指标体系构建-03-交易型的数据指标体系

参考：

本文参考

1.接地气的陈老师的数据指标系列
2.科普 | 零售行业的数据指标体系及其含义、应用阶段
3.”人货场”模型搞懂没？数据分析大部分场景都能用！
4.一分钟读懂广告投放各计费CPM、CPC等（公式推导干货）
5.AARRR百度百科

人货场分析维度：

货物属性。货物属性会直接影响到消费者购买行为：

购买频率：新鲜蔬菜水果购买频率高，米面油购买频率低
上市季节：新鲜蔬菜水果有当季产品，反季节的卖得贵也不好吃，米面油没啥季节性
产品价格：单品价格贵的就卖得少，趁便宜买，零散买，便宜的就批量买
购买渠道：如果有物流配送，大件硬通货（米面油）在线上买更省事，散件的就线下买，最好能现场试吃几个避免踩雷

卖场属性，包含:

便利性：距离越近、越方便的菜场肯定越吸引人
整洁程度：越干净的菜场肯定更吸引人
产品丰富程度：菜品越丰富的菜场越吸引人
产品新鲜度：菜品越新鲜水灵的越吸引人
产品价格：因为铺租、人工不同，有的卖场就是死贵死贵的

用户属性分析

注意，传统行业讲人货场，人指的是售货员，不是消费者。所谓人效指的是业务员平均产生的经济效益。但是互联网应用是APP对用户，没有销售概念，因此才把售货员改成用户，所谓人的分析，变成用户属性分析。
一提用户属性，很多同学条件反射的都是：性别、年龄、地域。问题是你的公司真的能采集到这么多真实的用户信息？而且这些字段不见得能看出啥，最典型的就是性别，男女比例差异常常只有几个点，能说明个屁问题。
基于互动、消费行为标签会更好用，比如生鲜电商的领域，有多少客户是注册送20元米面油券，首单免配送费，进口车厘子25元4斤这种活动搞进来的。这叫促销敏感型用户。类似的，还可以打：刚性购买用户、异常天气购买用户、疫区用户等等标签，这些可能区分度更高

人货场模型搭建
有了三个维度的基础理解，就能用来综合解释问题。回到开头的“生鲜电商复购率低”的问题。可以先从人货场角度建立分析假设：

人角度：
地推质量太差，用户本身没有需求
用户有需求，但是薅羊毛型太多，刚需性少
刚需用户有一定量，但产品不符合用户需求

货角度：
商品本身品类太少
品类不少，但没有强势引流款
有引流款，但价格没优势

场角度：
用户习惯未建立，二次登陆都很少
二次登陆有，但没有进到购买页
进到购买页，但未下单

各自建立假设后，有两种方法建立整体思路：

第一， 从数据出发，哪个问题严重就从哪里下手
第二， 从业务出发，最近发生哪些大事，从哪里下手

零售

为什么要从零售讲起

1.零售的模式最简单：进货→库存→销售，容易理解。
2.零售的数据最简单：商品编号，商品价格，进货时间，销售时间，销售金额（交易数据，又俗称POS数据，因为使用POS机记录的）
3.几乎所有更复杂的数据，都是以零售为原型，做扩展

零售三要素

人：店员（注意，早期零售是没有会员卡的，人指的是店员）
货：商品（品类、款色、价格、进货数量、库存数量、销售数量）
场：门店（门店等级、面积、装修、货架陈列）
这三个要素之间是并列关系（无法相互取代）所以要单独观察

零售三要素的关键

人、货、场中，货是关键。
因为早期零售店，没有CRM，无法记录到店员、消费者数据，也没法量化记录到卖场的人流、陈列等数据（靠督导巡店，做偶尔的抽查）
货才是核心，进货、入库有数据，出货、销售也有数据。
所以，总销售额 = 销售商品数量*销售商品价格
人效=总销售额/店员人数，坪效=总销售额/门店面积

与货有关的业务流程

基础指标

扩展指标

电商

电商与零售的区别

1.电商能记录页面流量、用户ID（零售很难做到）
2.有了页面流量+用户ID，可以追踪到店铺是否有人，有多少人
3.我们熟知的：GMV=UV*转化率*客单价/销量=用户数*付费率*客单价，其实都是基于电商场景，真正零售店很难有这么全的ID数据

电商的业务流程

如果店铺流量不够，就加强推广，先把流量拉到店铺
如果已经沉淀了一些客人，就关注客人复购情况，拉新/复购一起做
入驻平台和独立站点，最大区别在于对客户掌控能力，尽量拉到私域才好掌控

与零售指标的异同

采购、库存、促销基本类似
卖场内容有差异，实体店讲门头、陈列、堆头，线上讲页面布局，推广渠道
新增的：流量指标、用户指标

新增：流量购买

类似线下的铺租，线上流量也有成本，也不便宜
cpm（cost per mile）：每千次曝光收费（钻展）
cpc （cost per click） ：每点击收费（直通车）
cpa （cost per action） ：下载等行为收费
cps （cost per sale） ：付费次数收费（淘宝客）

新增：成交漏斗

新增：客户RFM

RFM是以用户ID（非订单）为单位统计，因此只有电商/会员卡零售能做
R：用户最后一次消费距今时间
F：在一定时间内购买频次
M：在一定时间内累计购买量
只用用户ID+订单数据，就能做出来，所以很方面，而且很实用
用户非交易流程数据（页面访问，话题阅读等，后续再分享）

游戏

游戏与电商的区别

1.游戏看似五花八门，其实本质就是卖虚拟商品
2.不同的是，游戏允许玩家在无付费下体验服务，付费项目是额外增加形象/战斗力的。并且，不付费玩家也是付费玩家的体验之一
3.我们熟知的：AARRR其实更适合游戏场景，因为得有人气，付费玩家才玩的爽，所以用户活跃（A）、留存（R）变得很重要。

游戏的业务流程

由于没有实体商品，所以完全不需要库存，不需要采购，节省大量资金
国内游戏很多都是换皮作品，开发成本低，大量成本消耗在获客上
国内游戏品质差，导致流失严重，因此特别关注留存情况

AARRR解读

注意，AARRR不是五个指标，是观察的五个方面（而且是并列关系，非漏斗关系）
AARRR适用于游戏这种，允许不付费用户活跃的情况（很多场景并不允许，认为不付费的活跃没有意义）

用户获取（Acquisition）
用户激活（Activation）
用户留存（Retention）
获得收益（Revenue）
推荐传播（Referral）

AARRR细分指标

toB

toB与toC的区别

1.toB型业务，下游要么是大客户，要么是经销商，非个人用户
2.toB业务中，大客户很关键，要全力搞掂（不像toC，博概率）、
3.客户采购，是集体决策，考虑价格、性能、交付、资金结算众多因素（toC很简单，冲动型购买多）因此，想搞掂B端客户，需要全方位努力
4.toB业务数字化程度低，需要大量人工操作，因此数据采集少

完整的toB业务流

注意！最差情况下，只有合同数据

toB的合同，和toC的消费订单看起来很像，似乎也可以做RFM之类的指标BUT，做归做，背后的逻辑完全不一样
toC的大部分消费，都是高频，低金额，客户买了还会再买toB的，客户采购逻辑很复杂（觉得我们便宜、好用、有关系、把我们当鲶鱼的……）
不了解客户逻辑，单纯计算的RFM指标就是废的

toB各阶段，要收集哪些信息（标签/指标）

toB还要额外收集哪些指标？

如果下游是大客户
• 客户的行业情况（是否行业不行了）
• 客户企业情况（行业可以，但这个客户自己不行了）
• 客户竞争对手（我不做这个客户生意，我还能做哪个）
如果下游是经销商
• 经销商实力（资金情况、门店范围）、信用（履约情况）、合作态度
• 经销商的订货（sell in）/出货（sell out）数据

toB分析，最少拿哪几个指标

toB分析，最少拿哪几个维度

① 客户行业：是否我司优势行业
② 客户地区：是否客户集中区域
③ 客户企业名：是否行业龙头

交易型一般梳理思路

交易型业务共同点

1.目标清晰：成交
2.流程清晰：进货-库存-销售
3.核心指标清晰：成交金额，成交订单数，商品销售数量
4.核心流程清晰：有过程数据就漏斗分析，没有过程就指标拆解

对比若干种交易型业务，可见4个关键（之一）

关键1：实体商品 & 虚拟商品
实体商品：需要物流、库存、采购，成本很重
进一步的：实体商品，是否耐保存，是否体积很大（生鲜），是否需要复杂的制造过程、售后保养（耐用、汽车）
虚拟商品：研发（互联网产品）、资金（消费金融）、广告（O2O、社交、短视频）

对比若干种交易型业务，可见4个关键（之二）

关键2：线下渠道 & 线上渠道
线下渠道：人、货、场，走起，卖场标签贴起来
线上渠道：漏斗模型走起，投放素材、投放渠道、落地页、转化页

对比若干种交易型业务，可见4个关键（之三）

关键2：toB & toC
toC：RFM、AARRR走起
toB：售前过程中，拿到客户信息、交易流程、客户评价很重要

对比若干种交易型业务，可见4个关键（之四）

关键2：高频 & 低频
高频：啤酒瓜子矿泉水……售后数据很重要，售前给个优惠券
低频：家电、装修、汽车、房子……售前数据很重要，把握用户需求和成交进度

当然，具体的流程可能特别复杂，要具体拆解

定制家具交付全流程，看着特别复杂，要拆开一步步看