[全]零售数据分析案例-提高购物篮系数来增加销量

零售数据分析案例-提高购物篮系数来增加销量熟悉业务背景A超市是一家中型连锁超市，位于上海某SOHO大厦地下一层，1-6楼为购物商场，7-40楼都是写字楼。目前A超市最大的问题就是购物篮系数偏低，一直在3.0附近，相比于其他连锁店低了25%，超市经理为了提升购物篮系数，需要先找到购物篮系数偏低的原因，再做出针对性的解决措施。制定分析计划超市经理邀请公司的数据分析师Linda，来协助他找到购物篮系数偏低的问题。通过头脑风暴，他们将所有与影响超市购物篮系数的因素罗列出来，大致分为人场货三个方面的十几条因素。紧接着，再根据超市现状与问题，如对消费规律不清晰，对顾客缺乏洞察，商品库存管理不精细等现象，聚焦了三个分析方向：购物篮系数与时间的关系、购物篮系数与顾客购买行为的关系、以及购物篮系数与商品缺货的关系，来探索购物篮系数偏低的原因。到了这里，分析思路已经基本明确了，接下来我们可以通过FineBI来进行探索式的数据分析。数据拆分模型由于梳理出的相关因素较多，共整理出了9张与业务相关的字段，主要包括以下几种数据源会员信息表订单支付记录表商品缺货率与购物篮系数汇总表订单支付记录表向IT提过需求后，IT为Linda准备了购物篮分析业务包，借助业务包，Linda就可以使用FineBI来进行分析了。执行分析计划1、购物篮系数与时间分析首先探索购物篮系数是否存在一定的时间规律，现了工作日的购物篮系数普遍比工作日低、下班高峰期购物篮系数比平时低，最后推测这段时间的主要用户群体为楼上写字楼的员工。操作过程：（1）选择我的自助数据集中的订单明细表，创建组件，将订单支付时间和商品件数分别拖入横轴和纵轴，修改商品件数汇总方式为求平均，快速得到了购物篮系数这一指标，为了以周为维度观察，他把时间维度的分组方式改为星期，并添加平均值的分析线，即可观察到从周一到周日的购物篮系数变化趋势。（2）结合上述分析，发现了周末的购物篮系数普遍比工作日高。通过FineBI快速制作对应的图表，分别观察工作日和周末的购物篮系数的日时间段分布，发现周一到周五12:00-14:00，18:00-20:00的购物篮系数明显偏低，周末却没有出现这种情况，而这段时间刚好属于下班的购物高峰期。2、购物篮系数与顾客行为分析为什么下班购物高峰期的购物篮系数会偏低？拉出下班高峰期客户购买商品分布图发现，发现70%顾客购买3件以下商品，购买1-2件商品的顾客占比高达50%，拉低了整体的购物篮系数。操作过程：使用准备好的下班高峰期顾客购买件数汇总表，将商品件数拖入横轴，客户数拖入纵轴，为了看到各类别所占百分比数量，他使用柱状图展示，并对客户数这一指标进行了快速计算得到占比数据，得出的图表非常清晰地展示了购买1-2件商品的顾客占比高达50%，拉低了整体的购物篮系数。3、购物篮系数与商品缺货率分析继续分析ABC类商品的缺货率与购物篮系数的关系，发现A类商品缺货对购物篮系数低的影响较大。操作过程：添加一个新组件，使用已经准备好的购物篮系数与缺货率信息表，将时间拖入横轴，将购物篮系数与平均日缺货率拖入纵轴，并将ABC类别拖入结果过滤器过滤为A类为了更直观展示两者的变化趋势，他使用了多系列折线图，并设置平均日缺货率为右轴值显示，通过对比他发现只有重点A类商品缺货会对购物篮系数有明显的影响，主要是由于超市库房小，进货量较小，A类商品也时常出现缺货现象，拉低了购物篮系数。可视化1、辅助动作执行线下观察统计确认了约70%的顾客是楼上商场和写字楼的员工，同时发现了购物篮放置存在问题，只有少部分人在进入超市时拿购物篮，基本没有白领人士拿购物篮。而通常在购买3件商品后，顾客拿不下更多的东西了，但很少顾客会回入口拿购物篮，而超市内是没有放置购物篮的，所以他们放弃了购买超过4件的商品。2、计划制定第一个月，他在超市不同区域增添了购物篮，以便客户中途取用；第二个月，他根据后续对商品的关联分析，推出针对商场员工和写字楼白领的产品组合优惠套餐，如下午茶套餐：”饮料+小零食+湿巾“，来促进他们的冲动性消费；第三个月，严格控制了A类重点商品的缺货率在1%-2%左右。3、效果达成每一项措施实施后的一个月，购物篮系数都有一定提升，三个月后，购物篮系数显著提升了30%，达到3.9，完成了购物篮系数的大逆袭！