商业数据分析案例：星巴克是如何优化促销活动的？
Posted 大数据v
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了商业数据分析案例：星巴克是如何优化促销活动的？相关的知识，希望对你有一定的参考价值。
导读：作为星巴克奖励系统的忠实粉丝（时不时给我免费早餐），我还挺好奇它到底是如何运行的。
比如，星巴克的数据科学家是如何通过选择不同的价格、产品、持续时间、内容等因素，组合出效果最好的促销活动。
今天我们就通过这篇分析，来尝试了解用户统计信息与促销活动之间的关系，并最大程度增加收入。
作者：Jae Beom Bae
翻译：之肴，编辑：肉松
来源：优达学城Udacity（ID：youdaxue）
01 目标
分析的目标是确定优惠信息和受众之间的重要关系。共有 10 个优惠，如下所示：
▲促销优惠
为了细分哪些受众与哪些促销有关，我们将对这10个优惠进行启发式分析和回归分析。
具体来说，我们要：
确定每个细分市场对哪些促销活动最为敏感
根据预期收入确定要发送给每个细分市场的促销信息
02 第 0 部分：预处理和探究
任何数据分析的第一步都是检查数据集的质量并进行预处理，以解决那些可能导致分析混乱的问题。
观察数据可以发现十分奇怪的一点，有一大批用户的年龄显示为“118”，这些用户也碰巧没有指明收入的值。我的猜测是，因为缺少相关的年龄和收入数据，所以只有在考虑性别对购买行为的影响时才用得上这些数据。
又因为我们只考虑年龄和收入，不包括性别，所以我将这些数据排除在分析之外。在仔细观察数据集的大小和分布之后，我认为最合适的细分方法是按年龄组和性别进行划分。尽管从技术上讲我们可以进一步细分（例如按收入、加入日期），但分到这一步就已经能很好地理解两者的关系。
除此之外，还可以执行一些其他的数据预处理方法，确保数据集便于分析，包括：
将分类变量转为虚拟变量（dummy variable）
统一日期格式
从数据中提取特征
进行特征工程以确定细分条件
03 第 1 部分：促销敏感程度
为了确定每个细分市场对 10 个优惠的敏感程度，我们需要观察优惠被查看后的购买情况，这其中不包括用户没看到优惠但依然购买的情况，也就是说他们总得花那么多钱。
▲不同人群的购买情况
综上所述，有几个关键点：
1. 一般情况
在所有细分市场中，优惠5–8响应率很高，这些也都碰巧是通过社交渠道（以及网络、电子邮件、移动设备）提供的优惠。
可以把社交渠道单拎出来验证它是不是会对反应率造成影响。
优惠7的整体响应率特别高，而且它就是一个优惠的通知信息。
但是和同类的优惠2相比，响应率存在明显差异——这进一步强调了社交渠道的有效性。
难度最高（10天之内最低消费为20美元）且奖励最高（5美元折扣）的优惠4的整体响应率最低，这很可能是由于只通过网络和移动设备发送的关系。
2. 细分市场
女性细分受众群（2、5、8、11）的平均响应率比男性细分受众群的更高，尤其是那些通过移动设备和社交渠道传播的优惠。
细分1（千禧一代，男性）的响应率特别低（40％左右，而其他大多数都> 50％）。
其他性别的细分（3、6、9、12）的响应率分布情况大为不同，这很可能与样本量极低有关。
总结来说，高响应率与通过社交渠道（尤其是女性群体）提供的优惠有关。
04 第 2 部分：哪种促销？
由于促销响应程度只是整个分析的一部分，因此我们需要更好地了解每个细分市场的财务情况所造成的影响。为了评估财务指标，需要进行回归分析。
从考虑的候选模型中，2阶多项式最为合适，因为它的训练和测试得分相对较高。
通过使用2阶多项式回归，我确定了每个细分受众群对优惠最多肯花多少钱：
最后我针对每个细分市场得出了热门优惠：
从这些结果中我们可以认识到：
优惠4（5 美元折扣、10 天内花 20 美元）对大多数细分市场最为有效。
一般来说，优惠 0、1 和 9效果也很好，紧随优惠4之后。
前十种优惠的优惠类型不是“折扣”就是“买一送一”，几乎均等。
收入与支出金额为正相关关系，与直觉相符。
“沉默的一代”细分市场预期收益最高，其次是“婴儿潮”和“千禧一代”。
（“沉默的一代”：二十世纪二十年代中期至四十年代早期出生的人， “婴儿潮”：1946-1964年出生的人，“千禧一代”：八十年代早期至九十年代中期出生的人）
总的来说，高潜力的优惠（优惠4）可能由于其传播渠道和目标人群的选择而表现不佳。
05 结论
该分析提供了一些重要的看法，有助于缩小未来的分析范围和制定总体促销策略。
根据目前的优惠组合，最好的促销策略是向高收入女性（尤其是“千禧一代”和“沉默的一代”）提供优惠0和优惠1，因为她们的优惠购买率高，而且预期支出也相对较高。
但是，在制定强有力的促销策略之前，还得做一些其他实验和分析，其中包括：
验证购买率和传播渠道之间的关系。
具体来说，如果通过社交渠道提供优惠4（最高回报，最低购买率）会发生什么？
对于每个细分市场，要发送的优惠的最佳组合是什么？
探究“意外购买”（没查看优惠，但依然购买）的价值——它是否会导致未来的支出行为发生变化吗？
进行类别分析（例如K-Means聚类）来验证、确认识别出的细分市场。
有什么方法可以提高男性的购买率（因为他们的预期支出很高）？
用更大的样本数据对其他性别（3、6、9、12）进行细分。
原文：
https://towardsdatascience.com/starbucks-promotion-optimization-ca56e29fb584
延伸阅读👇
延伸阅读《利用Python进行数据分析》
干货直达👇
更多精彩👇
在公众号对话框输入以下关键词
查看更多优质内容！
读书 | 书单 | 干货 | 讲明白 | 神操作 | 手把手
大数据 | 云计算 | 数据库 | Python | 爬虫 | 可视化
AI | 人工智能 | 机器学习 | 深度学习 | NLP
5G | 中台 | 用户画像 | 数学 | 算法 | 数字孪生
据统计，99%的大咖都关注了这个公众号
👇
以上是关于商业数据分析案例：星巴克是如何优化促销活动的？的主要内容，如果未能解决你的问题，请参考以下文章