请上传宽度大于 1200px,高度大于 164px 的封面图片
    调整图片尺寸与位置
    滚轮可以放大缩小图片尺寸,按住图片拖动可调整位置,多余的会自动被裁剪掉
取消
lkl(uid:559640)
职业资格认证:FCP-报表开发工程师 | FCA-FineBI | FCP-FineBI
【2023BI数据分析大赛】亚马逊消费者洞察分析报告
一、选手简介   1.参赛选手:LKL、Ashley   2.参赛初衷       (1)通过比赛锻炼数据分析能力以及数据产品的设计能力,提升数据分析的思维和产品布局配色能力。       (2)通过比赛对数据可视化工具有更深入的学习,毕竟“工欲善其事必先利其器”,用好数据工具,可以高效完成数据清洗、分析、可视化和输出报告的一系列数据分析工作,提高时间的利用率,更多的专注于业务结果的深层剖析。       (3)借此机会和更多数据分析大神,进行思维的激烈碰撞。   以下为作品最终展示,主色调采用亚马逊logo色,结构上主要保持对称性     二、数据说明   1.数据来源       自选数据:和鲸社区https://www.heywhale.com/mw/dataset/64ae9d50b6ccf385d0117e51/file;数据表为亚马逊消费者调研问卷,作品使用到的内容有(字段名称已重命名):   2.数据处理 (1)数据清洗:将数据处理成可直观分析的内容 ①产品推荐准确性:该字段值为1、2、3、4、5,分别根据内容判断转换为非常不准确、不准确、一般、准确、非常准确。 ②产品推荐频次:该字段值为1、2、3、4、5,分别根据内容判断转换为从不、极少、偶尔、经常、总是。 ③购物体验满意程度:该字段值为1、2、3、4、5,分别根据内容判断转换为非常不满意、不满意、一般、比较满意、非常满意。 ④年龄分布:将该字段按年龄范围分层,分别处理为20以下、21-25、26-30、31-35、36-40、41-45、46-50、50以上。 (2)字段设置:表字段精简,取消不需要的列和字段重命名 (3)购买商品偏好数据处理:该字段内容为多选项,拆分处理对单个品类进行分析 ①拆分行列:将购买商品偏好按分隔符";"拆分为5列 ②列转行:将拆分的5列购买商品偏好内容合并为一列 ③新增公式列:观察到购买商品偏好内容有部分缺失和描述有字体差异,新增公式列进行补全和修改一致,分别为“服装与时尚”修改为“服装和时尚”,“和厨房”修改为“家庭和厨房”,“货和美食”修改为“杂货和美食”。 ④字段设置:考虑到联动分析,保留了性别、年龄分布、购买频次、购买商品偏好 ⑤过滤:将购买商品偏好内容为空的过滤 (4)购物车转化数据处理:将数据处理为可用于漏斗模型分析 ①新增公式列:消费者人数,并赋值“1” ②列转行:将浏览时是否会添加到购物车、添加购物车后是否购买、消费者人数进行列转行处理 ③过滤:只取满足浏览时会添加到购物车、添加到购物车后会购买及消费者人数。   三、分析背景         近年来,跨境电商市场发展迅猛,各大平台之间的竞争愈发白热化。新兴黑马“shein”“temu”等冲劲十足,持续开疆扩土,虽然他们的用户体量还未追赶上亚马逊,但是用户增速快,在竞争者紧追不舍之下,亚马逊需要不断优化自身的服务和产品,提高用户体验,才能在跨境电商市场中保持领先地位。         本作品将利用网上的消费者调研问卷数据,分析主流跨境电商亚马逊的消费者情况,对消费者的基本属性、消费偏好、购物闭环链路等行为特征进行深入的分析和了解,以及消费者是如何看待亚马逊平台的优劣势及特色服务功能等。         希望通过分析能给亚马逊平台和入驻平台的卖家提供一些参考建议,以更好地满足消费者的需求,让平台、卖家和消费者实现互利共赢。    四、分析思路     拿到亚马逊消费者数据后,经过沟通讨论,我们决定围绕以下三个主题去深入分析:   1、消费者基本画像和行为特征       从性格、年龄、商品偏好、购物频次去了解亚马逊的主流消费人群和消费偏好。   2、消费者购物链路       拆解了消费者购前、购中、购后三个方面去分析消费者购物过程中的行为情况。   3、平台服务影响因素和改进建议       从亚马逊优势、亚马逊改进建议、产品推荐功能和购物体验满意度四个方面分析平台服务对消费者购物的影响。   五、分析过程   1.消费者基本画像和行为特征   目的:分析哪些用户是亚马逊的主要用户群体,及他们的购物行为特征是如何分布的。   (1)消费者基本画像       如上图所示,通过饼图展示消费者男女比例,柱形图展示消费者年龄分布占比,直观呈现出不同群体间的差异性。可得出以下结论:       ① 亚马逊平台主要以女性消费者为主,占比高达64.45%。       ② 亚马逊平台客群以21-35岁为主,占比为68.77%,其中21-25年龄段占比高达40.86%,客群相对年轻。       ③ 如上图所示,通过对性别、年龄联动分析可知,女性消费者的年龄分布主要为21-25和31-35,男性消费者的年龄分布主要为21-25和26-30,两者都以21-25占比最高。         (2)消费者行为特征         如上图所示,通过词云图和矩形树图直观展示消费者的购买偏好和购买频次。可得出以下结论:       ① 消费者的购买偏好前三品类依次为服装和时尚、美容和个人护理、家庭和厨房。       ② 消费者每月购物次数相对频繁,“一个月几次”的占比高达总体的三分之一。         (3)在对数据进行浅层分析后,考虑到实际业务中是需要进行结合多个维度的交叉联动分析,才能反馈业务问题。因此,对性别、年龄、购买商品偏好、购物频次进行多级联动,进一步深入分析。       ① 如上图所示,21-25岁的女性,一个月购物几次的商品偏好为美容和个人护理。         ② 如上图所示,31-35岁的女性,一个月购物几次的商品偏好为服装和时尚。         ③ 如上图所示,21-25岁的男性,一个月购物几次的商品偏好为服装和时尚。         ④ 如上图所示,26-30岁的男性,一个月购物几次的商品偏好为美容和个人护理。         综上所述:       问题(现象):亚马逊平台用户群体偏年轻化,集中于21-25岁的年轻人,而不同性别的群体表现出不同的商品消费偏好,且女性群体的消费贡献率超过60%。       建议(措施):卖家可以采取更丰富的活动,结合市场流行因素,布局更多品类爆款争夺年轻人和女性消费群体的“口袋”。   2.消费者购物链路分析         消费者在购物过程中表现的行为分为3大环节,本章节分析问题分别是:         ① 消费者内心产生某种需求时,是如何搜索到对应产品的?搜索行为是如何分布的?         ② 完成搜索行为后,点击某产品进入浏览时,会关注哪些指标?购物车加购转化效果如何?         ③ 消费者在完成购物后,会产生哪些行为,如是否留评反馈?   (1)购前行为分析       由上图可知:       问题(现象):消费者更多是采用产品类别和关键词的搜索方式,占比依次为37.04%、35.55%。       建议(措施):亚马逊平台卖家做好产品类别和关键词的运营策略。   (2)购中行为分析 ① 商品评论分析        由上图可知:        问题(现象):消费者在购物中对商品他人留评的依赖程度相对较高,重要和适度占比达到57.81%,且对消费者的调查反馈结果来看,大部分消费者认为商品评论是具有较大参考价值的。        建议(措施):留评对消费者购买转化起到了重要作用,建议卖家做好售前售中售后服务工作。   ② 购物车转化分析       由上图可知:       问题(现象):从购物车的漏斗转化分析模型得出35.8%的消费者在浏览时会将商品添加到购物车,而其加购转化也相对较高,达到21.7%,可见大部分消费者在添加购物车后都会进行购买。       建议(措施):在做好吸引消费者的浏览工作同时,建议平台要重视消费者的加购引导,特别要“浏览-加购”环节多下导购的措施。   ③ 加购后放弃购买分析       由上图可知:       问题(现象):消费者加购后放弃购买的原因主要是在其他地方找到更好的价格、改变了主意或不再需要该产品,以及运输成本高。而价格和运输成本导致的客户流失是平台和卖家可以共同去争取的。      建议(措施): 建议卖家和平台通过改善供应链控制运输、仓储等成本,提供更有优势的价格,互利共赢。   (3)购后行为分析       由上图可知:       问题(现象):购物后有近一半的消费者没有进行留评,而从购中分析来看,购后留评对消费者购买起到了重要作用。       建议(措施):建议卖家和平台应关注评价,提供优质的产品和服务,积极争取正面评价,以提升产品的销量。   3.平台服务影响因素和改进建议分析 (1)亚马逊优势分析       由上图可知:       问题(现象):消费者最欣赏亚马逊的地方分别为有竞争力的价格和个性化产品推荐功能,占比分别为31.06%和30.73%。       建议(措施):建议平台和卖家继续做好性价比产品的供应和个性化推荐服务工作,充分发挥自身优势。   (2)亚马逊改进建议(劣势分析)       由上图可知:       问题(现象):消费者对亚马逊的改进建议中排名前三的分别为客户服务响应能力、产品质量和准确性、减少包装上的浪费。       建议(措施):建议平台和卖家做好客服培训工作,更高效的响应消费者的咨询需求。另外,卖家应更多去注重产品质量、提高详情页的准确性,避免“货不对板”,以及减少包装上的浪费。   (3)个性化产品推荐功能分析       由上图可知:       问题(现象):消费者对亚马逊个性化产品推荐功能还是比较满意的。但结合上图中产品推荐频次、产品推荐购买情况、产品推荐准确性分析,产品推荐购买率较高,而消费者收到产品推荐服务的频次“极少”占比相对偏高,以及产品推荐一般和不准确的占比达到77.64%。       建议(措施):建议平台优化产品推荐功能服务,提高“人与货品”的匹配度的准确性,以及提高产品推荐次数,高效触发更多的消费者,助力平台和卖家互利共赢;而卖家也可通过深入了解亚马逊推荐商品的算法,掌握亚马逊的规律使产品能有更多的曝光度。   (4)消费者购物体验满意度分析       由上图可知:       问题(现象):消费者对亚马逊平台满意度较差,比较满意比例仅为11.13%,非常满意仅为2.82%,而不满意和非常不满意的比例超过了50%。       建议(措施):建议平台和卖家多关注物流配送、售前售后服务、个性化服务等方面的工作,提高消费者满意度。   六、结论建议         本作品通过对亚马逊消费者进行调研,深入洞察分析后,总结归纳出如下结论与建议:         1、亚马逊平台用户群体偏年轻化,集中于21-25岁的年轻人,而不同性别的群体表现出不同的商品消费偏好。建议卖家在进行选品的时候更多选择年轻人喜欢的产品品类,多开发爆款,购买转化率也会相对较高。         2、根据购物链路转化模型分析可知,消费者在购前主要通过搜索关键词(如产品名称、品牌、用途等等)和品类寻找目标产品,在搜索的时候会出现一些相关的长尾关键词和精准关键词,而且可能会直接从下拉菜单中选择,建议卖家可针对该搜索行为,将搜索下拉栏的关键词放入自己listing或者广告里投放。         3、购中他人产品的评价分布对消费者的购买意愿起到了很大的参考作用,时刻影响着消费者的购买决策,建议卖家要重点做好产品的好评表现工作。       另外由购物车漏斗模型可知,消费者在浏览时加入购物车的转化率很高,而黄金购物车并非所有卖家都拥有,亚马逊根据产品的销售表现,赋予优秀的产品黄金购物车,所以建议卖家要加大加强对自身产品的运营,争夺黄金购物车。       因为一旦加购了产品,消费者的购买意愿相当高,故卖家需要重点关注产品的曝光和做好消费者的运营等工作。       针对加购后放弃购买的因素,产品的价格、运费、运输时效等,这些因素都影响着消费者的购买意愿,建议卖家优化自身供应链,降本保利的前提下,输出具备高性价比的产品给到消费者,以及可考虑将产品输送至入亚马逊的仓库,进行FBA合作,提高物流时效和降低运输成本。         4、而从购后的行为数据中,我们知道近一半的消费者没有进行留评,卖家需要围绕着如何让消费者购买后留下产品的好评去展开深入的工作分析。如用心做好产品的listing(详情页)卖点描述,这点需要与实际产品具有的卖点相吻合,切忌“无中生有”。         5、就亚马逊的优势来说,其具备有竞争力的价格和个性化产品推荐功能,迎来了一大波消费者的喜欢,而从消费者的调研中得知,平台也存在着一些劣势,客户服务响应能力、产品质量和准确性、包装上的浪费是最为凸显的几个方面,建议平台要着重解决好这几个因素,提高服务响应力,联合卖家开发出低价高质量的好产品,提倡绿色环保理念,减少包装上的铺装浪费。         6、亚马逊的个性化产品推荐功能对消费者的购买转化有促进作用,但推荐的产品准确性不高,以及推荐频率低,建议平台后续提高“人与产品”的匹配度和增加推荐频率。         7、从消费者的购物体验结果反馈可知,持“一般”“不满意”的态度较多,而产品价格、运费、评论、退货政策、运输时效、产品的质量、品牌标签这些因素都影响着消费者的购买体验,建议平台围绕以上因素逐步解决问题,提升购物体验效果。   七、参赛总结         1、关于FineBI工具,这是第一次使用6.0版本,相比5.1版本有了很大的提升,行转列、列转行功能让数据处理简单了很多。因为使用过之前的版本,所以操作上还是没有难度的,遇到的问题就是文本组件的自适应问题,在编辑页面能上下居中的内容,预览页面靠上显示了(这个问题指导老师说,他2年前就提过了)。         2、关于参赛总结,在完成作品的过程中,找数据和分析思路花了比较长的时间,可见数据指标体系、分析思路对数据分析的重要性。       在这过程中也有思路卡住的时候,我们就按先完成、再完善的方法,把想到的先记录下来,后面有了更好的思路再去修改。       工作中我更多是做报表开发,通过这次比赛跟队友共同完成一份完整的分析报告的过程中学到了很多,验证了纸上谈兵不如躬行实践。        最后,非常非常感谢和平老师一直以来的指导和鼓励,在可视化方面他给了我们很多帮助,就单配色我们就纠结了很久,最后他直接一句“用亚马逊的商标logo色吧”打开了我们的思路。所以,最终作品的仪表板布局、图表应用、色彩搭配上相比之前有了很大提升。   八、作品展示    
【2022BI数据分析大赛】淘宝用户行为分析报告
参赛选手:林凯丽。   一、分析背景       近年来,互联网电商的获客成本逐渐增加,电商由“流量”时代逐渐过渡为“存量”时代。如何做好用户管理,是每一个互联网商家需要思考的问题。       在这样的背景下,本次分析通过一个淘宝用户数据集,对用户购物过程中的行为(现象)作出分析,找出运营过程中存在的问题以及出现问题的原因并提供优化改善的建议。   二、分析问题 1、淘宝的用户流失情况的怎样?(是什么) 2、造成该种流失的原因是什么?(为什么) 3、该怎么避免类似流失的发生?(怎么办)   三、数据加工 数据来源:阿里云.天池网https://tianchi.aliyun.com/dataset/dataDetail?dataId=46(选取100万行数据作为分析依据)——为虚构数据的时效性,此文将数据的日期2014年改成了2021年。   3.1字段翻译 ① user_id:用户编号 ② item_id:商品编号 ③ behavior_type:用户行为类型(包含点击、收藏、加购、购买四种行为,原始字段中分别用数字1、2、3、4表示) ④ user_geohash:地理位置 ⑤ item_category:商品类别编号 ⑥ time:用户行为发生时间   3.2数据清洗 1、选择字段     item_category 列地理位置的数据大多是空值 NULL ,且位置信息被加密处理了,难以研究。所以不选择该列分析,即直接删除。 2、删除重复值 数据中未发现重复数据 3、缺失值处理 数据中的分析字段中未发现缺失值 4、一致化处理 由于 time 字段的时间包含(年-月-日)和小时,为了方便分析,将该字段分成 2 个字段,一个日期列和一个小时列。 5、异常值处理 检查各字段是否出现异常值,是否符合规范。检查后,所有数据正常,数据符合规范,无需删除数据。 整理后的数据预览如下:     3.3派生指标 ① 品类数:COUNTD_AGG(${商品类别}) ② 商品数:COUNTD_AGG(${商品编号})   四、数据分析   4.1分析思路概述        本次分析采用漏斗模型分析,假设检验分析。         在用户维度,使用漏斗模型分析顾客点击、加购、收藏、购买的不同阶段之间的转化率,找出转化率在一天当中不同时段的分布情况,针对地在转化率高的时段加大投放,争取最大化提高转化率,从而提高流量的利用和店铺销售额。         在商品维度,通过假设检验,分析流量商品与畅销产品的分布情况,优化新品引进、付费推广的投入、产品备货量和备货周期。   4.2数据分析过程   1、用户流失情况     用户行为包括点击、加入购物车、收藏以及购买,图1显示,点击占总行为数的94.22%,而放进购物车只占2.8%,最后实际购买占不到1%,用户流失主要在放进购物车这一环节上。   于是我们做出假设:可能出现的原因是用户在淘宝花了大量时间搜寻不到自己想要的产品,以致于放弃在淘宝平台购买产品,转而去其他平台购买。   针对这个假设(猜测),从以下3个维度分析来验证此猜测:   ①用户想要在淘宝找到什么商品?   ②用户习惯什么时候(时间段)购买?   ③平台推送的商品是否满足用户需求?   2、用户流失情况原因分析   (1)用户想要在淘宝找到什么商品   衡量用户最想要在淘宝平台找到什么产品,最重要的指标是商品点击数。通过该项指标,可最大程度上了解到哪类产品用户的需求量较大,哪类产品的需求较小。(注:点击量反应用户需求)   从图中可看出,商品类别编号为1863、13230、5027、5894、6513的在淘宝APP中点击数最高,说明用户最想要在淘宝平台中找到这五类商品。   在这五种类型下,各类中点击数排名前三的商品又为:   从图3中看出,各类商品中,5027类的商品需求较高,前三名商品的点击量均在40以上;6513类的商品需求量相对较小。   (2)用户习惯什么时候购买商品   根据以上结果,分析在一个月内和一天内用户寻找这五类商品的主要时间段。结果如下: 从图4中可看出,因为淘宝的双十二活动,这五类商品的点击数在双十二前夕及双十二这天剧增,双十二过后恢复到正常的范围,其他时间都未有较大的波动。   一天内用户寻找这五类商品的主要时间段。可以看出,这五类商品的用户点击数从每日0点到5点快速降低,4点左右降到一天中的点击数最低值,6点到10点用户点击数快速上升,10点到18点用户点击数较平稳,18点到23点用户点击数快速上升,21点左右达到一天中的最高值。   再看看各类商品中,商品需求最高5027类的前三产品的一日内的点击数分布。5027类的商品,用户主要集中在下午6点到晚上11点在淘宝平台寻找这几类商品,若细分到各分类下的具体商品,主要搜寻时间会略有不同,但基本都会包含晚上6点以后这个时间段。           对比可知,18-23点这个时间段,用户明显活跃起来。对此,有做站内付费推广(如直通车、钻展等)的商家可以侧重于这几个时间段加大投放,争取流量获得最大转化。   综合上述分析可知,用户在淘宝平台最想要寻找到商品类别编号为1863、13230、5027、5894、6513的这五类商品,在这五类商品中,5027类的商品需求最高。用户主要集中在下午6点到晚上11点在淘宝平台寻找这几类商品,若细分到各分类下的具体商品,主要搜寻时间会略有不同,但基本都会包含6点以后这个时间段。   因为数据集有限,只能大致分析出淘宝用户想要寻找哪几类商品。若要更细致地分析出用户想要什么样的商品,还需知道用户使用的搜索高频词,利用该项数据建立用户搜索画像,并结合商品点击数数据,建立搜索点击率指标,分析总结出点击率高的搜索高频词和点击率低的搜索高频词。从而更精确地总结出用户在淘宝平台最想要寻找什么商品。   (3)淘宝平台推送的商品是否满足用户需求   从上一步中分析出用户想要寻找什么产品后,接下来需要知道淘宝平台筛选推送的商品是否满足了用户的需求。   首先从商品数量占比上分析这五类商品是否在淘宝平台上足够多,以供用户选择。   从以上图7结果可以看出,淘宝平台共有7034种品类,种类繁多(673013种),而需求量最多的前五类商品在商品数量上一共占到了约13.25%,说明淘宝平台对这五类商品的提供了足够多的选择。   在选择足够多的情况下,需从商品购买数上分析淘宝对这五类商品的推送机制是否合理,即在用户搜索某类商品后,出现的商品是否满足用户的需求。     从上图可以看出,除了1863类商品的购买次数较多外,其他需求多的四类商品的购买次数并不多,甚至都没有进入购买次数的前五名。   显然,需求最高的五类商品的购买数都远低于购买数最高的五类商品,说明淘宝对这五类需求最高的商品的推送机制并不合理,淘宝平台给用户推送的这五类商品没有满足用户的要求,即用户在点击查看该类商品后,发现并不是自己想要的商品放弃加入购物车,造成转化率的降低。   五、结论与建议 根据以上分析,证实了前面的猜测(假设),淘宝APP的用户在放进购物车环节流失严重的原因是,用户在淘宝花了大量时间搜寻不到自己想要的产品,以致于放弃在淘宝平台购买产品,转而去其他平台购买。   根据以上结论,提出以下几点改进建议:   1、算法部门建议:建议算法部门改善淘宝推送商品机制,尤其针对需求最高的1863、13230、5027、5894、6513这五类商品,监控这五类商品的购买数,优先将购买数高的商品推送给用户,使用在搜索该类商品后,能在前三个或前五个商品页面看到这些购买数较高的商品,缩小用户寻找商品的时间,提高用户的转化率。   2、市场部门建议:淘宝的用户偏爱1863、13230、5027、5894、6513这五类商品,建议市场部门在淘宝的主要投放渠道,多投放这五类商品的广告,尤其是投放五类商品中销量较高的商品广告,获取到更多的用户到淘宝平台。   3、运营部门建议:淘宝的用户搜寻商品的时间段主要在下午6点至晚上11点,也就是大多数人下班后休息的时间。建议运营部门在这个时间段对这五类商品多策划一些营销活动,例如“聚划算”、“满减活动”等,刺激用户消费,提高用户转化率。并对这五类商品中需求很高的一些商品,精确用户对这些商品的主要搜寻时间段,在这些主要的搜寻时间对该商品进行促销活动。例如上述分析中提到五类商品中需求最高的是5027类商品,分析中给出了5027类点击数前三的商品的主要搜寻时间段,运营部门可根据这些精确的时间段策划推广相应的营销活动,激活用户,提高转化率。   六、心得体会 作为数据搬运工几年,但真正的开窍,却是因为参加了这次的比赛。 一开始,我还以为像之前的比赛那样,只要把作品做得好看就行了。但和指导老师交流的过程中发现,这次的比赛更加注重的应该是分析,而不是简单的可视化。并且他告诉我,一次完整的数据分析流程主要分为以下六个环节:明确分析目的、数据获取、数据处理、数据分析、数据可视化、结论与建议。 最让我纠结的,还是“数据分析”这一环节,因为数据处理过程都只是机械活。后面他又对我说了一句:如果你真的不知道怎么下手,那你就采用“是什么,为什么,怎么办”的逻辑对数据进行一步步的探索分析。 他还针对我的作品举了个例子。比如,你发现转化率很低,那么接下来就得去进一步的探索为什么转化率那么低,知道具体原因了之后,你还得针对原因提出有效的建议和解决措施。 感谢帆软提供的这次比赛机会,对于我来说工具的使用有了进一步的提升,更重要的是,感受到了数据分析的魅力。数据驱动的时代,无论你的工作内容是什么,掌握一定的数据分析能力,可以帮助你更好地认识这个世界,更好地提升工作效率。   七、可视化作品  
【2021夏季挑战赛】房产线上销售数据分析
一、选手简介 1、选手介绍 团队名称:123木头人 成员介绍: chuxin1011:队长,除了对金钱的欲望,没什么特别的性格特点。现就职某世界500强企业,负责公司的数据分析与运营工作。 LKL:队员,现就职某世界500强企业,负责公司的数据产品运营工作。 李cm:队员,现就职某世界500强企业,负责公司的数据开发工作。   2、参赛初衷   由于公司业务日益壮大,传统开发人员制作数据报表已经不堪重负,故在2019年公司接入了FineBI平台为公司表哥表姐们进行提效减负,但由于前期处于摸索状态且平台应用不熟悉,导致平台并没有被真正使用起来,而基于工作提效的考虑,在2021年第一季度我们参加了BI课程的培训且学以致用于工作过程中,所以想借助此次挑战赛来检验自我的学习成果,也是希望与更多志同道合的朋友进行交流学习,以更好促进自我能力提升。 二、作品介绍 1、业务背景   2020年年初在全国疫情爆发时期,为了配合国家疫情防控政策的实施,我司应国家要求关闭各城市下的售楼中心。而在疫情期间,我司除了积极应对不可控因素导致的业绩下滑的现象还要保证销售工作正常推进,故上线了【线上销售】这个工具以更好地让客户随时随地进行线上看房与房产交易,避免了人群聚堆导致的病毒感染风险,同时也能保证公司业绩目标达成。   2、需求痛点   由于数据仓库不完善、指标数据也处于摸索阶段,数据的查询、汇总、分析仍停留在传统的二维表分析模式,效率低且重点数据不突出,从而加大了公司监控项目制度落地质量与帮扶项目业绩目标达成的难度。而碎片式的数据分析,导致公司制定的策略方案并没有真正受益于项目,反而增加了项目的负担,所谓的帮扶变成了伪帮扶。故如何真正的帮助到项目业绩达成,协助公司做出正确的决策方案,BI线上销售数据大屏尤为重要。   3、数据来源   本次参赛,使用了公司数据进行分析,并对数据做了脱敏处理,最终确定使用4张数据表,分别是:用户转化数据、近一年用户行为数据、近一年成交数据、项目基础信息数据。   4、分析思路   本项目经过了为期三个月的需求调研,产品迭代,业务策略优化,最终于2020年中进行了全国性的推广。推广期间,以人货场为主线,构建“4+3”的分析架构,及公司、大区、城市、产品4个维度和销售主题、城市热力分布、客户转化分析3个主题。整体分析思路和数据分析流程包括明确业务需求、建立整体框架、构建指标体系、选择正确图表等。   4.1明确业务需求 疫情期间,在配合国家疫情防控政策的前提下,大力推广【线上销售】工具的使用,依据销售指标作为绩效考核的KPI,但对于业绩不佳或工具日活频率不高的大区,却难以有更进一步的数据观察。困难包括但不仅限于不会观察对比、指标数据不全、没有当前阶段可匹配的全局数据分析工具。例如:区分不了哪些线上销售产品类型,客户更容易接受,或者区分不了城市的推广力度是否与当前城市疫情严重程度成正比。146271 4.2建立整体框架 146272 5、可视化报告   本次作品的数据是提前通过数据中台加工并脱敏产生的,所以数据处理部分此处不做过多介绍。接下来将从重点指标的统计逻辑、各图表组件的应用原理以及布局配色等,将分别从集团、大区、产品类型和城市4个维度进行简单分析。 注:本作品秉承着整体色系基调为蓝色与营销领域分析颜色保持一致,对处于危险临界值的数据设置为红色以示警戒,对于得到高度认可的数据设置为绿色以示通过的配色原则进行展开。 5.1 【销售指标卡汇总】模块,从公司的角度出发,概览展示了公司线上销售的业绩情况,包括项目参与线上销售数量、项目参与占比、线上销售套数与金额、线上销售金额与套数占比。146273 (1)关键数据指标加工逻辑 线上销售项目占比=线上销售项目数 / 总销售项目数 销售金额占比=线上销售金额 / 总销售金额 销售套数占比=线上销售套数 / 总销售套数   (2)设置原则:秉承同类主题文本样式与颜色一致性的原则进行设置。   (3)设置步骤:以【线上销售金额】指标卡为例进行说明。 一拖:拖动【线上销售金额】作为指标 二选:选择指标卡图表类型 三设置:设置指标卡文本标题为黑色加粗,自定义字体颜色为橙色,数据精度以亿为单位且保留两位小数。 注:其他指标卡的设置过程类似,此处不再一一赘述。146274 (4)数据分析结论:在公司大力推行的情况下,参与线上销售的项目占比为63.22%,全国覆盖范围较广,但线上销售业绩占比仍有很大的提升空间。可能是由于房产的交易金额大且线上销售也是全国新兴的一种营销方式,社会群体对这种新的营销方式接受程度不高,依然保持一种怀疑或者观望的态度,所以导致线上交易业绩不明显。 5.2【大区线上销售占比分析】 此模块从大区的角度出发,以饼图作为数据载体,分析各大区的线上销售占比。146275 (1)设置步骤:一拖:【大区】维度指标拖到仪表板的维度轴、【线上销售金额】指标拖到仪表板的指标轴二选:选择饼图图表类型三设置:①对图表进行颜色设置,占比最小的大区使用红色以示预警,占比最高的大区使用绿色以示通过,其他大区选用蓝色系颜色。②最大销售占比的大区同步设置了特殊显示(闪烁动画)。 146276 146277   (2)数据分析结论:通过此饼图可以直观地看出线上销售金额占比最大的为房产四区,最小的为房产二区。销量业绩可能与大区所属的地理位置以及客户对置业需求意向度有一定的关联关系。房产四区位于安徽省,而按照安徽省以往的销售业绩在集团排名前三的背景,不难理解该大区不管是客户的置业热度还是大区的营销狼性都较比其他区域要高涨,所以该区域推行线上销售工具效果会明显一些。而销量最小的房产二区,位于新疆区域,结合该地理位置的政策背景以及地区的经济发展水平,较比其他区域会落后一些,故销量业绩会相对靠后。后续公司可以加强对困难区域的帮扶,适当调整区域KPI考核与制定相关销售优惠政策,促进大区业绩增长。   5.3 【大区线上销售金额排名】 此模块从大区的角度出发,以条形图作为载体,分析了各大区的销售金额与大区之间的销量对比。 146278   (1)设置步骤:一拖:【大区】维度指标拖到仪表板的维度轴、【线上销售金额】指标拖到仪表板的指标轴二选:选择条形图图表类型三设置:①条形图设置显示大区名称和销售占比,且最大销售金额设置了特殊显示(闪烁动画)。③设置数据下钻,可通过点击大区数据,下钻查看到对应区域的明细数据。 146279   (2)数据分析结论:通过此图表可以得知销售金额最高为房产四区,最低的为房产二区。而且可以看出最大与最小值的差距大约为3-4倍,两级分化严重。建议公司评估不同区域的房产政策以及经济发展水平等因素,可以采取标榜大区帮扶困难区域,公司培训与宣贯落地到位,已促使困难区域逐步起跑。   5.4【产品类型线上交易占比分析】此模块从产品类型的角度出发,以饼图作为数据载体,分析各产品类型的线上销售占比。 146280   (1)设置步骤:一拖:【产品类型】维度指标拖到仪表板的维度轴、【线上销售金额】指标拖到仪表板的指标轴二选:选择饼图图表类型三设置:最大销售占比的产品类型设置了特殊显示(闪烁动画)。 146281   (2)数据分析结论:通过此饼图可以直观地看出线上销售金额占比最大的为洋房产品,最小的为公寓产品。产品的销量情况可能与公司洋房的货量较比公寓的货量多很多有关,而且根据房产政策的要求,洋房的产权年限为70年,而公寓的产权年限为40年,再基于全国每个家庭的人口基数的考虑,社会人群更愿意选择洋房,而公寓由于成本低,更多地被作为投资的选择。 5.5【产品线上销售金额排名】此模块从产品类型的角度出发,以条形图作为数据载体,分析了各产品类型的销售金额与产品之间的销量对比。146282   (1)设置步骤:一拖:【产品类型】维度指标拖到仪表板的维度轴、【线上销售金额】指标拖到仪表板的指标轴二选:选择条形图图表类型三设置:条形图设置显示产品类型名称和销售占比,并且最大销售金额设置了特殊显示(闪烁动画)。 146283   (2)数据分析结论:从各个产品类型的数据与对比来看,销售金额最大的为洋房,最小的为公寓。可能原因是:公司洋房的货量较比公寓的货量会多很多,而且根据房产政策的要求,洋房的产权年限为70年,而公寓的产权年限为40年,再基于全国每个家庭的人口基数的考虑,社会人群更愿意选择洋房,而公寓由于成本低,更多地被作为投资的选择。同理于【产品类型线上交易占比分析】的分析。   5.6【线上销售项目分析】此模块从城市角度出发,以城市地图作为载体,分析全国各城市参与线上销售的项目分布情况。 146284   (1)设置步骤:先对省份、城市设置地理角色与创建钻取目录(省份、城市)一拖:将省份/城市经度指标拖到横轴;省份/城市纬度指标拖到纵轴二选:选择城市地图作为图表类型三设置:线上销售项目个数作为颜色参数,控制地图颜色变化 146285   (2)数据分析结论:从全国各城市项目落地线上销售工具的数据来看,广东省的推广力度最高,中部地区也持续推广中,较为惨淡的为西北地区。造成此分布不均的现象可能是因为“山高皇帝远”效应与地区经济发展程度有关。我们公司位于广东省,所以按照公司的辐射范围与执行力度,广东省无疑是项目推广落地效果最为明显的,而中国西北地区的经济发展水平较为落后且公司辐射范围更弱,从而导致西北地区落地推进较为困难。故建议公司可针对推广效果好的地区,增加更多的业绩KPI挑战,对推广效果不好的地区,可以适当采取帮扶手段。并打造公司标杆项目,以更好反哺其他地区项目吸取别人的成果经验,促进业绩达成。   5.7【客户转化分析】 此模块从公司客户转化的角度出发,使用漏斗图作为载体,分析客户各阶段的转化情况。其中,根据客户所属阶段的不同设置了不同颜色,颜色则根据数量的变化而变化。 146286   (1)设置步骤: 一拖:【客户层级】维度指标拖到仪表板的维度轴、【数量】指标拖到仪表板的指标轴 二选:选择漏斗图图表类型 三设置:对图表进行颜色设置,整体色系基调为蓝色,各层级阶段数量越少颜色越浅。   (2)数据分析结论:根据漏斗图分析得出整个获客转化流程为访问-认筹-认购,而且整体的转化效果达到21%左右,对于还在推广应用期的功能来说,效果算是不错的了。后续可以通过销售人员持续激活访客或项目适当增加客户暖场活动,来提高客户转化效率,以达到提高业绩的目标。   5.8【近一年线上销售成交套数分析】 此模块从公司角度出发,以月为时间单位进行分析,采用柱形图作为数据载体,分析近一年公司总体线上销售套数的增长趋势与变化情况。 146287   (1)设置步骤:一拖:【月份】时间维度指标拖到仪表板的横轴、【线上销售套数】指标拖到仪表板的纵轴二选:选择柱形图图表类型三设置:柱形图设置显示销售套数,并且添加平均销售套数警戒线,以更好监控处于临界值附近的数据变化。 146288   (2)数据分析结论:从柱形图可以直观展示出2020-07月销售套数最小,2021-06月销售套数最高,而且可以看出最大与最小值的差距大约为9-10倍,增长速度明显,说明在公司的持续推广落地以及各大区的共同努力下,收获成果是不错的。但从此图可以看出增长速度有放缓的趋势,故需要公司提前预警,持续做好宣贯与监控措施,防范于未然。 注:【近一年线上销售成交金额分析】柱形图设置与分析过程同理于【近一年线上销售成交套数分析】。   5.9【产品线上销售金额明细表】 此模块从产品类型角度出发,以分组表作为载体,分析各产品类型下线上销售套数、总销售金额、线上销售金额、线上销售额占比的数据及占比情况。 146289   (1)关键数据指标加工逻辑线上销售额占比=线上销售金额/总销售金额   (2)设置步骤 一拖:拖动【产品类型】指标作为维度统计、【线上销售套数】【总销售金额】【线上销售金额】【线上销售金额占比】作为指标进行分析 二选:选择分组表的图表类型 三设置:①设置合计列颜色为蓝色,②开启数据条功能 146290   (3)数据分析结论:从分组表可以看出车位的线上销售业绩最好,而别墅的线上销售业绩最差,可能与本身产品的价值量和推售货量有关。车位价值小且很多项目车位基本按照1:1进行分配,故货量相对充足,所以线上销售针对此产品类型较为容易推广与销售。而别墅价值大且货量相对小,所以销量较为不理想。所以建议集团可以针对此情况,制作大区KPI绩效考核目标的时候,可以适当评估大区各产品类型的货量情况,增加产品类型的考量因素,以更好地推进目标达成。   5.10 【大区线上销售金额明细表】 此模块从大区角度出发,以分组表作为载体,分析各大区线上销售套数、总销售金额、线上销售金额、线上销售额占比的数据及占比情况。146291   (1)关键数据指标加工逻辑线上销售额占比=线上销售金额/总销售金额   (2)设置步骤一拖:拖动【大区】指标作为维度统计、【线上销售套数】【总销售金额】【线上销售金额】【线上销售金额占比】作为指标进行分析二选:选择分组表的图表类型三设置:①设置合计列颜色为蓝色,②开启数据条功能,③设置数据下钻,可通过点击大区数据,下钻查看到对应区域的明细数据 146292 146293   (3)数据分析结论:通过此分组表可以看出线上销售占比总体业绩比例明显,占比最高的大区较比占比最低的大区差值约为2倍,整体情况算正常。同时也可通过下钻的功能去查看该大区下各区域的执行与销售情况,可以快速定位问题并制定好相关的应对措施。建议公司可以针对各大区的线上销售占比做一个黑红榜警示大屏,对于做得好的大区,可以设立奖池,对于垫底的大区增加惩罚措施,以更好地调动大区的积极性。   6、最终结果呈现的页面布局 146294 三、参赛总结 通过公司本年的fineBI培训并学以致用于工作中,深刻体会到finebi是各位表哥表姐的福音,他既能提效减负又能实现从数据1.0时代蜕变到2.0时代,无论从工具还是思维上都是逐步发生质变的过程,让用户随性通过拖拉拽的方式组合自己想要的大屏。而这个产品最让我惊艳的地方是它的olap、数据条、动画、数据联动、组件跳转功能。 olap:能够实现数据上卷与数据下钻分析的功能,能更快速地定位问题与查看数据。 数据条:将数据对比形象化,更直观清晰地体现数据的占比情况。 动画:将数据展示赋予更多的关注形式,让数据更加突出。 数据联动:实现组件之间的动态数据筛选,操作更加方便,问题定位更加便捷。 组件跳动:实现模板之前的相互跳转,不管是分析还是操作都更加快速高效。   当然我们在看到finebi在数据实现上较比传统数据开发模式更加灵活多样,炫酷高端的优势下,也需要审视现在finebi平台的不足,例如我们发现的平台性能支撑、数据实时性处理、权限管理方面的不足,并不能支撑本公司营销数据大量并发、实时性要求与权限严格管控的业务特性。所以也希望借此机会向帆软团队提出上述站在使用者角度总结出来的产品诉求。   最后,谈谈团队通过参与这次比赛的心得体会。 BI项目的成功离不开数据质量的保障。由于这个项目的数据质量不高,导致前期的数据加工耗时严重,所以也让我深刻体会到打造牢固的数据底座是刻不容缓的事情。 数据大屏不需要太多图表样式与颜色,只要区分好重点数据与辅助分析数据便可,整体主题明确,切忌喧宾夺主。 项目调研非常重要,因为我们这个项目存在首次选题失误,后面需要推土重来重新选题,所以在做数据分析项目的时候,需要有充分的调研与业务理解才能做好。 团队意识与团队协作尤为重要,个人离不开团队,团队能实现1+1=3的效果。 房产线上销售数据分析 .pdf (365.64 K)
个人成就
内容被浏览43,719
加入社区3年104天
返回顶部