
双十一除了考验消费者的智商,还考验了经营者的情商
今年的双11,马云疯狂为数学老师打call。“火炬红包”、“定金膨胀”、“跨店满减”、“叠加优惠”、 “购物津贴”、“凑单优惠”,优惠方式可以说是五花八门,加上优惠时段限制,着实考验了消费者的智商。
如果你觉得这样双十一已经结束?那你就大错特错了。自古以来,阿里、京东就年年双11打嘴架,刘强东八年电商跟阿里的争吵从来未消停过。而今年的确是打的最激烈的一次,最考验阿里和京东高层经营者情商的一次交火。
事情起源是京东官方微博发文显示:截止11月11日2:00整,京东2017年11.11全球好物节累计下单金额超950亿元;7:46:58整,累计下单金额超1000亿,在天猫发布1000亿大关之前发布。
随后,11月11日上午,在直播现场被问及如何看待京东宣布双11期间11天下单金额达1000亿时,阿里巴巴集团市场公关委员会主席王帅回答:“不得不承认京东数学很好”。
再之后京东CMO徐雷在微信朋友圈怒怼:“这不是数学问题,这是逻辑学问题。”
作为中国两家电商的巨头,双十一战报备受关注,引发网友热议,有人支持天猫,有人支持京东,还有人称两者没有可比性。毕竟,京东双十一从11月1日就开始,算的是累计下单金额;而天猫算的是当天成交额。那么究竟,这场鏖战阿里和京东哪家经营者的情商更高?我们理性看待,用数据说话。
2017年双十一销售总额与行业占比
天猫方面:
截止到2017年11月11日24:00整,天猫当天成交额1682亿元,创出历史新高。3分01秒,成交额破100亿元,比去年快3分多;6分05秒,成交额超200亿元;40分12秒,成交额超500亿;1小时00分49秒,成交额超571亿元;9时00分4秒,成交额超1000亿元;13时9分49秒,成交额超1207亿元。2017天猫双11全天成交额达到了1682亿元。
(本图摘自网络)
(天猫2015-2017年成交额各时段变化图)
京东方面:
京东2017年11.11全球好物节累计下单金额超1271亿元,创出历次新高。@京东官方微博发文显示:截止11月11日2:00整,京东2017年11.11全球好物节累计下单金额超950亿元;7:46:58整,累计下单金额超1000亿,在天猫发布1000亿大关之前发布。
(本图摘自网络)
根据星图数据对20家B2C电商平台监测数据显示:2017年双十一全网总销售额达2539.7亿元产生包裹13.8亿个。在双十一销售额方面,天猫销售额占全网比例66.23%,京东占比21.41%,苏宁易购占比4.34%,唯品会占比3.43%。这点上,天猫胜一局。
(本图摘自星图数据)
2012年-2017年销售额发展趋势对比
天猫方面:
2009年天猫举办第一场双十一购物狂欢节,销售额为0.5亿元,2010年9.36亿元,同比增长1772%,2011年52亿元,2012年191亿元,2013年350.19亿元,2014年571亿元,2015年912.17亿元,去年天猫双11销售额突破千亿,为1207亿元,同比增长32.3%。今年再创新高1682亿元,同比增长39.35%。
京东方面:
反观京东(由于数据受限,C君只找到2012年开始的数据),2012年“京东双11全球好物节”11月11日单天销售额20.6亿元,2013年53亿元,2014年突破一亿,达到103亿元,同比增长94.34%,2015年193亿元,2016年263亿元,2017年全天成交量394亿元,同比增长49.8%。而截至11月11日24点,“京东双11全球好物节”下单金额突破1271亿元,同比增长超过50%,累计售出商品7.35亿件。
不管是一个月还是十天,或是一天的销售额,这次C君站消费者!那么你呢?通过以上数据对比,作为一名数据分析的读者,你觉得天猫和京东这局谁胜谁负?
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13分库分表,为何而生? 在信息技术发展的早期阶段,数据量相对较小,业务逻辑也较为简单,单库单表的数据库架构就能够满足大多数 ...
2025-10-13在企业数字化转型过程中,“数据孤岛” 是普遍面临的痛点:用户数据散落在 APP 日志、注册系统、客服记录中,订单数据分散在交易 ...
2025-10-13在数字化时代,用户的每一次行为 —— 从电商平台的 “浏览→加购→购买”,到视频 APP 的 “打开→搜索→观看→收藏”,再到银 ...
2025-10-11在机器学习建模流程中,“特征重要性分析” 是连接 “数据” 与 “业务” 的关键桥梁 —— 它不仅能帮我们筛选冗余特征、提升模 ...
2025-10-11在企业的数据体系中,未经分类的数据如同 “杂乱无章的仓库”—— 用户行为日志、订单记录、商品信息混杂存储,CDA(Certified D ...
2025-10-11在 SQL Server 数据库操作中,“数据类型转换” 是高频需求 —— 无论是将字符串格式的日期转为datetime用于筛选,还是将数值转 ...
2025-10-10在科研攻关、工业优化、产品开发中,正交试验(Orthogonal Experiment)因 “用少量试验覆盖多因素多水平组合” 的高效性,成为 ...
2025-10-10在企业数据量从 “GB 级” 迈向 “PB 级” 的过程中,“数据混乱” 的痛点逐渐从 “隐性问题” 变为 “显性瓶颈”:各部门数据口 ...
2025-10-10在深度学习中,“模型如何从错误中学习” 是最关键的问题 —— 而损失函数与反向传播正是回答这一问题的核心技术:损失函数负责 ...
2025-10-09本文将从 “检验本质” 切入,拆解两种方法的核心适用条件、场景边界与实战选择逻辑,结合医学、工业、教育领域的案例,让你明确 ...
2025-10-09在 CDA 数据分析师的日常工作中,常会遇到这样的困惑:某电商平台 11 月 GMV 同比增长 20%,但究竟是 “长期趋势自然增长”,还 ...
2025-10-09Pandas 选取特定值所在行:6 类核心方法与实战指南 在使用 pandas 处理结构化数据时,“选取特定值所在的行” 是最高频的操作之 ...
2025-09-30球面卷积神经网络(SCNN) 为解决这一痛点,球面卷积神经网络(Spherical Convolutional Neural Network, SCNN) 应运而生。它通 ...
2025-09-30