点分析团队跟技能遗留系统的限制破除大数据价值创造的障碍，形成新生态下竞争优势三大障碍关键任务指定适当的经营模式和结构支持大数据应用传统业务模式和思维确确定人才能力策略，使用专门的人才达到目标，或从相 关技术公司获得帮助识别数据跟技术陷阱，确定最适合取得成效的技术路径， 使用可扩张大数据平台建立治理结构，创建顶层

5、结构来规范所有事情充分使用已有数据，逐步扩充可分析的数据集合大数据挖掘方向方法大数据挖掘方向方法电商大数据应用场景分析用户画像3.如何实施？ 2.客户特征表现？ 1.整体现状？购物体验深入客户关系管理客户属性特征消费行为特征个性化实施方案2022/8/201.1 购物体验DSR评分1.2 深入客户关系管理1.2.1 年滚动趋势1.2.2 月滚动趋势一、购物体验现状1.1 DSR动态评分DSR评分不错，尤其在“宝贝与描述相符”上比较突出。提升DSR的其他方案：客服专业性服务及客户信息收集 ；批量进行（利用订单中心）：个性化包裹、发货提醒、同城到达提醒等；个性化进行：物流跟进、退款跟进、评价跟进等

6、但是整体的退款率非常大！1.2.1 年滚动趋势：活跃客户*备注：回头客比例=（一年购买2次及以上新客户+一年前购买过又来买的客户）/一年总客户数，如，201308指201209-201308整体销售额呈现一定的稳定增长趋势；回头客销售额占比整体呈现逐渐上升的趋势，目前占到6%，低于行业均值，需后续加强老客户的维护。整体客户数同销售额类似，呈现一定的稳定增长态势；相比而言，老客户的客单价高于新客户。但是目前的整体现状仍需改进。1.2.2 月趋势从销售额的趋势来看，波动非常大，中间竟然出现几个月非常低的销售情况，如2013年的1、2、6、7、8月份。需引起高度重视。去年下半年以来整体情况还不错。新

7、老客户占比从店铺整体来看还是主要有新客户支撑；只是在某几个月份，整体销量特别不好的时候，能够凸显老客户的价值。从客户数可以明显的看出，老客户的贡献人均贡献大于新客户的人均贡献值。2.1 客户属性2.1.1 地域2.1.2 地址职业2.2 客户消费行为2.2.1 RFM2.2.2 购物时间分析2.2.3 商品分析二、客户特征2.1.1 地域2.1.2 地址职业地址-职业回购情况：2.2.1 RFM：F&M新客户复购分析：R首次客单价在100元以下的属于低价值客户，复购率低于4%右，占比总客户数的40%；首次客单价在100200元的属于中价值客户，复购率也低于4%，占比约为57%；首次客单价大于2

8、00元的可以归类为高价值客户，复购率略高，占比约为3%；新客户复购分析：首次客单价2.2.2 购物时间分析地域时点：不同区域在购物时间上还是存在一定的差异性，可以适当的针对不同的地区在不同的时间点进行营销。3.1 实施策略3.1.1 前期重点3.1.2 后期重点3.2 其他建议3.2.1 部门间的协调三、实施策略与建议 整体退款率非常高！ 回购相对较差！大部分都是新客户3.1.1 前期重点问题：工作重点：产品保证运营优化基础的客户关系管理策略实施新客户培养项目实施页面优化方案：1、日常搭配套餐、页面关联的选择2、充分利用流量（主打产品-搭配套餐），提升ROI3、浏览连带率高，但是购买连带率/单

9、品购买情况不佳研究详情页面（优势的突出/劣势的攻击）6、A与B商品功能大致相同，A更便宜加强对价格高产品的价值认同5、A和B价格一样、功能一样，A是主推将B与A分开，由其他热销款带动B7、A和B功能不同（搭配）匹配度不高，调整；组合价格太高买了又买看了又看看了最终买4、单品转化率低，单品整体转化率高主图吸引人，价格以及页面详情不尽如意基础策略：新客户培养策略：购后2天感谢/EDM关怀购后8天商品使用指导/晒单有礼/加微信/加微博购后20天关联商品推荐/商品回购周期营销购后30天满月礼/定向营销/短信关怀购后60天当季热卖品推荐/60天关怀/大促购后90天换季新品推荐购后当天发货通知/快递/包裹

10、礼品购后180天购后220天进入流失客户组管理(沉默期)(睡眠期)(睡眠期)(睡眠期)当季清仓品推荐/聚划算(活跃期)(活跃期)(活跃期)(流失期)新客户培养案例DAY 1DAY 8DAY 30DAY 45DAY 60感谢信干货特辑，根据客户购买的产品种类，分类推送。会员生日特权/满月礼会员专享优惠刺激3.1.2 后期重点：沿着RFM特征进行资源投入一段生命周期内必须有一定量的维系类活动；营销类活动和维系类活动按照一定比例匹配；随着客户关系从购买到死亡，资源投入逐渐下降，保持资源利用的高效性；一段生命周期内客户接触次数有下限，也有上限；每个活动都应该有针对性，或针对新客户、或这对某一会员等级的

11、用户，切忌大众化；活动选择活动特性售后期0天365天以上7天45天活跃期90天沉默期140天睡眠期流失期死亡催付、发货通知、评价有礼、包裹礼品、晒单奖励会员升级刺激、满月礼、会员特权提醒2-3次维系类活动保证DSR2-3次营销类活动1-2次维系类活动1-2次维系类活动1-2次营销类活动上新通知、爆款打造事件营销、定向推荐节日关怀、会员活动、降级预警、60天回购刺激1次维系类活动1次营销类活动节日关怀、特权提醒、降级预警、99天记忆唤醒店铺活动、爆款打造促销活动、事件营销0-1次维系类活动1次营销类活动会员特权提醒节日关怀爆款打造促销活动促销活动事件营销0-1次营销类活动上新通知、店铺活动、爆款

12、打造、关联推荐中间结合：地域、地址-职业、信用等级、购物时间、商品等等维度如：客户细分地域地址-职业信用等级RFM细分条件1细分条件2+购物时间商品分析其他客户属性客户消费行为电商大数据应用场景分析用户分群电商大数据应用场景分析画像技术电商大数据应用场景分析画像使用精准营销推广用户 画像用户体验精准推荐电商大数据应用场景分析智能决策系统从规模，竞争程度及个品牌占有率对全品类进行市场分 析从人群结构，购物习惯，需求分析，对全品类进行用户 分析从商品扩展属性的消费关注排行，属性组合，属性趋势 于详情，对全品类进行分析从消费者的整体发展，消费习惯，购物心理等角度，对 外发布有价值的消费趋势指数电商大

13、数据应用场景分析智能决策系统应用进行需求及备货分析用户需求，消费习惯货物仓储分配策略用户地域消费习惯给B端客户提供有价值的分析报告给生长厂商提供有价值的报告电商大数据应用场景分析智能供应链系统 Demand Forecast供应商管理，采购管理，库存管理，定价管理，销量预测与自动补货系统、促销 预测系统、动态定价系统、智能选品系统使用模型ARIMA (autoregressive integrated moving average) model 分析历史订单数据根据历史订单，预判进行下单备货(种类，跟数量，不同时间定不同的货物)根据用户地域分析，尽量把货物放到靠近目标消费者的货舱根据目标客户分

14、析，在合适的地点建立仓储流量、位置、商品、竞品等信息实时提供某个时刻的商品价格，并监控商品价格所带来的流 量、销量的变化，动态地调整价格，以保障给消费者提供好的价格与 服务，同时使公司的 收益最大化定价因数：流量，库存量，毛利率，竞争对手价格电商大数据应用场景分析自动化的货舱，打包发货流程-传统货舱电商大数据应用场景分析自动化的货舱，打包发货流程电商大数据应用场景分析自动化的货舱，打包发货流程打包： 智能系统分析得出一个订单中哪些物品需要打包在一起，使用最少的包装，同时也要给用户好的体验送货：智能系统分析得出合理的配载顺序，和合理的规划 送货路径。电商大数据应用场景分析AB TestA/B测试

15、是一种新兴的网页优化方法，可以用于增加转化 率注册率等网页指标电商大数据应用场景分析Subscribe Order大数据下的电商业务创新在对大量的用户下单记录分析后我们发现，大量的用户，会定期购买日用消费品。于是我们想为何我们不提供一种可以自动定期购买的服务。用户可以选择想要定期购买的商品跟周期。用户角度：可以享受商品折扣商家：可以根据订阅服务，提供更准确的采购，仓储计划。提高运转效率哪些商品能被订阅，也是根据对历史数据的分析得出的。电商大数据应用场景分析电商大数据应用-风险管控实时业务欺诈识别实时支付欺诈交易识别电商大数据应用场景分析电商大数据应用-风险管控实时业务欺诈场景优惠券滥用12新用

16、户注册优惠券滥用3二手经销商的大量订单4畅销优惠商品的过量订单（尿布，拉面）电商大数据应用场景分析电商大数据应用-风险管控实时业务欺诈识别方法1.Variable/Rule Engine based solutionSample variable:过去24小时送到同一个地址的订单数据Sample rule: if(过去24小时送到同一个地址的订单数据 10) then fraud借助大数据平台实时流处理引擎 Spark Stream/Storm, The variable value can be calculated within mille seconds2.模型based Solutio

17、n通过历史数据training 我们的模型（分类，决策树，线性回归），来detect. 能处理复杂case: 机器快速下单，注册不同账号来下单（Account Linking）。电商大数据应用场景分析电商大数据应用-风险管控实时支付欺诈场景1ATO(Account Take Over)2Lost/Stolen Card/Credential电商大数据应用场景分析电商大数据应用-风险管控实时支付欺诈识别方法1.Variable/Rule Engine based solutionSample variable:The account has been accessed by N differen

18、t IP/PCID in the past xx daysMore than N orders or $X orders are made within 1 hour of re-setting password and PIN.The same IP/PCID accesses N different accounts in the past xx daysSample rule: if(N 10) then fraud借助大数据平台实时流处理引擎 Spark Stream/Storm, The variable value can be calculated very quickly电商大

19、数据应用场景分析大数据应用-实例分析支付实时信用卡欺诈系统此系统主要分为两个部分分析历史数据，训练，建造一个机器学习的模型(分类)使用模型来实时检测欺诈信用卡交易金融业应用场景分析银行业大数据应用-实例分析实时信用卡欺诈系统逻辑架构图大数据平台技术架构大数据常用平台大数据平台技术架构常见大数据分析平台架构大数据平台技术架构常见大数据分析平台架构-基础技术-Hadoop大数据平台技术架构常见大数据分析平台架构-基础技术-HDFS大数据平台技术架构常见大数据分析平台架构-基础技术-Yarn(M/R)大数据平台技术架构常见大数据分析平台架构-数据存储组件大数据平台技术架构常见大数据分析平台架构-数据