这次，我们邀请到网聚宝的电商数据专家，为大家分享电商数据运营工作中的三种数据分析思维，希望大家能够利用这些分析思维挖掘更多的数据价值。

进阶1 基于历史的MBR分析（Memory-Based Reasoning）

通过分析以前发生过的事情，来推断未来类似事情发生的一些特性。比如你要想对双十一活动期间的新客进行更好的维护，你可以去分析去年双十一活动期间的客户后面都有哪些人在什么时候转化了？没转化的客户与转化的客户购买的商品有何区别？转化后低客单和高客单的客户后续转化率是否有区别？通过这些对于历史数据的分析，能对现在这波刚来的双十一的客户进一步了解。甚至预判其中购买哪些商品，客单是多少以上的客户转化几率很大，他们可能在什么时候下次购买，我提前进行触达更好地让这部分人转化。

例：某商家运营部在16年双十一前通过对15年双十一的新老客数据分析规划预售商品配置。

图1  2015 双十一新客转老客分析

• 横轴维度：会员数（百分比）
• 纵轴维度：总购买次数（1~2 新客、2~ 老客）
• 对比维度：客单价（区间）
• 时间维度：2015.11.11-2015.11.11

从上面红框中的数据可以发现，2015年双十一的新客里，客单低于100的客户转二次老客的概率非常低，而客单价100以上则越来越高。可初步判断客单在100以上的双十一老客转化率约50% 。

图2  2015 双十一客单价在100以上的新老客商品分析

• 横轴维度：商品名称
• 纵轴维度：会员数
• 对比维度：总购买次数（新客蓝色、老客红色）
• 筛选维度：付款时间2015-11-11~2015-11-11、客单价100~

进一步对比分析，客单价都在100以上2015年双十一的新客中后续转化的和没转化的客户分别购买商品的对比。可发现有些购买某些商品的新客转化率较高，有些则较低。比如图中第二个商品，新客数比老客数多了一倍左右，即可认为该产品不能很好的引导客户转化。而图中第四个商品，老客转化率则大于50%以上。故可看到不同商品的商品转化率有明显的区别。

再仔细分析转化率低的商品发现转化率低的商品大都是超大包装的商品（如四月装），可能用户一次购买后，等产品周期结束后，对品牌的印象已经极低导致，故运营部就要考虑是否需要调整16年双十一的商品配置。

进阶2 聚类分析

零售行业的聚类分析主要是指将具有相似购物行为的顾客进行群体的细分，以支持精细化的营销活动，带来更大的营销效果，节省成本。使用全景洞察可以对用户，通过购买商品，首次付款时间，回购周期，总购买次数，客单价，货单价，最后购买时间，累计支付金额，等方式聚类，同时对比客户的属性。这也是商家分析老会员购买习惯最常用的方法。

比如：有客户会对所有会员，按首次付款时间，按月进行打包聚类，分析每个月的新客后续的复购率。这种做法适合配上环比分析。

图3  2015.1&2016.1 新客销售趋势对比

• 横轴维度：付款月
• 纵轴维度：会员数

通过环比分析，可以挖掘同样是一月的新客，他们会有同样的后续复购的规律，而两者的差异可能也能从侧面反应出不同的营销策略给这部分会员的影响。1月的新客都会在3月又一波集中购买可根据这个进一步预测对2017年1月的新客在3月进行一波营销增长销售。

同理，可以将过去2-3年的6月的新客做聚类分析，6月的新客的后续复购规律。

图4  购买次数、购买商品数聚类分析

• 横轴维度：会员数（百分比）、货单价（平均）、客单价（平均）
• 纵轴维度：累计付款商品数（1/2/3/4/5/6）
• 对比维度：总购买次数（1~2、2~）

通过对于购买次数和购买商品数的聚类分析，可以查看到不同购买次数，不同商品购买数人群的客单货单的区别，可以通过这个分析，针对不同购买次数的客户根据他们不同的客单价和货单价，个性化推荐不同商品组成的商品组合。而商品的货单和组合的总价即可对应到货单价和客单价。比如红框部分的3组人群可以组成一个聚类，商家可以针对这部分聚类会员组合一个每个商品单价在30元左右，组合总价在200元左右的套餐。

进阶3 RFM分析

在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。

例：可以先通过累计支付金额分析，将客户现分为M低，M中和M高三个等级。然后对每个等级的客户在进行RF分析。

从上面三组数据可以看出，不管是处于哪个等级，最近一次购买时间在75-150天前的客户占比都是最大的，所以可以针对这部分客户做重点运营维护。

2017年开始已有很多企业将数据可视化运用到日常业务环节中。数据可视化是让企业及时了解数据资产价值的一种最有效的方式。

品牌们正在使用：