资源描述
大数据 全洞察2018女装消费者趋势（精简版）大数据 全洞察2015 2016 20172015-2017 淘系女装消费者人数变化2015 2016 20172015-2017 淘系女装人均年消费金额走势 淘系女装消费者人数逐年提升，人口红利持续增长； 线上女装人均年消费金额逐年提升，且增长率提高，消费者购买能力提升显著。淘系女装人口红利持续增长， 但 推动线上 女装消费的主要 动力是消费者购买能力的显著提升大数据 全洞察2015 2016 20172015-2017 淘系女装年人均 购买件数人均购买件数2015 2016 20172015-2017 淘系女装件均价件均价 2015-2017期间，淘系女装人均购买件数逐年稳定提升，提升幅度较小； 2015-2016淘系女装件均价略有降低，而 2016-2017年件均价显著提升，相比之前，如今的消费者更愿意在单件商品上花费更多的金钱。相比人均购买件数的小幅提升，件均价的提升更为显著，成为消费者购买能力提升的主要表现大数据 全洞察注：不同色块代表 不同品牌档次， 色块纵向宽度代表人数；从左到右 为品类档次的购买 顺序，两顺序之间的色块连线代表相应人数 的品牌档次流转大量女装用户从低端品牌尝试首购，随着购物加深，逐步流向高端品牌2016-2017 女装持续购买用户品牌档次发生变化的前五次变化方向第一次 第二次 第三次 第四次 第五次大数据 全洞察新客购物件单价较老客显著更低，但整体单品价格承受力走高；淘品牌 KA依托 于其线上知名度，以低件单价保证了其平台新客的掘取力2015 2016 2017 2015 2016 2017老客 新客2015-2017 女装各类商家的新老客件单价变化国际高端 KA 熟女 KA 设计师 KA 品类 KA 少淑 KA 海外国际 KA 国际时尚 KA 淘品牌 KA大数据 全洞察大数据 全洞察用户购物篮中品类选择逐年多样，搭配购买成为潜在机会点注：圆圈 大小 代表支持度（ support） 越大表示关联规则越重要； 颜色 深浅 代表提升度（ lift） 越深表示条件概率作用越强； 箭头 代表 不同 品类 间联系的方向性注：支持 度 范围： 2015年 0.201-0.312； 2016年 0.200-0.336； 2017年 0.201-0.516（即品类间出现相关品类组合的概率均在 20%以上）注：提升度范围： 2015年 1.245-1.410； 2016年 1.200-1.445； 2017年 1.125-1.462 消费者购物篮逐年复杂， 顾客 从 2015年以单品购买为主模式逐步向全品搭配演化，到 2017年已形成庞大关联链条； 顾客在购买牛仔裤的情况下，同年购买 T恤的概率大幅提升；类似的组合还有半身裙对连衣裙，牛仔裤对毛针织衫等。裤子连衣裙T恤牛仔裤衬衫半身裙毛针织衫蕾丝衫 /雪纺衫毛呢外套短外套，毛针织衫半身裙套装校服工作制服连衣裙裤子牛仔裤T恤卫衣绒衫毛衣衬衫毛衣牛仔裤毛针织衫 T恤 套装校服工作制服连衣裙裤子蕾丝衫雪纺衫卫衣绒衫短外套衬衫毛呢外套半身裙2015年购物篮分析 2016年购物篮分析 2017年购物篮分析大数据 全洞察购买组合 增幅毛针织衫 =裤子 0.05卫衣 /绒衫 =裤子 0.05牛仔裤 =裤子 0.05T恤 ,毛针织衫 =裤子 0.05裤子 ,毛针织衫 =T恤 0.05T恤 ,牛仔裤 =裤子 0.05裤子 ,牛仔裤 =T恤 0.05毛衣 =裤子 0.04T恤 ,毛衣 =裤子 0.04裤子 ,毛衣 =T恤 0.04女装穿搭风格改变，柔和随性式搭配畅行， OL式搭配减少购买组合 支持度T恤 =裤子 0.52牛仔裤 =T恤 0.37裤子 ,连衣裙 =T恤 0.35套装 /制服 =裤子 0.27短外套 =T恤 0.26卫衣 /绒衫 =T恤 0.24T恤 ,连衣裙 ,毛针织衫 =裤子 0.23裤子 ,连衣裙 ,毛针织衫 =T恤 0.23毛针织衫 ,牛仔裤 =裤子 0.22T恤 ,卫衣 /绒衫 =裤子 0.222017关联购买 高 支持度组合 新增 Top10高支持度：支持度超过 0.2的组合 2017年新增的支持度超过 0.2的搭配方式中， T恤、毛针织衫成为上装百搭新潮； 高支持度中上升最快和最慢的 Top搭配中，发现衬衫、毛呢、套装 /制服等类型不再是消费者搭配首选。2017关联购买支持度 上升 Top10组合 2017关联购买支持度 下降 Top10组合购买组合 增幅毛呢外套 =裤子 -0.02蕾丝衫 /雪纺衫 =裤子 -0.01连衣裙 ,套装 /制服 =裤子 -0.01衬衫 ,连衣裙 =T恤 -0.01衬衫 ,连衣裙 =裤子 -0.01T恤 ,套装 /制服 =裤子 0.00裤子 ,套装 /制服 =T恤 0.00T恤 ,衬衫 =裤子 0.00衬衫 ,裤子 =T恤 0.00衬衫 =裤子 0.00大数据 全洞察5.65.75.93.84.24.3MAT 2015 MAT 2016 MAT 20172014Q4-2017Q1 女装行业新老客平均购买品类数老客 新客 无论新老客，年均购买品类数都逐节攀升，老客涉足品类比新客更广； 随着女装平台成熟渐高，用户对线上消费信心升级，行业新客购买女装的品类数提升迅猛，新老客差异正在缩减。女装用户在行业内的单品类尝新逐步演化为对所有女装品类的全盘选购大数据 全洞察注：不同 色块 代表 不同品类，色块纵向宽度代表 人数；从左到右为品类购买顺序，两顺序之间的色块连线代表相应人数的品类流转新客的服装购买首选为裤子，其次为 T恤；中高价品类如羽绒服、毛呢外套多在积累两三次购物经验后尝试2016-2017 女装多二级类目购买用户的主要品类选择顺序第一次 第二次 第三次 第四次 第五次 第六次 第七次大数据 全洞察T恤 裤子 牛仔裤 衬衫 毛针织衫 毛衣 连衣裙 毛呢外套 羽绒服2014-2017 淘系女装重点品类件均价变化2014 2015 2016 20172014-2017年高单价品类的件均价逐年上涨，其余品类的件均价小幅波动大数据 全洞察除质量外，用户评价反应的四季需求略有差异：热重面料、冷重外观2017Q22017Q12017Q42017Q3适合 /尺码材质 /功能舒适 /触感美观 /档次外来评价服务 /售后物流 /速度价格 /预期2017 女装消费者四季评价演化Q1 Q2 Q3 Q4评论词词云展示已剔除品类、态度及质量等大词大数据 全洞察消费者在淘系平台选购的品类从最初的聚焦女装逐年向多元采购迈进01234MAT 2015 MAT 2016 MAT 20172014Q4-2017Q3 女装消费者在其他行业人均购物行业数老客平均 新客平均 人均行业数1 2 3 4 5 6 7 8 9 102014Q4-2017Q3 女装消费者购买不同其他行业数量的人数分布情况MAT 2015 MAT 2016 MAT 2017其他行业范围为 10个阿里一级类目，涉及美妆、母婴、箱包、女鞋四大 类型；跨行业数即涉及这 10个 一级类目的个数 女装用户在美妆、母婴、箱包、女鞋相关的 10个行业中，多元采购趋势加大，人均年购买行业众数从 3提升为 4； 多行业并进已成为全网模式： 2015年新老客人均购买行业数相差 1.1，至 2017年这一差值缩小至 0.8。大数据 全洞察女装用户在女鞋、箱包、美护类目上，人数重合及消费贡献均表现突出 女装消费者在女鞋类目人数分布最多，其次是箱包和美护。 女装消费者在美护行业销售额贡献最高。 婴儿食品是女装消费者最舍得花钱的类目。2017 女装用户数重合 Top5类目 2017 女装用户销售额 Top5类目 2017 女装用户件单价 Top5类目大数据 全洞察完整报告 扫码 查看大数据 全洞察数据说明1. 数据来源于阿里巴巴平台大数据 ， 汇集 4.54亿 消费者、超过 1000万商家、 10亿件商品的基本信息和行为 数据， 全方位 洞察消费特征和行业趋势，助力商业决策 。2. 为了 保护消费者隐私和商家机密，本报告所用数据均经过脱敏处理。大数据 全洞察 本 数据报告页面内容、页面设计的所有内容（包括但不限于文字、图片、图表、标志、标识、商标、商号等）版权均归上海第一财经数据科技有限公司（以下简称“我司”）所有。 凡未经我司书面授权，任何单位或个人不得复制、转载、重制、修改、展示或以任何形式提供给第三方使用本数据报告的局部或全部的内容。 任何单位或个人违反前述规定的，均属于侵犯我司版权的行为，我司将追究其法律责任，并根据实际情况追究侵权者赔偿责任。版权声明大数据 全洞察第一 财经商业数据中心 （ CBNData） 是基于大数据进行智能化商业研究咨询与整合营销传播的战略数据平台 ， 依托阿里巴巴和第一财经的优势资源 ， 拥有全球最大消费者 数据库 和中国最大的财经全媒体集群 。 第一财经商业数据中心（ CBNData） 以商业数据报告 /微报告 、 数据指数 、 定制化咨询等为核心产品 ， 输出消费行业的全景分析以及面向企业和消费者的深度数据洞察；同时通过数据可视化 、 原生内容 、 活动 、 视频 /直播等形式拓展数据研究的业务边界 ，丰富数据商业化的应用场景 ， 以数据加媒体的倍增效应 ， 全面提升中国商业世界的运行效率 。报告作者 ：夏志成、周建、阳文罡视觉设计：庄聪婷联系 我们： Datadtcj商务合作： BDdtcj加入我们 ： jobdtcj第一财经商业数据中心介绍：大数据 全洞察大数据 全洞察
展开阅读全文