三種數據分析法提升電商運營

這次，我們邀請到袋鼠雲的電商數據專家，為大家分享電商數據運營工作中的三種數據分析思維，希望大家能夠利用這些分析思維挖掘更多的數據價值。

通過分析以前發生過的事情，來推斷未來類似事情發生的一些特性。比如你要想對雙十一活動期間的新客進行更好的維護，你可以去分析去年雙十一活動期間的客戶後麵都有哪些人在什麼時候轉化了？沒轉化的客戶與轉化的客戶購買的商品有何區別？轉化後低客單和高客單的客戶後續轉化率是否有區別？通過這些對於曆史數據的分析，能對現在這波剛來的雙十一的客戶進一步了解。甚至預判其中購買哪些商品，客單是多少以上的客戶轉化幾率很大，他們可能在什麼時候下次購買，我提前進行觸達更好地讓這部分人轉化。

例：某商家運營部在16年雙十一前通過對15年雙十一的新老客數據分析規劃預售商品配置。

圖1  2015 雙十一新客轉老客分析

• 橫軸維度：會員數（百分比）
  
• 縱軸維度：總購買次數（1~2 新客、2~ 老客）
  
• 對比維度：客單價（區間）
  
• 時間維度：2015.11.11-2015.11.11
  

從上麵紅框中的數據可以發現，2015年雙十一的新客裏，客單低於100的客戶轉二次老客的概率非常低，而客單價100以上則越來越高。可初步判斷客單在100以上的雙十一老客轉化率約50% 。

圖2  2015 雙十一客單價在100以上的新老客商品分析

• 橫軸維度：商品名稱
  
• 縱軸維度：會員數
  
• 對比維度：總購買次數（、）
  
• 篩選維度：付款時間2015-11-11~2015-11-11、客單價100~

進一步對比分析，客單價都在100以上2015年雙十一的新客中後續轉化的和沒轉化的客戶分別購買商品的對比。可發現有些購買某些商品的新客轉化率較高，有些則較低。比如圖中第二個商品，新客數比老客數多了一倍左右，即可認為該產品不能很好的引導客戶轉化。而圖中第四個商品，老客轉化率則大於50%以上。故可看到不同商品的商品轉化率有明顯的區別。

再仔細分析轉化率低的商品發現轉化率低的商品大都是超大包裝的商品（如四月裝），可能用戶一次購買後，等產品周期結束後，對品牌的印象已經極低導致，故運營部就要考慮是否需要調整16年雙十一的商品配置。

零售行業的聚類分析主要是指將具有相似購物行為的顧客進行群體的細分，以支持精細化的營銷活動，帶來更大的營銷效果，節省成本。使用全景洞察可以對用戶，通過購買商品，首次付款時間，回購周期，總購買次數，客單價，貨單價，最後購買時間，累計支付金額，等方式聚類，同時對比客戶的屬性。這也是商家分析老會員購買習慣最常用的方法。

比如：有客戶會對所有會員，按首次付款時間，按月進行打包聚類，分析每個月的新客後續的複購率。這種做法適合配上環比分析。

圖3  2015.1&2016.1 新客銷售趨勢對比

• 橫軸維度：付款月
  
• 縱軸維度：會員數
  

通過環比分析，可以挖掘同樣是一月的新客，他們會有同樣的後續複購的規律，而兩者的差異可能也能從側麵反應出不同的營銷策略給這部分會員的影響。1月的新客都會在3月又一波集中購買可根據這個進一步預測對2017年1月的新客在3月進行一波營銷增長銷售。

同理，可以將過去2-3年的6月的新客做聚類分析，6月的新客的後續複購規律。

圖4  購買次數、購買商品數聚類分析

• 橫軸維度：會員數（百分比）、貨單價（平均）、客單價（平均）
  
• 縱軸維度：累計付款商品數（1/2/3/4/5/6）
  
• 對比維度：總購買次數（1~2、2~）
  

通過對於購買次數和購買商品數的聚類分析，可以查看到不同購買次數，不同商品購買數人群的客單貨單的區別，可以通過這個分析，針對不同購買次數的客戶根據他們不同的客單價和貨單價，個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即可對應到貨單價和客單價。比如紅框部分的3組人群可以組成一個聚類，商家可以針對這部分聚類會員組合一個每個商品單價在30元左右，組合總價在200元左右的套餐。

在眾多的客戶關係管理的分析模式中，RFM模型是被廣泛提到的。RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該模型通過一個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指標來描述該客戶的價值狀況。

例：可以先通過累計支付金額分析，將客戶現分為M低，M中和M高三個等級。然後對每個等級的客戶在進行RF分析。

從上麵三組數據可以看出，不管是處於哪個等級，最近一次購買時間在75-150天前的客戶占比都是最大的，所以可以針對這部分客戶做重點運營維護。

2017年開始已有很多企業將數據可視化運用到日常業務環節中。數據可視化是讓企業及時了解數據資產價值的一種最有效的方式。

品牌們正在使用：