【Tableau】用大数据做会员分析ing

对于零售而言,会员分析是特别重要的分析维度,借助Tableau,我们可以轻松地实现百万行的分析统计,从数据中找到业绩的增长点和关注点。注:为数据保密,我采用了2016年上半年的数据,同时对适用random函数对数据做了随机处理。 · 基础数据: 2017年1-6月各月消费明细单 门店信息表 · 分析框架维度 消费者分析可以分为顾客分析和会员分析;简单的说,顾客分析是基于POS的,会员分析是基于POS+CRM的。 最早的POS系统会员的分析是随着信息技术的发展,伴随CRM系统逐步成熟的,因为CRM记录了会员的个性特征,比如年龄、手机号、性别、会员卡级别等。  ·· 消费者(顾客)、会员 对于商家而言,消费者(customer)是匿名的,或者说是不具体的,商家会模糊不同的消费者之间的差异;而当顾客成为会员(member),他就留下了有别于消费特征的个人特征,作为回报,商家可以知道会员之间的差别,给予不同的优惠。 矛盾在于,传统的企业在从顾客消费向会员消费转变的过程中,忽视了二者的差异;把“会员制”作为了优惠的途径之一,却没有作为一种值得深挖的营销手段和运营方案。 ·· 顾客分析 顾客是会员分析的前提,既然顾客分析是基于POS的,POS中一般会记录与商品相关的信息:随机的唯一编码、商品名称、商品编码、销售数量、销售金额,不同行业的差异,可能还会记录商品品类编码、支付方式等。 基于POS的分析有几个关键的指标: 件单价(平均商品的销售单件) 客单价(平均订单销售金额) 购物篮系数(连带率、客件数,平均订单的销售数量) 除了总体的连带率,还可以看单品或品类的连带水平 ··· 会员分析 会员分析首要的事情是数据清洗,因为不是所有的顾客都是有效的会员,也不是所有的会员带来的都是有价值的消费。 早期的会员制开始推行时,顾客消费和会员消费是分开的,顾客不一定是商家的会员,也可以在商家消费,现在大润发、银座也都有类似的机制,比如每台收银台分配特定的店内卡,作为虚拟的会员结账; 会员制对销售员的影响一般比较大,因此很多的数据“噪音”甚至“虚假信息”来自销售员,比如为了把顾客的消费归到自己名下,准备几张个人会员卡频繁使用,比如配合代理商刷单而使用特定会员卡,比如为了完成新增会员任务而伪造信息等。这些都是“会员分析”前必须处理的。 数据清洗要处理的数据噪音是:店内卡、员工卡、虚假卡; ···· 有效会员 数据清理之后的重要工作是界定“有效会员”, 广义的有效会员是所有的会员剔除店内卡、员工卡、虚假卡的数据;为了分析的质量,还可以继续限定会员的质量,比如要求半年消费至少3次,消费金额大于10元,二次筛选之后形成的有效会员,可以视为是有质量的会员,或者称之为“狭义的会员”。 会员分析就是会员质量的分析,可以体现在几个维度: 一是会员的结构,如年龄段分布、购买次数的分布及贡献等,结构指标重点看中长期的对比,如季度、半年度、年度同比; 二是会员流动性上,如新增会员的占比与贡献,复购比率,体现的是不同阶段的流动性,特别是新增、一次购买、多次购买的变化特征,流程性指标重点是看不同月份、季度的趋势; 三是会员的静态消费特征,如品类的交叉连带指数、人均消费金额与频次等。 基于以上的分析维度,有效会员的几个关键指标有: 新增会员数,及新增贡献度 老会员的转化率 期间的会员购买次数及分布 (附图) 会员分级及各级别贡献度(ABC分类,或者按照特征分类,如年龄) 人均消费金额与人均消费频次,月度数据及趋势(附图) · 使用Tableau做会员分析 Tableau的数据清洗功能并非想象的强大,但是可以通过计算字段、集、筛选等多种方式来处理。 “Tableau 最核心的用途是帮助人们轻松连接自己的数据,对其进行可视化和分析,从而以更快的速度发现见解。 然后可以安全地在自己的组织中进行分享和协作。 这种方法可以提供显著的价值,并且正在迅速让自助商业智能成为新标准。” 1、数据整理之 订单防重合 消费数据来自近百家门店,但是订单号在门店内唯一,在门店之间可能重复,使用新的「单号」字符串: 2、数据整理之 筛选店内卡和员工卡 数据中已经有一个字段“mdk”,对门店上报的“门店卡”做了标记,但是依然部分“会员卡”是门店卡,我们可以建立筛选的规则。Continue reading “【Tableau】用大数据做会员分析ing”