数据挖掘与分析可以说是信息领域发展最快的技术，很多不同领域的专家都从中获得了发展的空间，使得数据挖掘成为企业界讨论的热门话题。

随着信息技术的发展，人们采集数据的手段越来越丰富，由此积累的数据日益膨胀，数据量达到GB甚至TB级，而且高位数据也成为了主流，于是数据挖掘这一融合多种分析手段，从大量数据中发现有用知识的方法就应运而生了，它的出现为商业决策提供了有价值的知识，让企业获得了利润，在客户内在需求管理中，数据挖掘正在起着导向的作用。

一、以客户为中心的数据分析框架思想

信息时代到今天已经发生了三个变迁，从80年代的硬件时代，到90年代的软件时代，到2000年开始的客户为中心的信息时代。

我们也在这个阶段看到了服务业的竞争也发生了翻天覆地的变化——从以服务内容取胜，到服务渠道取胜，到现阶段的客户体验取胜。

1、从客户视角构建业务框架

从宏观视角看，业务战略方向逐渐深入以客户为中心的思想，从微观视角看，在客户为中心的思想驱动下，企业需要进行一整套的机制流程改变，包括客户为中心的数据挖掘与分析，客户为中心的业务规划，客户为中心的营销规划，客户为中心的设计，客户为中心的绩效体系构建等。

传统业务规划我们通常只考虑业务之间的逻辑关系，较小的考虑客户操作视角中形成的一连串的心理反映、行为特征、价值取向等等，而在客户为中心的业务规划中，客户的每个操作都需要详细分析，记录在案，通过行为轨迹综合分析客户心理特征，所以能够更有效的促进客户完成业务，以下为传统业务规划和客户为中心的业务规划的两个对比：

（1）传统业务规划

①大脑风暴构建业务流程，从业务规划者角度而非客户角度出发。

②我们不知道客户需要什么，更糟糕的是客户可能也不知道。

③每个环节都存在客户流失，而我们不知道发生了什么。

④客户每次点击都是营销机会，但是我们错过了每一次机会。

⑤客户在每一个环节都错过了本来他可能会购买的商品。

⑥当客户离开时我们永久的失去了该客户，没有留下有价值的信息。

（2）从客户视角构建业务框架

①以客户为中心的思维方式构建业务框架。

②系统需要满足不同类型的客户的个性化需求，其核心为数据挖掘和应用。

③系统需要协助客户达成实现客户期望，并帮助客户发现并实现潜在需求。

④系统需要智能寻找最佳的帮助时机，智能的进行客户协助。

⑤系统建设需要考虑未来系统的发展方向，其核心为客户需求挖掘。

2、业务及营销为中心的数据体系建设

今天的营销正在发生巨大的转变，客户需要更大的参与度，与企业更多的互动，特别在电子渠道中互动营销正在成为主角。

客户对企业的要求越来越高，对应的行为也在发生变化，而传统以推送方式为主体的营销方式不仅仅效率低下，而且使客户越来越厌恶，这充分体现在了营销转化率低下，客户拒绝率提升，满意度下降等数据上。

如果我们细心观察今天的广告价格，您可以发现今天的营销行为已经不再是把广告投放到“新媒体”那么简单，今天的营销人员必须找到出路，努力在多种高度互动的营销渠道中展开高级个性化和相关沟通，创造良好的客户体验，努力提升营销效率。

以购买为例，我们经过客户研究发现几个行为特征，消费者首先对产品开始感兴趣，此时销售人员虽然可以帮助客户，但是不宜直接对话，最佳方式通过系统智能的与消费者进行互动，帮助消费者决策，而当消费者产生了真正购买的冲动之后，消费者更愿意主动通过IM方式与客服沟通形成购买行为。

所以，营销人员必须对整个每个营销时机有提前预估，这就要求我们在数据体系构建时，必须能够帮助营销人员统计客户变化情况，并且需要满足营销人员针对客户每时每刻不断变化的需求进行个性化营销定制的需求，协助营销人员展开精准营销活动。

①数据框架建设必须以业务及营销为中心

②数据框架建设需要满足现有的业务需求，并且需要尽可能满足未来业务发展的需求

③数据框架建设重点在于实现智能交互

④数据需要能够用于分析，判断，决策，使用

⑤数据框架建设需要能够反应出数据的变化趋势，协助业务的分析判断

二、数据分析框架的主要事件

主要事件事件描述分类根据业务的需要进行必要的分类，比如对客户评级的分类，AA等级或AAA等级估计根据业务数据判断的需要定义需要估计的数据和数据区间值，对业务进行补充和协助。

例如根据客户储蓄和投资行为估计客户投资风格预测根据数据的变化趋势预测数据的发展方向；例如根据历史投资数据帮助客户预测投资行情等数据分组根据业务需要对数据进行分组；例如购买A类的客户通常也会购买B类，购买A的客户后有一个B周期会产生C行为聚类数据集合的逻辑关系，比如同时拥有A特征和B特征的数据，可以推断出其也拥有C特征描述描述性数据有助于提取关键要素进行数据归纳；例如从数据关键词中进行近似业务营销，备忘录等复杂数据挖掘例如Video，Audio，图形图像等等。

1、分类（Classification）

在业务构建中，最重要的分类一般是对客户数据的分类，主要用于精准营销。

通常分类数据最大的问题在于分类区间的规划，例如分类区间的颗粒度以及分类区间的区间界限等，分类区间的规划需要根据业务流来设定，而业务流的设计必须以客户需要为核心，因此，分类的核心思想在于能够完成满足客户需要的业务。

由于市场需求是变化的，分类通常也是变化的，例如银行业务中VIP客户的储蓄区间。

2、估计（Estimation）

通常数据估计是互动营销的基础，基于客户行为进行数据估计为基础进行互动营销已经被证实具有较高的业务转化率，银行业中通常通过客户数据估计客户对金融产品的偏好，电信业务和互联网业务则通常通过客户数据估计客户需要的相关服务或者估计客户的生命周期。

数据估计必须基于数据的细分和数据逻辑关联性，数据估计需要有较高的数据挖掘和数据分析水平。

3、预测（Prediction）

根据数据变化趋势进行未来预测通常是非常有力的产品推广方式，例如证券业通常会推荐走势良好的股票，银行会根据客户的资本情况协助客户投资理财以达到某个未来预期，电信行业通常以服务使用的增长来判断业务扩张和收缩以及营销等。

数据预测通常是多个变量的共同结果，每组变量之间一般会存在某个相互联系的数值，我们根据每个变量的关系通常可以计算出数据预测值，并以此作为业务决策的依据展开后续行动。

4、数据分组（Affinity Grouping）

数据分组是精准营销的基础，当数据分组以客户特征为主要维度时，通常可以用于估计下一次行为的基础，例如通过客户使用的服务特征的需要来营销配套服务和工具，购买了A类产品的客户一般会有B行为等等。

数据分组的难点在于分组维度的合理性，通常其精确性取决于分组逻辑是否与客户行为特征一致。

5、聚类（Clustering）

数据聚类是数据分析的重点项目之一，例如在健康管理系统中通过症状组合可以大致估计病人的疾病，在电信行业产品创新中客户使用的业务组合通常是构成服务套餐的重要依据，在银行业产品创新中客户投资行为聚合也是其金融产品创新的重要依据。

数据聚类的要点在于聚类维度选取的正确性，需要不断的实践来验证其可行性。

6、描述（Description）

描述性数据的最大效用在于可以对事件进行详细归纳，通常很多细微的机会发现和灵感启迪来自于一些描述性的客户建议，同时客户更愿意通过描述性的方法来查询搜索等，这时就需要技术上通过较好的数据关联方法来协助客户。

描述性数据的使用难点在于大数据量下数据要素提取和归类，其核心在于要素提取规则以及归类方法，要素提取和归类是其能够被使用的基础。

7、复杂数据挖掘

复杂数据挖掘比如Video，Audio等，其要素目前依然难以通过技术手段提取，但也可以从上下文与语境中提取一些要素帮助聚类，例如重要客户标记了高度重要性的Video一般优先权重也应该较高。

复杂数据的挖掘目前处理的方式一般通过数据录入的标准化来解决，核心在于数据录入标准体系的规划，马海祥建议为了整理的方便，初期规划是尽可能考虑完善，不仅仅适用现在，而且可以适用于未来。

三、从客户需求到业务

针对不同客户群体的特点和需求，我们也应有针对性的数据挖掘和分析，用个性化的服务赢得了广大客户。

1、客户为中心的业务规划思想

客户为中心的业务规划大致有三个环节：从客户研究到需求挖掘，从需求信息到数据化的需求管理，从需求文档到业务规划与设计。

客户为中心的业务规划不仅仅需要考虑业务需求是否能够满足需求的问题，还需要考虑到业务的变化趋势，业务的营销重点。

2、数据挖掘技术

对于客户数据的挖掘，我们可以通过以下几种方法来获取：

（1）Clickstream Data点击流数据

①直接访问数量

③访客地理位置

④点击流跟踪

（2）Outcomes Data结果型数据

①访客（初次访问数，访问总数，平均回访数，关注点）

②页面浏览（平均浏览数，总PV ，访问超过一页的访客比）

③时间（全局，人均）

④关键行为（如：注册，购买）

⑤转化率

（3）Research Data研究性数据

①客户研究

②启发式评估，客户体验测试

③客户属性（数据库分析）

④客户期望分析（从数据到服务）

（4）Competitive Data 竞争性数据

①“面”数据测量（大众分析）

②网络服务数据测量（行业分析）

③搜索引擎测量（舆情分析）

3、数据分析技术

对于数据分析技术，我们有可以分为初级数据分析和高级数据分析2种：

（1）初级数据分析

①Click Density Analysis 点击密度分析

②Visitor Primary Purpose 访客首要目的

③Task Completion Rates 任务完成率

③数据估计值组合

④数据预期值组合

⑤聚类组合分析

⑥客户深层次研究

4、跨渠道的数据交互思想

①跨渠道数据交互一般服务或者营销为目的。

②跨渠道数据交互必须客户为中心。

③跨渠道数据交互能够给客户立体式体验，有效提升品牌体验。

5、基于数据的互动式业务规划

①基于数据交互的业务规划对象一般是一个系列产品或服务链条，通常广泛应用于通信业，银行业，保险业，零售业等。

②基于数据交互的业务规划必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现以数据挖掘为核心。

6、基于数据的互动式营销规划

基于数据的交互式营销主要指互动营销，核心思想为分析客户的特定时机需求，并根据该需求推荐相关产品或服务满足客户需要，广泛应用于各种行业。

基于数据交互的业务规划同样必须以客户为中心，分析客户出现需求的各种时机，并智能匹配以产品或服务，其实现同样以数据挖掘为核心。

7、数据预测

数据分析：对照A服务和B服务的使用记录，使用A服务的客户在1个月收益小于B服务，而3个月会产生收益大于B服务。

互动营销：建议需要1个月服务的客户使用B服务，建议需要3个月的客户使用A服务。

业务创新：面向需要两个月服务的客户开发非A非B的C类型服务。

Udesk 精品文章

Udesk功能专题

工单处理时间

每日5000+工单的解决之策

Udesk系统之用户互动

通过Udesk获取客户需求点

呼叫中心

如何用呼叫中心提升用户体验

下一代客服型呼叫中心发展方向

呼叫中心客服交流三大法宝

在呼叫中心成长：认知比行为更重要

突破呼叫中心，小企业客服的化蝶之路

如何正确利用呼叫中心来实现客服管理

客服系统

如何选择一款优秀的客服系统？

好的客服系统让客服成为企业行销利器

客服系统发展带来新的营销套路

从Udesk看未来客服系统发展

移动互联网时代客服系统的变革之路

客服系统比企业更懂客户需求

客户服务

教你如何绕开他们踩过的“坑”

客户服务对企业影响有多大

洞察客户，创造更好的客户服务

未来的战役——“客户服务“之争

别再浪费时间和资源，客户服务这么做

什么是好的客户服务？

提升企业服务的5个技巧

客户管理

如何客户定位及管理？

是什么抢走了你客户的忠诚度？

搞定客户15招，忠诚才是你的拥护者

如何将你的客户转化为企业效益

将潜在客户转换成真实客户的4个秘诀

干货技能

如何晋升到呼叫中心管理层？

呼叫中心客服主管初入秘籍

客服中心服务质量提升——不妨这样做！

做客服3年，我学到了什么？

客户案例

海底捞为什么选择Udesk客服系统？

星巴克高效内部沟通背�...

大数据时代的来临，使得企业在业务运作的过程中产生的数据量呈现出了爆发式的增长。各行各业都面临着海量数据的分析和处理问题。如何运用大数据技术从海量数据中挖掘出有价值的信息，将是今后企业发展的一个巨大挑战。我们在迎接挑战的同时，也可以了解、学习国内外大数据应用中的经典案例，希望能对我们有所启示。

01 塔吉特（Target）百货孕妇营销分析

最早关于大数据的故事发生在美国第二大超市塔吉特（Target）百货。孕妇对于零售商来说一直是个含金量很高的顾客群体，但是她们一般都会去专门的孕妇商店。人们一提起塔吉特，往往想到的都是日常生活用品，却忽视了塔吉特也有孕妇需要的一切。在美国，出生记录是公开的，等孩子出生了，新生儿母亲就会被铺天盖地的产品优惠广告包围。如果等到孩子出生再行动就晚了，因此零售商必须赶在孕妇怀孕前期就行动起来。

塔吉特的顾客数据分析部门发现，怀孕的妇女一般会在怀孕第三个月的时候购买很多无香乳液、无添加的化妆品、护肤品等等。几个月后，她们会购买镁、钙、锌等营养补充剂。根据数据分析部门提供的模型，塔吉特制订了全新的广告营销方案，在孕期的每个阶段给客户寄送相应的优惠券。结果，孕期用品销售呈现了爆炸性的增长。2002年到2010年间，塔吉特的销售额从440亿美元增长到了670亿美元。大数据的巨大威力轰动了全美。

02 谷歌的意图

如果说有一家科技公司准确定义了“大数据”概念的话，那一定是谷歌。根据搜索研究公司comScore的数据，仅2012年3月一个月的时间，谷歌处理的搜索词条数量就高达122亿条。谷歌的体量和规模，使它拥有比其他大多数企业更多的应用大数据的途径。

谷歌搜索引擎本身的设计，就旨在让它能够无缝链接成千上万的服务器。如果出现更多的处理或存储需要，抑或某台服务器崩溃，谷歌的工程师们只要再添加更多的服务器就能轻松搞定。将所有这些数据集合在一起所带来的结果是：企业不仅从最好的技术中获益，同样还可以从最好的信息中获益。下面选择谷歌公司的其中三个亮点。

谷歌意图：谷歌不仅存储了搜索结果中出现的网络连接，还会储存用户搜索关键词的行为，它能够精准地记录下人们进行搜索行为的时间、内容和方式，坐拥人们在谷歌网站进行搜索及经过其网络时所产生的大量机器数据。这些数据能够让谷歌优化广告排序，并将搜索流量转化为盈利模式。谷歌不仅能追踪人们的搜索行为，而且还能够预测出搜索者下一步将要做什么。用户所输入的每一个搜索请求，都会让谷歌知道他在寻找什么，所有人类行为都会在互联网上留下痕迹路径，谷歌占领了一个绝佳的点位来捕捉和分析该路径。换言之，谷歌能在你意识到自己要找什么之前预测出你的意图。这种抓取、存储并对海量人机数据进行分析，然后据此进行预测的能力，就是数据驱动的产品。

03 沃尔玛的“啤酒加尿布”

总部位于美国阿肯色州的世界著名商业零售连锁企业沃尔玛拥有世界上最大的数据仓库系统。为了能够准确了解顾客在其门店的购买习惯，沃尔玛对顾客的购物行为进行了“购物篮分析”。沃尔玛数据仓库里集中了其各门店的详细原始交易数据，在这些原始交易数据的基础上，沃尔玛利用NCR数据挖掘工具对这些数据进行分析和挖掘，可以很轻松地知道顾客经常一起购买的商品有哪些。一个意外的发现是：“跟尿布一起购买最多的商品竟是啤酒！”

这是数据挖掘技术对历史数据进行分析的结果，反映了数据内在的规律。沃尔玛派出市场调查人员和分析师对这一数据挖掘结果进行调查分析。经过大量实际的调查和分析，揭示了隐藏在“尿布与啤酒”背后的美国人的一种行为模式：在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，而他们中有30%-40%的人同时也为自己买一些啤酒。产生这一现象的原因是：美国的太太们常叮嘱她们的丈夫下班后为小孩买尿布，而丈夫们在买尿布后又随手带回了他们喜欢的啤酒。

既然尿布与啤酒一起被购买的机会很多，于是沃尔玛就在其一个个门店将尿布与啤酒摆放在一起，结果是尿布与啤酒的销售量双双增长。

04 中国移动的数据化运营

通过大数据分析，中国移动能够对企业运营的全业务进行针对性的监控、预警、跟踪。大数据系统可以在第一时间自动捕捉市场变化，再以最快捷的方式推送给指定负责人，使他在最短时间内获知市场行情。

客户流失预警：一个客户使用最新款的诺基亚手机，每月准时缴费、平均一年致电客服3次，使用WEP和彩信业务。如果按照传统的数据分析，可能这是一位客户满意度非常高、流失概率非常低的客户。事实上，当搜集了包括微博、社交网络等新型来源的客户数据之后，这位客户的真实情况可能是这样的：客户在国外购买的这款手机，手机中的部分功能在国内无法使用，在某个固定地点手机经常断线，彩信无法使用——他的使用体验极差，正在面临流失风险。这就是中国移动一个大数据分析的应用场景。通过全面获取业务信息，可能颠覆常规分析思路下做出的结论，打破传统数据源的边界，注重社交媒体等新型数据来源，通过各种渠道获取尽可能多的客户反馈信息，并从这些数据中挖掘更多的价值。

数据增值应用：对运营商来说，数据分析在政府服务市场上前景巨大。运营商也可以在交通、应对突发灾害、维稳等工作中使大数据技术发挥更大的作用。运营商处在一个数据交换中心的地位，在掌握用户行为方面具有先天的优势。作为信息技术的又一次变革，大数据的出现正在给技术进步和社会发展带来全新的方向，而谁掌握了这一方向，谁就可能成功。对于运营商来说，在数据处理分析上，需要转型的不仅是技巧和法律问题，更需要转变思维方式，以商业化角度思考大数据营销。

05 阿里信用贷款和淘宝数据魔方

中国最大的电子商务公司阿里巴巴已经在利用大数据技术提供服务：阿里信用贷款与淘宝数据魔方。

每天有数以万计的交易在淘宝上进行。与此同时相应的交易时间、商品价格、购买数量都会被记录。更重要的是，这些信息可以与买方和卖方的年龄、性别、地址、甚至兴趣爱好等个人特征信息相匹配。各大中小城市的百货大楼做不到这一点，大大小小的超市做不到这一点，而互联网时代的电商可以做到。

淘宝数据魔方就是淘宝平台上的大数据应用方案。通过这一服务，商家可以了解淘宝平台上的行业宏观情况、自己品牌的市场状况、消费者行为情况等，并可以据此进行生产、库存决策，而与此同时，更多的消费者也能以更优惠的价格买到心仪的宝贝。

而阿里信用贷款则是阿里巴巴通过其掌握的企业交易数据，借助大数据技术自动分析判定是否给予企业贷款，全程不会出现人工干预。截至目前，阿里巴巴已经放贷300多亿元，坏账率约0.3%左右，大大低于商业银行。

十年以来，中国出境人数及增长率变化表

据《全球旅游消费报告2017》显示，2017年1-4月，中国游客境内购物消费金额为1380亿元，境外购物消费金额为277.9亿元，分别与去年同期相比下降41.5%和37.2%。但与此同时2017年预计境外游客人数将超过1.4亿人次，在2016年的1.22亿人次之上又上了新的台阶！！

曾经风靡一时的日本马桶盖

在2016年第三季度，赴日本的中国游客人均购物金额已经下降到约10.2万日元（约合人民币6633.6元），连续三个季度出现下降。据悉，中国游客“爆买”的高峰期在2015年第一季度，当时中国游客的人均购物金额约为17万日元。

在境外旅游中购物是其中的一个重要项目

一边是境外游人数的突破新高，另外一边则是境外购物金额的大幅度降低，这两者数据的互相背离难道说明，中国游客的购买力开始下降了？

事实上，中国现在正在经历一轮“消费降级”的购买行为变化。

十几二十年前，曾经出现过一批高价品牌的兴起，高档茶叶、高档保健品、豪华轿车、奢侈品服装满足了当时一夜暴富的成功人士的需求，整个中国的市场迎来一波“消费升级”的浪潮。

天价冬虫夏草，其核心价值在于“天价”而不是在于“功效”

其实上一次“消费升级”的爆发，是源于中国社会“区分阶级”的需要。这帮本来贫穷而迅速暴富的人，需要通过炫耀性极强的产品，快速融入上游阶级，并跟原来家乡同等背景的穷兄弟们区分开。

昔日去香港就是购物的观念可谓深入人心

有数据显示，今年3月份的奢侈品销售例如首饰、手表以及贵重礼品的销售量下降了20.3%， 服装销售则下降11%。近年来香港旅游的内地游客从买买买转向休闲、美食和体验当地文化。赴港自由行占比9成以上，定制旅游、当地玩乐等方式成为赴港旅游新宠。

人们越来越注重在旅游中对当地生活的体验消费

据日本观光厅数据显示，中国游客的消费模式已经从购物转向娱乐和餐饮。虽然人均购物金额有所下降，但中国游客的人均消费并没有明显的下降趋势。赴日外国游客包括食宿开支在内的人均消费为14.35万日元，而中国游客的人均消费为23.29万日元，仍高踞赴日外国游客人均消费的榜首。

昔日人头涌涌的奢侈品店开始变得门可罗雀

同样的情况也出现在中国国内，在中国类似Gucci等奢侈品品牌销量低迷，苹果大中华区财报呈现负增长，与此同时，国产品牌与新锐品牌崛起。消费者对大牌与高价产品的迷信正在不断退烧，国人对消费品的态度也从过去的疯狂追捧转向了如今的理性判断，其中的种种现象正在从侧面印证着“消费降级”及其代表的全新消费观。

午餐肉在大萧条时期功不可没，因为其售价仅为普通肉类三分之一

不过需要指出的是，这里说的“消费降级”不是对商品的品质要求的降低，比如1930年代的大萧条时期，美国人发明了午餐肉来代替新鲜的肉类。而是说当下消费者行为变得更加理性化，且消费行为受评价的影响变得越来越大。购物是“为别人消费”开始变为“为自己消费”。国人开始追捧那些质高且价格适中的产品，而不一昧讲究用价高商品去区分人群的倾向。

第一篇：

简明英国全史（一）：罗马人走了，阿尔弗雷德大王驾到

中间包含二十几集，还有好几个番外篇，太长就不做链接了，想看前面各章节，请访问我的头条号来找吧

上一篇：

简明英国全史（十七）百年战争下半场—忽悠男和忽悠女的大舞台（下）

未完待续，其他深度好文：

向飞机发动机内抛硬币到底有多危险

欧盟开出天价罚单，谷歌被罚24.2亿背后的深度布局和博弈

通过《神奇女侠》来聊聊历史和传说中的那些彪悍的女战神们（上）

历代韩国总统们躲不掉的“青瓦台魔咒”

土耳其民族和突厥人到底是什么关系？

趋势不以人改变，你只能追逐趋势而动

导 语

采购最终的目的就是在贩卖获利，所以采购是否有绩效，最终的表现就显示在数据上，而数据是很现实的，没有达到既定的目标，效率就会被判定为“差”。因此，在采购的数据管理上，现提出几种管理数据做为分析判断的工具：

四大工具

一、进销存的数据资料掌握

要能明确算出每个部门，每个中分类，每月的进销存数据，而利用POS系统及EOS系统较能很快掌握公司的销售资料及进货资料。换言之，如能以较科学的方式来获取进销存的资料，较能给经营带来大的助益。

二、分类的构成比分析

管理一个公司的商品，不能只是知道全店的营业额和利益，也不能只顾及部门的营业额及利益。例如：不但要知道饮料类这个中分类的营业额及利益是多少，对于它所占的构成比也要了解，才能知道销售的弱点在那里，以及如何加以改善。

三、毛利率分析

毛利率=毛利率/营业额×100

对于每一个分类也要能将毛利率计算出来，了解哪一个分类的获利能力好，哪一个分类的获利能力差，而调整商品结构或强化弱的分类。

四、商品回转率分析

商品回转率=营业额/初期存货+期末存货/2×100

商品回转天数=365天/年商品回转率

超市的经营决窍之一，就在求取快速的商品回转率，所以对于每一分类的回转率须予以计算出来，回转率愈快愈好。因回转率愈快，商品鲜度愈佳，资金回收速度也快；如此形成一个良性的循环，经营才会杰出。

一般来说，超市的回转次数，一年应保持在20—22次以上才合乎标准，经营者可以检查一下自己公司的回转次数，是否在标准之内，若在标准之外，可就要好好努力了。

采购部门是超市创造业绩的部门，所以如果没有完备的采购组织存在，超市根本不可能存在，更不用说想赚钱了，因此超市在谈利润的第一步就是要先组织一支战斗力十足的 采购 战斗队伍，如此严密地把守住货物进出的第一关，才有可能使超市真正立于不败之地。

采购部门就如同制造业的生产部门一般，是创造利润的单位，此关若把守得当，只进一些会赚钱的货，自然就可以确保超市的基本业绩。一般而言， 采购组织可分为分权式采购组织及集权式 采购 组织两类，这两类组织模式各有利弊，业者可视个人的规模、目标而选定适合自己的模式。

在采购过程中，数据分析具有极其重要的战略意义，是优化供应链和采购决策的核心大脑。因此做好数据分析，是采购过程中最重要的环节之一。

那么如何做好数据分析呢？以下梳理出数据分析的8步流程，以及常见的7种分析思路。在启动数据分析前，最好跟主管或数据经验较丰富的同事确认每一步的分析流程。

数据分析八大流程

1、为什么要分析

首先，你得知道为什么分析？弄清楚此次数据分析的目的。比如，什么类型的客户交货期总是拖延。你所有的分析都的围绕这个为什么来回答。避免不符合目标反复返工，这个过程会很痛苦。

2、分析目标是谁

要牢记清楚的分析因子，统计维度是金额，还是产品，还是供应商行业竞争趋势，还是供应商规模等等。避免把金额当产品算，把产品当金额算，算出的结果是差别非常大的。

3、想达到什么效果

通过分析各个维度产品类型，公司采购周期，采购条款，找到真正的问题。例如这次分析的薄弱环节供应商，全部集中采购，和保持现状，都不符合利益最大化原则。通过分析，找到真正的问题根源，发现精细化采购管理已经非常必要了。

4、需要哪些数据

采购过程涉及的数据，很多，需要哪些源数据？采购总额？零部件行业竞争度？货款周期？采购频次？库存备货数？客户地域因子？客户规模？等等列一个表。避免不断增加新的因子。

5、如何采集

数据库中供应商信息采集,平时供应商各种信息录入,产品特性录入等,做数据分析一定要有原料,否则巧妇难为无米之炊。

6、如何整理

整理数据是门技术活。不得不承认EXCEL是个强大工具，数据透视表的熟练使用和技巧，作为支付数据分析必不可少，各种函数和公式也需要略懂一二，避免低效率的数据整理。Spss也是一个非常优秀的数据处理工具，特别在数据量比较大，而且当字段由特殊字符的时候，比较好用。

7、如何分析

整理完毕，如何对数据进行综合分析，相关分析？这个是很考验逻辑思维和推理能力的。同时分析推理过程中，需要对产品了如指掌，对供应商很了解，对采购流程很熟悉。看似一个简单的数据分析，其实是各方面能力的体现。首先是技术层面，对数据来源的抽取－转换－载入原理的理解和认识；其实是全局观，对季节性、公司等层面的业务有清晰的了解；最后是专业度，对业务的流程、设计等了如指掌。练就数据分析的洪荒之力并非一朝一夕之功，而是在实践中不断成长和升华。一个好的数据分析应该以价值为导向，放眼全局、立足业务，用数据来驱动增长。

8、如何展现和输出

数据可视化也是一个学问。如何用合适的图表表现？每一种图表的寓意是什么？下面列举下常用的8个图表：

（1）折线图：合适用于随时间而变化的连续数据，例如随时间收入变化，及增长率变化。

（2）柱型图：主要用来表示各组数据之间的差别。主要有二维柱形图、三维柱形图、圆柱图、圆锥图和棱锥图。

（3）堆积柱形图：堆积柱形图不仅可以显示同类别中每种数据的大小，还可以显示总量的大小。

（4）线-柱图：这种类型的图不仅可以显示出同类别的比较，还可以显示出趋势情况。

（5）条形图：类似于横向的柱状图，和柱状图的展示效果相同，主要用于各项类的比较。

（6）饼图：主要显示各项占比情况。饼图一般慎用，除非占比区别非常明显。因为肉眼对对饼图的占比比例分辨并不直观。而且饼图的项，一般不要超过6项。6项后建议用柱形图更为直观。

（7）复合饼图：一般是对某项比例的下一步分析。

（8）母子饼图：可直观地分析项目的组成结构与比重

图表不必太花哨，一个表说一个问题就好。用友好的可视化图表，节省阅读者的时间，也是对阅读者的尊重。

有一些数据，辛辛苦苦做了整理和分析，最后发现对结论输出是没有关系的，虽然做了很多工作，但不能为了体现工作量而堆砌数据。

在展现的过程中，请注明数据的来源，时间，指标的说明，公式的算法，不仅体现数据分析的专业度，更是对报告阅读者的尊重。

数据分析七思路

1、简单趋势

通过实时访问趋势了解供应商及时交货情况。如产品类型，供应商区域（交通因子），采购额，采购额对供应商占比。

2、多维分解

根据分析需要，从多维度对指标进行分解。例如产品采购金额、供应商规模（需量化）、产品复杂程度等等维度。

3、转化漏斗

按照已知的转化路径，借助漏斗模型分析总体和每一步的转化情况。常见的转化情境有不同供应商及时交货率趋势等。

4、用户分群

在精细化分析中，常常需要对有某个特定行为的供应商群组进行分析和比对；数据分析需要将多维度和多指标作为分群条件，有针对性地优化供应链，提升供应链稳定性。

5、细查路径

数据分析可以观察供应商的行为轨迹，探索供应商与本公司的交互过程；进而从中发现问题、激发灵感亦或验证假设。

6、留存分析

留存分析是探索用户行为与回访之间的关联。一般我们讲的留存率，是指“新新供应商”在一段时间内“重复行为”的比例。通过分析不同供应商群组的留存差异、使用过不同功能供应商的留存差异来找到供应链的优化点。

7、A/B 测试

A/B测试就是同时进行多个方案并行测试，但是每个方案仅有一个变量不同；然后以某种规则优胜略汰选择最优的方案。数据分析需要在这个过程中选择合理的分组样本、监测数据指标、事后数据分析和不同方案评估。

不单是供应商及时交货的数据分析，其他的数据分析流程和思路也一样适用，只是维度重点很多，以及组合的维度也非常多，因此就需要更清晰的思路和大局观，避免陷入到数据海洋中。

全心全意为超市服务

开店、整改、内训我只认超市帮

超市整改首选品牌---超市帮

【买4本赠2本】《日本餐饮业吸引客流的4个终极经验》（学习日本餐饮业精细化管理之道）点击原文链接购买：

2017年双十一过去已经一周之余，不知道大家是不是都已经收到了自己的战利品~今天就为大家分析揭秘双十一的巨额数据背后的秘密，顺便也可感受一下国人对于购物的热情。

首先说一个众所周知的数据：2017年双十一天猫成交额1682亿。

所以今天，从三个角度带你一起去探索1682亿背后的秘密：

1、全网热度分析：双十一活动在全网的热度变化趋势、关注来源、媒体来源以及关联词分析。

2、各平台对比分析：针对“天猫”“京东”“苏宁”等一些电商平台的销售额以及粉丝画像进行对比分析。

3、天猫销售额分析：通过天猫的一些具体销售额进行分析，了解各品类、各地区分布情况以及历年销售额的变化、并对2018年销售总额进行大胆预测。

一、全网热度分析

（1）“双十一”热度

在双十一前后的72小时之内关于“双十一”的讨论热度高达80.21，话题感满满啊，大家都要成为爱吐槽的段子手了。

（2）微博传播趋势

通过微指数对“双十一”的趋势分析，可以看出，前期热度呈波动趋势，但双十一当天迅速飙升至2520K左右，大家对于“剁手”这件事是真的很关注，购买力就更不用多说了吧~

（3）关注来源

从近一个月的PC&移动端趋势走向可以看出全网的关注度来源，移动端大概是PC端的4倍，更是占到总体趋势的80%以上，这说明大部分关注用户是用手机等其他移动设备进行搜索，最高热度值达到2038K。

（4）媒体来源

在双十一中，媒体来源的信息量TOP3依次为微博、网站和论坛。

（5）关联词

通过对双十一的相关信息进行分析，与核心词关联度最高的词语依次是“包装”、“纸箱”、“电商”。话说，你的快递都收到了么？

（6）头条关键词热度趋势

根据头条指数的热词分析，“马云爸爸”果然不出意料的获得了第一名，在双十一期间他也有借用自己的电影《功守道》来提高自己的曝光率，指数值高达240万以上~

（7）百度指数热度趋势

通过百度指数近7天的热词趋势，我们可以看出，在本次“双11”开始前，大家对于各电商平台的讨论热度居高不下，呈直线飙升趋势，在“双11”当天达到最高值。其中“淘宝”、“京东”、“唯品会”等电商平台一度成为大众关注的焦点。

（8）微信指数热度趋势

如图所示，微信指数近7日热度最高的是“双十一”，其次是“快递”，“淘宝”位居第三。看来，痛快的买买买之后，大家还是比较关心什么时候可以收到剁手的产物啊，有快递在路上的日子，一切都有了盼头~

二、各平台对比分析

（1）各平台总销售额对比

以上是某数据对20家B2C电商平台的监测结果，在双十一销售额方面，天猫销售额稳居全网第一，占比66.23%，京东占比21.41%，苏宁易购占比4.34%，亚马逊占比1.95%，唯品会占比3.43%，其他电商平台占比2.64%。

如此显赫的数据，直接体现了“双11”线上人群强大的购买力，同时也代表着中国新零售能量的爆发。嘿！咱们又为建设美好的社会主义国家贡献了自己的一份力！

（2）各平台海外购销售额占比

根据上图，能够很清晰地看出2017年双11各平台海外购销售额占比情况，亚马逊为7.3%稳居第一，天猫为5.4%，京东为4.9%，苏宁为0.6%，唯品会为3.7%。

原来11.11这个节日已经不单单只是亿万国人的狂欢，还有越来越多的海外多个国家的加入，一个个数据体现的是一种新经济和新消费模式。

（3）粉丝画像对比

针对淘宝和京东两家粉丝进行了对比，可以看出淘宝的女性粉丝是远多于男性的，京东的男女比例分布比较平均，这与京东最初主打数码家电行业有密不可分的关系。

而两家粉丝的年龄分布相差不多，都集中在年轻人这里，看来50岁以上的人群还是待开发的用户群啊~

根据微舆情的情绪地图可以看出在双十一之后用户通过微博展现出来的情绪，最显著的就是：喜悦。其中最“喜悦”的是广东地区用户，大概是因为他们的快递正在路上，抑制不住内心的兴奋吧，哈哈~

三、天猫销售额分析

（1）天猫历年“双11”销售额

2009年之前，天猫还叫淘宝商城，“双11”销售额是5200万，27个品牌参与了活动;

2010年，“双11”的成交额以惊人的速度增长，总成交额9.36亿；

2011年，“双11”总成交额达到了33.6亿。“双11”这个在大家的概念里原本只是光棍节的日子彻底火了；

2012年，淘宝商城正式更名为天猫，“双11”线上总成交额达到191亿，“双11”热潮从线上覆盖到线下，成为一个全民总动员的节日；

2013年，天猫“双11”交易总额达到362亿元，交易额大幅提升；

2014年，双11趋势呈现全球化，全天交易额达571亿元；

2015年，双11的最终交易额达到912.17亿元，覆盖了232个国家和地区；

2016年，天猫双11全球狂欢节全天总交易额达到1207亿元；

2017年，“双11”天猫交易额总计达1682亿，各项数据仍然不断刷新前几年的记录。

（2）2017年&2016年天猫“双11”成交额

盘点今年双11交易额重要数据，从11日0时开始销售额一直不断上升至11月12日0时，天猫“双11”指挥中心大屏幕上的数据最终停留在1682亿元。看了上图终于知道为什么购物车里的商品分分钟就不见了！！这是在跟几亿人作斗争啊！

（3）2017天猫“双11”各地区销售额

在这场全民剁手热潮中，广东人民消费力杠杠滴，位居全国第一，浙江、江苏人民也贡献了不俗的“战绩”！北、上的人民怎么甘愿落后呢，这销量也是紧随其后啊！据统计，2017年“双11”共产生包裹13.8亿个，快递小哥正在努力将你的包裹送到手中哟。

（4）天猫全网成交额产品类别排名

2017年“双11”所有成交产品中，产品品类排名前几分别是：大家电销售额占比15.2%，手机销售额占比8.7%，个人护理品占比5.6%，母婴用品占比3.6%，生活电器占比2.8%，彩妆占比2.5%。

其中销售量Top1的大家电排名如下：在大家电品牌中，海尔销量稳居第一，美的、夏普其次，之后依次是：西门子、格力、海信、小米、TCL、小天鹅、奥克斯。

2018年预测

最后让我们根据以往的数据大胆预测一下，2018年天猫“双11”全球购物狂欢节的成交总额：2146亿元！让我们记住这个数字，看看国人的购买力会不会超过机器预估能力~

数据来源：网络整理

涉及工具：BDP个人版、微舆情、微指数、wordart

近十年来，我听说优秀的定量分析师可以“讲述一个有数据的故事。”叙述与视觉分析一起 - 将分析结果传达给非分析人员的重要方式。很少有人会质疑这些故事的价值，但只要知道它们的工作对任何想要掌握分析性叙事艺术的人都没有多大帮助。我们需要的是一个框架，用于理解数据和分析可以分辨的各种故事。如果你不知道你想讲什么样的故事，你可能不会说一个好故事。

几年前，这领先的分析实践者，曾担任Expedia的网络分析主管，现任一家电子商务高级副总裁。我们同时意识到有几种不同类型的分析故事，并且创建它们的类型可能是有用的。我后来创建了我认为是我书中第一个分析性故事的类型与Quants保持一致，自去年出版以来，我进一步完善了类型学。实际上，有四个关键维度决定了您可以通过数据和分析来讲述的故事类型：

时间：分析故事可以是过去，现在或未来。最常见的分析故事类型是过去 - 它是一个报告故事，使用描述性分析来分辨上周，月，季度或年份发生的事情。顺便说一句，大多数可视化分析故事也属于这种类型。它们不是最有价值的故事形式，但无可否认地知道发生了什么。

关于现在的故事最有可能涉及某种形式的调查 - 分析人们或物体目前的情况。它实际上可能涉及调查研究 - 询问人们对某事的看法。在某些情况下，调查分析涉及哪些因素驱动他人的统计模型。我们可以称之为解释性调查故事。一般来说，调查故事有很多微小的变化。在这本书中，我们讨论了社会科学调查，有线电视观众的调查以及第二次世界大战中轰炸机的调查。

关于未来的故事是预测;他们当然使用预测分析。他们从过去获取数据（很难从未来获取数据！）来创建统计模型，然后用于预测未来。 他一直在创建预测故事 - 关于客户可能购买的内容，关于事件发生的可能性，以及未来的经济状况。这些类型的预测故事总是涉及假设（特别是未来将在某些关键方面与过去一样）和概率。好消息是我们可以指定故事成真的可能性;这对童话故事不是很好吗？

重点：您是在尝试讲述故事，故事原因或如何解决问题故事吗？ （我很感谢几位宝洁公司的高管指出这一点）。什么故事就像报道故事 - 他们只是告诉发生了什么。为什么故事会影响导致结果的潜在因素。如何解决问题故事探索各种方法，以改善在什么和为什么故事中确定的情况。一个真正完整的故事可能包含所有这些焦点元素。宝洁公司在迅速就这个故事达成一致意见方面取得了相当大的进展，然后在主题的原因和方式上花费了更多的时间和精力。这样做的关键是让所有参与讲述故事的人都使用相同的数据。

深度：分析故事还有一个深度维度。当我与他们讨论时，他说他们的许多故事都是“CSI”项目 - 相对较小的临时调查，以找出为什么发生了一些不理想的事情。他最喜欢的一个例子是发现为什么一些客户在进入邮政编码输入表格时放弃了在线交易。原来，一些乡村地区没有邮政编码。就像CSI故事在短时间内解决一样。

另一种我称之为“尤里卡”的故事，涉及长期，分析驱动的搜索，以解决复杂问题。当你解决它时，你想大声喊叫，“尤里卡！”我在书中的主要例子是在找到向潜在买家推荐和定价潜在买家的正确方法。该项目是公司商业模式的核心，值得长篇大论;经过一些错误的启动和使用几种不同的分析方法后，他们做对了。这些类型的故事通常很长，很重要且成本很高，因此如果您计划达到目的，那么获得利益相关者的支持至关重要。

方法：最后，基于所使用的分析方法，有不同类型的故事。例如，您是否试图说出一个相关性故事 - 变量之间的关系同时上升或下降 - 或者是因果关系故事，您会认为一个变量导致了另一个变量？在大多数情况下，进行某种对照实验确实是建立因果关系的唯一方法。人们 - 特别是那些媒体人 - 一直在讲故事，因为他们将因果关系与相关性混为一谈。

这十种故事并不相互排斥。当然还有其他基于方法的故事，也可能是其他重要的维度。但是要知道至少有十种方法来讲述分析性故事比仅知道你应该告诉一个故事要有用得多。分析性叙事的其他重要方面也是如此，例如向商人讲述的故事通常应从结果和推荐结果开始。您可以为报告或演示文稿的脚注分析保存详细信息。 R2，系数，逻辑和异方差等术语根本不应出现在你的公共故事中！

近几年电商行业的各大网站纷纷通过降价、促销等方式来吸引用户，KPCB 的调查报告显示，2009 年到 2015 年全球移动端新用户的增长率持续下滑，可以预计在 2016 年这一增速将继续放缓。这意味人口增长带来的流量红利正在逐渐消退，用户增长将更加乏力，那么，通过单纯的价格战来吸引新用户的方式还可行吗？

严峻的市场市场形势让我们思考：

1）通过降价促销来带订单数的增长，但是这样的活动吸引来的真是你的目标用户吗？

2）现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识，依靠价格战这种野蛮生长的方式，一旦团队面临增长困境，又该如何应对？

Part 1 电商行业需要关注的五大关键指标

在众多的互联网细分行业中，电商行业起步早，发展时间长，行业特征显著：

1）商品品类及 SKU 多，用户覆盖面广，运营难度大；

2）总体上客单价低（除旅游、奢侈品等外），强调留存与复购；

3）电商产品设计相对成熟，优化运营是重中之重；

4）电商行业竞争白热化，精细化运营是冲出重围的必备技能。 要想实现精细化运营，数据是必不可少的一个环节。

要想实现精细化运营，数据是必不可少的一个环节，电商网站要提高运营效率，至少需要五大关键指标：活跃用户量、转化率、留存、复购和 GMV 。

1）活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次；

2）转化是一个非常重要的指标，电商运营需要关注主路径、次路径甚至精细到每一个品类 SKU 的转化率；

3）留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存；

4）复购则要从 3 个角度去看，复购用户量、复购率和复购金额比；

5）GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV 转化率客单价

Part2商品运营：流量优化和品类优化

前面提到电商行业的一大特点是商品品类或者 SKU 非常多，那么如此多的商品该如何运营呢？

这是三个电商 APP 的首页界面（各家 Web 端布局也比较相似）：前两个是京东和国美，属于平台型的电商；第三个是生鲜水果平台，属于垂直型电商。不难发现电商的产品在设计上非常类似，首页上面呈现的是轮播的 Banner ，下面是活动专区。

在商品运营中，尤其是首页商品更新速度快，我们要格外重视转化，甚至要精确到不同时间区间、不同位置、不同商品的转化率。然后根据转化率，结合业务经验，不断调整运营策略。然而目前，即使是大型的电商网站，也没有很好地做到这一点，对于每个商品品类 SKU 的转化率的分析仍存在一定的空缺。

商品运营有一个非常大的优势：投入低，见效快，效果明显，商品运营的本质是通过不同坑位、不同活动、不同商品的分析来提高我们的转化率和 GMV 。

下图展示了一个电商购买流程的主路径：首页——活动页——商品详情页——支付完成。从精细化分析的角度出发，我们关注转化路径每一步的转化率；通过分析不难发现最后一步“支付完成”的转化率偏低。

我们更需要基于三个关键转化“UV-点击”、“点击-加入购物车”、“购物车-支付成功”，对不同的商品进行比较分析，从而及时调整运营策略，下图就是各个步骤的转化率：

电商网站的运营节奏非常快，尤其是活动专区的“秒杀”、“抢购”等活动，需要实时监测 SKU 的更新变化。上图中，某电商平台进行了一次微信上的促销活动，通过实时监测到对应的平台访问情况，便于运营人员及时调整运营策略。

GrowingIO实时分析功能电商网站上的商品品类非常多，每一个品类都应该有明确的定位，不同定位的品类应该有不同的运营策略。根据商品品类的利润率、转化率等表现，我们将商品品类分成 4 种：导流型品类、高利润品类、高转化品类、未来明星型品类。

1）导流型品类：利润非常低，但是购买量大、市场需求大，目的在于导流。

2）高利润型品类：利润率高，希望用户更多购买此类商品。

3）高转化品类：带量。

4）未来明星型品类：这是电商平台的潜力股，虽然曝光量很低，但是转化率极高。

明确了商品的品类后，我们就可以针对性地展开运营。

这是新型的波士顿矩阵，横坐标代表商品的曝光量，纵坐标是商品的转化率，图中的每一个圆圈代表一个品类的商品。右上角的商品品类曝光量大、转化率高，是现金流的重要业务；而左上角的商品虽然曝光率非常低，但是转化率极高，属于我们上面提到的未来明星型品类，对于这一类商品，我们在后期的运营中可以增加其曝光量。

Part 3 怎样进行用户运营？

正如开头提到的，随着互联网用户增长速度的放缓，用户体验愈发重要，之前无目的的短信推送、APP 通知有可能使用户厌烦，破坏用户的体验；甚至可能导致用户退订、卸载。

精细化运营的情况下，做好用户运营主要从两个角度出发：一是找到用户留存的关键点；二是采取差异化的运营策略，区分不同的用户群体，对不同群体采取差异化的运营方式。

1. 找到用户增长的“魔法数字”留住一个客户的成本远远小于重新获取一个客户的成本，所以留存至关重要，它关系着一个平台能否持续健康发展。

留存曲线分成三个周期，开始是震荡期和选择期，经过这两个周期，如果用户能够留下来，就会进入一个相对平稳期。

在硅谷流向的 growth hacking 中，经常提到 magic number（魔法数字）。

那么作为一个电商平台，你的平台的魔法数字是什么？

以某电商平台为例，在该网站上 7 天内完成 3 次购买的用户的留存度（红色）是一般用户（绿色）的 4 倍左右，因此在一周内让用户完成 3 次购买就是他的魔法数字。

2. 差异化的运营策略

不同用户的活跃度、商品偏好、购买决策阶段都各异，我们需要采取差异化的运营策略。差异化的运营策略主要从3个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。

基于用户的活跃程度，我们可以将用户大致分成“流失用户”、“低频活跃用户”和“高频活跃用户”。一般情况下，一个用户 30 天甚至更久没有登录你的平台，我们基本可以认为该用户流失了。对于流失客户，是否要考虑采取召回策略。30 天内活跃 10 天以上的高度活跃用户，我们是否可以向其推荐更多精准的商品。

其次基于用户对不同商品的偏好，我们采用用户分群，将用户区分成“美妆类”、“鞋帽类”、“数码类”、“书籍类”等不同群体，然后精准推送新品。

最后，基于用户购买决策的不同阶段。一个标准的购买流程，先后经历“首页浏览搜索——浏览商品详情页——商品对比——加入购物车——支付成功”等几个环节，用户在每一个节点都处于不同的决策阶段。我们从维度（属性数据）和指标（行为数据）出发，对用户分群，如“领取了优惠券，但是未使用”的用户，采取精准的推送。我们从 GrowingIO 提供的 API 导出这些用户的 ID 和属性，然后对接企业内容的 CRM 或者 EDM 进行精准的推送和提醒，刺激用户的转化。

Part 4 优化产品的转化效率

目前电商产品的设计总体成熟、界面布局类似，我们主要结合用户的使用情况去优化产品。我们的思路主要是：优化产品不同路径的转化率，注重用户点评的管理。

1.优化产品

从转化做起一个购买行为可能有多种转化路径：

1）首页——商品——订单转化

2）首页——商品列表——详情页——订单转化

3）首页——搜索——商品列表——详情页——订单转化

4）首页——单坑位Banner——活动页——详情页——订单转化

除了不同路径的转化率，我们还关注转化的每一步：

上图利用 GrowingIO漏斗功能展示了一个用户的购买流程及每一步的转化率，我们发现“加入购物车”到“支付成功”的转化率不到 13，偏低，需要排查具体的问题出在哪里。

一旦觉察到问题可能存在，我们就需要层层下钻，直接抵达问题的核心。我们通过用户分群，将“提交订单，但是未支付完成”的用户全部筛选出来。然后抽出 3-5 个符合条件的用户，借助“用户细查”仔细观看每个用户的操作流程，一般就能发现问题了。

2. 用户评价的重要性

越注重用户体验的商品，用户评价的管理就越重要，例如旅游类商品、生鲜类商品、鞋服类商品等。

借助转化漏斗，我们发现观看过“商品评价图片”的用户的购买转化率是一般用户的 4 倍，但是其数量只占总体的 110。如果我们能引导用户参与点评，将优质点评展示给更多的新用户，那么我们的总体购买转化率将会有更大的提升。

更多电商数据分析内容进入：otpub

休闲服饰定位于传统的正规服饰和运动服饰之间，既能够在大多数场合穿着，又更加符合当前人们追求个性化、追求时尚的要求。在服装市场调研中，最基础的一项工作就是了解消费者使用及购买的习惯，例如，他们购买服装，是看中质量、品牌还是觉得价格实惠，他们习惯于在节假日购买还是有促销活动时购买，准确把握这些消费行为习惯，可以指导具体的市场运营规划。

（图1 休闲服饰购买普及率）

相对于正规服饰来说，休闲服饰穿着更加舒适和多样化，能够让人在压力中放松心情。相对于运动服饰来说，休闲服饰可以在更多的场合穿着，式样更加多样化，更加时尚。整体来看，休闲服饰的购买率普遍在九成左右，一线城市和二、三线城市之间并没有明显的差别。休闲服饰的购买普及率普遍高于运动服饰等其他服饰的购买率。

（图2 购买考虑因素）

消费者购买休闲服饰时考虑的首要因素则是休闲服饰的品质，为4.03，其次是休闲服饰的款式，为3.99。休闲服饰的品质和款式更加能够体现穿着者的个人形象，所以更受到消费者的重视。休闲服饰的品牌和口碑是消费者考虑比较少的两个因素，均值分别为3.49和3.56。

（图3 休闲服饰购买时间）

从休闲服饰购买时间来看，66%消费者选择在促销打折的时候购买休闲服饰，而有51%的消费者是在换季打折的时候购买，选择在这两个时间购买休闲服饰会更加合算。这说明消费者在消费的时候更加趋向于理性化。而在节假日的时间（占46%），消费者会有更多的时间来逛街选购合适自己的休闲服饰。选择在新品上市的时候来购买休闲服饰的消费者（占44%）则更加注重自己的品味，始终站在时尚的前沿。

（图4 休闲服饰购买场所（%））

总体来看，虽然消费者在购买休闲服饰的时候并不主要看中品牌，但是品牌的衣服在很大程度上是服饰品质的保证，所以品牌专卖店（78%）还是消费者购买休闲服饰的主要场所，其次为大型百货商场（65%）。大型连锁超市会设置一些休闲服饰品牌的专柜，也有42%的消费者会选择在逛超市的时候购买休闲服饰。网络购买服饰已经成为一种潮流，有43%的消费者会选择在网上购买休闲服饰。

从图5中可以看出，全国有55%的受访者选择每个季度购买一次休闲服饰，这与季节变化及休闲服饰的新品推出有密切的关系，而在换季的时候，各大品牌的休闲服饰都会进行换季促销活动，能够有效的吸引消费者购买其产品。而选择每个月购买一次休闲服饰的消费者也占到28%。在三大一线城市，这一比例更是超过了30%，随着生活品质的提高，人们也越来越注重对时尚的追求。

（图6 休闲服饰购买价格）

从休闲服饰的购买价格来看，全国有41%受访者选择购买100至200元的休闲服饰产品，35%的受访者选择购买200至300元的服饰产品。100至300的休闲服饰产品为主流价位的产品。选择购买100元以下休闲服饰的消费者仅占7%，这说明国内消费者的消费水平有了不小的提高。（未完待续）

对于超市数据分析，其实问题可以主要为两方面，一方面是超市数据分析应该关注哪些指标？另一方面是超市数据分析用什么样的软件会更方便，最好这个软件就直接能解决我分析的困难。

一、使用什么样的软件？

简单的数据分析Excel就可以完成，如果是复杂的分析，可能就需要一些用到一些BI工具。BI分为传统BI和敏捷BI，在敏捷BI中国外做的比较好的有Tableau，国内做的比较好的有 Yonghong BI ，Tableau有很多个人的分析师在用，企业里用 Yonghong 的比较多。

二、应该关注哪些指标？

对于超市来说，需要关注的指标其实蛮多的，针对不同的目的，我们可以有不同的指标体系。我们可以看一下这张图。

我们可以看到有供应链、物流、财务、市场、门店、销售、会员这七个模块，而每个模块中又会有具体的分析内容。我们说几个比较常用的

1.用户分析

用户分析主要是对顾客群体的购买行为的分析。

通过对用户的年龄、人均购买次数、购买总金额、消费地区、购买途径等数据进行分析，深入洞察消费者购物行为和偏好，寻找到高价值客户的消费规律，通过精准营销，提升销售额。

2.门店分析

实体门店仰赖营业额作为绩效指标，但对于营业额不佳的门店，却难以有更进一层的数字观察与改进。通过数据分析，进行门店客流追踪，不仅能根据日、周、月、年等做周期分析、跨门店分析，还能结合POS营业额等销售数据做整合分析，进而预测下一周期的营运绩效，助力零售商达到经营效益最大化。

3.商品分析

商品分析的主要数据来自销售数据和商品基础数据。

主要分析商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标。通过对这些指标的分析来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。

4.渠道分析

如果企业同时运营着线上渠道和线下渠道，需要对加盟商的情况做到心里有数，因为库存和缺货是所有的零售迫切解决的一个难题。

如果零售商对用户的需求没有进行精准的预测，则会导致供需失衡，造成高库存或者是缺货状态，最终将造成成本上的浪费。通过对渠道数据进行分析，可以对供需平衡进行高效管控，降低成本。

这里分享一个711便利店做超市数据分析的案例。

711便利店的收银台键盘区域有这样几个键：男、女，年龄20-30、30-50、50-70（大概这样一个区间），然后在每次你付款结束后，他会很快地建立出一个用户画像出来。比如你今天买了一本《男人装》的杂志，在收银台后端的数据就会显示为，20-30岁女性，购买商品为xx杂志。通过对每一个用户数据的记录，711的这个店铺就能很快知道，我这个店周围的用户群体大致的一个画像，是年轻人多，还是老年人多，他们主要都喜欢购买哪些商品，主要集中在哪个时间段。

有了这些数据，711就能以此调整自己的商品供应，实现了相对精准的营销。所以你表面上看所有的711便利店都是一样的，其实里面卖的商品品类是根据这个店周围的用户属性进行过微调的。

其实这个案例就是以上有提到的用户分析、门店分析、商品分析的一个最简单的方式。通过数据分析就可以解释：WHO——购买和使用产品的消费者是谁、WHEN——在什么时候购买、WHERE——在什么地方购买、WHAT——消费者购买了什么产品、WHY——消费者为什么购买。

这样超市就可以知道顾客消费偏好，提高营销决策水平，实现销售额的高速增长了。

希望以上内容对你做超市的数据分析有所帮助。