以下文章來源于接地氣學堂 ，作者接地氣的陳老師

做數據分析的同學，很多都聽過：人、貨、場的分析模型。然而，這東西又是個隻聞其名，不見真身的東西。到底該怎麼結合實際分析？今天我們系統講解下。

問題場景：

某生鮮電商，用戶複購率較低，60%的用戶在30天内無二次購買行為，運營領導非常着急，要求通過數據分析提升複購率，請問你作為數據分析師該怎麼做？

1. 建立人工智能精準推薦算法（40%概率用協同過濾，60%用關聯分析）
2. 把過往6個月月初複購率做成折線圖，然後寫下蒼勁有力的三個大字：“要搞高！”
3. 分析個啥，做電商不就是派券嗎！所有無複購用戶派券，幹就完了奧力給！

還是你有其他辦法？

一、 貨物屬性分析

先問一個簡單問題：大米、白面、一桶油和草莓、車厘子、山竹有什麼區别？即使你沒買過菜也知道：米面油是每天都得吃的東西，沒啥季節性；草莓、車厘子、山竹不會每天吃，季節性很強。如果去菜市場或者超市逛一下又會知道：米面油一般是整包、整桶買，買回去一桶能吃很久，還有專門的米桶、米盒、油壺用來分裝。草莓山竹一般拆散零售，而且不耐放，買回去不吃過幾天就壞了。

這些看似家常便飯的産品知識，統稱為：貨物屬性。貨物屬性會直接影響到消費者購買行為：

購買頻率：新鮮蔬菜水果購買頻率高，米面油購買頻率低

上市季節：新鮮蔬菜水果有當季産品，反季節的賣的貴也不好吃，米面油沒啥季節性

産品價格：單品價格貴的就賣的少，趁便宜買，零散買，便宜的就批量買

購買渠道：如果有物流配送，大件硬通貨（米面油）在線上買更省事，散件的就線下買，最好能現場試吃幾個避免踩雷

這些貨物屬性是常識，是自然規律，不會因為數據指标的計算方式而改變。因此在生鮮産品中，用戶行為會直接受到過往購買産品的影響——你不能太指望一個用戶剛買10斤大米，過兩天又來買10斤。或者說，如果真的有用戶反反複複的來買大米，那你得檢查下自己提供的大米是不是比市場價便宜很多，有人在薅羊毛薅的情況呢。

有一個簡單的矩陣模型可以描述生鮮産品的複購思路，核心是産品購買頻率和産品關聯度。購買頻率上文有解釋，産品關聯度指的是某些産品天生會一塊買。特别在生鮮領域，比如買了凍雞翅、竹簽，很有可能會買木炭、丸子、燒烤汁，因此兩維度交叉既有如下矩陣（如下圖）

但注意，隻從貨物屬性一個角度來看，是很不完整的。買菜的渠道多的很，憑啥用戶非得在app裡戳來戳去。菜市場不香嗎？APP/微商城的吸引力又在哪裡呢？這就涉及：場的問題

二、 賣場屬性分析

快速問一個問題：你今天中午準備吃啥？不要思考，馬上回答！

十個同學有十個答不上來，對不對。實際上讓你對着餓了嗎你都得糾結十幾二十分鐘，更不要說提前預備了。

買菜也是同理，為啥老人家喜歡逛菜市，一個很重要的原因就是做飯本沒啥目的性，現場看着啥順眼買點啥，二來可以貨比三家挑挑新鮮便宜的。菜市場，包括超市的生鮮區給人的視覺沖擊是遠遠強過電商的，這就是賣場屬性對複購行為帶來的影響。

賣場屬性，包含:

• 便利性：距離越近、越方便的菜場肯定越吸引人
• 整潔程度：越幹淨的菜場肯定更吸引人
• 産品豐富程度：菜品越豐富的菜場越吸引人
• 産品新鮮度：菜品越新鮮水靈的越吸引人
• 産品價格：因為鋪租、人工不同，有的賣場就是死貴死貴的

在傳統線下門店裡，關于賣場位置也有個矩陣模型。（如下圖）

線上渠道用的指标和線下類似，區别是，用戶的登錄場景、登錄頻次、登錄後訪問内容，代替了門店位置遠近。線上渠道在内容和跳轉路徑上能做的分析，是遠多于線下的。

有意思的是，不同于服裝、零食、玩具等快消品，在生鮮領域，線上渠道的體驗反而比線下差。因此線上生鮮優勢體現在：不能出門的場景上。比如下雨天，比如疫情期間交通管控，比如上下班沒時間逛菜市場等等等。

然而這就又引發第三個問題：有些用戶可能就是單純圖便宜，有些用戶真的有線上購買的剛需。因此必須考慮人的因素。

三、 用戶屬性分析

注意，傳統行業講人貨場，人指的是售貨員，不是消費者。所謂人效指的是業務員平均産生的經濟效益。但是互聯網應用是APP對用戶，沒有銷售概念，因此才把售貨員改成用戶，所謂人的分析，變成用戶屬性分析。

一提用戶屬性，很多同學條件反射的都是：性别、年齡、地域。問題是你的公司真的能采集到這麼多真實的用戶信息？而且這些字段不見得能看出啥，最典型的就是性别，男女比例差異常常隻有幾個點，能說明個屁問題。

基于互動、消費行為标簽會更好用，比如生鮮電商的領域，有多少客戶是注冊送20元米面油券，首單免配送費，進口車厘子25元4斤這種活動搞進來的。這叫促銷敏感型用戶。類似的，還可以打：剛性購買用戶、異常天氣購買用戶、疫區用戶等等标簽，這些可能區分度更高（如下圖）

四、人貨場模型搭建

有了三個維度的基礎理解，就能用來綜合解釋問題。回到開頭的“生鮮電商複購率低”的問題。可以先從人貨場角度建立分析假設：

人角度：

• 地推質量太差，用戶本身沒有需求
• 用戶有需求，但是薅羊毛型太多，剛需性少
• 剛需用戶有一定量，但産品不符合用戶需求

貨角度：

• 商品本身品類太少
• 品類不少，但沒有強勢引流款
• 有引流款，但價格沒優勢

場角度：

• 用戶習慣未建立，二次登陸都很少
• 二次登陸有，但沒有進到購買頁
• 進到購買頁，但未下單

各自建立假設後，有兩種方法建立整體思路：

第一， 從數據出發，哪個問題嚴重就從哪裡下手

第二， 從業務出發，最近發生哪些大事，從哪裡下手

（如下圖）

最後可以把各個分析維度擰起來，組成整體分析邏輯，從粗到細形成結論（如下圖）。

五、 小結

人貨場三個維度之所以經常用，是因為這三者與用戶行為有直接關系，并且商品屬性、賣場屬性、用戶習慣都有一些天生的規律可循。因此很适合作為分析的基礎，做深做細。一方面能對業務有更清晰的認知；另一方面，想建立更複雜的模型也有線索了。

然而現在行業裡普遍存在的問題，是做業務的新人就知道發券，難言之隐一券了之，還美其名曰：互聯網思維就是免費！做數據的新人就知道RFM，關聯分析，一講模型就想協同過濾，拜托小哥哥們，就你那平台用戶粘性，百分之六七十一次登錄，用戶天生就是優惠券買來的，有多少真實數據給你訓練模型呢。就像生鮮電商行業，真去幾趟菜場，和買菜主力人群：大爺大媽、家庭主婦聊聊，會比每天和吃餓了嗎的同事讨論AARRR有用的多，可以一試哦。

有同學會問，有沒有複購率的更普遍分析場景，如果感興趣的話，下一篇我們分享複購率在醫美行業應用哦，敬請期待。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!