第6章 新零售数据化运营-2【16页】.pptxVIP

新零售数据化运营第六章6.2人的数据分析6.3货的数据分析

6.2人的数据分析6.2.1用户人口特征分析以某男士西装品牌新零售门店为例：2024年1月31日至2月5日1个星期的用户数据显示，男性用户占比76.67%，女性用户占比23.33%，在年龄分布中年龄段主要集中在30-39岁。说明该男士西装品牌店的主要客户是中青年男性，门店可以据此对销售产品以及门店装修等环节进行针对性的改进。

6.2人的数据分析6.2.2用户活跃度分析以某新零售企业的用户相关数据为例：其日新增用户为2921人，新用户打开店铺网页的占比为35.88%，但是新增日留存率为7.35%。从时间上看处于下降的趋势，这提醒企业对流失的客户应当采取相应的挽留措施。1.新增用户分析

6.2人的数据分析6.2.2用户活跃度分析以某新零售企业的用户相关数据为例：在2月14到2月22日，企业的用户活跃度都是高于平均值的，之后就整体处于低值水平。门店在2月14到2月22日之间举行了门店促销活动，起到了活跃用户的作用，但是活动结束之后用户的活跃度就降低，这说明门店对于客户的转化和挽留机制还有待改进。2.活跃用户数分析

6.2人的数据分析6.2.3用户价值分析1.转化率分析转化率是成功完成转化行为的次数占总浏览次数的百分比。转化率越高，成本就会越低。具体公式为：转化率=（转化次数÷总次数）×100%评估转化率可以借助漏斗模型来进行分析，不仅能够评价总体的转化率，还能对各个环节的转化率进行细分。

6.2人的数据分析6.2.3用户价值分析1.转化率分析某新零售企业分析其用户转化率时，首先将用户分为普通会员和钻石会员。以普通会员漏斗图为例，第一步，统计页面的访问人数为15899人，第二步，统计浏览商品详情页的人数占总体访问人数的比重为47.59%，第三步，进一步统计将商品加入购物车的顾客比重为60.46%，最后一步，对最终提交订单的人数进行统计，总共1955人完成支付，并计算占比为42.84%。

6.2人的数据分析6.2.3用户价值分析2.RFM模型分析①RFM模型的含义RFM模型是3个指标的缩写，分别是最近一次消费时间间隔（Recency）、消费频率（Frequency）、消费金额（Monetary）。企业可以通过这3个指标对用户分类，从低到高排序，并作为XYZ坐标轴，把用户分为8类。

6.2人的数据分析6.2.3用户价值分析2.RFM模型分析②RFM分析思路确定用户的RFM三个指标根据三类指标实际业务情况设置不同区间根据区间将三类指标划分出不同档次对于正向指标M、F，值越大档次就越高；负向指标R则相反，值越小档次就越高。最后根据不同档次进行客户细分设置XYZ坐标轴，将细分好的客户类型分别对应进相应的用户价值分类当中去。

6.2人的数据分析6.2.4绘制用户画像基于多维度的用户数据分析，用户画像相对于传统画像更精准。多维度的用户数据包括了用户的个人数据、浏览行为数据和消费行为数据，这些数据能帮助企业设置更多的用户标签，以此标记用户特征，用户的标签越多，其画像也越立体。企业要做到用户画像立体化，需要根据用户画像逻辑，建立一个用户行为类目体系，并根据类目体系，分析总结出独立用户的用户画像。

6.3货的数据分析6.3.1商品销售数据分析商品销售数据分析是数据分析的一项重要内容，商品销售数据如下表所示：商品数据指标指标解读周转天数周转天数是指企业从取得存货/产品入库开始，至消耗、销售为止所经历的天数。周转天数越长，表示经营效率越低；周转天数越短，表示经营效率越高。库存(存货)周转天数=360/存货周转次数=(平均存货×均存货×数产品销售成本)退货率退货率是衡量企业产品质量、服务质量等方面状况的指标。退货率=总退货数/总订单数售罄率售罄率=销售数量/进货数量库销比库销比=期末库存金额/(本期销售牌价额/销售天数*30)连带率连带率=销售件数/交易次数平均单价平均单价=销售金额/销售件数平均折扣平均折扣=销售金额/销售吊牌额库存量单位（StockKeepingUnit，SKU）库存进出计量的基本单元，可以是以件、盒、托盘等为单位

6.3货的数据分析6.3.1商品销售数据分析在年初的两个月中销售量一般，后面的几个月持续走高，到6月份达到了全年的峰值，6月之后下降并且在之后的几个月都保持平稳。图中的数据说明该销售门店成交金额呈现出明显的季节性特征。

6.3货的数据分析6.3.1商品销售数据分析对某新零售门店的销售金额做进一步的数据分析，将销售金额进行区间划分，并对其进行可视化分析，可以直观的发现该门店销售成交量每月有十几天都维持在2000-5000之间，其次是1万以上的区间，在每个月中会占到十天左右。

6.3货的数据分析6.3.2商品库存