为什么要做销售数据分析？

企业的业务数据涉及销售数据、财务数据、人力数据、产品数据等多种类型，而销售数据在所有数据中的重要性毋庸置疑。通过分析销售数据，将有助于发现经营问题，降低销售成本，最终提高企业销售利润。

关键指标提取

不同行业对销售指标的侧重各有不同，本文将以建材行业为例进行说明。

其中涉及的销售数据指标包括：销售数量、销售单价、销售收入、单位成本、销售成本、销售毛利等，原始数据中还会涉及月份、城市、分类、计量单位、对应客户等信息。

图表与看板制作

提取完重要数据指标后，您就可以根据需求制作相关看板与图表。在此之前，用户必须对需要监控的指标做到心中有数。

一般来说，制作看板时，根据目的不同可以分为三类：

1. 基础数据看板：总览全局

这类看板大家都比较熟悉，主要是由包括地图、条形图、饼图等一系列的基础图表组成，用于查看不同地区、时间、类别的销售收入、销售成本等基础数据。下图是根据建材行业的示例数据生成的一个看板：

从这个看板中我们可以读出这个公司的基础销售信息：吉林省是销售大省，上半年总收入3千多万，3月份销售效果最好，多层复合类的常规系列销量最好。

需要说明的是，此看板均以销售收入为度量，企业业务人员可以根据自己的需求或者汇报对象进行调整。

2. 问题分析看板：寻找原因

基础看板满足的是用户查看数据的需求，如果想要利用数据解决问题，则需要具体问题具体分析，建立针对性看板，并根据数据分析工具（DataHunter）提供的功能进行探索式分析。

假如您想查看不同类别商品的销售收入、成本与毛利之间的关系，就可以新建一个看板，生成双轴图：

可以看出，多层复合类销售收入明显大于成本，对应的毛利也特别高。

如果想进一步了解多层复合里面哪个省市、在什么时间毛利最高，则可以在原有看板的基础上，以毛利作为度量新建一个图表，如下图：

接下来对毛利一览表，分别从城市和时间维度进行钻取：

最后知道：瑞安市4月份的销售毛利最大。

以上就是一个简单的探索式分析的过程。

3. 预警监控看板：迅速反应

销售类数据的监控预警有多种应用场景：比如对表现好的商品做重点监控，如果发现异常，立即查看原因，防止造成重大损失；又比如对商品的库存做重点监控，如果某地区库存不足，及时调整。

举个简单例子：根据不同类别产品的成本和利润生成散点图，并分别用利润平均值和成本平均值设立两条参考线，这样就将整个图形分成了四个象限，可以对高成本低利润或者高利润低成本的产品进行重点监控，针对变动及时查找原因，并作出反应。

更进一步，如何通过数据分析指导实际的销售工作？

如何定价才可以获得最大的销售收入和利润？

这其中就涉及到了AI的部分：在已有的数据工具中内置出价-销售收入-销售利润等多种计算模型。用户可以导入历史数据，然后随意拖拽一个出价，便可查看系统给出的预测销售收入及利润。

文 | 帆软数据应用研究院 船长

数据分析就近几年看来，越来越有一种像通用技能发展的趋势，从生产、研发、市场、销售到运营，多多少会存在数据分析的需求。

关于数据分析，网络上有不少分析报告案例，但细细读来，好多都缺少辨证，逻辑不严谨，又或者分析得浅尝辄止。恰逢最近读了《大数据分析的道与术》，是一套很完整的理论书籍，结合自己多年的数据从业经验，积累了一些心得，想与大家分享。

作为一个唯物主义者，做事总是爱讲方法论。曾经“农村包围城市，武装夺取政权”作为方法论的代名词，总是挂在嘴边。那么数据分析工作，方法论是什么呢？是“先道后术，以道驭术”，也就是先了解数据分析的核心原则，再掌握数据分析的一些关键技术。

什么是数据分析？

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，为提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。其实简单理解，数据分析本身就是“数据”和“分析”两块工作。一方面是采集、加工、整理数据，另一方面是结合数据背景分析数据，从中提取出对业务有帮助的结论。

数据分析的成果通常是数据分析报告

。常见的就是带图、表的PPT、PDF文件，也有一些Web版的图表系统（有兴趣的，可以在应用商店搜索“数据分析”，有各类演示系统可以体验）。对于数据分析报告，类似议论文，分析是论点，数据就是论据。

数据分析有什么用呢？这个经常被问到，尤其当一篇花里胡哨的报告在网上发布，就有人说报告没用，顺带着撇一嘴数据分析也没用。

数据分析对企业的巨大价值体现在业务发展的前期（探索期）或阶段性改进期（颠覆期）。当探索和变革业务时，企业需要数据分析去明确业务中的问题、机遇及解决方案。企业最大的成本是决策成本，而数据分析是提高企业决策能力的关键；当业务模式相对成熟时，企业则需要数据建模来提升业务效率，减少运营成本等。

那，数据分析又有哪些普遍又典型的应用场景呢？笔者经验，主要是三个：掌握业务状态、分析业务潜力、评估业务进展。

场景-掌握业务状态

：我们需要通过对核心指标进行监控、解读和分析，掌握业务经营状况。比如某日销量出现异常波动，需要数据分析来定位原因。（产品A本周销量异常上涨10%，是什么原因？怎么分析？）在比如月末、季末部门做关键业务指标总结，并做业务发展趋势分析等。（本季度的关键数据指标如何？各项业务进展如何？都有哪些积极消极因素，具体多大影响，下个月、下个季度业务则呢么发展？）譬如下方用finereport搭建的数据平台，统计监测的业务数据。按照制定的业务分析规则展示，可以清晰地看到哪个环节出错。

销售额分析

销售团队分析

销售指标追踪

场景-分析业务潜力

：产品当前的主要问题是什么？下一步的发展潜力在哪里？从数据中挖掘问题原因并提出对策，指明产品的下一步改进方向。比如商品B近3个月流失了1000个会员，原因是什么（分析原因）？如何减少会员流失（找对策）？

场景-评估业务进展

：新上线的产品策略或新推进的运营活动，带来了多少业绩提升？项目的覆盖面和影响面如何？其中存在怎样的问题，如何进一步优化等等。比如针对部分客户，设计全新的促销策略，在本月执行后，如何评价促销策略带来的业绩提升？是否目标客户群比上个月购买额增长可以作为促销策略的成果？

既然数据分析有如此之多的应用场景和使用价值，那么怎么才能做好数据分析呢？只能说，太难，既需要工具技巧的掌握，又要有能明察秋毫洞若观火的业务经验。但相比而言，个人觉得后者更为重要，就像如果只知道方法论，但没有对业务的理解，如何实行的套路，数据分析只会浮于表面，既不能挖掘问题原因，也不能提供解决方案。

做好数据分析，不谈技术，先认清以下4个关键。

1、业务调研：理解业务是基础，否则分析是无本之木，甚至是个人意淫。

2、创新思考：广阔的知识面和积极的思考，是分析思路的源泉，数据分析的创新思考，实质上就是从更多的思路进行分析，找出最合理的思路。

3、逻辑推理：对数据指标作出正确的归因分析和判断。

4、可行建议：产生对业务切实有效的改进建议和执行方案。

“业务调研”是数据分析的起点，也是获取分析思路的基础，但是需要兼具深度和广度的“创新思考”，才能获取更独到的分析思路。分析思路也可以认为是统计数据的角度，完成数据统计后，需要“逻辑推理”来保证从数据到结论判断的正确性。最后，用“可行建议”来保证分析结论的落地执行，产生可量化的业绩。这就是数据分析从业务中来，回到业务中取得完成过程。

本文是笔者《大数据分析道与术》读书笔记第1篇，浅述了一下。下周将结合自身经验，对业务调研、创新思考、逻辑推理、可行建议逐一做解读分析。

文 |

帆软数据应用研究院

船长

文:土拨鼠跟我走

销售数据分析报告，是销售工作的必备动作。

不会做销售数据分析报告的销售人员，就是只会打仗，不会算账！最会都是糊涂账！

我们经常说，销售数据分析报告，是基于业务客观事实的数字游戏！

销售数据分析报告：是由统计的数据和销售人员对数据的分析共同组成。也就是说，没有科学分析的数据，仅是数字，不是销售数据分析报告！

做销售数据分析报告的时候，会有以下声音：

1. 不就是数据统计吗？然后整理汇总下，多简单的事呀。2. 再不济，把进销存数据，整理下，这种可以了。3. 你们说的都太麻烦，就告诉领导，任务是否完成了吗？给结果，多省事！...

销售数据分析报告，对你什么好处

1. 用数据说话，是销售人员发言权的前提，这是职业素养！

2. 分析数据报告，就是对自己工作的销售总结，让你更清晰、更宏观的看待一个市场的脉络，然后自己的短板，查漏补缺。等于给自己辖区的市场，做一次例行“体检”。

然后，帮助销售人员对销售情况的深度熟悉，帮助分析市场动态变化，提升销售人员对经营的意识和掌控力，培养对市场的预测。

3. 销售数据分析是“收拾客户”的的方法之一，白纸黑字，有口难辩，凸显你的专业性，赢得信服。

为什么销售人员，不重视销售数据分析

1. 公司没有具体的销售报告分析的要求和标准，即使有要求，也是领导丢一句话：“你把市场给我分析下”，然后没了。

接着，销售人员一头雾水，开始抓耳挠腮，东拼西凑。最后领导一看，分析的“驴头不对马嘴”，丢句“你给我重新做去”！你一脸的懵逼。

2. 公司有销售分析报告的标准，但是，这个标准太繁琐太复杂。

巴不得做成“地表最全数据库”，搞得一线耗时耗力，不花几天功夫，根本做不完，销售人员内心排斥，开始做出“假冒高仿”的数据，执行的结果可想而知。

然后领导们拿出“假冒高仿”的数据，层层向上汇报，你们公司的战略决策，不跑偏才怪呢！这样的事情，身边还少吗？

3. 公司对销售分析报告缺乏宣导。销售人员对销售分析报告，缺乏关注意识，不晓得这个报告对他什么好处，管理者要身教言传。

销售分析报告的内容，要与时俱进，千万不能99年政策不变。当然，我也不是让你经常来回折腾，朝令夕改！

企业要有一个“引导体系”，而不是丢一句话，一个通知、一个邮件，就万事大吉，管理工作没那么简单！

对手机销售行业来说，销售数据分析的常用方法

一般来说，分为两个维度展开分析：

1. 产品。每个产品的重点关注，包含销售、价格、库存、促销、占有率等。找出问题点和问题客户。

2. 客户。以客户为主，或结合区域的分析，哪些客户业绩异常，找出真实原因，提升点在哪里，才能做好目标管理。

01 销量分析

一般，最简单、最粗超的数据，就是：销售任务是否完成，完成率多少？当然，还不止如此。

业绩达成情况

当天数据：当日销售存在的问题，你要做个分析。当日数据仅供参考。基础数据：月累计销售完成进度，与时间进度对比。发货数据：这个数据一般厂家很容易忽视。从发货的数据，能分析出物流、库存、周转率的问题。所以，务必搞清楚，发货客户的数量和发货次数，摸清客户发货量降低的原因，同时综合优化物流成本，这个数据可以每月或每季度分析。

对比分析法

不得不说“同比和环比”。

同比，是指在相近时段中的某个相同时间点的数据，进行比较。比如，17年3月和16年3月是相近时段，都是3月，这两个时段进行数据对比，就是同比。

环比，是指相近时间段的对比。比如，17年5月和17年4月是相近时间段，这两个时间段的数据对比，就是环比；

一般在手机销售中，同比是最常用的，但是，同比的有时也会蒙蔽事实，为什么呢？

比如：16年3月份销售1000部手机，17年3月销售1200部手机，同比增加200部，提升率20%。

但是，行业市场整体同比提升30%，你觉得差距在哪里？

所以说，同比，务必和行业市场的数据项对比，不然就是孤芳自赏！

环比的用法

实话说，环比不太常用，因为销售和季节性有很大关系，都会存在波峰波谷，说销售不分淡季旺季的人，纯属忽悠洗脑！你就是卖钢筋煤炭，国家还有宏观调控呢！

以手机销售行业为例，一般来说，8月份的销量比9月份高，为什么？

因为8月份属于暑期学生购机潮，再加上9月份想买手机的人，都持币等着十月一促销呢？对吧！

你拿9月和8月环比，有多大意义呢？所以，只有同比，才有参考意义。

讲到这里，并不是说环比没用处，月环比的季节因素太大，那干脆，你做周环比，不就行了嘛。

周与周的环比，有一定的参考性，前提是周与周之间，不能存在节假日。比如，十月一黄金周，和十月第二周做环比，也是不合适的。

和竞争对手的对比分析

这个比较，我不说，大家也比我懂。

但是，很多人，搞不清楚，谁是你的竞争对手！

原则上来说，只要与你同行的品牌，都是你的竞争对手！

但，这是书上写的，现实可不能这样玩，不然大家都是你的敌人，你再搞“世界大战”吗？

不能聚焦的目标，是梦想，不是目标！永远记住这句话，销售铁律。

你的竞争对手是谁？

我给你说个简单的方法：找眼前的竞争品牌，能伸手抓得住的竞争品牌，且销售大于你30%的品牌，你就盯着这个品牌去爆破！

千万不要，找绝对大于你N倍的“大象”去挑战，你可以把“大象”当成梦想和愿景，但你先把“活在当下”的事情做好！不然，你就是好高骛远，眼高手低。

找到竞争对手了，对比什么呢？

原则上，你所有的销售数据，旁边都要有竞争对手的对比。只有这样，才能知己知彼百战百胜!

这就考验你数据统计的“情报能力”了。

说不用关注竞争对手，就能做好销售的人，都是有失偏颇。

我想说的是，前提是你负责多大规模的销售体量，如果是一亩三分地，那你可以完全“只读圣贤书、不闻场外事”。

产品销售的结构分析

比如：从价位分析、库存调整、来了解重点产品销售情况。

同时，对于公司重点产品进行分析，找出存在问题，提供建议。（最好不要提产品本身的问题，如：屏幕小、内存小等等。不然销售人员以后销售不佳，抱怨厂家和产品本身问题。）

务必给销售人员指明：

公司的拳头产品哪些（正面打击对手，大力水手吃菠菜）。公司的馒头产品是哪些（要靠这个吃饱肚子）。公司的窝窝头产品是哪些（垫吧垫吧就行了）。

02 费用分析

这个费用分析，一般不对基层销售人员开展，大部分需要区域经理多关注！我多说一句：区域经理要把“基础财务”当成重要的课程来学习。

投入与产出比，简称ROI（return on investment）。投入产出比 = 产出总收入/总成本× 100%。

投入与产出比的概念，务必烙印在区域经理大脑里，不然会乱成一锅粥，你的上司会成为你的”背锅侠“。

拿手机销售行业举例。厂家做主推的ROI、促销活动的ROI、市场推广的ROI、人均产出的ROI...都是可以计算得出的。

费用多少合适？这个是基于你们公司的实际情况，但是，费用永远是不够的。

我认同节约的销售，但讨厌小气的销售。节约就是，不该花的钱不花，小气就是，该花的钱不花。

作为管理者，抓费用要：

1. 抓大放小，不要挫败大家的工作积极性。

2. 权限分解、不能一人说了算，一言堂的费用肯定有问题，不信你去查查！

3. 秋后算账，任何费用都要有这个环节，不能变成“糊涂账”！

销售人员不能因为销售费用少，就原谅自己销售目标未完成。

03 渠道分析

每个渠道的供货价、毛利和利润分析，这个分析，务必和竞争对手对比

对每个渠道分层分级，然后匹配不同的销售资源（分销、库存、物流），渠道遇到的问题，需要数字支撑，都要写出来。

每个渠道的库存重点关注。尤其库存的周转天数。周转天数=当前库存数量/当前日平均销售数量

以手机行业为例，卖的都是科技电子产品，没有大致的保质期，不像卖吃卖喝的食品，但是，科技电子产品的更新迭代比食品快多了，摩尔定律大家都晓得吧。

依据库存周转天数，来判断产品是否畅销，是有时偏颇的。

比如，在销量不变的情况下，库存大，随之周转天数也会变大，同理，库存小了，周转天数也会短的。所以，不要光看周转天数，只有结合库存，才能判断正确。

举个栗子，某款手机平均每天销售5部，当前库存为20，周转的天数为20/5=4。但，你压货把库存加到40部，周转天数为40/5=8。所以，你部能说产品不畅销，只能说库存过大。

要对库存组成分析，同时，保持电脑数据和实际库存保持一致，不能指望电脑数据就做出判断，你需要定期盘点库存，及时发现问题，只要这样才能把握每个SKU的销售情况。

重点关注哪些区域与渠道的表现，分析发展走势和销售特点。

对于增长或下滑明显的区域给予重点关注和分析，以免存在潜在的威胁，警惕竞争对手趁虚而入，混水摸鱼，要做多维度的分析。

04 人员分析

新增员工的数量（累计本年度），离职员工的数量（累计本年度）、每个员工承担业绩的数量、人员薪资成本、日常工作的分析（分销、拜访等）

在销售分析报告中，避免存在以下问题：

1. 大多数人汇报工作，避实就虚，该说的问题兜圈子，报喜不报忧。最笨的员工就是，认为“你的上司和老板是笨蛋”。

2. 谎报军情，不重要说的严重，重要的避而不谈。这招，销售老油子用的驴火纯情！套取公司资源，谋取利益。我强烈建议，汇报具体没有分析，只讲事实给上级，领导千万不要拍板，因为这种情况，很容易做出错误决策。

3. 只注重前线打仗，忽视团队内部提升，造成内外资源匹配不到位，这样的销售，容易昙花一现。这样的人，是个做狙击手，不适合做管理者。

4. 没有经过分析就制定计划，总是拍脑袋，凭感觉去做事，这是很多管理容易走的弯路，销售分析报告是走过场。

好的销售分析报告，要具备：

1. 首先数据要真实性、完整性、详细的呈现出来。数据从哪里来？每个数据的背后含义是什么？

2. 数据的分析必须站在客观的角度，不能带有主观因素，避免报告有失偏颇

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

珠宝销售技巧：想把业绩做好，必须细化分析这个主要渠道的转化率。

珠宝销售案例：

我们每天的业绩统计，都是按当天卖出什么货，成单多少业绩。没有详细到每个销售接待几个顾客，所以转化率这些也不知道怎么算。

珠宝销售技巧1：货品销量统计

大部分门店做的业绩统计，主要是围绕货品登记。

比如，

当天成交1单钻戒5000，1单K金吊坠3000，2单素金10000，当天非素业绩8000，当天素金业绩10000，总业绩18000。

每个月统计，只知道成交多少订单，镶嵌类和素金类各自卖了多少货品，做了多少业绩，最后有没有完成当月业绩任务。

这种统计方式的好处，

能知道店面的货品走势，哪些品类比较热销，每月备货应该补哪些货品为主。

如果想知道哪个款式比较好卖，还要细化统计货品的款式类别。

其实，这种方式只能算是，每月货品销量统计，不是业绩统计。

每月业绩统计，更多的应该是围绕三个方面：

进店量、转化率、客单价。

这三个版块，直接影响店内的业绩高低。

而且，如果你想提高业绩，也是从这三个版块入手。

另外，每月业绩统计的主体，应该是销售人员，而不是货品。

比如，

A员工，自然进店，接待50人，成交10单，订单金额8万，转化率20%，客单价8000。

这种统计方式包括：

客源渠道、接待数、成交订单数、订单金额、转化率、客单价。

珠宝销售技巧2：渠道业绩分析

客源渠道可以分为很多种：

自然进店、老顾客、网络预约、异业合作、团购活动、外展，等等。

比较成熟的珠宝品牌，会多渠道开发客源，但是一般珠宝门店的客源渠道，就只有两个：

自然进店和老顾客。

但是，每个门店至少有一个主要客源渠道，最常见的就是自然进店。

想把业绩做好，

必须细化分析这个主要渠道的转化率。

很多门店并没有统计转化率的习惯，每个进店顾客能成交就成，有意向但又不能成交的，也只是填一张潜在单。

填完潜在单，后期跟进情况也不太理想。

针对那些进店，又没成交的，管理层最多也就问一下员工情况，简单一笔带过，没有深入分析接待过程。

主要客源渠道的业绩分析，包括每个销售当月：

总接待人数多少？

成交订单数多少？

订单总金额多少？

转化率多少？

客单价多少？

渠道业绩占比多少？

当你把渠道业绩做细化统计，就能清楚看到每个销售的业绩情况，并且找出员工某方面的能力欠缺。

后期再做对点培训，就能提高他们的销售能力，从而带动全店业绩。

珠宝销售技巧3：转化率和客单价

对于销售个人来说，虽然不能决定当天进店顾客数量。

但是，

在转化率和客单价这两个版块，可以通过个人努力提高业绩。

A、转化率

一个顾客，不管是现场成交还是后期跟进成交，主要取决于对需求信息的了解是否完善，

以及第一次接待时，以什么方式谈单。

这就涉及到，挖掘顾客需求的能力和谈单技巧。

想知道自己哪方面的能力欠缺，

就只有通过每次接待后，复盘整个接待过程。

B、客单价

全店的客单价高低，能看出这个门店的顾客消费水平；

而销售的客单价高低，能看出一个人的能力水平。

提高客单价，最常见的两种方式：

一是，增加产品销售件数；

二是，提高产品成交金额。

增加销售件数，可以通过连带销售来实现，而连带销售又要结合货品调整。

提高成交金额，比较考验销售的谈单能力，中间还会涉及到如何判断顾客的实际购买力。

小结：

想提高销售业绩，先从转化率和客单价入手。

我是罗宾，专注于珠宝销售技巧的深入研究与实操。本人原创作品，转发请备注出处【卖钻石的罗宾】。

如果你有珠宝销售技巧或管理的相关问题，欢迎关注。

最近在研究商超零售的数据分析，有不少干货和想法可分享。此前，一直注重店铺管理、商品库存管理、财务绩效管理的数据分析。后来发现，无论是零售商铺的选址，还是百货商场的招商营运，都有不少需要运用到数据管理思维的地方。

店铺选址前或者招商营运前都要进行市场调研，小规模的店家可能会说，我照自己的经验，观测人流量以及周边店铺的经营情况来判断，这样的方法确实是有迹可寻。但是，店铺不是放着让你来选的，店铺商也是需要去谈的，甚至对于那些成体系的，每年都在扩张的一些企业，必须需要一套成体系的数据分析方法论来指导。

一、市场调研的要点

1、着重于项目周边状况调查，如：业态布局、购买力等；

2、网点及竞争对手调研的要点

3、收集品牌资源，是否符合定位，有无可备选方案，效益最大化；

针对选址，

可采用常用的SWOT分析模型，分析内部环境以及外部环境的优劣势；而后采用3C模型（Company商铺，Customer顾客，Competitor 竞争者）对开店的选址分析；看附近1小时经济圈、2小时经济圈、3小时经济圈的覆盖范围。

而正式营运之后，最主要关注的就是客流量。

传统零售的数据是基于交易客流，基本等同于俗称的会员。商超里面的客流其实分为交易客流、返店客流、进店客流、到达客流、潜在客流。这里最容易获取的就是交易客流，因为企业现有的CRM系统或者收银系统基本都能涵盖这部分客流。怎么得顾客数据？这就要建立一整套的全顾客全消费行为管理的客流分析系统。

客流数据分析建模

二、如何去经营分析？

经营分析是指商业运营管理者通过数据采集并运用统计、分析、图表呈现等方式，对商场整体经营情况进行深入解析。

确定这样一个流程后，经营分析按照时间划分一般分为日、周、月以及一些关键时期，比如活动、法定节假日等等。形式以经营报表为主。

大体分析内容

经营分析的指标解析

做好全百货的经营分析要发挥主观能动性，有了数据和图表，要做好经营分析，还要发挥人的主观能动性，营运人员需根据数据和图表阐述现象并提出相关建议，加强与店铺、品牌负责人的沟通和联系，充分了解店铺的经营现状。

三、关于品牌店铺活动的分析

经营分析案例分享及关注点（日经营分析）

以上每日的客流与销售趋势图，需要关注波动趋势、波动周期和波动异常。比如波峰大多是重大节假日或企划活动，或者特殊事件。

店铺活动分析

活动前期搭建好相关指标，收集活动数据，实时监测分析。

至于如何搭建这样的分析体系，譬如以上用finereport搭建的活动监测模板，这里不多赘述。前提需要明确分析的指标，之后就是数据收集、整合、分析、展现的额工作啦~

电商运营技巧：如何进行数据分析?济南优就业IT培训的小编给大家讲一下：

(一)日常性数据分析

1.流量相关数据：IP丶PV丶在线时间丶老用户比例丶新用户比例。

2.订单相关数据：总订单丶有效订单丶订单有效率丶总销售额丶客单价丶毛利率。

3.转化率相关数据：下单转化率丶付款转化率。

(二)每周数据分析

用户下单和付款不一定会在同一天完成，但一周的数据相对是精准的，所以我们把每周数据作为比对的参考对象，主要的用途在于，比对上周与上上周数据间的差别，运营做了某方面的工作，产品做出了某种调整，相对应的数据也会有一定的变化，如果没有提高，说明方法有问题或者本身的问题并在与此。

1、网站数据

IP丶PV丶平均浏览页数丶在线时间丶访问深度比率丶访问时间比率。这是最基本的，每项数据提高都不容易，这意味着要不断改进每一个发现问题的细节，需要不断去完善购物体验

2、运营数据

总订单丶有效订单丶订单有效率丶总销售额丶客单价丶毛利润丶毛利率丶下单转化率丶付款转化率丶退货;每日数据汇总，每周的数据一定是稳定的，主要比对于上上周的数据，重点分析内部的工作，如产品引导丶定价策略丶促销策略丶包邮策略等。

分析时大家思考三个问题：

1：对比数据，为什么订单数减少了?但销售额增加了?这是否是好事?

2：对比数据，为什么客单价提高了?但利润率降低了?这是否是好事?

3：对比数据，能否做到：销售额增长，利润率提高，订单数增加?

(三)：用户分析

会员分析数据：会员总数丶所有会员购物比率(新会员，老会员)

1.会员复购率

2.转化率

(四)：流量来源分析

流量分析是为运营和推广部门指导发展方向的，除了关注转化率，还有像浏览页数丶在线时间，访问深度等都是评估渠道价值的指标。

(五)：内容分析

主要的两项指标：首页装修和宝贝详情页的购买率。

1.查看哪款产品的销售差，哪个产品的销售好，基本会说明有些问题，然后全体团队重点讨论，发现问题，给出意见，然后依次进行改进。

2.首页肯定要与热点内容相符合，学会看新闻，学会看天气，分析消费者最关注什么，喜欢什么产品丶查看同行店铺的促销手段极其装修等等，从他人处学到精华，学会应用。

文 | 帆软数据应用研究院 李培鑫

谈到销售流向数据，必然离不开营销模式，纵观多数工业型药企，采用的药品经典销售模式大概总结为两种：自营和代理。

医药公司分销渠道中，准确的产品流向数据就成为了企业决策与管控的依据。基于产品流向数据的重要性，甚至有的销售公司专门分立出一个流向数据管理岗位。对这些数据进行归类、建档、统计、核算，就是我们说的数据管理。有人说，流向数据管理好比是医药企业营销体系的心脏，其它相关管理好比是营销体系的躯干，没有心脏来驱动，营销体系则行同僵尸，毫无生气。

基于流向数据分析，下面主要针对三方面来谈谈：销售流向数据分析的目的、如何推动流向数据分析项目及项目的难点、如何落地流向数据分析项目。

一、销售流向数据分析的原因

销售流向数据庞大而且复杂，企业为什么还要在流向数据的分析上下足功夫呢？

1、了解市场真实销量的需要，有助于正确、快速的做出市场决策。

企业营销管理者通过流向数据了解每月渠道中的库存以及市场终端的真正销量这样才能对企业产品的营销数字有个清醒的认识。在营销的过程中，只有及时掌握了销售及市场顾客需求情况及变化规律，才能根据消费者对营销方案的反应，迅速调整产品组合及库存能力，调整产品价格能改变促销策略，抓住商机，提高商品周转力、速度，减少商品积压。

举个简单例子：我们看数据分析平台的全国本年度纯销汇总统计分析表如下，通过流向数据汇总出全国各个地区的纯销金额、纯销数量以及相应的贡献率，横向分析全国各个省区的对比情况，列出市场较好的，销售金额较高的前几个省区，根据本年的纯销汇总情况、市场情况，快速的针对每个省区做出销售决策，提高企业高销售额省区的市场占有率，低销售额省区的销售能力。

2、制定销售计划的需要。

没有流向就没有计划，企业营销管理者必须要通过收集和了解详细的流向数据来制定企业未来的销售计划。销售计划的制定，必须有所依据，也就是要根据实际情况制定相关的销售计划。凭空想象、闭门造车、不切实际的销售计划，不但于销售无益，还会对销售活动带来负面影响。根据实际的销售流向数据，进行一系列销售工作的安排，包括确定销售目标、销售预测、分配销售配额和编制销售预算等。销售计划可以从市场区域来分，分为整体销售计划、区域销售计划，区域一般按大区或省区、地市、县市、乡镇等行政区域来划分，也可以根据公司的实际销售范围和统计区域来划分，这一系类的销售计划都离不开销售流向基础数据的支撑。

3、管理渠道的需要。

主流OTC产品倒货、窜货现象时有发生，严重捣乱了渠道次序，通过流向中的批号能协助监管人员查找窜货源头，从而达到优化渠道的目的。

4、销售人员提成的需要。

强大的激励作用，充分调动销售人员的主动性。能体现代表业绩的就是客户的进货量，而这些进货量均来自于流向数据，只有根据进货量准确的核算代表的绩效才能提高他们的积极性。首先是销售人员是区域或者终端经销权力使用者，实际上是为自己打工，多劳多得，积极性自不必说，同时各级销售人员都要对所属区域下达的销售指标负责，这样一来业绩岂能不好。

5、费用管理的需要。

企业庞大的营销体系需要巨额的营销费用来支撑，企业管理者需要根据流向中终端的销量数据来制定对应的费用投入计划

二、企业如何推动流向数据分析项目及项目的难点

项目难点：

1．销售流向数据采集困难

关于数据采集，企业往往都做出了框架，但是没有人往里面填数据，也没有往上上传数据，怎么办？如果希望用户自发上传，但是用户有什么动力来上传他的数据呢？最后企业尝试为用户提供更多的基于数据服务来驱动他上传数据，成本非常高。所以数据采集是目前一个非常大的难点。

2．销售流向数据质量差

流向数据上报种类多，所需的信息量大，工作强度大，很多基于流向数据分析的指标数据很难获取。销售人员，客户等用户录入的数据不规范，数据存储的形式不规范，导致终端数据，和部分二级、三级商业公司数据无法直接分析，需求花费极大的精力对这部分数据进行清洗、加工。

对策：数据来源整合，同一口径。

我们讲销售流向数据分析，销售流向数据从哪里来？可能来源于系统、来源于一些线下excel表格。那么这些数据的管理需要注意哪些方面呢？

1、数据源的广度

比如说，医药零售企业客户，分析成交单数、客单价，成交单数是进店人数乘以成交率。进店人数呢，又是路过人数乘以进店率，那么路过人数、进店人数就属于数据广度这一块儿，数据足够全面，未来支撑分析的维度就会更多。

2、数据源的深度

比如看某个订单的时候，需要知道该订单的批次信息，经销商信息，时间信息、物料信息等。数据源整体数据质量如果不够的话，未来是不足以支撑细化的数据分析的。我们做的第一件事情就是把所有数据全部收集起来，并实现“一键接入，随需更新”，提升数据源的广度和深度。

需要对数据源的质量进行一个管理，要保障数据需要足够广、足够深；数据需要整合到一个统一的管理平台上。例如企业在开会，当销售出现问题的时候，A部门拿出一个销售数据，B部门拿出一个销售数据，但是对不上号，来回推诿扯皮，无法解决问题，这样对于企业的发展是非常不利的。这个问题我们认为需要企业把数据管理起来，例如，我们在设立数据指标框架的时候，要定义的核心指标是什么？是成本、利润还是营收？以营收为例，又拆分成客户数和客单价等等，这些数据分别来源于哪些数据源、哪些系统？系统数据录入人员，录入是否规范？我们对数据指标的定义是否一致？所以需要我们整体从数据管理的角度，定义出一致的指标，将数据治理做好，然后在统一的平台上统一输出数据，这样确保了统一的数据口径。

三、企业如何落地流向数据分析项目

1.确定流向数据分析项目的总体目标

为了进一步改进医药企业的营销体系和经营管理水平，满足企业参与市场竞争的需要，搭建一个全面的销售流向分析决策系统，保证整个企业内的营销决策，并且能够随时了解和查询企业内的销售管理状况。通过对流向数据的分析和平台的搭建，优化业务流程和资源配置，降低运营成本，从而维系更密切的客户关系，全面提高内部协调力度，整体营销能力和获利能力。

2.数据的准备

面对销售流向数据的准备，一般可以用几个问题来概括，如何理解企业的基础管理档案；基础数据存在哪些问题，超时，不准确，没有具体负责人；企业的编码（产品编码，供应商编码，客户编码）有无主数据；什么情况下不能导入数据。基本上能够完整的解答以上问题，数据准备也基本完成了。

3.具体的销售流向数据（部分举例介绍）

①在招商代理模式下，区域代理与企业之间实质是利益纽带关系，代理商在“利益优先”的原则下，对产品供货价格敏感，极为关注自己可能的利润空间，对盈利空间小的或者所谓长线产品都不太重视。部分区域代理商仅仅对自身的发展感兴趣，不太重视市场品牌的积累，缺乏大市场运作意识。那么，生产型药企又该如何控制代理商质量，控制销售渠道，打造优势供应商资源。如下图，帆软数据分析平台中的分销层级渠道分析：

通过对销售渠道的各层级利润和规模精确的掌控，从经营资质、营销能力、网点数量、商业信誉等多方面遴选优质的医药批发企业作为经销商，签订特约经销合同，由经销商完成对终端单位的药品配送，从而筛选出优质经销商，打造成最优质、最可信赖的经销商渠道价值链。

②充分发挥省级管理单元的作用。也就是很多企业所说的“省总负责制”，省区是一个销售及市场指标落实单元、销售管理单元。 通过员工个人销售能力分析，可及时了解和掌握每个员工的工作能力和工作心态，以便对症下药，提高个人销售业绩。帆软数据分析模版示例如下：

以省区部门为管理单元，分析指标完成率最高的部门，并且通过部门，联动到部门的销售额走势，部门内部的业务员销售额统计以及该部门下各个业务员的指标完成率。

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�...

一、方案背景

对于大部分企业来说，销售部门是为企业直接带来利润的主要部门，说是企业命脉部门其实也不为过。

然而事实上是为数不少的销售部工作人员由于缺乏营销分析概念和方法，企业累积的大量数据得不到有效的利用，营销分析只停留在数据和信息的简单汇总和流水帐式的通报，缺乏对客户、业务、营销、竞争方面的深入分析，结果决策者只能凭着本能的反应来运作，决策存在很大的失误风险。

都说数据有价值，那么销售部门应该如何充分利用数据对市场预判，实时了解当下业绩情况，衡量三六九等客户价值，如何快速获取客户的信息做针对性销售呢？

答案是，不妨用BI搭建一个智能化的销售数据分析平台。

解决两个问题：

1、将数据信息化，汇总自动化，将销售管理者从传统的报表数据重复结算中解放，避免大量重复性的excel编辑工作

2、着重分析企业销售目标、销售活动、成本费用等销售重要指标的分析。

二、方案内容

接下来，本文将着重分享企业销售智能数据分析方面的内容干货，用的是FineBI搭建的销售数据分析平台：

1、IT技术模块——搭建销售智能数据分析平台

2、IT技术模块——直接对接销售数据库，自动化形成数据报表？

3、数据分析模块——如何让销售同时快速上手分析？

4、数据分析模块——如何让销售领导直接在线查看分析？

5、协同管理模块——如何在线分享数据分析报告？

三、方案效果及实现说明

1、搭建销售智能数据分析平台

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加销售管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些销售数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在销售管理业务包中添加好销售员信息表、产品名称表、分公司信息表以及销售目标表、客户信息表、合同信息表、销售活动表、合同回款信息表、活动费用表，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的销售管理业务包的权限分配给销售部门相关人员，并且在管理系统-用户管理中将销售部门人员加入到BI编辑用户的已授权列表中。

2、直接对接销售数据库，自动化形成数据报表？

销售管理人员在使用分配好数据权限的账号登录平台之后，就可以新建仪表盘开始做基础的数据分析了。

我们以制作如上图所示的销售基础数据分析-销售人员分析页面例，首先使用仪表盘统计出企业的总销售人数，然后再用饼图统计出各大区的销售人员分布（这边可以看出我们上海区域销售人数是最多的，达到总销售人数的22.73%），最后用明细表组件展示企业的所有销售人员的销售姓名、所属大区、大区经理相关信息。这样一来，基础的销售人员配备信息也就快速可视化呈现在我们面前了。

销售人员分析的仪表板做好之后，销售人员可以申请给IT部门的超级管理员将该模板挂出到销售管理-销售基础数据分析目录下面，并且将仪表板开放给其他人员进行查看。另外利销售活动管理、合同信息查询的销售基础数据分析也是同理，用同样的方法做好之后申请给超级管理员挂出即可。

3.如何让销售同时快速上手分析？

a.销售目标进度分析

我们以上图所示的销售目标进度分析为例，对于企业销售管理来说，两个最核心指标莫过于销售额和回款额了。而企业通常每年都会设定销售目标额、回款目标额两个指标作为销售的年度考评KPI指标。

所以这样一来在每个时间阶段，作为销售管理者我们可以分析当前的销售额目标完成率、回款额目标完成率的总体情况。

I.销售额目标完成率=(销售额/销售目标额)*100%

II.回款目标完成率=(回款额/回款目标额)*100%

以销售额目标完成率为例，添加好总金额和销售目标额之后，在FineBI中直接添加销售目标完成率指标，输入“总金额/销售目标额”即可得到当前销售目标完成率的数据。

计算好销售额目标完成率以及回款额目标完成率之后，然后再按照区域逐级分解。这边我们按照区域对销售额和回款额分别使用条形图进行统计，然后降序排列即可。

接着对每个区域的销售额、销售目标额、销售额目标完成率、回款额、回款目标完成率进行分析计算，以便来分析当前影响目标达成进度的主要问题区域所在。最后添加好相关查询控件，调整好仪表板整体布局即可。

b.销售回款分析

销售回款分析方面，首先统计出当前时间段的应收账款、累计回款、累计回款率（累计回款率=累计回款/应收账款）这三个关键指标，用仪表盘进行展示。然后按照产品线进行分解，对比每个产品线的应收款款和回款金额数据情况。接着按照时间流逝维度进行分析，统计出当前时间区间的月度累计回款金额和月度累计应收金额，同时计算累计回款率。

最后分别按照大区和销售进行分解，统计对应大区和个人的应收账款、实际回款，计算出大区和个人的回款率。这样一来，企业整体到销售个人的销售业绩状况就一目了然了。

c.销售费用分析

销售费用分析方面，统计当年的费用开支总金额以及年度每个月份的费用金额。接着统计出各大类的销售费用模块分布占比、全国各个省份的费用金额分布、各个客户总费用的树图统计、销售费用开票统计、各销售费用排名统计相关信息，让企业的销售费用成本一目了然的以可视化形式呈现在我们面前。

4、如何让销售领导直接在线查看分析？

除了以上给大家介绍的制作一些企业常用的销售数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析统计结果。

我们以上图的年度签单&回款统计数据分析为例，只需要将签约年份字段拖拽到行表头，合同金额、回款金额字段拖拽到左值轴，即可得到每年的合同金额和回款金额走势了，真正做到想看数据“不求人”！

5、如何在线分享数据分析报告？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将销售智能数据分析成果实现团队协作共享的呢？

以上图所示的销售管理中心驾驶舱为例，展示了企业的签单金额、回款金额、单个合同金额分布、各地区/销售签单回款统计等等多个核心的销售管理分析指标。那么销售人员通过FineBI做好的一个销售管理里中心驾驶舱之后，其实在FineBI中可以非常便捷地将它分享给相关部门或者指定人员的。

例如我这边想把它分享给企业的领导人员，那么可以在FineBI的仪表板中将做好的销售管理中心驾驶舱模板点击分享给领导部门的Tom，然后点击确定即可。这样一来，领导部门的Tom登录之后就能收到销售人员给他分享的销售管理中心驾驶舱了。