|
1. 选手简介
1.1 选手介绍 帆软社区用户名：nauraa 公司：广州薇美姿科技有限公司（舒客） 岗位：销售支持-销售数据分析-管培生
1.2 参赛初衷 正肩负着推动公司从“拍脑袋”到“商业智能”、“数据驱动”的重要使命，在年底这样的关键阶段，希望通过参赛的方式给自己更多的信心和灵感！
2. 场景介绍
2.1 业务背景介绍 & 数据来源 - 业务背景：个人平时有主要对接公司联合经营渠道的业务分析需求。与大多数零售/快效行业的经销商模式类似，我们也苦恼于数据不全/不准/不及时，很多时候作为新人的我也会特别感到困惑：究竟分析什么数据，得到什么结论才能真正帮助到生意？
- 需求背景：实际上我的用户没有明确的需求。临近年底，销售业务们的首要任务肯定是冲关完成业绩，面对难搞的客户大佬们，怎么帮助到他们更高效地拿下订单就是我的优先级考量。
- 数据来源：所以，环顾了手头健全的数据资产及知识储备，我决定去在财务口径的发货数据上做一定的挖掘，从而帮助销售业务一定程度上快速解决哪些SKU哪些客户好卖的问题。
（数据基础结构） SKU｜客户｜最近订单距今天数｜累计订单频次｜累计开票额｜政策力度｜最新库存水平
是的，我套用了RFM模型的思路，并加上一点点落地方向的改良
2.2 分析思路 稍微不同于官方或其他优秀案例的RFM，我在构思时有几点差异化的考量：
- 最小颗粒度：常见的RFM模型都是落脚在客户上的，如过去半年时间来看一个客户的R粘性、F忠诚度、M消费能力分别是多少。但在实际的快消生意模式下，每一笔订单都是从一个个SKU组成的，所以我的颗粒度是到SKU到客户的R、F、M，会动态变化
- 辅助信息：很多实际情况下，单纯地根据RFM属性给客户分类其实意义有限。在零售行业中，我们还需要考虑像经销商的现有库存水平如何（哪怕是优质客户，对应库存高估计也下不了单），还有政策力度的影响（A是优质客户，但是靠政策活动优惠喂出来的）。所以我特意在基础数据模型里加了这2个关键的辅助信息
2.3 数据整理
综合来看，其它增删减改的清洗步骤都不难不赘述，最烧脑耗时的是如何给RFM打标
1）以R举例，先分组赋值（文本格式），此处建议自定义分组
2）第二步是将文本格式转换为数值格式，这里用到了tointeger公式
3）紧接着就要根据数值化的R参数值进行if判定（0或1，文本格式）
4）以此类推，RFM3个的判定式都做好后，用concatenate公式进行文本合并，得到如下
5）最后根据得到的3位数文本进行客户分类打标，此处使用的是switch公式
2.4 完成分析报告 尊崇一贯的概览-分析-执行框架，我的大致思路如下： 【概览看板】KPI指标卡+饼图+小地图，直接暴露有问题的结论和方向（哪个品类、区域） 【分析看板】矩块图+分区柱形图+散点图+图片，在聚焦问题后明确“可操作”的客户 【执行看板】明细表，给到销售+产品经理具体可操作的客户明细，在此闭环 （此处建议多利用动态文本组件以达到辅助描述的效果）
2.5 总结 数据分析可视化并不能从头到尾解决业务问题，它的价值更多的是在于理解和沟通。要始终保持谦卑和好奇，与君共勉！
| 
