三種數(shù)據(jù)分析法提升電商運(yùn)營(yíng)

時(shí)間：2023-03-16 00:32:01 | 來源：電子商務(wù)

時(shí)間：2023-03-16 00:32:01 來源：電子商務(wù)

摘要： 我們邀請(qǐng)到網(wǎng)聚寶的電商數(shù)據(jù)專家，為大家分享電商數(shù)據(jù)運(yùn)營(yíng)工作中的三種數(shù)據(jù)分析思維，希望大家能夠利用這些分析思維挖掘更多的數(shù)據(jù)價(jià)值。包括分析去年雙十一來推斷未來雙十一策略的MBR分析、細(xì)分相似購物行為顧客的聚類分析、衡量客戶價(jià)值的RFM分析等。

這次，我們邀請(qǐng)到網(wǎng)聚寶的電商數(shù)據(jù)專家，為大家分享電商數(shù)據(jù)運(yùn)營(yíng)工作中的三種數(shù)據(jù)分析思維，希望大家能夠利用這些分析思維挖掘更多的數(shù)據(jù)價(jià)值。

進(jìn)階1 基于歷史的MBR分析（Memory-Based Reasoning）

通過分析以前發(fā)生過的事情，來推斷未來類似事情發(fā)生的一些特性。比如你要想對(duì)雙十一活動(dòng)期間的新客進(jìn)行更好的維護(hù)，你可以去分析去年雙十一活動(dòng)期間的客戶后面都有哪些人在什么時(shí)候轉(zhuǎn)化了？沒轉(zhuǎn)化的客戶與轉(zhuǎn)化的客戶購買的商品有何區(qū)別？轉(zhuǎn)化后低客單和高客單的客戶后續(xù)轉(zhuǎn)化率是否有區(qū)別？通過這些對(duì)于歷史數(shù)據(jù)的分析，能對(duì)現(xiàn)在這波剛來的雙十一的客戶進(jìn)一步了解。甚至預(yù)判其中購買哪些商品，客單是多少以上的客戶轉(zhuǎn)化幾率很大，他們可能在什么時(shí)候下次購買，我提前進(jìn)行觸達(dá)更好地讓這部分人轉(zhuǎn)化。

例：某商家運(yùn)營(yíng)部在16年雙十一前通過對(duì)15年雙十一的新老客數(shù)據(jù)分析規(guī)劃預(yù)售商品配置

圖1 2015 雙十一新客轉(zhuǎn)老客分析

• 橫軸維度：會(huì)員數(shù)（百分比）
  
• 縱軸維度：總購買次數(shù)（1~2 新客、2~ 老客）
  
• 對(duì)比維度：客單價(jià)（區(qū)間）
  
• 時(shí)間維度：2015.11.11-2015.11.11
  

從上面紅框中的數(shù)據(jù)可以發(fā)現(xiàn)，2015年雙十一的新客里，客單低于100的客戶轉(zhuǎn)二次老客的概率非常低，而客單價(jià)100以上則越來越高?？沙醪脚袛嗫蛦卧?00以上的雙十一老客轉(zhuǎn)化率約50% 。

圖2 2015 雙十一客單價(jià)在100以上的新老客商品分析

• 橫軸維度：商品名稱
  
• 縱軸維度：會(huì)員數(shù)
  
• 對(duì)比維度：總購買次數(shù)（新客藍(lán)色、老客紅色）
  
• 篩選維度：付款時(shí)間2015-11-11~2015-11-11、客單價(jià)100~
  

進(jìn)一步對(duì)比分析，客單價(jià)都在100以上2015年雙十一的新客中后續(xù)轉(zhuǎn)化的和沒轉(zhuǎn)化的客戶分別購買商品的對(duì)比。可發(fā)現(xiàn)有些購買某些商品的新客轉(zhuǎn)化率較高，有些則較低。比如圖中第二個(gè)商品，新客數(shù)比老客數(shù)多了一倍左右，即可認(rèn)為該產(chǎn)品不能很好的引導(dǎo)客戶轉(zhuǎn)化。而圖中第四個(gè)商品，老客轉(zhuǎn)化率則大于50%以上。故可看到不同商品的商品轉(zhuǎn)化率有明顯的區(qū)別。

再仔細(xì)分析轉(zhuǎn)化率低的商品發(fā)現(xiàn)轉(zhuǎn)化率低的商品大都是超大包裝的商品（如四月裝），可能用戶一次購買后，等產(chǎn)品周期結(jié)束后，對(duì)品牌的印象已經(jīng)極低導(dǎo)致，故運(yùn)營(yíng)部就要考慮是否需要調(diào)整16年雙十一的商品配置。

進(jìn)階2 聚類分析

零售行業(yè)的聚類分析主要是指將具有相似購物行為的顧客進(jìn)行群體的細(xì)分，以支持精細(xì)化的營(yíng)銷活動(dòng)，帶來更大的營(yíng)銷效果，節(jié)省成本。使用全景洞察可以對(duì)用戶，通過購買商品，首次付款時(shí)間，回購周期，總購買次數(shù)，客單價(jià)，貨單價(jià)，最后購買時(shí)間，累計(jì)支付金額，等方式聚類，同時(shí)對(duì)比客戶的屬性。這也是商家分析老會(huì)員購買習(xí)慣最常用的方法。

比如：有客戶會(huì)對(duì)所有會(huì)員，按首次付款時(shí)間，按月進(jìn)行打包聚類，分析每個(gè)月的新客后續(xù)的復(fù)購率。這種做法適合配上環(huán)比分析。

圖3 2015.1&2016.1 新客銷售趨勢(shì)對(duì)比

• 橫軸維度：付款月
  
• 縱軸維度：會(huì)員數(shù)
  

通過環(huán)比分析，可以挖掘同樣是一月的新客，他們會(huì)有同樣的后續(xù)復(fù)購的規(guī)律，而兩者的差異可能也能從側(cè)面反應(yīng)出不同的營(yíng)銷策略給這部分會(huì)員的影響。1月的新客都會(huì)在3月又一波集中購買可根據(jù)這個(gè)進(jìn)一步預(yù)測(cè)對(duì)2017年1月的新客在3月進(jìn)行一波營(yíng)銷增長(zhǎng)銷售。

同理，可以將過去2-3年的6月的新客做聚類分析，6月的新客的后續(xù)復(fù)購規(guī)律。

圖4 購買次數(shù)、購買商品數(shù)聚類分析

• 橫軸維度：會(huì)員數(shù)（百分比）、貨單價(jià)（平均）、客單價(jià)（平均）
  
• 縱軸維度：累計(jì)付款商品數(shù)（1/2/3/4/5/6）
  
• 對(duì)比維度：總購買次數(shù)（1~2、2~）
  

通過對(duì)于購買次數(shù)和購買商品數(shù)的聚類分析，可以查看到不同購買次數(shù)，不同商品購買數(shù)人群的客單貨單的區(qū)別，可以通過這個(gè)分析，針對(duì)不同購買次數(shù)的客戶根據(jù)他們不同的客單價(jià)和貨單價(jià)，個(gè)性化推薦不同商品組成的商品組合。而商品的貨單和組合的總價(jià)即可對(duì)應(yīng)到貨單價(jià)和客單價(jià)。比如紅框部分的3組人群可以組成一個(gè)聚類，商家可以針對(duì)這部分聚類會(huì)員組合一個(gè)每個(gè)商品單價(jià)在30元左右，組合總價(jià)在200元左右的套餐。

進(jìn)階3 RFM分析

在眾多的客戶關(guān)系管理的分析模式中，RFM模型是被廣泛提到的。RFM模型是衡量客戶價(jià)值和客戶創(chuàng)利能力的重要工具和手段。該模型通過一個(gè)客戶的近期購買行為、購買的總體頻率以及花了多少錢三項(xiàng)指標(biāo)來描述該客戶的價(jià)值狀況。

例：可以先通過累計(jì)支付金額分析，將客戶現(xiàn)分為M低，M中和M高三個(gè)等級(jí)。然后對(duì)每個(gè)等級(jí)的客戶在進(jìn)行RF分析。

從上面三組數(shù)據(jù)可以看出，不管是處于哪個(gè)等級(jí)，最近一次購買時(shí)間在75-150天前的客戶占比都是最大的，所以可以針對(duì)這部分客戶做重點(diǎn)運(yùn)營(yíng)維護(hù)。

2017年開始已有很多企業(yè)將數(shù)據(jù)可視化運(yùn)用到日常業(yè)務(wù)環(huán)節(jié)中。數(shù)據(jù)可視化是讓企業(yè)及時(shí)了解數(shù)據(jù)資產(chǎn)價(jià)值的一種最有效的方式。

更多行業(yè)干貨敬請(qǐng)關(guān)注云生態(tài)那些事專欄：云生態(tài)那些事 - 本站專欄