“人货场”模型搞懂没?数据分析大部分场景都能用


做数据分析的同学,可能很多都听过人、货、场分析模型。但是大多数人只是知道这个模型,对其具体应用却不了解。本文作者结合实际分析,对此进行了系统的讲解,与大家分享,希望通过此文能够加深你对“人货场”模型的认识。

“人货场”模型搞懂没?数据分析大部分场景都能用

问题场景:

某生鲜电商,用户复购率较低,60%的用户在30天内无二次购买行为,运营领导非常着急,要求通过数据分析提升复购率,请问你作为数据分析师该怎么做?

  1. 建立人工智能精准推荐算法(40%概率用协同过滤,60%用关联分析)
  2. 把过往6个月月初复购率做成折线图,然后写下苍劲有力的三个大字:“要搞高!”
  3. 分析个啥,做电商不就是派券吗!所有无复购用户派券,干就完了奥力给!

还是你有其他办法?

一、货物属性分析

先问一个简单问题:大米、白面、一桶油和草莓、车厘子、山竹有什么区别?即使你没买过菜也知道:米面油是每天都得吃的东西,没啥季节性;草莓、车厘子、山竹不会每天吃,季节性很强。如果去菜市场或者超市逛一下又会知道:米面油一般是整包、整桶买,买回去一桶能吃很久,还有专门的米桶、米盒、油壶用来分装。草莓山竹一般拆散零售,而且不耐放,买回去不吃过几天就坏了。

这些看似家常便饭的产品知识,统称为:货物属性。货物属性会直接影响到消费者购买行为:

  • 购买频率:新鲜蔬菜水果购买频率高,米面油购买频率低
  • 上市季节:新鲜蔬菜水果有当季产品,反季节的卖的贵也不好吃,米面油没啥季节性
  • 产品价格:单品价格贵的就卖的少,趁便宜买,零散买,便宜的就批量买
  • 购买渠道:如果有物流配送,大件硬通货(米面油)在线上买更省事,散件的就线下买,最好能现场试吃几个避免踩雷

这些货物属性是常识,是自然规律,不会因为数据指标的计算方式而改变。因此在生鲜产品中,用户行为会直接受到过往购买产品的影响——你不能太指望一个用户刚买10斤大米,过两天又来买10斤。或者说,如果真的有用户反反复复的来买大米,那你得检查下自己提供的大米是不是比市场价便宜很多,有人在薅羊毛薅的情况呢。

有一个简单的矩阵模型可以描述生鲜产品的复购思路,核心是产品购买频率和产品关联度。购买频率上文有解释,产品关联度指的是某些产品天生会一块买。特别在生鲜领域,比如买了冻鸡翅、竹签,很有可能会买木炭、丸子、烧烤汁,因此两维度交叉既有如下矩阵(如下图)

“人货场”模型搞懂没?数据分析大部分场景都能用

但注意,只从货物属性一个角度来看,是很不完整的。买菜的渠道多的很,凭啥用户非得在app里戳来戳去。菜市场不香吗?APP/微商城的吸引力又在哪里呢?这就涉及:场的问题.

二、卖场属性分析

快速问一个问题:你今天中午准备吃啥?不要思考,马上回答!

十个同学有十个答不上来,对不对。实际上让你对着饿了吗你都得纠结十几二十分钟,更不要说提前预备了。

买菜也是同理,为啥老人家喜欢逛菜市,一个很重要的原因就是做饭本没啥目的性,现场看着啥顺眼买点啥,二来可以货比三家挑挑新鲜便宜的。菜市场,包括超市的生鲜区给人的视觉冲击是远远强过电商的,这就是卖场属性对复购行为带来的影响。

卖场属性,包含:

  • 便利性:距离越近、越方便的菜场肯定越吸引人
  • 整洁程度:越干净的菜场肯定更吸引人
  • 产品丰富程度:菜品越丰富的菜场越吸引人
  • 产品新鲜度:菜品越新鲜水灵的越吸引人
  • 产品价格:因为铺租、人工不同,有的卖场就是死贵死贵的

在传统线下门店里,关于卖场位置也有个矩阵模型。(如下图)

“人货场”模型搞懂没?数据分析大部分场景都能用

线上渠道用的指标和线下类似,区别是,用户的登录场景、登录频次、登录后访问内容,代替了门店位置远近。线上渠道在内容和跳转路径上能做的分析,是远多于线下的。

有意思的是,不同于服装、零食、玩具等快消品,在生鲜领域,线上渠道的体验反而比线下差。因此线上生鲜优势体现在:不能出门的场景上。比如下雨天,比如疫情期间交通管控,比如上下班没时间逛菜市场等等等。

然而这就又引发第三个问题:有些用户可能就是单纯图便宜,有些用户真的有线上购买的刚需。因此必须考虑人的因素。

三、用户属性分析

注意,传统行业讲人货场,人指的是售货员,不是消费者。所谓人效指的是业务员平均产生的经济效益。但是互联网应用是APP对用户,没有销售概念,因此才把售货员改成用户,所谓人的分析,变成用户属性分析。

一提用户属性,很多同学条件反射的都是:性别、年龄、地域。问题是你的公司真的能采集到这么多真实的用户信息?而且这些字段不见得能看出啥,最典型的就是性别,男女比例差异常常只有几个点,能说明个屁问题。

基于互动、消费行为标签会更好用,比如生鲜电商的领域,有多少客户是注册送20元米面油券,首单免配送费,进口车厘子25元4斤这种活动搞进来的。这叫促销敏感型用户。类似的,还可以打:刚性购买用户、异常天气购买用户、疫区用户等等标签,这些可能区分度更高(如下图)

“人货场”模型搞懂没?数据分析大部分场景都能用

四、人货场模型搭建

有了三个维度的基础理解,就能用来综合解释问题。回到开头的“生鲜电商复购率低”的问题。可以先从人货场角度建立分析假设:

人角度:

  • 地推质量太差,用户本身没有需求
  • 用户有需求,但是薅羊毛型太多,刚需性少
  • 刚需用户有一定量,但产品不符合用户需求

货角度:

  • 商品本身品类太少
  • 品类不少,但没有强势引流款
  • 有引流款,但价格没优势

场角度:

  • 用户习惯未建立,二次登陆都很少
  • 二次登陆有,但没有进到购买页
  • 进到购买页,但未下单

各自建立假设后,有两种方法建立整体思路:

第一,从数据出发,哪个问题严重就从哪里下手

第二,从业务出发,最近发生哪些大事,从哪里下手

如下图:

“人货场”模型搞懂没?数据分析大部分场景都能用

最后可以把各个分析维度拧起来,组成整体分析逻辑,从粗到细形成结论,如下图:

“人货场”模型搞懂没?数据分析大部分场景都能用

五、小结

人货场三个维度之所以经常用,是因为这三者与用户行为有直接关系,并且商品属性、卖场属性、用户习惯都有一些天生的规律可循。因此很适合作为分析的基础,做深做细。一方面能对业务有更清晰的认知;另一方面,想建立更复杂的模型也有线索了。

然而现在行业里普遍存在的问题,是做业务的新人就知道发券,难言之隐一券了之,还美其名曰:互联网思维就是免费!做数据的新人就知道RFM,关联分析,一讲模型就想协同过滤,拜托小哥哥们,就你那平台用户粘性,百分之六七十一次登录,用户天生就是优惠券买来的,有多少真实数据给你训练模型呢。就像生鲜电商行业,真去几趟菜场,和买菜主力人群:大爷大妈、家庭主妇聊聊,会比每天和吃饿了吗的同事讨论AARRR有用的多,可以一试哦。

有同学会问,有没有复购率的更普遍分析场景,如果感兴趣的话,关注接地气的陈老师,下一篇我们分享复购率在医美行业应用哦,敬请期待。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发表评论

登录后才能评论