[Day 16] 沒分期就沒營收？拆解巴西電商支付偏好與高客單價的「分期槓桿」

18th鐵人賽

2026-09-23 23:03:58

11 瀏覽

分享至

買家的錢包是怎麼被撬開的？

在 Day 15 的中場戰略盤點中，我們總結了上半場的四大履約瓶頸，
並正式將下半場的方向轉向「用戶價值與商業增長」。

回顧 Day 9，我們曾發現偏遠地區的客單價趨近高達 200 BRL 以上，而大盤整體客單價也維持在百元水準。
但在人均所得受限、通膨歷史深刻的巴西，消費者面對昂貴的 3C、家電與家具，到底是怎麼痛快結帳的？

答案就是巴西電商獨步全球的文化：極高比例的無息分期付款（Parcelamento）。
今天我們將深入分析第七張關鍵資料表——支付表 (olist_order_payments_dataset)，
用資料工程拆解多重支付結構，並驗證「分期付款到底替平台撬動了多少營收槓桿」！

步驟一：呼叫支付表，拆解「拆單支付」陷阱

我們首先從資料庫字典中取出 olist_order_payments_dataset：

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 1. 從字典取出支付表
payments = olist_db['olist_order_payments_dataset'].copy()

# 2. 檢視前三筆金流紀錄
payments[['order_id', 'payment_sequential', 'payment_type', 'payment_installments', 'payment_value']].head(3)

實作區 :

在進行任何合併或聚合前，資深工程師的防禦性防呆必須立即啟動：一張訂單只會有一筆支付紀錄嗎？

# 檢查 order_id 是否存在重複
split_orders = payments['order_id'].duplicated().sum()
print(f"出現多次支付紀錄的訂單數: {split_orders:,} 筆")

# 觀察單筆訂單的支付次數 (payment_sequential) 分佈
payments['payment_sequential'].value_counts().head(4)

實作區 :

避坑筆記：
這在電商實務中稱為「拆單支付（Split Payments）」——消費者可能先用代金券（Voucher）折抵部分金額，
剩餘款項再刷信用卡；或為了湊額度刷了兩張不同的信用卡。
如果你在未經聚合的情況下直接拿 payments 去 Join 訂單表，資料筆數就會再次無聲無息地膨脹！

步驟二：全平台支付管道分佈

在深入分期期數之前，我們先盤點全平台買家的支付偏好結構：

# 依支付管道分組，統計交易筆數與總金額
payment_mix = payments.groupby('payment_type').agg(
    txn_count=('payment_value', 'count'),
    total_gmv=('payment_value', 'sum')
).reset_index()

# 計算筆數佔比與金額佔比 (%)
payment_mix['txn_share_pct'] = (payment_mix['txn_count'] / payment_mix['txn_count'].sum() * 100).round(2)
payment_mix['gmv_share_pct'] = (payment_mix['total_gmv'] / payment_mix['total_gmv'].sum() * 100).round(2)

# 依營收佔比降冪排序
payment_mix.sort_values(by='total_gmv', ascending=False)

實作區 :

數據背後的商業觀察：

信用卡（Credit Card）是絕對營收支柱：貢獻了全平台 73.9% 的交易次數與 78.3% 的 GMV。

離線繳費（Boleto）不可或缺：佔據了近 20% 的單量。這是巴西特有的「無卡族」條碼繳費工具，如果平台因為到帳較慢而砍掉 Boleto，相當於直接放棄五分之一的潛在客群。

-簽帳金融卡與代金券（Debit Card & Voucher）：合計僅佔約 3%～4%，屬於邊緣補充管道。

步驟三：信用卡分期期數行為拆解

既然信用卡是全平台的營收命脈，我們將焦點鎖定在信用卡交易（payment_type == 'credit_card'），
檢視買家選擇分期的分佈：

# 1. 篩選信用卡支付資料
cc_payments = payments[payments['payment_type'] == 'credit_card'].copy()

# 2. 檢視分期期數佔比
installment_dist = (cc_payments['payment_installments'].value_counts(normalize=True) * 100).round(2)
print("各期數佔比 Top 10 (%)：")
print(installment_dist.head(10))

實作區:

雖然約有一半的買家選擇 1 期（一次付清），但另外一半的買家毫不猶豫選擇了分期。
更關鍵的是：分期期數跟「客單價」之間存在什麼關係？

我們以期數分組，計算各期數下的平均交易金額（Mean）與中位數（Median）：

# 依分期期數聚合，計算每筆交易的平均金額
installment_metrics = cc_payments.groupby('payment_installments').agg(
    order_count=('payment_value', 'count'),
    avg_value=('payment_value', 'mean'),
    median_value=('payment_value', 'median')
).reset_index()

# 聚焦在電商主流的 1 至 10 期
mainstream_installments = installment_metrics[installment_metrics['payment_installments'].between(1, 10)].copy()
mainstream_installments['avg_value'] = mainstream_installments['avg_value'].round(2)
mainstream_installments['median_value'] = mainstream_installments['median_value'].round(2)

mainstream_installments

實作區 :

步驟四：驗證「分期槓桿」——高客單價的真正引擎

當我們將數據轉化為視覺化長條圖時，這條「分期槓桿」的震撼力展露無遺：

plt.style.use('seaborn-v0_8-whitegrid')
plt.figure(figsize=(10, 5))

ax = sns.barplot(
    data=mainstream_installments,
    x='payment_installments',
    y='avg_value',
    palette='Blues_d'
)

plt.title('Average Payment Value by Installments (Credit Card)', fontsize=13, fontweight='bold')
plt.xlabel('Number of Installments (Months)')
plt.ylabel('Average Value (BRL)')

# 在長條上方標記平均金額數值
for p in ax.patches:
    height = p.get_height()
    ax.annotate(f'{height:.0f}',
                (p.get_x() + p.get_width() / 2., height),
                ha='center', va='bottom', fontsize=9, xytext=(0, 3),
                textcoords='offset points')

plt.tight_layout()
plt.show()

實作區 :

核心洞察：

驚人的 4 倍成長槓桿：選擇 1 期一次付清的訂單，平均客單價僅約 95 BRL；而選擇分 10 期的訂單，平均客單價直接飆升至 415 BRL，整整拉高了 4.3 倍！
高單價成交的必備催化劑：巴西消費者並非沒有消費高額商品的能力或慾望，而是極度依賴「拉長分期時間」來降低每月的現金流壓力。
戰略結論：如果平台取消 6 期以上的分期方案，消費者購買大型家電、筆電與辦公家具的意願將會斷崖式崩跌。分期付款不是單純的支付選項，而是支撐高客單價商品營收的核心金融槓桿！

今天我們打通了金流數據與商業槓桿的連鎖關係：