Python電商數(shù)據(jù)分析案例｜如何分析競爭對手？

大家好，我是寶器！

導(dǎo)讀： 本篇中將繼續(xù)從微觀市場方面，從產(chǎn)品結(jié)構(gòu)、產(chǎn)品輿情及產(chǎn)品流量三個方面深入探討拜耳產(chǎn)品的競品分析。

電商分析基礎(chǔ)知識

電子商務(wù)和傳統(tǒng)零售數(shù)據(jù)分析的區(qū)別

• 傳統(tǒng)零售是利用二八法則生存，電商是靠長尾理論積累銷售。
• 電商是大數(shù)據(jù)，傳統(tǒng)零售是小數(shù)據(jù)。
• 傳統(tǒng)零售是"物流"，零售過程就是商品的流動。電子商務(wù)是"信息流"，顧客通過搜索、比價、評論、分享產(chǎn)生信息，達(dá)到購買的目的。
• 傳統(tǒng)零售注重體驗感，購物有時候也是社交的一部分，現(xiàn)在的購物中心基本是吃喝玩樂一體化設(shè)計。電商注重服務(wù)和效率，雖然也有吃喝玩樂的產(chǎn)品，但卻不能方便及時享受。
• 傳統(tǒng)零售是做加法，電子商務(wù)是做乘法。傳統(tǒng)零售通過一家店一家店的開發(fā)來擴(kuò)充自己的影響力，電商則通過資金的投入迅速搶占市場。
• 成本結(jié)構(gòu)不同，傳統(tǒng)零售的主要成本是租房與人工成本，電商的主要成本是物流和營銷成本。

電商數(shù)據(jù)分析需要的數(shù)據(jù)

電商需要的數(shù)據(jù)復(fù)雜，數(shù)據(jù)來源渠道也多樣化，當(dāng)然數(shù)據(jù)質(zhì)量也是有好有壞的。

• 營銷數(shù)據(jù)
  包括營銷費用、覆蓋用戶數(shù)、達(dá)到用戶數(shù)、打開或點擊用戶數(shù)。
• 流量數(shù)據(jù)
  包括瀏覽量、訪客數(shù)、登陸時間、在線時長等基礎(chǔ)數(shù)據(jù)。
• 會員數(shù)據(jù)
  包括會員的姓名、出生日期、真實性別、網(wǎng)絡(luò)性別、地址、手機(jī)號、微博號、微信號等基礎(chǔ)數(shù)據(jù)。
• 交易及服務(wù)數(shù)據(jù)
  包括交易金額、交易數(shù)量、交易人數(shù)、交易商品、交易場所、交易時間。供應(yīng)鏈服務(wù)等數(shù)據(jù)。
• 行業(yè)數(shù)據(jù)
  淘寶的數(shù)據(jù)魔方提供行業(yè)品牌的關(guān)鍵字搜索、店鋪排名、銷售、會員等數(shù)據(jù)查詢。

產(chǎn)品結(jié)構(gòu)分析

波士頓矩陣

波士頓矩陣又稱市場增長率-相對市場份額矩陣、波士頓咨詢集團(tuán)法、四象限分析法、產(chǎn)品系列結(jié)構(gòu)管理法等。

適用于一般產(chǎn)品，不適合引流產(chǎn)品。

• 明星產(chǎn)品：高市場占有率，高業(yè)務(wù)增長率
• 金牛產(chǎn)品：高市場占有率，低業(yè)務(wù)增長率
• 問題產(chǎn)品：低市場占有率，高業(yè)務(wù)增長率
• 瘦狗產(chǎn)品：低市場占有率，低業(yè)務(wù)增長率

波士頓矩陣的應(yīng)用

（1）評價各項業(yè)務(wù)的前景。BCG是用市場增長率這一指標(biāo)來表示發(fā)展前景的。這一步的數(shù)據(jù)可以從企業(yè)的經(jīng)營分析系統(tǒng)中提取。

（2）評價各項業(yè)務(wù)的競爭地位。BCG是用“相對市場份額”這個指標(biāo)來表示競爭力的。這一步需要做市場調(diào)查才能得到相對準(zhǔn)確的數(shù)據(jù)。計算公式是把一單位的收益除以其最大競爭對手的收益。

（3）表明各項業(yè)務(wù)在BCG矩陣圖上的位置。具體方法是以業(yè)務(wù)在二維坐標(biāo)上的坐標(biāo)點為圓心畫一個圓圈，圓圈的大小來表示企業(yè)每項業(yè)務(wù)的銷售額。

（4）確定縱坐標(biāo)“市場增長率”的一個標(biāo)準(zhǔn)線，從而將“市場增長率”劃分為高、低兩個區(qū)域。
比較科學(xué)的方法有兩種：

1. 把該行業(yè)市場的平均增長率作為分界線
2. 把多種產(chǎn)品的市場增長率(加權(quán))平均值作為界分點

需要說明的是，高市場增長定義為銷售額至少達(dá)到10%的年增長率（扣除通貨膨脹因素后）。

（5）確定橫坐標(biāo)“相對市場份額”的一個標(biāo)準(zhǔn)線，從而將“相對市場份額”劃分為高、低兩個區(qū)域。

拜耳產(chǎn)品結(jié)構(gòu)分析

首先獲取拜耳全店商品交易數(shù)據(jù)，數(shù)據(jù)樣例如下圖所示。

baier_02 = pd.read_excel('./baier/電商案例數(shù)據(jù)/拜耳店鋪數(shù)據(jù)/拜耳全店商品交易數(shù)據(jù).xlsx')
baier_02.head()

以單個商品為聚合，分別對交易增長幅度求平均，支付轉(zhuǎn)化指數(shù)求平局，交易金額求和，這些只需要一行代碼就能搞定。

下一步將單個商品的交易金額除以全部商品的交易總金額，得到單個商品的交易金額占比。

baier_str = baier_02.groupby('商品').agg({'交易增長幅度':np.mean,
                                        '支付轉(zhuǎn)化指數(shù)':np.mean,
                                        '交易金額':np.sum})
baier_str['交易金額占比'] = baier_str.交易金額/baier_str.交易金額.sum()*100
baier_str.head()

對上述表進(jìn)行描述性統(tǒng)計，查看下是否有缺失值、異常值等"臟"數(shù)據(jù)或不合理的數(shù)據(jù)。從結(jié)果看，交易增長幅度最大值(紅色框框)為1030，很明顯是個異常值，我們將其刪除，

baier_str.describe()

刪除異常值

baier_str = baier_str[baier_str.交易增長幅度!=1030.00]

明星產(chǎn)品

高銷售額占比，高銷售增長率

它是指處于高增長率、高市場占有率象限內(nèi)的產(chǎn)品群，這類產(chǎn)品可能成為企業(yè)的現(xiàn)金牛產(chǎn)品，需要加大投資以支持其迅速發(fā)展。

采用的發(fā)展戰(zhàn)略是：積極擴(kuò)大經(jīng)濟(jì)規(guī)模和市場機(jī)會，以長遠(yuǎn)利益為目標(biāo)，提高市場占有率，加強(qiáng)競爭地位。發(fā)展戰(zhàn)略以及明星產(chǎn)品的管理與組織最好采用事業(yè)部形式，由對生產(chǎn)技術(shù)和銷售兩方面都很內(nèi)行的經(jīng)營者負(fù)責(zé)。

明星產(chǎn)品=baier_str.where((baier_str.交易增長幅度>=baier_str.交易增長幅度.mean()
                     )&(baier_str.交易金額>=baier_str.交易金額.mean())).dropna()
明星產(chǎn)品

金牛產(chǎn)品

高銷售額占比，低銷售增長率

現(xiàn)金牛產(chǎn)品（cash cow），又稱厚利產(chǎn)品。它是指處于低增長率、高市場占有率象限內(nèi)的產(chǎn)品群，已進(jìn)入成熟期。其財務(wù)特點是銷售量大，產(chǎn)品利潤率高、負(fù)債比率低，可以為企業(yè)提供資金，而且由于增長率低，也無需增大投資。因而成為企業(yè)回收資金，支持其它產(chǎn)品，尤其明星產(chǎn)品投資的后盾。

• 把設(shè)備投資和其它投資盡量壓縮；
• 采用榨油式方法，爭取在短時間內(nèi)獲取更多利潤，為其它產(chǎn)品提供資金。

對于這一象限內(nèi)的銷售增長率仍有所增長的產(chǎn)品，應(yīng)進(jìn)一步進(jìn)行市場細(xì)分，維持現(xiàn)存市場增長率或延緩其下降速度。

金牛產(chǎn)品 = baier_str.where((baier_str.交易增長幅度<=baier_str.交易增長幅度.mean()
                       )&(baier_str.交易金額>=baier_str.交易金額.mean())).dropna()
金牛產(chǎn)品

問題產(chǎn)品

低銷售額占比，高銷售增長率

問題產(chǎn)品（question marks）。它是處于高增長率、低市場占有率象限內(nèi)的產(chǎn)品群。前者說明市場機(jī)會大，前景好，而后者則說明在市場營銷上存在問題。

其財務(wù)特點是利潤率較低，所需資金不足，負(fù)債比率高。例如在產(chǎn)品生命周期中處于引進(jìn)期、因種種原因未能開拓市場局面的新產(chǎn)品即屬此類問題的產(chǎn)品。

對問題產(chǎn)品應(yīng)采取選擇性投資戰(zhàn)略。因此，對問題產(chǎn)品的改進(jìn)與扶持方案一般均列入企業(yè)長期計劃中。

問題產(chǎn)品=baier_str.where((baier_str.交易增長幅度>=baier_str.交易增長幅度.mean()
                     )&(baier_str.交易金額<=baier_str.交易金額.mean())).dropna()
問題產(chǎn)品

瘦狗產(chǎn)品

低銷售額占比，低銷售增長率

瘦狗產(chǎn)品（dogs），也稱衰退類產(chǎn)品。它是處在低增長率、低市場占有率象限內(nèi)的產(chǎn)品群。其財務(wù)特點是利潤率低、處于保本或虧損狀態(tài)，負(fù)債比率高，無法為企業(yè)帶來收益。

對這類產(chǎn)品應(yīng)采用撤退戰(zhàn)略：

• 首先應(yīng)減少批量，逐漸撤退，對那些銷售增長率和市場占有率均極低的產(chǎn)品應(yīng)立即淘汰。
• 其次是將剩余資源向其它產(chǎn)品轉(zhuǎn)移。
• 第三是整頓產(chǎn)品系列，最好將瘦狗產(chǎn)品與其它事業(yè)部合并，統(tǒng)一管理。

瘦狗產(chǎn)品 = baier_str.where((baier_str.交易增長幅度<=baier_str.交易增長幅度.mean()
                       )&(baier_str.交易金額<=baier_str.交易金額.mean())).dropna()
瘦狗產(chǎn)品

從以上結(jié)果，可以得到如下幾點信息。

• 拜耳低明顯產(chǎn)品不明顯，增長緩慢的一個原因
• 潛力款產(chǎn)品較多，要考慮是否應(yīng)該投入更多的營銷資源去保持增長幅度，使得其轉(zhuǎn)化為明顯產(chǎn)品或金牛產(chǎn)品
• 潛力款產(chǎn)品較多，要考慮是否應(yīng)該投入營銷資源去保持增長幅度，使得其轉(zhuǎn)化為明顯產(chǎn)品或金牛產(chǎn)品
• 瘦狗產(chǎn)品：產(chǎn)品容量、外觀設(shè)計問題，或是產(chǎn)品標(biāo)題問題

波斯頓矩陣可視化

為了方便大家查看，可視化代碼如下，代碼比較簡單，一個循環(huán)繪制四個字圖。

ax = plt.figure(figsize=(8,8))
a = [問題產(chǎn)品,明星產(chǎn)品,瘦狗產(chǎn)品,金牛產(chǎn)品]
b = ['問題產(chǎn)品','明星產(chǎn)品','瘦狗產(chǎn)品','金牛產(chǎn)品']
c = ['b','y','r','k']
for i in range(len(a)):
    ax.add_subplot(2,2,i+1)
    plt.scatter(a[i].交易金額,a[i].交易增長幅度,c = c[i])
    plt.title(b[i])
    if i==0:
        plt.ylim(baier_str.交易增長幅度.mean()-1,baier_str.交易增長幅度.max()+5)
        plt.xlim(baier_str.交易金額.min()-100000,baier_str.交易金額.mean()+10000)
    elif i==1:
        plt.ylim(baier_str.交易增長幅度.mean()-1,baier_str.交易增長幅度.max()+5)
        plt.xlim(baier_str.交易金額.mean()-10000,baier_str.交易金額.max()+2000000)
    elif i==2:
        plt.ylim(baier_str.交易增長幅度.min()-0.01,baier_str.交易增長幅度.mean()+0.01)
        plt.xlim(baier_str.交易金額.min()-100000,baier_str.交易金額.mean()+10000)
    elif i==3:
        plt.ylim(baier_str.交易增長幅度.min()-0.01,baier_str.交易增長幅度.mean()+0.01)
        plt.xlim(baier_str.交易金額.mean()-10000,baier_str.交易金額.max()+2000000)

科凌產(chǎn)品結(jié)構(gòu)分析

通過對競爭對手產(chǎn)品結(jié)構(gòu)分析，尤其是對手大流量產(chǎn)品，可以找出下一步市場增長點，拓展業(yè)務(wù)，減少推廣風(fēng)險。

對自家產(chǎn)品有相對增長減緩對產(chǎn)品，防止其他結(jié)構(gòu)點品牌對自家產(chǎn)品對沖擊。

同樣讀取數(shù)據(jù)，對銷售數(shù)據(jù)進(jìn)行處理，處理邏輯跟拜耳產(chǎn)品處理邏輯一樣。結(jié)果如下所示。

keling_02 = pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/商品交易數(shù)據(jù)/科凌蟲控全店商品交易數(shù)據(jù).xlsx')
keling_str = keling_02.groupby('商品').agg({'交易增長幅度':np.mean,
                                          '支付轉(zhuǎn)化指數(shù)':np.mean,
                                          '交易金額':np.sum})
keling_str['交易金額占比'] = keling_str.交易金額/keling_str.交易金額.sum()*100
keling_str

同樣的方法分別計算明星產(chǎn)品，金牛產(chǎn)品，問題產(chǎn)品和瘦狗產(chǎn)品。

明星產(chǎn)品=keling_str.where((keling_str.交易增長幅度>=keling_str.交易增長幅度.mean()
                      )&(keling_str.交易金額>=keling_str.交易金額.mean())).dropna()
金牛產(chǎn)品=keling_str.where((keling_str.交易增長幅度<keling_str.交易增長幅度.mean()
                      )&(keling_str.交易金額>=keling_str.交易金額.mean())).dropna()

由此可見：

• 競爭產(chǎn)品：滅蟑螂21966057元，已造成威脅
• 拜耳未涉及產(chǎn)品：滅鼠、除螨產(chǎn)品也已達(dá)到兩百多萬

問題產(chǎn)品=keling_str.where((keling_str.交易增長幅度>=keling_str.交易增長幅度.mean()
                      )&(keling_str.交易金額<keling_str.交易金額.mean())).dropna()
瘦狗產(chǎn)品=keling_str.where((keling_str.交易增長幅度<keling_str.交易增長幅度.mean()
                      )&(keling_str.交易金額<keling_str.交易金額.mean())).dropna()

波斯頓矩陣可視化

科凌產(chǎn)品結(jié)構(gòu)分析：

• 金牛產(chǎn)品明顯，滅蟑產(chǎn)品對銷售額與拜耳主營業(yè)務(wù)差距不是非常大。
• 科凌產(chǎn)品多樣化，特別是滅鼠和除螨，拜耳還沒有涉及大兩大業(yè)務(wù)現(xiàn)金牛產(chǎn)品屬性也很明顯。
• 除螨產(chǎn)品增長迅速，滿足了二級市場的第三大產(chǎn)品需求。

安速產(chǎn)品結(jié)構(gòu)分析

最后一個安速產(chǎn)品，處理邏輯一致，就不過多闡述。

ansu_02 = pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/商品交易數(shù)據(jù)/安速全店商品交易數(shù)據(jù).xlsx')
ansu_02

ansu_str = ansu_02.groupby('商品').agg({'交易增長幅度':np.mean,
                                      '支付轉(zhuǎn)化指數(shù)':np.mean,
                                      '交易金額':np.sum})
ansu_str['交易金額占比'] = ansu_str.交易金額/ansu_str.交易金額.sum()*100

計算波斯頓矩陣中各個產(chǎn)品分布值及可視化

明星產(chǎn)品=ansu_str.where((ansu_str.交易增長幅度>=ansu_str.交易增長幅度.mean()
                    )&(ansu_str.交易金額>=ansu_str.交易金額.mean())).dropna()
金牛產(chǎn)品=ansu_str.where((ansu_str.交易增長幅度<ansu_str.交易增長幅度.mean()
                    )&(ansu_str.交易金額>=ansu_str.交易金額.mean())).dropna()
問題產(chǎn)品=ansu_str.where((ansu_str.交易增長幅度>=ansu_str.交易增長幅度.mean()
                    )&(ansu_str.交易金額<ansu_str.交易金額.mean())).dropna()
瘦狗產(chǎn)品=ansu_str.where((ansu_str.交易增長幅度<ansu_str.交易增長幅度.mean()
                    )&(ansu_str.交易金額<ansu_str.交易金額.mean())).dropna()

安速產(chǎn)品分析部分結(jié)果如下：

• 現(xiàn)金牛產(chǎn)品多，覆蓋廣
• 主營業(yè)務(wù)與拜耳構(gòu)成沖突
• 安速現(xiàn)金牛和潛力產(chǎn)品覆蓋了二級市場，跳蚤產(chǎn)品支付熱度明顯

產(chǎn)品輿情分析

輿情分析就是根據(jù)特定問題的需要，對針對這個問題的輿情進(jìn)行深層次的思維加工和分析研究，得到相關(guān)結(jié)論的過程。而本次案例輿情分析是透過用戶對某商品的評論信息進(jìn)行輿情分析。

評論是對內(nèi)容互動的基本形式，參與評論的用戶越多證明該內(nèi)容能吸引用戶互動的價值越大。當(dāng)然，評論多并不一定意味著內(nèi)容本身的質(zhì) 量或價值度高，很多內(nèi)容可能通過打擦邊球甚至做有爭議內(nèi)容來增加用戶的評論。

本次輿情分析，是對各個產(chǎn)品對評論內(nèi)容通過一系列方法，包括通過語句分詞，詞頻統(tǒng)計及繪制詞云圖等進(jìn)行分析。

拜耳輿情分析

首先讀取產(chǎn)品評論數(shù)據(jù)表，獲取其評論字段數(shù)據(jù)。

baier_03 = pd.read_excel('./baier/電商案例數(shù)據(jù)/拜耳店鋪數(shù)據(jù)/德國拜耳產(chǎn)品評論數(shù)據(jù).xlsx')
baier_03.head()

baier_03 = baier_03.評論
baier_03

0       剛收到，家里廚房突然出現(xiàn)小強(qiáng)了，看了這個評價挺多挺好，銷量也大，趕緊定了三盒，一定要管用啊一...
1       朋友推薦的說之前用的挺管用的。在放藥的前幾天就沒怎么見蟑螂了，然后出去玩之前把家里角角落落全...
2                           真心坑人??！??還沒到24小時就凝固了！小強(qiáng)依然活躍????????
3       盆友推薦的，說特別好用，效果杠杠的，看雙十一做活動，就買啦，效果應(yīng)該不錯吧，不過尸體都是家里...
4                        我是買到假貨嗎？那么貴的蟑螂藥居然還有，還是蟑螂已經(jīng)百毒不侵了？
                              ...                        
1395                                           此用戶沒有填寫評論!
1396                                        有點貴，已經(jīng)用了，期待效果
1397                                        物流挺快的客服也很貼心好評
1398                                        看起來不錯，暫時沒發(fā)現(xiàn)蟑螂
1399    買二送一，期待效果呀，這個是同事推薦并且指定的產(chǎn)品，希望好用以后就再來吧…&h...
Name: 評論, Length: 1400, dtype: object

刪除沒有價值的信息

很多時候，我們購買某些產(chǎn)品，但懶得去評論，此時系統(tǒng)到了一定的時間，會給你自動打上標(biāo)簽：'此用戶沒有填寫評論!'，這部分信息對于我們分析是沒有用的，因此需要將其刪除。

• 此用戶沒有填寫評論!

baier_03 = baier_03[baier_03 != '此用戶沒有填寫評論!']
baier_03

0       剛收到，家里廚房突然出現(xiàn)小強(qiáng)了，看了這個評價挺多挺好，銷量也大，趕緊定了三盒，一定要管用啊一...
1       朋友推薦的說之前用的挺管用的。在放藥的前幾天就沒怎么見蟑螂了，然后出去玩之前把家里角角落落全...
2                           真心坑人啊！??還沒到24小時就凝固了！小強(qiáng)依然活躍????????
3       盆友推薦的，說特別好用，效果杠杠的，看雙十一做活動，就買啦，效果應(yīng)該不錯吧，不過尸體都是家里...
4                        我是買到假貨嗎？那么貴的蟑螂藥居然還有，還是蟑螂已經(jīng)百毒不侵了？
                              ...                        
1394    試用一個星期，德國小蠊的數(shù)量有明顯減少。按照了說明去點藥，用藥一個星期之后零星能找到蟑螂尸體...
1396                                        有點貴，已經(jīng)用了，期待效果
1397                                        物流挺快的客服也很貼心好評
1398                                        看起來不錯，暫時沒發(fā)現(xiàn)蟑螂
1399    買二送一，期待效果呀，這個是同事推薦并且指定的產(chǎn)品，希望好用以后就再來吧…&h...
Name: 評論, Length: 1300, dtype: object

同樣也會出現(xiàn)這樣的情況，商家為鼓勵消費者評價，會給個評價小紅包，買家又懶得評價，就會復(fù)制別人的評論。因此難免會出現(xiàn)重復(fù)值，這里我們也需要添加去除重復(fù)評論的操作。

刪除重復(fù)評論

baier_03.drop_duplicates(inplace=True)
baier_03.reset_index(drop=True,inplace=True)

詞頻分析

主要分為詞頻統(tǒng)計和繪制詞云圖兩種常用的詞頻分析方法。

首先導(dǎo)入需要用到的模塊。

from wordcloud import WordCloud, STOPWORDS
import jieba
import matplotlib.pyplot as plt

再對上面得到的語句列表進(jìn)行結(jié)巴分詞處理。

text = ''
for i in baier_03:
    text += ' '.join(jieba.lcut(i))
text

詞云圖

這里我定義了一個詞云圖函數(shù)，其中包括自定義停用詞，分詞，去除停用詞，配置詞云的基本參數(shù)，用分好的詞進(jìn)行詞云圖生成等等一系列操作。大家也可以將下面代碼復(fù)制出來做個筆記，以后用到的話，直接拿來即用，方便省事。

def Wordcloud(x):

    res=x
    from wordcloud import WordCloud
    import matplotlib.pyplot as plt
    import jieba
    
    stopwords = set()
    content = [line.strip() for line in open('stopwords.txt','r').readlines()]
    stopwords.update(content)

    text=""
    for i in res:
        text=text+" ".join(jieba.lcut(i))

    #配置詞云的基本參數(shù)
    my_cloud=WordCloud(
                        background_color='white',
                        stopwords=stopwords,#也可用自帶的停留詞
                        font_path='/System/Library/Fonts/STHeiti Medium.ttc',
                        width=1000,
                        height=500)

    #用分好的詞進(jìn)行詞云圖生成
    my_cloud.generate(text)
    #顯示詞云
    plt.rcParams['figure.figsize']=(14,8)
    plt.imshow(my_cloud)
    plt.axis('off')
    plt.show()
    
Wordcloud(baier_03）

主題特征提取

本案例的主題特征提取其實就是提取用戶評論中關(guān)鍵字。

關(guān)鍵字提取是從文本中提取跟內(nèi)容最相關(guān)的詞語，關(guān)鍵字抽取的結(jié)果常用于文檔檢索、文章標(biāo)簽編輯等，也經(jīng)常用在文本聚類、文本分 類、關(guān)鍵字摘要等方面。

關(guān)鍵字模型能生成簡短的關(guān)于文檔內(nèi)容的指示性信息，將文檔的主要內(nèi)容或核心關(guān)鍵字呈現(xiàn)給用戶，以決定是否要閱讀文檔的原文，這樣 能夠節(jié)省大量的瀏覽時間并提高信息關(guān)鍵信息的展示能力。

文章關(guān)鍵字模型抽取應(yīng)用場景:帖子、新聞、資訊、評論、問答 的標(biāo)簽、內(nèi)容和meta信息的產(chǎn)生。

文章關(guān)鍵字模型抽取常用方法:通過詞頻統(tǒng)計、TF-IDF模型獲得文本的主要關(guān)鍵字。

這里我們使用的是jieba分詞中的主題特征提取函數(shù)jieba.analyse.extract_tags。具體代碼如下。

import jieba.analyse
with open('./baier/文本/stopwords.txt') as f:
    stopwords = f.read()
c=''

for i in baier_03:
    text_01=jieba.lcut(i)
    for word in text_01:
        if word in stopwords:
            continue
        elif word=='hellip':
            continue
        else:
            c+=' '+word

top15 = jieba.analyse.extract_tags(c,topK=15,withWeight=True)
top15

我們?nèi)≈黝}評分最高的前15個作為本次分析的對象。

[('蟑螂', 0.53339416054279),
 ('效果', 0.32093429997410744),
 ('好評', 0.18237001476358497),
 ('雙十', 0.13505752082213712),
 ('不錯', 0.1224331453720733),
 ('小強(qiáng)', 0.11686764891551786),
 ('滿意', 0.08728920885818746),
 ('濕巾', 0.0839275253212345),
 ('追評', 0.0675780074015135),
 ('收到', 0.0657725962627024),
 ('沒用', 0.06424569614348834),
 ('劃算', 0.05729263019878829),
 ('好用', 0.057249479004923415),
 ('尸體', 0.05667847597855945),
 ('濕紙巾', 0.05449755096973013)]

為了更加方便分析結(jié)果。我們將上面15個主題進(jìn)行可視化分析。簡單地繪制了如下橫向柱狀圖。

plt.figure(figsize=(8,6))
top15 = pd.DataFrame(top15)
plt.barh(top15.iloc[:,0],top15.iloc[:,1])

科凌輿情分析

keling_03 = pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/評論輿情數(shù)據(jù)/科林蟲控.xlsx')
keling_03.head()

from text_analy import clean
text_02=clean(keling_03)
text_02

詞頻分析

Wordcloud(text_02)

主題特征提取

stopwords = pd.read_table('./baier/文本/stopwords.txt'
                         ,quoting=3,names=['stopword'])
from theam_extract_02 import extract
extract(text_02,stopwords)

科凌滅蟑產(chǎn)品好評居多，但是差評比拜耳稍微多點。

安速輿情分析

ansu_03 = pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/評論輿情數(shù)據(jù)/安速.xlsx')
from text_analy import clean
text_03=clean(ansu_03)
Wordcloud(text_03)

stopwords = pd.read_table('./baier/文本/stopwords.txt'
                         ,quoting=3,names=['stopword'])
from theam_extract_02 import extract
extract(text_03,stopwords)

安速滅蟑產(chǎn)品負(fù)面評論極少，滅蟑產(chǎn)品優(yōu)化方面可以考察安速。

產(chǎn)品流量分析

流量（Traffic）是企業(yè)獲得用戶的第一步，對于大多數(shù)需要“自力更生”企業(yè)而 言，流量幾乎是企業(yè)運(yùn)營的命脈之一，沒有流量就沒有一切。流量數(shù)據(jù)化運(yùn)營要解決的本質(zhì)問題是 如何通過數(shù)據(jù)獲得更多流量以及有效流量，然后完成最大化的營銷轉(zhuǎn)化目標(biāo)。

這里列舉八大流量分析工具：

這里介紹一些 市場上主流的流量分析工具，它們可以提供流量數(shù)據(jù)的跟蹤、采集、配 置、處理、分析和整合功能，其中有免費也有付費的。

• Adobe Analytics
• Webtrekk Suite
• Webtrends
• Google Analytics
• IBM Coremetrics
• 百度統(tǒng)計
• Flurry
• 友盟

無流量不電商，沒有流量大電商就猶如線下在荒郊野外開了一個購物中心，雖然硬件都不錯，但是沒人光顧。流量大來源需要細(xì)分，細(xì)分包括多地理屬性的細(xì)分、渠道來源的細(xì)分、時間屬性的細(xì)分、推廣內(nèi)容的細(xì)分等，其中流量來源渠道是其中的重點，也算最復(fù)雜的一部分。

細(xì)分完后的流量可以通過數(shù)據(jù)對比找到流量的主要來源，接下來要做的就是實時監(jiān)控主要渠道流量的對比和趨勢變化。對比可以和競爭對手對比，和類目流量對比等。

本案例流量分析，主要細(xì)分各個品牌官方旗艦店流量來源渠道及交易指數(shù)，通過橫向比較各個流量來源的交易指數(shù)大小，及縱向比較不同品牌商各流量渠道交易指數(shù)，從而完成競品分析的一部分。

拜耳流量分析

baier_04 = pd.read_excel('./baier/電商案例數(shù)據(jù)/拜耳店鋪數(shù)據(jù)/拜耳官方旗艦店流量渠道.xlsx')
del baier_04['交易指數(shù).1']
baier_04.set_index('流量來源',inplace=True)
baier_04.head()

top10 = baier_04.sort_values('交易指數(shù)',ascending=False)[:10]
top10.plot(kind='barh',figsize=(10,6))

科凌流量分析

kelin=pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/流量渠道數(shù)據(jù)/科凌蟲控旗艦店流量渠道.xlsx')
kelin['交易占比']=kelin.交易指數(shù)/kelin.交易指數(shù).sum()*100
top10=kelin.sort_values('交易指數(shù)',ascending=False).reset_index(drop=True).iloc[0:10,:]
top10.index=top10['流量來源']
top10.drop(['流量來源','交易占比'],axis=1,inplace=True)
top10.plot(kind='barh');

安速流量分析

ansu=pd.read_excel('./baier/電商案例數(shù)據(jù)/競爭數(shù)據(jù)/流量渠道數(shù)據(jù)/安速家居旗艦店流量渠道.xlsx')

ansu['交易占比']=ansu.交易指數(shù)/ansu.交易指數(shù).sum()*100
top10=ansu.sort_values('交易指數(shù)',ascending=False).reset_index(drop=True).iloc[0:10,:]
top10.index=top10['流量來源']
top10.drop(['流量來源','交易占比'],axis=1,inplace=True)
top10.plot(kind='barh');

主要的競爭對手都不太注重淘內(nèi)流量服務(wù)購買，拜耳可以通過直通車等付費流量渠道來增加產(chǎn)品曝光。