电商行业最复杂的人货场分析，我用一个案例给你讲清楚
下面給大家介紹一個實戰業務案例，主題是基于人、貨、場的電商平臺數據分析，分析的思路非常清晰，可視化報告的部分做的也很棒，非常具有學習價值。
一、場景介紹
業務背景介紹：小風是一名剛入職的BI工程師，在試用期結束期間，導師拿著一份電商數據給到小風，要求其給出合理分析結果
分析目的：小風通過分析電商平臺兩年內的銷售情況和發展情況，找出平臺發展對應結論，并給出相應改善建議。
分析工具：FineBI（拉到文底）
二、分析思路
首先我們明確這次分析的目的對于電商平臺相關數據，分析發現問題并給出相關建議，決定從傳統的人，貨，場角度進行分析。
場的維度我們分析平臺銷售的健康情況和銷售分布情況，接著我們通過貨品分析，了解到該平臺品類銷售情況和產品的價格帶在哪個位置，以此可以進行ABC分類的優化和了解平臺產品定位
接著會員分析，我們了解到會員的增長趨勢和會員的分布情況，發現會員也大量分布在巴西沿海，同時我們還通過AARRR模型和RFM模型了解到會員轉化率情況及消費屬性
其他分析-物流分析，最終分析了該平臺的物流情況，發現物流不準時占比偏高，物流時間也偏長，但同時物流費用占比訂單費用偏高，人們的消費和收到的服務不成正比，
整體分析腦圖如下所示：
?
三、數據整理
數據內容：基礎數據表主要為以下9張，如下圖所示，AAARR模型表，巴西各州輔助表，表關系，地區經緯度表是我通過其他途徑獲得的輔助數據表
?
數據整理過程：
1、以Olist_order_dataset為核心表，鏈接各維度表，創建訂單核心各維度聚合寬表。其表間血緣關系如下所示。
?
2、選取訂單核心表，通過左右合并依次和各維度表進行合并
?
3、增加過濾只需要2017年至2018年的數據
?
4、新增列是否準時 通過預期物流到貨時間和實際到貨時間比較
?
5、新增列新老會員
?
6、訂單核心各維度聚合寬表創建完畢，其雪花模型如下所示。
?
接下來是主要寬表和RFM模型表制作：
1、首先取訂單核心各維度聚合寬表對應字段。
?
2、新增列，距今消費時間天數，后續可計算平均消費時間天數，并以此判斷R值
?
同理，通過會員消費頻次，計算平均會員頻次，比以此進行F值計算
同理，通過會員消費金額，計算平均會員消費金額，并以此進行M值計算。
c、合并RFM，對R,F,M進行拼接
?
d、通過IF函數對RFM進行中文定義
?
至此相關數據處理完畢，數據整理告一段落。
四、數據分析報告
整體框架：整體排版按照故事的敘事來進行排版，具體為如下板塊，任務背景，明確目的->“場”分析->“貨”分析->”人”分析->其他分析->總結建議。
圖表選擇：圖表選擇可以看這張圖，了解下每種圖偏向的分析內容。
?
場分析:通過季銷售趨勢圖及環比，還有各州金額分布分析了解平臺銷售走勢和銷售分布，了解平臺銷售是否健康及銷售重點區域。
?
?
1）發現相較2017年，2018年的銷售金額和銷售量呈環比上升趨勢，最近兩季度略微下降，趨向平穩。平臺客單價在175Reals/單浮動。說明平臺整體的態勢還是向上發展的。
2）了解到訂單來源主要來自巴西沿海各州，其中圣保羅州，里約熱內盧州，米納斯吉拉斯州為訂單量產出州TOP3，而反觀巴西內地產出偏低，小風猜測這也許巴西經濟中心集中在沿海各州有關。
貨分析：通過帕累托分析品類銷售情況，散點圖探究品類寬度和銷售關系，再通過價格帶分析，了解平臺產品定位。通過評價占比了解產品滿意情況，通過產品完整性分析驗證猜測。
?
?
人分析：分析平臺會員走勢了解平臺會員健康情況，通過地圖分布了解會員分布情況，通過AARRR模型了解會員轉化率，通過環形圖了解新老會員銷售情況。
利用RFM模型給會員分層并確定重要價值客戶分布。利用會員行為分析了解會員下單時間，付費方式和平均付款時間，還知道會員低分占比及評論時間趨向。
?
?
?
- 發現2017年至2018年會員總體呈上升趨勢，但2018年第三季度呈現下滑狀態。
- 通過會員各州分布和城市分布發現，會員主要集中在圣保羅州，里約熱內盧州，主要分布城市為sao paulo riode janeiro
- 一般電商模型為AARRR模型，發現平臺轉化率在98%左右。
其他分析：通過物流準時度分析，物流時間占訂單時間分析，平均物流天數分析，物流運費金額在總金額的占比，來評估顧客物流服務投入產出比，通過低評的非準時占比和物流時間來驗證猜測。
?
?
- 顧客對物流服務的投入產出比低下，造成較大不滿
- 低評確實是由物流因素引起
作品展示：
?
關于上述FineBI數據分析工具的獲取方式，看下方！
總結
以上是生活随笔為你收集整理的电商行业最复杂的人货场分析，我用一个案例给你讲清楚的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： Ｃ＋＋中宏与内联函数
- 下一篇： 一文讲清数据治理、数据管理、数据资产管理