会Python的淘宝商家可以横扫一切竞争对手，这就是会技术的魅力！（下）(2)

本文链接：https://blog.youkuaiyun.com/2401_84010107/article/details/138066588

本文探讨了企业采用的战略发展策略，包括通过事业部形式管理明星和金牛产品，以及对问题产品和瘦狗产品的应对措施。同时，通过波士顿矩阵和竞品分析，揭示了科凌和安速在市场上的产品分布情况，以及流量来源的重要性。此外，还提及了Python学习资源的分享。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

采用的发展战略是：积极扩大经济规模和市场机会，以长远利益为目标，提高市场占有率，加强竞争地位。发展战略以及明星产品的管理与组织最好采用事业部形式，由对生产技术和销售两方面都很内行的经营者负责。

明星产品=baier_str.where((baier_str.交易增长幅度>=baier_str.交易增长幅度.mean()

)&(baier_str.交易金额>=baier_str.交易金额.mean())).dropna()

明星产品

金牛产品

高销售额占比，低销售增长率

现金牛产品（cash cow），又称厚利产品。它是指处于低增长率、高市场占有率象限内的产品群，已进入成熟期。其财务特点是销售量大，产品利润率高、负债比率低，可以为企业提供资金，而且由于增长率低，也无需增大投资。因而成为企业回收资金，支持其它产品，尤其明星产品投资的后盾。

把设备投资和其它投资尽量压缩；
采用榨油式方法，争取在短时间内获取更多利润，为其它产品提供资金。

对于这一象限内的销售增长率仍有所增长的产品，应进一步进行市场细分，维持现存市场增长率或延缓其下降速度。

金牛产品 = baier_str.where((baier_str.交易增长幅度<=baier_str.交易增长幅度.mean()

)&(baier_str.交易金额>=baier_str.交易金额.mean())).dropna()

金牛产品

问题产品

低销售额占比，高销售增长率

问题产品（question marks）。它是处于高增长率、低市场占有率象限内的产品群。前者说明市场机会大，前景好，而后者则说明在市场营销上存在问题。

其财务特点是利润率较低，所需资金不足，负债比率高。例如在产品生命周期中处于引进期、因种种原因未能开拓市场局面的新产品即属此类问题的产品。

对问题产品应采取选择性投资战略。因此，对问题产品的改进与扶持方案一般均列入企业长期计划中。

问题产品=baier_str.where((baier_str.交易增长幅度>=baier_str.交易增长幅度.mean()

)&(baier_str.交易金额<=baier_str.交易金额.mean())).dropna()

问题产品

瘦狗产品

低销售额占比，低销售增长率

瘦狗产品（dogs），也称衰退类产品。它是处在低增长率、低市场占有率象限内的产品群。其财务特点是利润率低、处于保本或亏损状态，负债比率高，无法为企业带来收益。

对这类产品应采用撤退战略：

首先应减少批量，逐渐撤退，对那些销售增长率和市场占有率均极低的产品应立即淘汰。
其次是将剩余资源向其它产品转移。
第三是整顿产品系列，最好将瘦狗产品与其它事业部合并，统一管理。

瘦狗产品 = baier_str.where((baier_str.交易增长幅度<=baier_str.交易增长幅度.mean()

)&(baier_str.交易金额<=baier_str.交易金额.mean())).dropna()

瘦狗产品

从以上结果，可以得到如下几点信息。

拜耳低明显产品不明显，增长缓慢的一个原因
潜力款产品较多，要考虑是否应该投入更多的营销资源去保持增长幅度，使得其转化为明显产品或金牛产品
潜力款产品较多，要考虑是否应该投入营销资源去保持增长幅度，使得其转化为明显产品或金牛产品
瘦狗产品：产品容量、外观设计问题，或是产品标题问题

波斯顿矩阵可视化

为了方便大家查看，可视化代码如下，代码比较简单，一个循环绘制四个字图。

ax = plt.figure(figsize=(8,8))

a = [问题产品,明星产品,瘦狗产品,金牛产品]

b = [‘问题产品’,‘明星产品’,‘瘦狗产品’,‘金牛产品’]

c = [‘b’,‘y’,‘r’,‘k’]

for i in range(len(a)):

ax.add_subplot(2,2,i+1)

plt.scatter(a[i].交易金额,a[i].交易增长幅度,c = c[i])

plt.title(b[i])

if i==0:

plt.ylim(baier_str.交易增长幅度.mean()-1,baier_str.交易增长幅度.max()+5)

plt.xlim(baier_str.交易金额.min()-100000,baier_str.交易金额.mean()+10000)

elif i==1:

plt.ylim(baier_str.交易增长幅度.mean()-1,baier_str.交易增长幅度.max()+5)

plt.xlim(baier_str.交易金额.mean()-10000,baier_str.交易金额.max()+2000000)

elif i==2:

plt.ylim(baier_str.交易增长幅度.min()-0.01,baier_str.交易增长幅度.mean()+0.01)

plt.xlim(baier_str.交易金额.min()-100000,baier_str.交易金额.mean()+10000)

elif i==3:

plt.ylim(baier_str.交易增长幅度.min()-0.01,baier_str.交易增长幅度.mean()+0.01)

plt.xlim(baier_str.交易金额.mean()-10000,baier_str.交易金额.max()+2000000)

科凌产品结构分析

通过对竞争对手产品结构分析，尤其是对手大流量产品，可以找出下一步市场增长点，拓展业务，减少推广风险。

对自家产品有相对增长减缓对产品，防止其他结构点品牌对自家产品对冲击。

同样读取数据，对销售数据进行处理，处理逻辑跟拜耳产品处理逻辑一样。结果如下所示。

keling_02 = pd.read_excel(‘./baier/电商案例数据/竞争数据/商品交易数据/科凌虫控全店商品交易数据.xlsx’)

keling_str = keling_02.groupby(‘商品’).agg({‘交易增长幅度’:np.mean,

‘支付转化指数’:np.mean,

‘交易金额’:np.sum})

keling_str[‘交易金额占比’] = keling_str.交易金额/keling_str.交易金额.sum()*100

keling_str

同样的方法分别计算明星产品，金牛产品，问题产品和瘦狗产品。

明星产品=keling_str.where((keling_str.交易增长幅度>=keling_str.交易增长幅度.mean()

)&(keling_str.交易金额>=keling_str.交易金额.mean())).dropna()

金牛产品=keling_str.where((keling_str.交易增长幅度<keling_str.交易增长幅度.mean()

)&(keling_str.交易金额>=keling_str.交易金额.mean())).dropna()

由此可见：

竞争产品：灭蟑螂21966057元，已造成威胁
拜耳未涉及产品：灭鼠、除螨产品也已达到两百多万

问题产品=keling_str.where((keling_str.交易增长幅度>=keling_str.交易增长幅度.mean()

)&(keling_str.交易金额<keling_str.交易金额.mean())).dropna()

瘦狗产品=keling_str.where((keling_str.交易增长幅度<keling_str.交易增长幅度.mean()

)&(keling_str.交易金额<keling_str.交易金额.mean())).dropna()

波斯顿矩阵可视化

科凌产品结构分析：

金牛产品明显，灭蟑产品对销售额与拜耳主营业务差距不是非常大。
科凌产品多样化，特别是灭鼠和除螨，拜耳还没有涉及大两大业务现金牛产品属性也很明显。
除螨产品增长迅速，满足了二级市场的第三大产品需求。

安速产品结构分析

最后一个安速产品，处理逻辑一致，就不过多阐述。

ansu_02 = pd.read_excel(‘./baier/电商案例数据/竞争数据/商品交易数据/安速全店商品交易数据.xlsx’)

ansu_02

ansu_str = ansu_02.groupby(‘商品’).agg({‘交易增长幅度’:np.mean,

‘支付转化指数’:np.mean,

‘交易金额’:np.sum})

ansu_str[‘交易金额占比’] = ansu_str.交易金额/ansu_str.交易金额.sum()*100

计算波斯顿矩阵中各个产品分布值及可视化

明星产品=ansu_str.where((ansu_str.交易增长幅度>=ansu_str.交易增长幅度.mean()

)&(ansu_str.交易金额>=ansu_str.交易金额.mean())).dropna()

金牛产品=ansu_str.where((ansu_str.交易增长幅度<ansu_str.交易增长幅度.mean()

)&(ansu_str.交易金额>=ansu_str.交易金额.mean())).dropna()

问题产品=ansu_str.where((ansu_str.交易增长幅度>=ansu_str.交易增长幅度.mean()

)&(ansu_str.交易金额<ansu_str.交易金额.mean())).dropna()

瘦狗产品=ansu_str.where((ansu_str.交易增长幅度<ansu_str.交易增长幅度.mean()

)&(ansu_str.交易金额<ansu_str.交易金额.mean())).dropna()

安速产品分析部分结果如下：

现金牛产品多，覆盖广
主营业务与拜耳构成冲突
安速现金牛和潜力产品覆盖了二级市场，跳蚤产品支付热度明显

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))

#配置词云的基本参数

my_cloud=WordCloud(

background_color=‘white’,

stopwords=stopwords,#也可用自带的停留词

font_path=‘/System/Library/Fonts/STHeiti Medium.ttc’,

width=1000,

height=500)

#用分好的词进行词云图生成

my_cloud.generate(text)

#显示词云

plt.rcParams[‘figure.figsize’]=(14,8)

plt.imshow(my_cloud)

plt.axis(‘off’)

plt.show()

Wordcloud(baier_03）

主题特征提取

本案例的主题特征提取其实就是提取用户评论中关键字。

关键字提取是从文本中提取跟内容最相关的词语，关键字抽取的结果常用于文档检索、文章标签编辑等，也经常用在文本聚类、文本分类、关键字摘要等方面。

关键字模型能生成简短的关于文档内容的指示性信息，将文档的主要内容或核心关键字呈现给用户，以决定是否要阅读文档的原文，这样能够节省大量的浏览时间并提高信息关键信息的展示能力。

文章关键字模型抽取应用场景:帖子、新闻、资讯、评论、问答的标签、内容和meta信息的产生。

文章关键字模型抽取常用方法:通过词频统计、TF-IDF模型获得文本的主要关键字。

这里我们使用的是jieba分词中的主题特征提取函数jieba.analyse.extract_tags。具体代码如下。

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

我们取主题评分最高的前15个作为本次分析的对象。

(‘蟑螂’, 0.53339416054279),

(‘效果’, 0.32093429997410744),

(‘好评’, 0.18237001476358497),

(‘双十’, 0.13505752082213712),

(‘不错’, 0.1224331453720733),

(‘小强’, 0.11686764891551786),

(‘满意’, 0.08728920885818746),

(‘湿巾’, 0.0839275253212345),

(‘追评’, 0.0675780074015135),

(‘收到’, 0.0657725962627024),

(‘没用’, 0.06424569614348834),

(‘划算’, 0.05729263019878829),

(‘好用’, 0.057249479004923415),

(‘尸体’, 0.05667847597855945),

(‘湿纸巾’, 0.05449755096973013)]

为了更加方便分析结果。我们将上面15个主题进行可视化分析。简单地绘制了如下横向柱状图。

plt.figure(figsize=(8,6))

top15 = pd.DataFrame(top15)

plt.barh(top15.iloc[:,0],top15.iloc[:,1])

科凌舆情分析

keling_03 = pd.read_excel(‘./baier/电商案例数据/竞争数据/评论舆情数据/科林虫控.xlsx’)

keling_03.head()

from text_analy import clean

text_02=clean(keling_03)

text_02

词频分析

Wordcloud(text_02)

主题特征提取

stopwords = pd.read_table(‘./baier/文本/stopwords.txt’

,quoting=3,names=[‘stopword’])

from theam_extract_02 import extract

extract(text_02,stopwords)

科凌灭蟑产品好评居多，但是差评比拜耳稍微多点。

安速舆情分析

ansu_03 = pd.read_excel(‘./baier/电商案例数据/竞争数据/评论舆情数据/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)

安速灭蟑产品负面评论极少，灭蟑产品优化方面可以考察安速。

产品流量分析

流量（Traffic）是企业获得用户的第一步，对于大多数需要“自力更生”企业而言，流量几乎是企业运营的命脉之一，没有流量就没有一切。流量数据化运营要解决的本质问题是如何通过数据获得更多流量以及有效流量，然后完成最大化的营销转化目标。

这里列举八大流量分析工具：

这里介绍一些市场上主流的流量分析工具，它们可以提供流量数据的跟踪、采集、配置、处理、分析和整合功能，其中有免费也有付费的。

Adobe Analytics
Webtrekk Suite
Webtrends
Google Analytics
IBM Coremetrics
百度统计
Flurry
友盟

无流量不电商，没有流量大电商就犹如线下在荒郊野外开了一个购物中心，虽然硬件都不错，但是没人光顾。流量大来源需要细分，细分包括多地理属性的细分、渠道来源的细分、时间属性的细分、推广内容的细分等，其中流量来源渠道是其中的重点，也算最复杂的一部分。

细分完后的流量可以通过数据对比找到流量的主要来源，接下来要做的就是实时监控主要渠道流量的对比和趋势变化。对比可以和竞争对手对比，和类目流量对比等。

本案例流量分析，主要细分各个品牌官方旗舰店流量来源渠道及交易指数，通过横向比较各个流量来源的交易指数大小，及纵向比较不同品牌商各流量渠道交易指数，从而完成竞品分析的一部分。

拜耳流量分析

baier_04 = pd.read_excel(‘./baier/电商案例数据/拜耳店铺数据/拜耳官方旗舰店流量渠道.xlsx’)

del baier_04[‘交易指数.1’]

baier_04.set_index(‘流量来源’,inplace=True)

baier_04.head()

top10 = baier_04.sort_values(‘交易指数’,ascending=False)[:10]

top10.plot(kind=‘barh’,figsize=(10,6))

科凌流量分析

kelin=pd.read_excel(‘./baier/电商案例数据/竞争数据/流量渠道数据/科凌虫控旗舰店流量渠道.xlsx’)

kelin[‘交易占比’]=kelin.交易指数/kelin.交易指数.sum()*100

top10=kelin.sort_values(‘交易指数’,ascending=False).reset_index(drop=True).iloc[0:10,:]

top10.index=top10[‘流量来源’]

top10.drop([‘流量来源’,‘交易占比’],axis=1,inplace=True)

top10.plot(kind=‘barh’);

安速流量分析

ansu=pd.read_excel(‘./baier/电商案例数据/竞争数据/流量渠道数据/安速家居旗舰店流量渠道.xlsx’)

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以扫码获取！！！（备注：Python）

家居旗舰店流量渠道.xlsx’)

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

[外链图片转存中…(img-rCUu4yIS-1713753973938)]

[外链图片转存中…(img-Tw18ARkH-1713753973939)]

[外链图片转存中…(img-jzWlQakU-1713753973939)]

[外链图片转存中…(img-pKt4uqug-1713753973940)]

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，基本涵盖了95%以上前端开发知识点，真正体系化！