Zephyrnet-Logo

SQL ermöglicht Einblicke in brasilianisches Online-Shopping

Datum:

Einleitung

Target, ein führendes Einzelhandelsunternehmen, hat seine E-Commerce-Aktivitäten in Brasilien erweitert, um dem wachsenden Online-Shopping-Trend gerecht zu werden. Um in diesem wettbewerbsintensiven Markt erfolgreich zu sein, ist es für Target von entscheidender Bedeutung, die Dynamik des E-Commerce in Brasilien zu verstehen und datengesteuerte Erkenntnisse zur Verbesserung seiner Abläufe zu nutzen. In diesem Artikel analysieren wir den E-Commerce-Datensatz von Target Strukturierte Abfragesprache (SQL)-Power-Abfragen, um umsetzbare Empfehlungen zur Verbesserung ihrer Abläufe in Brasilien bereitzustellen.

Lernziele

  1. Erwerben Sie SQL-Kenntnisse, indem Sie den E-Commerce-Datensatz von Target analysieren.
  2. Erfahren Sie, wie Sie eine erste Untersuchung eines Datensatzes durchführen, einschließlich Datenbereinigung und -vorbereitung mithilfe von SQL-Abfragen.
  3. Verstehen Sie, wie Sie E-Commerce-Trends in Brasilien mithilfe von SQL-Abfragen analysieren und interpretieren.
  4. Entwickeln Sie Fähigkeiten zur Identifizierung und Analyse von Saisonalitätsmustern in E-Commerce-Daten mithilfe von SQL-Abfragen.
  5. Erfahren Sie, wie Sie durch SQL-Analyse wertvolle Erkenntnisse über das Kaufverhalten und die Präferenzen von Kunden gewinnen.
  6. Entwickeln Sie die Fähigkeit, datengesteuerte Empfehlungen und umsetzbare Erkenntnisse zur Verbesserung von E-Commerce-Abläufen auf der Grundlage einer SQL-Analyse des Datensatzes abzugeben.

Weiterlesen: SQL für Data Science-Anfänger!

Dieser Artikel wurde als Teil des veröffentlicht Data Science-Blogathon.

Inhaltsverzeichnis

Erste Untersuchung des Datensatzes

SQL Power | Online Einkaufen

Bevor wir uns mit der Analyse befassten, führten wir eine erste Untersuchung durch E-Commerce-Datensatz von Target. Dabei wurden die Daten untersucht, bereinigt und für die Analyse vorbereitet. Wir haben die Spaltendatentypen in der Tabelle „Kunden“ mithilfe der folgenden SQL-Abfrage überprüft BigQuery:

SELECT column_name, data_type
FROM `target-analysis-sql.target.INFORMATION_SCHEMA.COLUMNS`
WHERE table_name = 'customers';

Durch das Verständnis der Datentypen jeder Tabelle stellen wir eine genaue Analyse und Interpretation des Datensatzes sicher.

Datentyp | SQL Power | Online Einkaufen

Um den vom Datensatz abgedeckten Zeitraum zu verstehen, haben wir die folgende SQL-Abfrage ausgeführt:

SELECT DISTINCT MIN(order_purchase_timestamp) start_date, MAX(order_purchase_timestamp) end_date
FROM `target.orders`;
Abfrageergebnisse | SQL Power | Online Einkaufen

Dadurch konnten wir das Start- und Enddatum der Daten bestimmen, d. h. vom 4. September 2016 bis zum 17. Oktober 2018.
, was einen Kontext für unsere Analyse liefert.

Darüber hinaus haben wir die Städte und Bundesstaaten der Kunden untersucht, die im angegebenen Zeitraum Bestellungen aufgegeben haben. Die folgende SQL-Abfrage hat uns dabei geholfen, die Kundenverteilung zu ermitteln:

SELECT DISTINCT c.customer_city, c.customer_state, COUNT(o.customer_id) order_count
FROM target.orders o
JOIN target.customers c
ON o.customer_id = c.customer_id
GROUP BY 1, 2
ORDER BY 3 DESC;
SQL Power | Online Einkaufen
Balkendiagramm der Städte und Bundesstaaten der Kunden | SQL Power | Online Einkaufen

Hier können wir sehen, dass die Stadt Sao Paulo allein aus dem Bundesstaat SP mehr Aufträge hat als
die folgenden 5 Städte zusammen. Dies liegt daran, dass Sao Paulo die bevölkerungsreichste und reichste Stadt ist
Staat in Brasilien.

Erfahren Sie mehr: Von den Grundlagen bis zum Fortschritt von SQL

Erkundung des wachsenden Trends des E-Commerce in Brasilien

Die E-Commerce-Landschaft in Brasilien hat in den letzten Jahren ein deutliches Wachstum erlebt. Um ein umfassendes Verständnis des Szenarios zu erlangen, ist es wichtig, verschiedene Aspekte wie Auftragsanzahl, Umsatz und Saisonalität zu analysieren. In diesem Abschnitt vertiefen wir uns in den Datensatz, um Erkenntnisse über den E-Commerce-Trend in Brasilien zu gewinnen.

Gibt es in Brasilien einen wachsenden Trend zum E-Commerce?

Um den wachsenden Trend des E-Commerce in Brasilien zu ermitteln, haben wir die Anzahl der Bestellungen im Zeitverlauf untersucht. Mithilfe von SQL-Abfragen haben wir Jahr und Monat aus dem Zeitstempel des Bestellkaufs extrahiert und die unterschiedlichen Bestell-IDs gezählt. Die folgende Abfrage wurde ausgeführt:

SELECT EXTRACT(YEAR FROM o.order_purchase_timestamp) AS year, EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, COUNT(DISTINCT o.order_id) AS order_count
FROM `target.orders` o
JOIN `target.customers` c
ON o.customer_id = c.customer_id
GROUP BY year, month
ORDER BY year, month;
"
"

Anhand der Analyse der Bestellzahlen lässt sich beobachten, dass es in Brasilien einen wachsenden Trend im E-Commerce gibt. Die Anzahl der Käufe zeigt insgesamt einen Aufwärtstrend, mit einigen Schwankungen. Es ist jedoch wichtig zu beachten, dass die Auftragszahl allein keinen Rückschluss auf das Tempo des Geschäftswachstums gibt. Um ein genaueres Verständnis zu erlangen, sollten wir auch das Umsatzwachstum berücksichtigen.

SELECT EXTRACT(YEAR FROM o.order_purchase_timestamp) AS year, EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, ROUND(SUM(p.payment_value), 2) as revenue
FROM `target.orders` o
JOIN `target.payments` p ON o.order_id = p.order_id
GROUP BY year, month
ORDER BY year, month; 
"
e-commerce

Auch hier können wir einen ähnlichen Trend wie oben erkennen.

Wie können wir ein vollständiges Szenario beschreiben?

Um ein vollständiges Bild des E-Commerce-Szenarios in Brasilien zu zeichnen, ist es wichtig, mehrere Faktoren zu berücksichtigen, die sich auf den Umsatz auswirken. Zu diesen Faktoren gehören die Kundendemografie, die Vergrößerung des Kundenstamms, technologische Fortschritte, die Anzahl der Verkäufer, einfache Bestellung, Kundenzufriedenheit, Vertrauen im Laufe der Zeit, Rückgabe- und Umtauschrichtlinien, Zahlungsoptionen, Lieferzeit, Stornierungen von Bestellungen und allgemeine wirtschaftliche Bedingungen . Eine ganzheitliche Analyse dieser Aspekte würde ein umfassenderes Verständnis der E-Commerce-Landschaft in Brasilien ermöglichen.

Können wir eine gewisse Saisonalität mit Spitzen in bestimmten Monaten erkennen?

Bei der Analyse des Datensatzes haben wir das Vorhandensein von Saisonalität innerhalb bestimmter Monate untersucht. Durch Extrahieren des Monats aus dem Zeitstempel des Bestellkaufs haben wir die Anzahl der unterschiedlichen Bestell-IDs für jeden Monat berechnet. Die folgende Abfrage wurde ausgeführt:

SELECT EXTRACT(MONTH FROM order_purchase_timestamp) AS month, COUNT(DISTINCT order_id) AS order_count
FROM `target.orders`
GROUP BY month
ORDER BY month;
e-commerce
Saisonalität mit Spitzen in bestimmten Monaten | E-Commerce

Angesichts des begrenzten verfügbaren Datensatzes ist es schwierig, endgültige Schlussfolgerungen zu saisonalen Trends zu ziehen. Aus der Analyse und Visualisierung in Tableau können wir jedoch eine gewisse Saisonalität bei den E-Commerce-Bestellungen erkennen. Die Anzahl der Bestellungen steigt in der Regel von März bis August mit Schwankungen dazwischen. Insbesondere im Februar und März, die mit der Karnevalssaison in Brasilien zusammenfallen, ist ein Anstieg der Bestellungen zu verzeichnen. Darüber hinaus verzeichnet der Monat August einen Höhepunkt bei der Auftragszahl, der möglicherweise mit dem Festival de Cachaça zusammenhängt, das dem Nationallikör Cachaça gewidmet ist. Es ist wichtig zu beachten, dass eine weitere Analyse mit einem größeren Datensatz erforderlich wäre, um diese saisonalen Trends zu validieren.

Kaufverhalten brasilianischer Kunden verstehen

Um Einblicke in das Kaufverhalten brasilianischer Kunden zu gewinnen, haben wir die Tageszeit analysiert, zu der die meisten Bestellungen aufgegeben wurden. Die folgende SQL-Abfrage wurde ausgeführt, um die Zeitstempel des Bestellkaufs in vier Zeiträume zu kategorisieren: Morgendämmerung, Morgen, Nachmittag und Nacht.

SELECT CASE WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 0 AND 5 THEN 'Dawn' WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 6 AND 11 THEN 'Morning' WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 12 AND 17 THEN 'Afternoon' WHEN EXTRACT(HOUR FROM o.order_purchase_timestamp) BETWEEN 18 AND 23 THEN 'Night' END AS hour, COUNT(o.order_id) AS order_count
FROM target.orders o
JOIN target.customers c
ON o.customer_id = c.customer_id
GROUP BY hour
ORDER BY order_count DESC;
"

Basierend auf der Analyse haben wir herausgefunden, dass brasilianische Kunden dazu neigen, die meisten Bestellungen tagsüber aufzugeben, insbesondere nachmittags und in der Nacht. Dies deutet darauf hin, dass Kunden in ihrer Freizeit oder nach Abschluss ihrer täglichen Aktivitäten lieber online einkaufen. Es ist wichtig zu beachten, dass hier davon ausgegangen wird, dass die aufgezeichneten Zeitstempel die richtige Zeitzone zum Zeitpunkt des Kaufs widerspiegeln.

Das Verständnis des Kaufverhaltens der Kunden hilft E-Commerce-Unternehmen, ihre Abläufe zu optimieren. Durch die Identifizierung von Spitzenkaufzeiten können Unternehmen Ressourcen wie Kundendienstmitarbeiter und Lagerbestände effektiver einsetzen, um die Kundenanforderungen zu erfüllen und ein nahtloses Einkaufserlebnis zu bieten.

Die Analyse der Daten auf diese Weise liefert wertvolle Einblicke in das Verhalten und die Vorlieben brasilianischer Kunden. Mit diesen Informationen können E-Commerce-Unternehmen wie Target ihre Marketingstrategien und Werbekampagnen auf bestimmte Zeiträume zuschneiden und so ihre Reichweite und potenzielle Verkäufe maximieren.

Zusammenfassend zeigt die Analyse des Kaufverhaltens brasilianischer Kunden den wachsenden Trend des E-Commerce im Land, unterstreicht die Bedeutung der Berücksichtigung verschiedener Faktoren für ein umfassendes Verständnis des E-Commerce-Szenarios und gibt Aufschluss über die bevorzugten Zeiträume für den Online-Handel Einkaufen. Mit diesen Erkenntnissen können Target und andere E-Commerce-Unternehmen datengesteuerte Entscheidungen treffen, um ihre Abläufe zu verbessern und die Kundenzufriedenheit zu steigern.

Analyse der monatlichen Bestellungen nach Bundesstaaten

Um die Entwicklung der E-Commerce-Bestellungen in der Region Brasilien zu verstehen, haben wir die monatlichen Bestellzahlen für jeden Bundesstaat analysiert. Das Folgende ist die Ausführung der SQL-Abfrage:

SELECT c.customer_state, EXTRACT(month FROM o.order_purchase_timestamp) AS month, COUNT(o.order_purchase_timestamp) AS order_count
FROM target.orders o
JOIN target.customers c
ON o.customer_id = c.customer_id
GROUP BY c.customer_state, month
ORDER BY c.customer_state, month;
"
"

Die obige Grafik veranschaulicht die monatlichen Bestellzahlen in jedem Bundesstaat Brasiliens und bietet wertvolle Einblicke in die Kauftrends der Kunden in den einzelnen Bundesstaaten. Es ist offensichtlich, dass São Paulo (SP) durchweg die höchste Anzahl an Bestellungen in einem bestimmten Monat aufweist, gefolgt von Rio de Janeiro (RJ) und Minas Gerais (MG).

Verteilung der Kunden über brasilianische Bundesstaaten

Um die E-Commerce-Landschaft in Brasilien weiter zu erkunden, haben wir die Verteilung der Kunden in den Bundesstaaten untersucht. Die folgende SQL-Abfrage wurde ausgeführt:

SELECT c.customer_state, COUNT(c.customer_id) AS no_of_customers
FROM `target.customers` c
GROUP BY c.customer_state
ORDER BY no_of_customers DESC;
"
Verteilung der Kunden über die Bundesstaaten in Brasilien | E-Commerce

Die Daten zeigen, dass der Bundesstaat São Paulo (SP) die meisten Kunden hat, was auf seinen Status als bevölkerungsreichster Bundesstaat Brasiliens zurückzuführen ist. Dieser Befund stimmt auch mit der vorherigen Analyse überein und weist auf eine positive Korrelation zwischen der Bevölkerung eines Staates und seiner Auftragszahl hin.

Für Unternehmen wie Target ist es von entscheidender Bedeutung, die Entwicklung von E-Commerce-Bestellungen und die Verteilung der Kunden in den brasilianischen Bundesstaaten zu verstehen, um ihre Marketingstrategien anzupassen, die Logistik zu optimieren und das Kundenerlebnis zu verbessern. Durch die Nutzung dieser SQL-gesteuerten Analyse können E-Commerce-Unternehmen bestimmte Regionen effektiv ansprechen, Ressourcen strategisch zuweisen und personalisierte Erlebnisse bieten, die den einzigartigen Vorlieben und Anforderungen von Kunden in verschiedenen Bundesstaaten gerecht werden.

Zusammenfassend lässt sich sagen, dass die Analyse der Entwicklung der E-Commerce-Bestellungen und der Kundenverteilung in den Bundesstaaten Brasiliens wertvolle Einblicke in die Dynamik des Marktes liefert. Durch die Nutzung von SQL und datengesteuerten Ansätzen können Unternehmen einen Wettbewerbsvorteil erlangen, das Wachstum vorantreiben und ihre Wirkung in der sich schnell entwickelnden E-Commerce-Landschaft der Region Brasilien maximieren.

Untersuchung des prozentualen Anstiegs der Auftragskosten von 2017 bis 2018 (Januar bis August)

Um die Auswirkungen auf die Wirtschaft zu verstehen, haben wir den prozentualen Anstieg der Auftragskosten von 2017 bis 2018 berechnet und dabei nur die Monate Januar bis August berücksichtigt. Die folgende SQL-Abfrage wurde ausgeführt:

SELECT EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, ( ( SUM(CASE WHEN EXTRACT(YEAR FROM o.order_purchase_timestamp) = 2018 AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8 THEN p.payment_value END) - SUM(CASE WHEN EXTRACT(YEAR FROM o.order_purchase_timestamp) = 2017 AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8 THEN p.payment_value END) ) / SUM(CASE WHEN EXTRACT(YEAR FROM o.order_purchase_timestamp) = 2017 AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8 THEN p.payment_value END) )*100 AS percent_increase
FROM `target.orders` o
JOIN `target.payments` p ON o.order_id = p.order_id
WHERE EXTRACT(YEAR FROM o.order_purchase_timestamp) IN (2017, 2018) AND EXTRACT(MONTH FROM o.order_purchase_timestamp) BETWEEN 1 AND 8
GROUP BY 1
ORDER BY 1;
e-commerce

Der prozentuale Gesamtanstieg der Auftragskosten von 2017 bis 2018, der nur die Monate Januar bis August umfasst, beträgt 138.53 %. Betrachtet man den monatlichen Anstieg, weist der Januar den höchsten prozentualen Anstieg auf, gefolgt von Februar und April.

Analyse des Mittelwerts und der Summe von Preis und Frachtwert nach Kundenstaat

Um Einblicke in die Preis- und Frachtwerte auf Landesebene zu erhalten, haben wir den Mittelwert und die Summe dieser Werte für einen Kundenstaat berechnet. Das Folgende ist die Ausführung der SQL-Abfrage:

SELECT c.customer_state, ROUND(AVG(i.price), 2) AS mean_price, ROUND(SUM(i.price), 2) AS total_price, ROUND(AVG(i.freight_value), 2) AS mean_freight_value, ROUND(SUM(i.freight_value), 2) AS total_freight_value
FROM `target.orders` o
JOIN `target.order_items` i ON o.order_id = i.order_id
JOIN `target.customers` c ON o.customer_id = c.customer_id
GROUP BY c.customer_state;
"
Mittelwert und Summe aus Preis und Frachtwert nach Kundenstaat | E-Commerce

Die Analyse bringt interessante Erkenntnisse zu Tage. Während São Paulo (SP) den höchsten Gesamtpreiswert und den höchsten Gesamtfrachtwert aufweist, weist es überraschenderweise den niedrigsten Durchschnittspreiswert und den niedrigsten durchschnittlichen Frachtwert unter allen Bundesstaaten auf. Andererseits weist der Bundesstaat Paraíba (PB) den höchsten durchschnittlichen Preiswert und durchschnittlichen Frachtwert auf.

Um die Auswirkungen auf die Wirtschaft zu verstehen, ist eine umfassende Analyse der Kostentrends sowie der Preis- und Frachtwerte erforderlich. Durch die Nutzung von SQL-Abfragen und die Untersuchung bundesstaatlicher Muster können Unternehmen wertvolle Einblicke in die Wirtschaftslandschaft gewinnen, potenzielle Wachstumschancen identifizieren und datengesteuerte Entscheidungen treffen, um Preisstrategien zu optimieren, die Logistik zu verbessern und die gesamtwirtschaftlichen Auswirkungen zu steigern.

Analyse von Verkäufen, Fracht und Lieferzeit: Erkenntnisse aus Brasilien

Berechnen der Tage zwischen Kauf, Lieferung und voraussichtlicher Lieferung

Um die Zeitdauer zwischen dem Kauf einer Bestellung, ihrer Lieferung und der voraussichtlichen Lieferung zu verstehen, haben wir die Anzahl der Tage mithilfe der folgenden SQL-Abfrage berechnet:

SELECT order_id, DATE_DIFF(order_delivered_customer_date, order_purchase_timestamp, DAY) AS delivered_in_days, DATE_DIFF(order_estimated_delivery_date, order_purchase_timestamp, DAY) AS estimated_delivery_in_days, DATE_DIFF(order_estimated_delivery_date, order_delivered_customer_date, DAY) AS estimated_minus_actual_delivery_days
FROM `target.orders`
WHERE DATE_DIFF(order_delivered_customer_date, order_purchase_timestamp, DAY) IS NOT NULL
ORDER BY delivered_in_days;
SQL Power | Online Einkaufen

Ermitteln der durchschnittlichen Lieferzeit und der durchschnittlichen Differenz in der geschätzten Lieferung nach Bundesstaaten

Um Einblicke in die durchschnittliche Lieferzeit und die durchschnittliche Differenz zwischen geschätzter und tatsächlicher Lieferung zu erhalten, haben wir die Durchschnittswerte auf Landesebene mithilfe der folgenden SQL-Abfrage berechnet:

SELECT c.customer_state, ROUND(AVG(DATE_DIFF(order_delivered_customer_date, order_purchase_timestamp, DAY)), 2) AS avg_time_to_delivery, ROUND(AVG(DATE_DIFF(order_estimated_delivery_date, order_delivered_customer_date, DAY)), 2) AS avg_diff_estimated_delivery
FROM `target.orders` o
JOIN `target.customers` c ON o.customer_id = c.customer_id
WHERE DATE_DIFF(order_purchase_timestamp, order_delivered_customer_date, DAY) IS NOT NULL AND DATE_DIFF(order_estimated_delivery_date, order_delivered_customer_date, DAY) IS NOT NULL
GROUP BY c.customer_state
ORDER BY avg_time_to_delivery;
SQL Power | Online Einkaufen

Anhand der Ergebnisse können wir erkennen, dass São Paulo (SP) die kürzeste durchschnittliche Lieferzeit hat, während Roraima (RR) die höchste durchschnittliche Lieferzeit hat.

Gruppieren von Daten nach Bundesstaat und Berechnen des durchschnittlichen Frachtwerts, der Lieferzeit und der Differenz bei der geschätzten Lieferung

Um die Beziehung zwischen Frachtwert, Lieferzeit und der Differenz zwischen geschätzter und tatsächlicher Lieferung auf Bundesstaatsebene zu analysieren, haben wir die Mittelwerte mithilfe der folgenden SQL-Abfrage berechnet:

SELECT c.customer_state, ROUND(AVG(i.freight_value), 2) AS mean_freight_value, ROUND(AVG(DATE_DIFF(o.order_delivered_customer_date, o.order_purchase_timestamp, DAY)), 2) AS time_to_delivery, ROUND(AVG(DATE_DIFF(o.order_estimated_delivery_date, o.order_delivered_customer_date, DAY)), 2) AS diff_estimated_delivery
FROM `target.orders` o
JOIN `target.order_items` i ON o.order_id = i.order_id
JOIN `target.customers` c ON o.customer_id = c.customer_id
GROUP BY c.customer_state
ORDER BY mean_freight_value;
SQL Power | Online Einkaufen

Die Analyse zeigt eine schwache positive Korrelation zwischen dem durchschnittlichen Frachtwert und der Lieferzeit. São Paulo (SP) weist den niedrigsten durchschnittlichen Frachtwert auf, während Roraima (RR) den höchsten durchschnittlichen Frachtwert aufweist.

Das Verständnis der Umsatz-, Fracht- und Lieferzeitdynamik ist für Unternehmen von entscheidender Bedeutung, um ihre Abläufe zu optimieren und die Kundenzufriedenheit zu verbessern. Durch die Nutzung von SQL-Abfragen und die Analyse zustandsbezogener Muster können Unternehmen wertvolle Einblicke in Verkaufstrends gewinnen, ihre Logistik optimieren und datengesteuerte Entscheidungen treffen, um ihre Gesamteffizienz und das Kundenerlebnis zu verbessern.

Zahlungsarten analysieren: Einblicke in Bestellungen und Zahlungsraten

Monatliche Anzahl der Bestellungen für verschiedene Zahlungsarten

Um die Trends bei den Zahlungsarten zu verstehen, haben wir die monatliche Anzahl der Bestellungen für verschiedene Zahlungsarten analysiert. Das Folgende ist die Ausführung der SQL-Abfrage:

SELECT p.payment_type, EXTRACT(MONTH FROM o.order_purchase_timestamp) AS month, COUNT(DISTINCT o.order_id) AS order_count
FROM `target.orders` o
JOIN `target.payments` p
ON o.order_id = p.order_id
GROUP BY 1, 2
ORDER BY 1, 2;
SQL Power | Online-Shopping | E-Commerce
Anzahl der Bestellungen für verschiedene Zahlungsarten im Monatsvergleich | E-Commerce

Die Analyse zeigt einen allgemeinen Aufwärtstrend von Januar bis August und einen weiteren Aufwärtstrend von September bis November. Kreditkartentransaktionen sind die beliebteste Zahlungsmethode, gefolgt von UPI. Debitkartentransaktionen sind die am wenigsten bevorzugte Option. Insbesondere nehmen Kreditkartentransaktionen im Vergleich zu anderen Zahlungsmethoden rapide zu, möglicherweise aufgrund von Vorteilen wie „Jetzt kaufen, später bezahlen“-Optionen oder Cashback, das mit Kreditkarten erhalten wird.

Anzahl der Bestellungen basierend auf der Anzahl der Zahlungsraten

Um Erkenntnisse über die Verteilung der Zahlungsraten zu gewinnen, haben wir die Anzahl der Bestellungen anhand der Anzahl der Zahlungsraten analysiert. Das Folgende ist die Ausführung der SQL-Abfrage:

SELECT p.payment_installments, COUNT(o.order_id) AS order_count
FROM `target.orders` o
JOIN `target.payments` p
ON o.order_id = p.order_id
WHERE o.order_status != 'canceled'
GROUP BY 1
ORDER BY 2 DESC;
SQL Power | Online-Shopping | E-Commerce

Die Analyse zeigt, dass die meisten Bestellungen (maximal) nur eine Zahlungsrate haben. Die höchste Ratenanzahl beträgt 24, was 18 Bestellungen entspricht.

Das Verständnis von Zahlungsarten und Ratenpräferenzen ist für Unternehmen von entscheidender Bedeutung, um ihre Zahlungsprozesse zu optimieren und auf Kundenpräferenzen einzugehen. Durch die Nutzung von SQL-Abfragen und die Analyse von Zahlungstrends können Unternehmen fundierte Entscheidungen treffen, um Zahlungsoptionen zu verbessern, Prozesse zu rationalisieren und das Kundenerlebnis insgesamt zu verbessern.

Abschließend liefert die Analyse wertvolle Erkenntnisse über Zahlungsarten und Ratenpräferenzen. Es unterstreicht die Beliebtheit von Kreditkartentransaktionen, den zunehmenden Trend der Kreditkartennutzung und die Verbreitung von Einzelzahlungs-Ratenzahlungen. Diese Erkenntnisse können Unternehmen dabei helfen, ihre Zahlungsstrategien anzupassen und die Kundenzufriedenheit zu verbessern.

Umsetzbare Erkenntnisse und Empfehlungen basierend auf der Analyse

Maschinenzustand auf einen Blick

  1. Die Daten zeigen, dass der Bundesstaat SP deutlich mehr Aufträge hat als die nächsten fünf Bundesstaaten zusammen. Dies deutet auf eine Verbesserungsmöglichkeit in den anderen Staaten hin. Die Konzentration auf diese Staaten kann dazu beitragen, die Anzahl der Bestellungen zu erhöhen und den Kundenstamm zu erweitern.
  2. Es sind saisonale Schwankungen bei den Verkäufen zu beobachten, mit erhöhten Verkäufen während der Feiertage. Unternehmen sollten ihre Marketing- und Vertriebsstrategien entsprechend planen, um diese Spitzenzeiten zu nutzen und die Kundenzufriedenheit zu steigern, was zu einem Gesamtumsatzwachstum führt.
  3. Die Verbesserung der Lieferzeiten in Gebieten mit längeren Lieferzeiten kann sich positiv auf die Kundenzufriedenheit auswirken und Wiederholungskäufe fördern. Die Optimierung der Logistik und die Implementierung effizienter Versandprozesse sind der Schlüssel zur Erreichung dieses Ziels.
  4. Staaten wie SP und RJ haben bereits hohe Auftragszahlen. Um den Umsatz weiter anzukurbeln und die Markentreue zu fördern, empfiehlt es sich, sich auf Kundenbindungsstrategien zu konzentrieren, wie z. B. personalisierte Marketingkampagnen, Treueprogramme und außergewöhnliche Kundenserviceerlebnisse.
  5. Die Analyse der Kundendemografie kann wertvolle Erkenntnisse für die Anpassung von Produkten und Marketingstrategien an bestimmte Zielgruppen liefern. Diese Individualisierung kann zu mehr Umsatz und Kundenzufriedenheit führen.
  6. Die Daten deuten auf einen Rückgang der Bestellungen im September und Oktober hin. Das Anbieten von Rabatten oder Sonderaktionen außerhalb der Hauptsaison kann Kunden dazu anregen, in diesen Zeiten einzukaufen, und so den Umsatz steigern.
  7. Während die Daten keine Informationen über die Wirtschaftslage enthalten, kann die Analyse ihrer Auswirkungen auf den Umsatz dabei helfen, Verbesserungs- und Investitionsbereiche zu identifizieren und so die Widerstandsfähigkeit bei Konjunkturschwankungen sicherzustellen.

Empfehlungen

  1. Verbessern Sie Logistik- und Versandprozesse, um Lieferzeiten zu verkürzen und die Kundenzufriedenheit zu steigern. Dazu gehört die Optimierung des Lagerbetriebs, die Verfeinerung der Versandrouten und die Zusammenarbeit mit zuverlässigen Kurierdiensten.
  2. Implementieren Sie Kundenbindungsstrategien, um Wiederholungskäufe zu fördern und die Loyalität zu fördern. Dies kann durch Treueprogramme, Empfehlungsprämien und personalisierte Angebote erreicht werden.
  3. Bewerten Sie Preise und Frachtgebühren, um die Wettbewerbsfähigkeit auf dem Markt sicherzustellen und gleichzeitig Umsatz und Rentabilität zu maximieren. Erwägen Sie gegebenenfalls eine Preiserhöhung oder eine Anpassung der Frachtgebühren.
  4. Investieren Sie in Technologie und Infrastruktur, um das E-Commerce-Erlebnis zu verbessern. Dazu gehört die Implementierung von Chatbots für den Kundensupport, die Verbesserung der Website-Performance und das Anbieten personalisierter Produktempfehlungen basierend auf dem Kundenverhalten.
  5. Arbeiten Sie mit Verkäufern zusammen, um das Produktangebot zu erweitern und die Produktqualität zu verbessern, indem Sie auf die unterschiedlichen Bedürfnisse und Vorlieben der Kunden eingehen.
  6. Nutzen Sie Social-Media-Plattformen und Influencer, um Produkte zu bewerben und die Markenbekanntheit zu steigern, da sie einen starken Einfluss auf Kaufentscheidungen in Brasilien haben.
  7. Verbessern Sie das Kundenserviceerlebnis, indem Sie Chat-Supportdienste anbieten und schnelle und effektive Antworten auf Kundenanfragen sicherstellen.
  8. Überwachen Sie die Aktivitäten der Wettbewerber und passen Sie die Geschäftsstrategie entsprechend an, z. B. durch Angleichung oder Anbieten besserer Preise, Erweitern des Produktangebots oder Verbessern des Kundenservice, um auf dem Markt wettbewerbsfähig zu bleiben.

Durch die Umsetzung dieser umsetzbaren Erkenntnisse und Empfehlungen können Unternehmen ihre Abläufe optimieren, die Kundenzufriedenheit steigern und das Gesamtumsatzwachstum im brasilianischen E-Commerce-Markt vorantreiben.

Zusammenfassung

Zusammenfassend liefert die Analyse der E-Commerce-Daten auf dem brasilianischen Markt wertvolle Einblicke in das Kaufverhalten der Kunden, Verkaufstrends, Zahlungspräferenzen und Liefererlebnisse. Durch das Verständnis dieser Muster und Trends können Unternehmen fundierte Entscheidungen treffen und Strategien umsetzen, um ihre Abläufe zu optimieren und das Wachstum voranzutreiben. Hier sind die wichtigsten Erkenntnisse aus der Analyse:

Key Take Away

  • Der Bundesstaat SP dominiert den E-Commerce-Markt in Brasilien, was darauf hindeutet, dass man sich bei der Suche nach potenziellen Wachstumschancen auf andere Bundesstaaten konzentrieren muss.
  • Die Analyse der Kundendemografie kann dazu beitragen, Produkte und Marketingstrategien auf bestimmte Zielgruppen abzustimmen und so den Umsatz zu steigern.
  • Das Anbieten von Rabatten außerhalb der Hauptsaison kann Anreize für Kunden schaffen und den Umsatz in schwächeren Zeiten steigern.

Die in diesem Artikel gezeigten Medien sind nicht Eigentum von Analytics Vidhya und werden nach Ermessen des Autors verwendet.

spot_img

Neueste Intelligenz

spot_img