微精选

现在淘宝越来越不好做了，流量没以前那么多了。很多卖家都知道，给不同的买家推荐不同的商品，能让店铺多卖点货，还能留住顾客。但实际操作起来，不少卖家还是只会一股脑推荐爆款，或者随便搭配商品，结果顾客根本不买账，点都不想点。

       这篇文章就来讲讲，一家专门卖 25 到 35 岁职场女性衣服的淘宝小店，是怎么用数据分析的方法，把乱七八糟的推荐变得更精准，让更多顾客愿意下单的。

这家女装店开了 3 年，已经有 8 万多粉丝了，平时主要卖上班族穿的衣服、休闲装，还有一些配饰。每天差不多有 2000 人进店逛，但一直被三个大难题困扰，一是商品推荐区特别没人气，只有 2.3% 的人会点进去看，而别人家平均能有 4.5% 的点击率；第二个是推荐的衣服总不合顾客心意，比如刚买过连衣裙的顾客，还继续给推荐同款；明明喜欢买便宜衣服的顾客，却总推荐贵价系列；还有老顾客的潜力也没挖出来，给回头客推荐的商品，真正下单购买的连 1% 都不到。

为了把这些问题解决掉，运营团队打算用 数据分析 来优化商品推荐。一方面借助实用工具，另一方面搭配科学方法，双管齐下调整推荐策略。目标是把推荐点击率提高到 4% 以上，推荐转化率提升 30%，让老顾客看到推荐后下单的人数翻倍。

团队用 淘宝生意参谋、客户运营平台，搭配 Excel、Python 软件，还借助赤兔名品这类第三方工具 ，从买家、商品、购物场景三个角度入手，用不同的分析方法仔细研究，准确找到了需要优化的地方。

（一）用户维度：绘制精准画像，洞察需求偏好

1.基础特征分析

         运营团队打开生意参谋里的访客分析功能，把最近 3 个月总共 20 万条顾客访问数据导出来，重点看顾客的年龄、性别、所在城市，消费水平，以及喜欢用手机还是电脑逛店这些信息。再结合流量地图里手机端和电脑端的访问数据，做了详细对比分析。

最后发现，店里的主要顾客是 25 到 32 岁的年轻女性，她们占了所有顾客的 78%；大部分顾客都住在一线城市和二线城市，能占到 65%；大家最爱买的是 100 到 300 块钱价位的衣服，这个价位段的订单占了 82%；而且 91% 的顾客都是用手机逛店买东西的。

为了验证这个结论，运营团队又用 Excel 的数据透视表，把顾客所在城市和消费金额放在一起分析，很快就找到了哪些城市的顾客消费能力最强。这些数据能帮我们在之后调整商品价格、优化手机购物页面时更有针对性。

2.分析顾客逛店习惯

用行为分析功能，观察顾客从进店浏览、搜索商品，到加入购物车、下单购买的全过程。发现喜欢休闲风格的顾客里，每 100 个加购物车的人，只有 3.2 个会真正下单付款，比同行平均少了近 2 个人，得赶紧想办法改进；

通过搜索分析导出最近 3 个月顾客搜过的所有关键词，再用 Python 的 Pandas 工具把这些词分类整理。比如把职场连衣裙、通勤西装归为上班穿的衣服一类，把宽松 T 恤、牛仔裤归为日常休闲一类。结合顾客逛店的具体路径，总结出三类典型顾客的消费习惯。

上班族经常搜职场连衣裙、修身西装裤这类词，进店后喜欢反复看商品详情、搭配推荐和买家评价，平均能在页面停留 8 分钟，而且回购率很高，每 100 个顾客里有 35 个会再次下单；休闲爱好者偏爱搜宽松 T 恤、牛仔裤，大多是从猜你喜欢推荐点进来的，逛店路线比较随意。虽然很多人会加购物车，但真正掏钱买的人少，转化率只有 3.2%；时尚达人天天追新款、网红同款，每周平均搜 3 次商品，不太在意价格，看到喜欢的东西 3 分钟内就能决定下单。

3.客户生命周期分层

团队用 RFM 模型给客户分等级。RFM 模型就是看三个关键：最近什么时候买的东西、买了多少次、总共花了多少钱。具体是这么做的。

从客户运营平台导出最近 6 个月的消费记录，包括客户编号、最后下单时间、下单次数和总消费金额；把最近消费时间分 5 档，1 档是最近 1 个月买过，5 档是 6 个月前买的，消费频率分 5 档，1 档是买了 5 次以上，5 档是只买过 1 次，消费金额分 5 档，1 档是花了 1000 元以上，5 档是只花了 200 元以下。再用 Excel 的公式，把这三个分数加起来，算出每个客户的总得分；

然后再个客户进行分类，总得分 10 – 15 分的是高价值客户，他们近 3 个月至少买了 3 次，花了 800 元以上；7 – 9 分是潜力客户，买过 1 – 2 次，花了 300 – 800 元；4 – 6 分是新客户，才刚下第一单；1 – 3 分是流失客户，最近半年都没买过东西。虽然黄金客户只占总客户数的 12%，但贡献了 45% 的收入，是咱们重点服务的对象。

（二）商品维度

1.商品表现分析

         我们先拉取了最近 3 个月店里所有商品的销售数据，然后用 ABC 分类法给这些商品分了等级：

A 类为爆款商品：销量排在前 20% 的商品，比如店里的基础款白 T 恤，一个月能卖 1200 件；还有高腰牛仔裤，月销量也有 980 件。通过生意参谋里的商品效果功能，能看到这些爆款商品的访客量、加购率和转化率都很不错，说明它们特别能留住顾客；

B 类为潜力商品：虽然销量中等，但收藏加购率能排进前 15% 的商品。像碎花半身裙，加购率有 25%，每月能卖 320 件；针织开衫加购率 22%，月销 280 件。这类商品可以借助爆款的流量，多推一推就能卖得更好；

C 类为滞销商品：销量排在最后 10% 的商品，比如一些小众设计的外套，一个月最多只能卖 50 件。用商品温度计工具一看，发现这些商品的跳失率高达 78%，也就是大部分顾客点进来马上就走了。看来得赶紧优化商品详情页，或者换个地方推荐它们。

最后我们还发现，爆款商品和潜力商品一起推荐时，顾客同时购买这两类商品的比例能达到 18%；但单独推荐滞销商品，顾客下单的比例只有 0.8% 。

2.商品关联度分析

       我们想知道哪些商品经常被一起买，这样就能给顾客更好的搭配推荐。

      首先整理数据，从淘宝后台的生意参谋里，导出最近 3 个月已经付款的订单信息。然后用 Excel 把数据整理成一张表格，每一行记录一个订单，列出这个订单里都买了哪些商品；

      然后用算法找规律，用 Python 的 mlxtend 工具，设定一个筛选标准，至少 5% 的订单同时买了某两件商品，而且只要买了其中一件，有 20% 的可能性会买另一件。用这个标准，找出经常被一起购买的商品组合；

       最后找到关键组合，最后发现，白 T 恤和牛仔裤、连衣裙和珍珠项链、针织开衫和碎花裙这三对组合最常被一起买。比如 12% 的订单同时买了白 T 恤和牛仔裤，买白 T 恤的顾客里，有 65% 也买了牛仔裤，这对组合的关联度是 23%。这些数据帮我们确定了该给顾客推荐哪些搭配。

 3.跟着季节和流行趋势选货

      我们团队打开生意参谋的行业洞察，专门看了最近三年女装里通勤装这个分类，每个季度的数据是什么样。然后用 Excel 把这些数据做成图表，一看就发现了规律，每年 3 月到 4 月，薄款西装、中长款风衣这两种衣服，搜索的人比上个月多了一倍还多，买的人也多了快一倍。我们又去阿里指数里看了趋势预测，确定 2024 年春天这个情况还会继续。所以后来给顾客推荐商品的时候，就重点推这些春天好卖的衣服。

（三）拆解推荐入口，定位优化重点

淘宝店铺主要的推荐位置有猜你喜欢、商品详情页推荐、购物车推荐和复购提醒推荐。团队用生意参谋的流量来源分析和推荐效果功能，再搭配漏斗转化法，仔细研究了每个位置的数据。

商品详情页推荐的流量最多，占了 42%。但顺着用户操作流程看，从点击推荐商品到加购物车、再到下单付款，转化率只有 1.5%。主要问题是推荐的商品和用户正在看的不搭，比如用户看连衣裙，系统却推外套，推荐商品和当前商品真正有关联的只有 3%。

购物车推荐转化率不错，能达到 5.8%，比行业平均水平高。不过检查发现，80% 的推荐商品都是同款，比如用户加购牛仔裤，系统就推荐其他尺码的同款牛仔裤，很少推荐腰带、袜子这类能搭配的商品，所以很难让顾客多花钱。

猜你喜欢的点击率和曝光量数据，发现点击率只有 1.9%，比行业平均 3.5% 低不少。因为推荐的商品太雷同了，前 10 个推荐商品里有 7 个都是爆款，完全没考虑到每个用户的个性化喜好。

根据数据分析结果，我们团队想出了三个实用的优化办法，个性化匹配、场景化推荐和关联化组合，还分步骤把这些办法落实到位。

（一）个性化匹配

给新顾客的推荐方法，要是有顾客第一次逛咱们店，我们会根据他们搜的关键词和看过的衣服，马上给他们打上标签。比如说，顾客搜职场连衣裙，我们就推荐 3 款不同风格、卖得特别好的连衣裙，再加上 2 款搭配起来好看的单品，像西装外套、简约高跟鞋。推荐的时候，我们还会特别提醒顾客有新人优惠、7 天无理由退换这些福利，让他们更容易下单。

给老顾客的专属推荐，对于经常在咱们店买东西、消费比较多的顾客，我们专门给他们设置了一个专属推荐栏。根据他们以前买过的衣服和喜好，推荐价格 300 到 500 元的高端款式、限量新品，还有搭配好的套装。比如，要是有老顾客经常买通勤装，我们就推荐真丝衬衫 + 阔腿裤 + 丝巾的职场套装，还会给他们专属 9 折、优先发货的特权，让他们更愿意再来买。

让犹豫顾客下单的小妙招，有些顾客把喜欢的衣服加入购物车了，但是一直没付款，我们就从 购物车推荐这里入手，给他们推荐和购物车里衣服搭配的其他单品，再送上限时优惠。比如说，顾客加购了碎花半身裙，我们就推荐同款不同颜色的裙子，还有搭配的针织上衣，并且弹出24 小时内下单立减 30 元的提醒，鼓励他们赶紧下单。

（二）场景化推荐

商品详情页推荐，我们用1+2+2的搭配方式。就是推荐 1 件同款但不同选择，像不同尺码、颜色，再加上 2 件搭配好的商品，根据商品搭配度选的，还有 2 件你之前看过喜欢的东西。比如你在看基础款白 T 恤的页面，我们就推荐其他颜色的白 T 恤，再搭配牛仔裤和帆布鞋，最后加上你之前看过的休闲裤和棒球帽，让推荐更合你心意。

猜你喜欢页面升级，不再一股脑推热门商品，而是根据你的喜好标签和当下流行趋势推荐。我们会把你的需求标签，比如上班穿、喜欢碎花图案，和商品标签匹配起来，再加上当季流行的新款。要是你喜欢简约风又经常通勤，就给你推荐爆款简约西装、好看的直筒裤，还有春天穿的薄针织衫，保证推荐的都是你想看的。

运用提醒回购小助手，根据你上次购买的时间，还有商品大概多久用完，提醒你该回购啦！要是你三个月前买了打底衫，系统就会给你推荐新款打底衫，再搭配合适的外套，还会送你老顾客专属优惠券，说不定就勾起你想买的冲动啦！

（三）关联化组合

爆款带新品的组合，把店里卖得特别火的商品，和大家收藏、加购物车很多的新品搭在一起卖。比如把爆款牛仔裤和碎花衬衫组成套装，再标上买套装立减 20 元。用爆款的人气，带火还没卖爆的新品。

根据大家不同的穿衣场景搭配套装。上班穿的职场套装，就用西装 + 衬衫 + 半身裙搭配，周末出去玩穿的休闲套装，就用卫衣 + 牛仔裤 + 运动鞋搭配，推荐页面再配上场景图，让大家一看就知道穿上什么样。

不光推荐衣服，还可以推荐配套的首饰、鞋子。比如有人买连衣裙，就推荐同风格的耳环、项链和高跟鞋，让大家一次买齐，买得更多。

策略上线 3 个月后，我们通过生意参谋后台数据做了全面复盘，优化效果特别亮眼。推荐效果大飞跃，以前每 100 个人看到推荐商品，只有 2.3 个人点进去看；现在有 4.8 个人会点，翻了一倍多。下单转化率也大幅提升，以前 100 个点进推荐的顾客里，只有 1.2 个人下单，现在变成 2.1 个人下单，增长了 75%。老顾客通过推荐下单的比例更是直接翻倍，从 0.9% 涨到 2.3%。带动更多消费，顾客买一件商品时，顺便买其他关联商品的比例，从 18% 涨到 32%。每位顾客平均消费金额也从 210 元增加到 285 元，涨了差不多三分之一。经常回购的优质顾客，从原来的 35% 增长到 48%。新顾客买完第一次后，3 个月内又回来买的比例，从 8% 提升到 15%，说明大家对店铺越来越认可。

这次淘宝女装店铺推荐优化能成功，关键在于不再只靠经验做事。我们用工具辅助方法，方法落实策略的思路，做到了精准匹配用户需求、商品特点和推荐场景。

对淘宝卖家来说，优化商品推荐不是一次性的工作。需要建立一个完整的流程，先用生意参谋等工具收集数据，再用 RFM 模型等方法分析问题，接着制定个性化和场景化的推荐策略，然后通过漏斗转化数据看效果，最后根据结果不断优化。市场和用户需求一直在变，只有持续用工具和方法优化推荐策略，才能做出千人千面的推荐，在竞争中脱颖而出。

如果你也想学着用数据解决问题，比如搞用户分析、算销量，其实可以看看CDA数据分析师认证，从怎么采数据、清数据，到用 Excel、SQL、Python 做分析，都能学明白。学会了这些，不管是换工作做数据分析，还是在现在的岗位上帮公司做决策，都能用得上。