本文转载自微信公众号《脚踏实地的学校》，作者是脚踏实地的陈老师。转载请联系地气派公众号。很多做数据分析的同学都听说过：人、货、场的分析模型。不过，这东西是只闻其名，不见其真身的东西。应该如何结合实际分析呢？今天我们就来系统的讲解一下。问题场景：某生鲜电商用户复购率低。60%的用户在30天内没有进行过二次购买。运营负责人很着急，要求数据分析，提高复购率。作为数据分析师，你应该怎么做？怎么做？A.建立人工智能精准推荐算法（40%概率使用协同过滤，60%使用相关分析）B.做一个近6个月初的复购率折线图，然后写下三个有力的词：“嗨起来！”C.什么是分析？电商不就是发优惠券吗！一个简单的问题：大米、白面粉和一桶油与草莓、樱桃和山竹有什么区别？即使没买过菜，也知道：米粉油是天天要吃的东西，没有季节性；草莓、樱桃等。梨子和山竹不是天天吃的，很应季。去菜市场或者超市就知道：米粉油一般都是整袋或者整桶买的，买回来一桶可以用很久。还有专门包装的米桶、米盒、油壶。草莓山竹一般都是拆开零售的，不耐用，买回来过几天就坏了。这些看似司空见惯的产品知识统称为：货物属性。商品的属性会直接影响消费者的购买行为：购买频率：新鲜蔬菜、水果购买频率高，米粉、油类购买频率低。上市季节：新鲜蔬菜水果应季有货，反季的又贵又不好吃。米面油没有季节性的产品价格：单品价格贵了就少卖。便宜的时候买，零散的买，便宜的批量买。,线下买散件，最好当场试几个，以免踩雷。这些商品的属性是常识和自然规律，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去购买的产品的影响——你不能指望一个用户刚刚买了10斤大米，过两天又回来买10斤。也就是说，如果真的有用户反复来买米，那你就得看看你提供的米是不是比市场价便宜很多。有一个简单的矩阵模型可以描述生鲜产品的复购想法，其核心是产品购买频率和产品相关性。上面解释了购买频率。产品相关性是指某些产品自然会一起购买。尤其是在生鲜领域，如果你买了冷冻鸡翅和竹签，很可能会买到木炭、丸子、烧烤酱。因此，二维交集有如下矩阵（如下图所示）。但注意，仅从商品的属性来看，是非常不完整的。买菜的渠道那么多，为什么用户还要在APP里翻来覆去。菜市场不好吗？APP/微商城的吸引力在哪里？这就涉及到：市场的问题。2.店铺属性分析快问一个问题：今天中午吃什么？别想了，马上回答！十个同学十个答不上来吧？其实问饿不饿都得纠结十几二十分钟，更别提提前准备了。杂货店购物也是如此。老年人喜欢逛菜市场的一个最重要的原因就是做饭一点目的都没有，当场就可以买到看着顺眼的东西。二是货比三家，挑选新鲜又便宜的。菜市场的视觉冲击力，包括超市的生鲜专区，远比电商强。这就是店铺属性对复购行为的影响。店铺属性，包括：便利性：离菜场越近、越方便，越有吸引力干净度：菜场越干净，越有吸引力美食水灵越诱人，产品价格越诱人：因为店铺租金和人工的不同，有些店铺的价格极其昂贵。在传统的线下门店中，门店选址也有矩阵模型。（如下图）线上渠道使用的指标与线下渠道类似。不同的是，用户的登录场景、登录频率、登录后的访问内容代替了店铺的位置。相比线下渠道，线上渠道可以对内容和跳转路径做更多的分析。有意思的是，与服装、零食、玩具等快消品不同，在生鲜领域，线上渠道的体验不如线下渠道。所以线上生鲜的优势就体现在不出门的场景。比如下雨天，比如疫情期间的交通管制，比如上下班没时间去菜市场等等。但是这就导致了第三个问题：有的用户可能单纯的贪图便宜，有的用户用户真的只需要在线购买。因此，必须考虑人为因素。3、用户属性分析注意，传统行业讲的是人和货场，人指的是销售人员，不是消费者。所谓人力效率，是指业务员所产生的平均经济效益。但是，互联网应用对用户来说就是APP，没有销售的概念。因此，销售人员改为用户。所谓对人的分析，就变成了对用户属性的分析。说到用户属性，很多同学的条件反射是：性别、年龄、地域。问题是你们公司真的能收集到这么多真实的用户信息吗？而这些字段也未必能看出什么，最典型的就是性别，男女比例的差异往往只有那么几个点，就能说明一个屁的问题。基于交互和消费者行为的标签会更有用。比如在生鲜电商领域，有多少客户报名送20元米粉油券，首单免运费，进口车厘子25元4斤。的。这称为促销敏感用户。同理，还可以标注：刚性购买用户、异常天气购买用户、疫区用户等，这样可能会更加区分（如下图）。4.搭建人力货场模型对三个维度有了基本的了解，就可以用来综合说明问题了。回到开头的“生鲜电商复购率低”这个问题。可以先从人和货的角度建立分析假设：从人的角度：n地推质量太差，用户本身没有需求。需求角度：n产品品类太少n品类多，但引流风格不强n引流风格有，但价格没有优势市场角度：n用户习惯未建立，以及二次登录很少但未进入购买页面n进入购买页面但未下单建立假设后，建立整体思路有两种方式：一是从数据出发，如果是从哪里入手问题严重其次，从业务出发，最近发生了什么大事，从哪里入手（如下图），最后可以把各个分析维度拧在一起，形成一个整体的分析逻辑，得出结论即可由粗到细形成（如下图所示）。五、小结之所以经常使用人、货、场这三个维度，是因为这三个维度与用户行为直接相关，商品属性、店铺属性、用户习惯都有一定的内在规律可循。所以非常适合作为分析的基础，做到深入细致。一方面可以对业务有更清晰的认识；另一方面，你也有建立更复杂模型的线索。但是，现在行业的通病是做生意的新手不知道怎么发优惠券。很难说一张优惠券就涵盖在内。又名：互联网思维自由！做数据的新人都知道RFM、相关分析、模型。我只想使用协同过滤。拜托，我的朋友们。就你平台的用户粘性在60-71%，用户天生就是买券的。你有多少真实数据来训练你的模型？就像生鲜电商行业，多去几次菜市场，和买菜的主力人群：大叔、妈妈、家庭主妇聊聊，会比和天天饿着肚子的同事讨论AARRR有用.你可以尝试一下。
