SQL · работа маркетплейса
Удаление худших продавцов решит лишь небольшую часть проблемы
На худшую группу пришлось 5,7% оценок в одну звезду. На более крупную группу «watch» пришлось 40,5%. Я бы начал с помощи этой группе в отправке заказов, а не рассчитывал решить проблему удалениями.
Почему я это изучил
Покупатель заказывает через один магазин Olist, хотя заказы выполняют разные продавцы. Я хотел понять, какая часть плохих отзывов приходится на худших продавцов и где изменения принесут больше пользы.
Что я сделал
Я использовал SQL и DuckDB, чтобы оценить продавцов по отзывам, пропущенным срокам отправки и отменам. Не включал в оценки отзывы о заказах с несколькими продавцами: их нельзя справедливо отнести к одному человеку. Также установил минимум в десять заказов. Одного плохого заказа из двух недостаточно для вывода.
Что я выяснил
- В предложенную группу «remove» попали 5,6% оценённых продавцов. На неё пришлось 5,7% оценок в одну звезду. Большая часть плохих отзывов была у других групп.
- Группа «watch» выполняла 32,6% заказов и получила 40,5% оценок в одну звезду. Поэтому начать с неё казалось полезнее.
- У продавцов, которые чаще пропускали сроки отправки, средние оценки были ниже. Продавцы с менее чем десятью заказами тоже уступали более опытной группе. Это указывало на необходимость лучше помогать новичкам.
Что я сделал бы дальше
Я бы отмечал просроченные отправки и сначала работал с группой «watch». Худших продавцов предупреждал бы перед удалением. Ещё я бы улучшил ввод новых продавцов в работу, чтобы требования были понятны с самого начала.
Чего этот анализ не показывает
Группы и пороги предложил я. В рамках этого проекта Olist не проверял эти меры на практике. В данных нет комиссий, затрат и маржи, поэтому я не мог сравнить стоимость поощрений с другими мерами.