挖掘数据隐含的业务信息（1）——订单销售交易类数据分析
订单销售交易数据，对企业来说其重要性，不言而喻。订单销售交易数据交易类数据包含的信息大概有几个层面：
1. 钱：老板最关心的信息
2. 场：什么渠道最好，渠道的属性怎么样，有什么特征
3. 货：哪个或哪几个产品或产品组合最好、哪个服务怎么样
4. 人：那些人最能提供钱，怎么提供钱
一句话概括就是：what money？where money？how money？ can more？
一、订单基本信息和信息解读
订单信息至少要关联客户ID，因为只有人能给企业提供钱，只有知道是那类人，才能想办法从这类人中赚更多的钱。
- 订单号：XXX（订单流水号）
- 门店：XXX（销售渠道）
- 客户ID：XXX
- 交易时间：XXX
- 产品：数量和金额XXX（是单价还是汇总金额）
- 优惠券使用：XXX
- 产生积分：XXX
1.1 订单号（订单数）
订单流水号，有可能反推出该企业一天客户量，一天的订单数。企业一般都会做一些特殊处理（不是简单顺序编号）。
1.2 门店（销售渠道）
表示用户在这个销售渠道消费，钱从哪里来的。这里的渠道，指‘钱’的渠道，而不是互联网‘流量’的渠道。一个是要‘钱’，一个人是要‘人’；一个是‘人动货不动’，一个是‘货动人不动’。当然最后都是为了：‘钱’！
假如是首单，可以分析出这个渠道是否吸引某类的用户；假如多平台（渠道），可以分析用户的渠道消费习惯，习惯在一个地方消费还是多个地方。是否不同的商品是否更愿意在某个平台（渠道）上买；假若是N单，形成一定规模的订单数据，可以分析那个渠道更受欢迎，资源分配时该往那个渠道倾斜。用户有没有渠道转换的情况。优良的渠道有什么特点，是否可以借鉴经验。
可以总结为：好还是不好？特点是什么？能不能借鉴？
tip：
传统的‘钱’渠道：一般分为销售大区、线上、线下、旗舰店、加盟店、某个部门、某类销售员等等
互联网的‘流量’渠道：信息流推广、搜索引擎推广、应用市场推广、自媒体推广、短时频推广、其他推广（地铁广告、墙面广告）等
1.3 客户ID
花钱的人。类型是什么（ToB客户、ToC客户）？
结合交易时间、金额、优惠券活动等，深挖用户的一些特征、共性。对于客户维度而言，要做的就是‘聚合’，把同种类的客户聚在一起，因为人力、资源有限，不可能也做不到对每一个客户做一对一服务，一对一营销。要对用户进行分层，找出高价值用户：
（1）RFM模型
某时间窗口内，根据R（Recency，近度/最近一次消费）、F（Frequency，消费频次）、M（Monetary，消费金额）对用户进行分层。参数的阈值要根据实际业务情况来设定，切莫不要为了数据好看划分等级。在资源的有限情况下，尽量用小部分的用户覆盖大部分的额度。在运营策略上，应结合用户分层的结果，针对不同的用户分类用户制定不同的运营策略：
- 针对重要价值客户，应保持好现状；
- 针对重要发展客户，由于其价值高但是频次低，应采取合适的策略来刺激其消费频率；
- 针对重要保持用户，应采取合适的策略来将其召回，留住该用户；
- 针对重要挽留用户，召回他并刺激其消费；
- 针对一般价值用户，可以通过发放大额面值优惠券等方式刺激消费力度；
- 其余几类用户都要在考虑成本、资源的情况下采取相应的策略召回、刺激消费。
（2）根据消费状态对用户分层
用户分层的目的在于区分不同价值的用户，对不同价值的用户、不同阶段的用户采用精准、细化的运营方案。在实际业务场景中，常常把用户分为：
- 新用户：时间窗口内，首次消费的用户。
- 不活跃用户（流失用户）：时间窗口内，未消费的老客。
- 活跃用户：本时间窗口内有消费，上一个时间窗口也有消费的用户。
- 回流用户：上一个时间窗口中没有消费，而在当前时间窗口内有过消费的老客。
用户分层的方法多种多样，其核心目的：把用户‘聚类’——区分‘价值’——资源最大化‘精准营销’——使‘钱’最大化。不用多复杂方法，在资源紧缺的时候，根据‘帕累托二八分布’也能找出那20%的用户。
用户质量分析
用户留存、生命周期分析
会员管理
1.4 交易时间（年月日时分秒）
用户在那个‘年月日时分秒’的时刻花了钱。一般可以反馈信息有：用户的消费行为、时间维度下，基础度量值的描述性统计
交易时间刚好是某个特定日期，用户消费某类商品是否与该特定节日有关，能不能指导节日促销；
周期性交易；
客户生命周期和留存情况；
回购率和复购率；
时间趋势（销售金额、订单数、成本、消费人数等等）；
某类用户对某类商品的消费时间习惯（某时刻），能不能指导个性化推送、活动促销等；
购买频率
一般先做描述性统计分析，看那个时间窗口出了问题，再对该时间窗口做一些深挖分析。
1.5 产品（品类+数量）
用户买了啥，是1类还是多类，是1件还是N件？多类的话，这些类有什么关联？多N的话，为啥是N件，不是N+1件？一般反馈的信息有：品类的关联性、使用的周期性、产品维度下，基础度量值的描述性统计信息
产品品类是否可以做购物篮分析、关联分析，能否指导交叉销售最大化；
产品销售-利润分布如何（帕累托分布），能否指导产品品类优化、生产优化；
TopN畅销产品是哪些，能否指导新品研发；
数量代表使用程度，分析一定数量的使用周期，能否指导某类商品的周期性精准推送；
1.6 金额
决定用户的购买力，最直观体现就是用户的消费档次、产品档次。
1.7 优惠券
客户买东西使用优惠券，没有优惠券就不买了？
优惠券的目的：冲量或者利润最大化
优惠力度=优惠券额度/总消费金额
怎样的优惠力度最合适（让客户多下单，让利润最大化）
判断客户质量，分析促销敏感性用户
1.8 积分
分析会员等级
挽留客户，积分兑换
二、首张订单
用户首次付费很重要，特别是免费体验的产品。首次付费模式可以借鉴，可以反推未付费用户，可以反推业务付费模式是否合理。为二次消费提供营销思路。
三、多张订单对比分析
3.1 补货周期
交易时间和数量决定购买时间间隔。精准的补货周期，可以预防缺货风险，触发用户二次购买。
3.2 增量销售
同类客户是否购买某类产品越来越多。能否指导销售。增量销售注意分清囤货和自然增长，促销活动尽量避免提前消费，而应该是以信任度、粘度为前提。
3.3 交叉销售（购物篮分析-关联分析）
3.4 购物路径
基于时间某类客户购买A产品，又购买了B产品。比如相机（新手级，专业级）、手机、软件（demo，企业级）品类等。跟踪销售机会。
四、分析思路和维度
维度划分：
- 时间维度：时间各种钻取
- 销售渠道维度：传统渠道和互联网+渠道
- 用户维度：ToB和ToC客户类型
分析思路：
- 先看时间窗口期大盘
- 窗口期内那个维度、那个点除了问题
基础度量值
- 销售金额
- 成本
- 利润
- 订单数
- 客单价
- 折扣
- 用户数（总流量）
五、方法
- 出了问题？假设方法，假设检验？
- 那部分比较好，怎么做比较好？对比方法，A/B测试？
