1.分析背景
淘寶、京東、亞馬遜等主流電商平臺(tái)逐漸成為了我們?nèi)粘I钪薪?jīng)常接觸的平臺(tái),而用戶(hù)的購(gòu)買(mǎi)行為的數(shù)據(jù)則成為了分析用戶(hù)習(xí)慣、特征的最可靠的數(shù)據(jù)來(lái)源。本文主要通過(guò)Mysql對(duì)龐雜的用戶(hù)數(shù)據(jù)進(jìn)行分析,探討用戶(hù)行為體現(xiàn)出的購(gòu)買(mǎi)趨勢(shì),并通過(guò)AARRR漏斗模型等方法對(duì)數(shù)據(jù)進(jìn)行研究,結(jié)合excel進(jìn)行可視化分析,為商家提供有理論、數(shù)據(jù)支撐的運(yùn)營(yíng)建議和策略參考。
2.研究問(wèn)題
本文將對(duì)以下研究問(wèn)題進(jìn)行分析探討:
商品方面:
哪些商品銷(xiāo)量最好?分析熱銷(xiāo)商品的類(lèi)別和具體的商品ID。
這些商品的購(gòu)買(mǎi)數(shù)據(jù)有何特征?哪些商品的轉(zhuǎn)化率較高、哪些較低?
用戶(hù)方面:
各階段用戶(hù)的轉(zhuǎn)化率如何?是什么原因?qū)е铝烁麟A段的轉(zhuǎn)化率較高/較低?
核心付費(fèi)用戶(hù)占比多少?核心付費(fèi)用戶(hù)更喜愛(ài)購(gòu)買(mǎi)哪些商品?
用戶(hù)的購(gòu)買(mǎi)時(shí)間有什么規(guī)律?從每天、每周的角度考慮是否存在顯著的規(guī)律?
本文中涉及、使用的指標(biāo)體系如下圖所示:
3. 數(shù)據(jù)介紹
3.1.數(shù)據(jù)來(lái)源
本文中使用的淘寶用戶(hù)數(shù)據(jù)來(lái)源于天池,包含2017年11月25日至2017年12月3日之間,有行為的約一百萬(wàn)隨機(jī)用戶(hù)的所有行為(行為包括點(diǎn)擊、購(gòu)買(mǎi)、加購(gòu)、喜歡)。
User Behavior Data from Taobao for Recommendation-數(shù)據(jù)集-阿里云天池?tianchi.aliyun.com/dataset/dataDetail?dataId=649&userId=1
3.2.數(shù)據(jù)介紹
在本文中,我們選取了前10萬(wàn)條數(shù)據(jù),詳細(xì)的字段信息,數(shù)據(jù)大小如下表所示:
其中,用戶(hù)的行為類(lèi)型共4種,分別為:pv(瀏覽商品詳情頁(yè))、buy(購(gòu)買(mǎi)商品)、cart(將商品放入購(gòu)物車(chē))、fav(收藏商品)
3.3 數(shù)據(jù)處理
3.3.1 日期數(shù)據(jù)處理
首先我們需要將epoch格式的時(shí)間戳數(shù)據(jù)分開(kāi)處理為“日期”和“時(shí)間”兩列,使用的sql語(yǔ)句如下所示:
#在userbehavior表增加date和time兩列字段:
alter table userbehavior add date char(10) not null;
alter table userbehavior add time char(10) not null;
#將date和time設(shè)置來(lái)源為時(shí)間戳數(shù)據(jù)并給定數(shù)據(jù)格式:
update userbehavior set date=from_unixtime(timestamps,'%y-%m-%d');
update userbehavior set time=from_unixtime(timestamps,'%H:%i:%s');
結(jié)果如圖所示:
3.3.2 缺失值、異常值處理
(1)首先我們檢查是否有不在給定日期范圍的數(shù)據(jù):
SELECt
*
FROM
userbehavior
WHERe
date < '17-11-25' OR date > '17-12-03';
結(jié)果顯示共有44條記錄符合給定的sql查詢(xún)語(yǔ)句,之后我們將這些記錄刪除。
如上圖所示,成功刪去了不在給定時(shí)間范圍的異常值;
(2)使用如下語(yǔ)句,通過(guò)更改列名排查是否存在含有空值的列:
SELECt
*
FROM
userbehavior
WHERe
user_id = NULL;
結(jié)果顯示剩余的記錄中不存在含有空值的列;
(3)由于原始數(shù)據(jù)中包含用戶(hù)的所有相關(guān)行為,所以同一用戶(hù)id下可能包含有多條信息,因此這里我們不對(duì)重復(fù)值進(jìn)行處理。
4.AARRR模型指標(biāo)分析
每日活躍點(diǎn)擊量PV
首先我們通過(guò)如下sql語(yǔ)句對(duì)每日活躍點(diǎn)擊量進(jìn)行統(tǒng)計(jì)
SELECt
date,
count(*) AS PV
FROM
userbehavior
WHERe
behavior = 'PV'
GROUP BY
date
ORDER BY
date ASC;
結(jié)果導(dǎo)入excel并繪成柱狀圖后如下所示
從中我們可以發(fā)現(xiàn)12月2日、3日的瀏覽量較高,結(jié)合下圖日期對(duì)應(yīng)的星期數(shù)我們預(yù)測(cè)這兩日的較高數(shù)值是因?yàn)檎抵苣?,主要?gòu)買(mǎi)群體上班族、學(xué)生都有足夠的時(shí)間瀏覽、購(gòu)買(mǎi)。之后我們會(huì)結(jié)合每日訪(fǎng)客量UV和平均訪(fǎng)問(wèn)量一同分析。
每日訪(fǎng)客量UV
我們使用如下語(yǔ)句對(duì)每日有記錄的用戶(hù)id進(jìn)行統(tǒng)計(jì):
SELECt
date,
count( DISTINCT user_id ) AS UV
FROM
userbehavior
GROUP BY
date
ORDER BY
date ASC;
結(jié)果導(dǎo)入excel并繪成柱狀圖后如下所示:
平均訪(fǎng)問(wèn)量PV/UV
通過(guò)計(jì)算每日的PV/UV的值,我們得到了如下平均訪(fǎng)問(wèn)量的折線(xiàn)圖:
對(duì)應(yīng)到UV,平均訪(fǎng)問(wèn)量中我們可以發(fā)現(xiàn)2017年12月2日、3日的各項(xiàng)指標(biāo)同樣較為突出,我們首先懷疑這是由于周末節(jié)假日用戶(hù)的瀏覽、購(gòu)買(mǎi)意愿較強(qiáng),但是同樣是周末的11月25日、26日相較于其他日期并不突出,受限于數(shù)據(jù)的有效時(shí)間范圍,我們沒(méi)有更多的日期數(shù)據(jù)以供分析,但是通過(guò)查詢(xún)對(duì)應(yīng)日期的信息,我們發(fā)現(xiàn),2017年12月1日-6日正值淘寶“服飾煥新”活動(dòng),再次觀察數(shù)據(jù),我們發(fā)現(xiàn)不管是UV,PV,還是平均訪(fǎng)問(wèn)量,我們都可以看到12月1日之后各項(xiàng)指標(biāo)的增長(zhǎng),因此,盡管周末假期可能是導(dǎo)致指標(biāo)增長(zhǎng)的原因,我們更傾向于是節(jié)日活動(dòng)導(dǎo)致了數(shù)據(jù)的增長(zhǎng)。
每小時(shí)點(diǎn)擊量
為分析不同時(shí)間段點(diǎn)擊量是否存在差異,我們將24小時(shí)的點(diǎn)擊量通過(guò)如下語(yǔ)句分別匯總:
SELECt
sum( CASE WHEN time BETWEEN '00:00:00' AND '00:59:59' THEN 1 ELSE 0 END ) AS '00',
sum( CASE WHEN time BETWEEN '01:00:00' AND '01:59:59' THEN 1 ELSE 0 END ) AS '01',
sum( CASE WHEN time BETWEEN '02:00:00' AND '02:59:59' THEN 1 ELSE 0 END ) AS '02',
sum( CASE WHEN time BETWEEN '03:00:00' AND '03:59:59' THEN 1 ELSE 0 END ) AS '03',
sum( CASE WHEN time BETWEEN '04:00:00' AND '04:59:59' THEN 1 ELSE 0 END ) AS '04',
sum( CASE WHEN time BETWEEN '05:00:00' AND '05:59:59' THEN 1 ELSE 0 END ) AS '05',
sum( CASE WHEN time BETWEEN '06:00:00' AND '06:59:59' THEN 1 ELSE 0 END ) AS '06',
sum( CASE WHEN time BETWEEN '07:00:00' AND '07:59:59' THEN 1 ELSE 0 END ) AS '07',
sum( CASE WHEN time BETWEEN '08:00:00' AND '08:59:59' THEN 1 ELSE 0 END ) AS '08',
sum( CASE WHEN time BETWEEN '09:00:00' AND '09:59:59' THEN 1 ELSE 0 END ) AS '09',
sum( CASE WHEN time BETWEEN '10:00:00' AND '10:59:59' THEN 1 ELSE 0 END ) AS '10',
sum( CASE WHEN time BETWEEN '11:00:00' AND '11:59:59' THEN 1 ELSE 0 END ) AS '11',
sum( CASE WHEN time BETWEEN '12:00:00' AND '12:59:59' THEN 1 ELSE 0 END ) AS '12',
sum( CASE WHEN time BETWEEN '13:00:00' AND '13:59:59' THEN 1 ELSE 0 END ) AS '13',
sum( CASE WHEN time BETWEEN '14:00:00' AND '14:59:59' THEN 1 ELSE 0 END ) AS '14',
sum( CASE WHEN time BETWEEN '15:00:00' AND '15:59:59' THEN 1 ELSE 0 END ) AS '15',
sum( CASE WHEN time BETWEEN '16:00:00' AND '16:59:59' THEN 1 ELSE 0 END ) AS '16',
sum( CASE WHEN time BETWEEN '17:00:00' AND '17:59:59' THEN 1 ELSE 0 END ) AS '17',
sum( CASE WHEN time BETWEEN '18:00:00' AND '18:59:59' THEN 1 ELSE 0 END ) AS '18',
sum( CASE WHEN time BETWEEN '19:00:00' AND '19:59:59' THEN 1 ELSE 0 END ) AS '19',
sum( CASE WHEN time BETWEEN '20:00:00' AND '20:59:59' THEN 1 ELSE 0 END ) AS '20',
sum( CASE WHEN time BETWEEN '21:00:00' AND '21:59:59' THEN 1 ELSE 0 END ) AS '21',
sum( CASE WHEN time BETWEEN '22:00:00' AND '22:59:59' THEN 1 ELSE 0 END ) AS '22',
sum( CASE WHEN time BETWEEN '23:00:00' AND '23:59:59' THEN 1 ELSE 0 END ) AS '23'
FROM
userbehavior
WHERe
behavior = 'PV';
將結(jié)果導(dǎo)出并整理后我們得到了如下所示的折線(xiàn)圖:
在對(duì)分時(shí)點(diǎn)擊量進(jìn)行分析時(shí),我們可以看到每日3點(diǎn)為最低值,21點(diǎn)左右為最高值。這與通常人作息習(xí)慣大致相同,21點(diǎn)左右夜間消費(fèi)者的瀏覽欲望最強(qiáng),而在3點(diǎn)左右,基本的用戶(hù)群體,不論是學(xué)生、上班族還是中老年人基本在這個(gè)時(shí)間段已經(jīng)開(kāi)始休息。因此我們繼續(xù)了解了淘寶的推薦機(jī)制,常見(jiàn)的推廣方式包括直通車(chē)、鉆展、交換友情鏈接、寶貝類(lèi)目?jī)?yōu)化、社交平臺(tái)推廣、自然搜索排名等,絕大部分都可以設(shè)置開(kāi)始推送的時(shí)間,并且針對(duì)包含一定共同特征的群體進(jìn)行定向推廣,因此參考上文的結(jié)論,我們可以提出如下建議,在上架、下架時(shí)間上應(yīng)考慮到瀏覽集中密集的時(shí)段,在設(shè)定目標(biāo)群體時(shí),若主要客戶(hù)群體為上班族,應(yīng)考慮在周末,以及工作日晚九點(diǎn)左右進(jìn)行推廣。
漏斗模型
首先,使用如下sql語(yǔ)句對(duì)4種不同的用戶(hù)行為進(jìn)行計(jì)數(shù)統(tǒng)計(jì):
SELECt
behavior,
count(*)
FROM
userbehavior
GROUP BY
behavior
ORDER BY
count(*) DESC;
將結(jié)果轉(zhuǎn)化為漏斗圖并計(jì)算相應(yīng)占比后得到如下圖表:
其中,圖片左側(cè)為對(duì)應(yīng)的用戶(hù)行為,模型中白色數(shù)字為具體行為數(shù),白色數(shù)字左側(cè)占比為該類(lèi)行為占所有行為總數(shù)的比重,右側(cè)占比為該列行為占上列行為的比重,即我們通常說(shuō)的轉(zhuǎn)化率,從圖中我們可以看出,購(gòu)買(mǎi)行為占整體比重約為2.1%,占瀏覽行為的比重約為2.34%,根據(jù)調(diào)查,排除行業(yè)因素對(duì)轉(zhuǎn)化率的影響,大型電商平臺(tái)的轉(zhuǎn)化率一般都在1%-3%左右,但是考慮到電商平臺(tái)相較于實(shí)體店鋪的特殊性,即用戶(hù)很難在購(gòu)買(mǎi)前實(shí)際體驗(yàn)商品,并且電商平臺(tái)為用戶(hù)提供了更多的商品選擇,這一結(jié)果大致是合理的,因此我們認(rèn)為針對(duì)數(shù)據(jù)中2%左右的轉(zhuǎn)化率,商家應(yīng)該關(guān)注于自身店鋪的各項(xiàng)方面以提高對(duì)顧客的吸引力,比如商家應(yīng)注意自身店鋪的包裝、宣傳、關(guān)于免運(yùn)費(fèi)的設(shè)定、店鋪宣傳圖、商品詳情頁(yè)的構(gòu)建等方面。
獨(dú)立用戶(hù)行為統(tǒng)計(jì)
注意到上文我們并沒(méi)有統(tǒng)計(jì)獨(dú)立用戶(hù)個(gè)數(shù),而是統(tǒng)計(jì)了所有用戶(hù)行為,某一用戶(hù)可能既瀏覽,又繼續(xù)收藏、喜愛(ài),最后購(gòu)買(mǎi)。因此我們繼續(xù)研究相應(yīng)的獨(dú)立用戶(hù)行為統(tǒng)計(jì),sql查詢(xún)語(yǔ)句如下所示:
SELECt
behavior,
count( DISTINCT user_id )
FROM
userbehavior
GROUP BY
behavior
ORDER BY
count( DISTINCT user_id ) DESC;
將得到的結(jié)果導(dǎo)出并處理后,我們得到了如下圖表:
從獨(dú)立用戶(hù)數(shù)目統(tǒng)計(jì)來(lái)看,有購(gòu)買(mǎi)行為的用戶(hù)占總用戶(hù)數(shù)的占比約為24.51%,占瀏覽用戶(hù)數(shù)的占比約為68.47%,這證明了絕大部分用戶(hù)(大于50%)都有或多或少的購(gòu)買(mǎi)行為,這說(shuō)明用戶(hù)并非只在淘寶平臺(tái)瀏覽而并不購(gòu)買(mǎi),因此我們認(rèn)為,平臺(tái)若要提升轉(zhuǎn)化率,應(yīng)進(jìn)一步完善商品搜索機(jī)制和商品排序,提升用戶(hù)的搜索體驗(yàn),提供更智能的匹配結(jié)果。
跳失率
在獨(dú)立用戶(hù)行為統(tǒng)計(jì)的基礎(chǔ)上,我們需進(jìn)一步通過(guò)如下語(yǔ)句統(tǒng)計(jì)只有瀏覽的用戶(hù)數(shù):
SELECt
count( DISTINCT user_id )
FROM
userbehavior
WHERe
user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'fav' )
AND user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'cart' )
AND user_id NOT IN ( SELECt DISTINCT user_id FROM userbehavior WHERe behavior = 'buy' );
結(jié)果證明共有69個(gè)用戶(hù)僅有瀏覽行為,考慮到用戶(hù)總數(shù)為983.我們可以計(jì)算出對(duì)應(yīng)的跳失率=只有瀏覽行為的用戶(hù)數(shù)/用戶(hù)總數(shù) = 7.02%,之后我們進(jìn)一步統(tǒng)計(jì)了復(fù)購(gòu)率,有購(gòu)買(mǎi)行為的用戶(hù)數(shù)為671.有多次購(gòu)買(mǎi)的用戶(hù)數(shù)為442.復(fù)購(gòu)率為65.87%,百分之六十五的用戶(hù)存在復(fù)購(gòu)行為,可見(jiàn)轉(zhuǎn)化率低并不是用戶(hù)黏性降低導(dǎo)致的。
熱銷(xiāo)商品類(lèi)別和商品ID分析
a.熱銷(xiāo)商品類(lèi)別、用戶(hù)群體分析:
首先我們進(jìn)一步通過(guò)如下語(yǔ)句對(duì)商品銷(xiāo)售數(shù)量進(jìn)行了研究:
SELECt
category_id,
count(category_id)
FROM
userbehavior
GROUP BY
category_id
ORDER BY
count(category_id) DESC;
在將結(jié)果導(dǎo)出并整理后我們得到了如下所示的商品銷(xiāo)售數(shù)量前十的商品類(lèi)別id以及對(duì)應(yīng)的銷(xiāo)量:
第二,我們使用了如下語(yǔ)句對(duì)用戶(hù)的購(gòu)買(mǎi)數(shù)量同樣進(jìn)行了統(tǒng)計(jì)排序,相應(yīng)的語(yǔ)句,圖標(biāo)如下所示:
SELECt
user_id,
count(user_id)
FROM
userbehavior
WHERe
behavior = 'buy'
GROUP BY
user_id
ORDER BY
count(user_id) DESC
第三,我們還可以分析購(gòu)買(mǎi)次數(shù)較多的用戶(hù)主要購(gòu)買(mǎi)哪類(lèi)商品:
SELECt
category_id,
count( category_id )
FROM
userbehavior
WHERe
behavior = 'buy'
AND user_id IN ( '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' )
GROUP BY
category_id
ORDER BY
count( category_id ) DESC;
總結(jié):我們需要額外重視ID為3002561的商品類(lèi)別,雖然該類(lèi)商品在總計(jì)商品銷(xiāo)量排名中位于第十位,但是該類(lèi)商品卻是銷(xiāo)量較多用戶(hù)購(gòu)買(mǎi)數(shù)量最多的商品,可見(jiàn)該類(lèi)商品的用戶(hù)黏性較強(qiáng),復(fù)購(gòu)率較高。我們還應(yīng)注意4145813、2355072這兩類(lèi)商品,也為在“商品銷(xiāo)量排名前十”和“較多購(gòu)買(mǎi)用戶(hù)購(gòu)買(mǎi)的商品前十”兩表中重復(fù)出現(xiàn)的商品類(lèi)別。除此以外,如果有關(guān)于用戶(hù)的具體信息,還可以進(jìn)一步對(duì)用戶(hù)群體進(jìn)行畫(huà)像,為下一步精準(zhǔn)推送提供幫助,該處更多用戶(hù)信息有待補(bǔ)充。
b. 熱銷(xiāo)商品分析
首先我們使用如下語(yǔ)句對(duì)各種商品的瀏覽次數(shù)進(jìn)行統(tǒng)計(jì):
SELECt
item_id,
count( item_id )
FROM
userbehavior
WHERe
behavior = 'PV'
GROUP BY
item_id
ORDER BY
count( item_id ) DESC;
將得到的結(jié)果導(dǎo)出到EXCEL并繪制成圖標(biāo)后我們得到下圖:
之后我們使用如下語(yǔ)句對(duì)購(gòu)買(mǎi)量前十的商品ID同樣進(jìn)行統(tǒng)計(jì)并繪圖:
SELECt
item_id,
count( item_id )
FROM
userbehavior
WHERe
behavior = 'buy'
GROUP BY
item_id
ORDER BY
count( item_id ) DESC;
通過(guò)比較上述語(yǔ)句得到的圖表,我們可以看出瀏覽量較高的商品并沒(méi)有出現(xiàn)在購(gòu)買(mǎi)數(shù)量前十商品中,因此我們需要進(jìn)一步分析是什么原因?qū)е铝诉@些商品瀏覽量高但是購(gòu)買(mǎi)量并不出色,以及購(gòu)買(mǎi)數(shù)量較高的商品,其轉(zhuǎn)化率較高的原因,這里我們推測(cè)瀏覽量較多的商品應(yīng)該商品詳情頁(yè),商品縮略圖較為精致,但是可能價(jià)格偏高,售后,商品質(zhì)量存在問(wèn)題,這些推斷有待更多詳細(xì)的數(shù)據(jù)以進(jìn)一步分析。
5. 結(jié)論
a.用戶(hù)方面:從瀏覽到收藏、喜愛(ài)的轉(zhuǎn)化率為9.13%,從瀏覽到購(gòu)買(mǎi)的轉(zhuǎn)化率為2.34%,但是主要瀏覽、購(gòu)買(mǎi)的時(shí)間大多為工作日的睡覺(jué)前和周末,因此我們認(rèn)為商家應(yīng)關(guān)注商品介紹頁(yè)面的完善,多參與淘寶的各項(xiàng)活動(dòng)、多渠道增加自身產(chǎn)品推廣,并且最好將推廣時(shí)間設(shè)定為用戶(hù)瀏覽最多的時(shí)段,以提高自身產(chǎn)品的吸引力,增強(qiáng)用戶(hù)的購(gòu)買(mǎi)欲望。絕大部分用戶(hù)都有復(fù)購(gòu)行為,但是用戶(hù)行為以瀏覽為主,轉(zhuǎn)化率并不高,因此除商家外,我們認(rèn)為對(duì)于平臺(tái)也應(yīng)進(jìn)一步完善競(jìng)價(jià)排名和商品推薦機(jī)制。
b.商品方面,我們注意到核心用戶(hù)群體(用戶(hù)ID分別為 '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' )喜愛(ài)的3002561、4145813和2355072這三類(lèi)商品也同時(shí)出現(xiàn)在商品銷(xiāo)售量前十的圖表中,因此我們認(rèn)為接下來(lái)的研究可以進(jìn)一步這三類(lèi)商品進(jìn)行分析,探討其購(gòu)買(mǎi)率高的原因。而對(duì)于具體的商品,1910706、4395247、667682、855191也是值得研究的對(duì)象。
6.建議
建議賣(mài)家注重以下幾個(gè)方面:商品縮略圖、商品詳情頁(yè)、商品評(píng)價(jià)的維護(hù)、商品質(zhì)量的保證、退換商品的及時(shí)處理,從而增強(qiáng)產(chǎn)品自身的吸引力,提高用戶(hù)從瀏覽到購(gòu)買(mǎi)的轉(zhuǎn)化率。
建議商家在購(gòu)買(mǎi)推廣時(shí)最好選擇每日的晚間和每周周末進(jìn)行,這些時(shí)段是用戶(hù)瀏覽的高峰期,我們認(rèn)為可以有助于提升購(gòu)買(mǎi)率;
平臺(tái)也應(yīng)關(guān)注于用戶(hù)群體的意見(jiàn)和看法,積極完善平臺(tái)的搜索、推薦機(jī)制,避免用戶(hù)花費(fèi)大量時(shí)間瀏覽;
商家應(yīng)注意3002561、4145813和2355072這三類(lèi)商品以及1910706、4395247、667682、855191這四種具體商品的推廣方法和運(yùn)營(yíng)細(xì)則,以降低跳失率。
商家應(yīng)注意參加平臺(tái)組織的各種促銷(xiāo)活動(dòng),數(shù)據(jù)證明了這些活動(dòng)的強(qiáng)大引流能力。
通過(guò)后續(xù)對(duì)用戶(hù)資料的研究,商家還應(yīng)關(guān)注于 '1003983', '1003901', '100101', '1000488', '1000723', '1002031', '1001305', '1001866', '100134', '100116' 這十位用戶(hù)ID的共同特征,為核心群體畫(huà)像提供參考。
樂(lè)發(fā)網(wǎng)超市批發(fā)網(wǎng)提供超市貨源信息,超市采購(gòu)進(jìn)貨渠道。超市進(jìn)貨網(wǎng)提供成都食品批發(fā),日用百貨批發(fā)信息、微信淘寶網(wǎng)店超市采購(gòu)信息和超市加盟信息.打造國(guó)內(nèi)超市采購(gòu)商與批發(fā)市場(chǎng)供應(yīng)廠(chǎng)商搭建網(wǎng)上批發(fā)市場(chǎng)平臺(tái),是全國(guó)批發(fā)市場(chǎng)行業(yè)中電子商務(wù)權(quán)威性網(wǎng)站。
本文內(nèi)容整合網(wǎng)站:百度百科、知乎、淘寶平臺(tái)規(guī)則
本文來(lái)源: 淘寶用戶(hù)數(shù)據(jù)分析報(bào)告