|
【2023BI数据分析大赛】 策略真的有效吗？——运动行业门店品类调整后的指标对比分析
一、选手简介
1、选手介绍
（1）团队名称：新零售与数据分析队
（2）队长介绍：邵品贤（Victor），在上海创立了一家信息科技公司，目前主要从事品牌数字化转型和分析师的工作，个人感兴趣于新零售领域的数据分析等，本次比赛主要负责作品整体分析框架的搭建。
（3）成员介绍：吴治伟（Ray），主要从事业务拓展经理的工作，本次比赛主要负责针对相关图表进行业务解读。李开董，帆软社区用户名是艾比睿-LKD，从事数据分析师的工作，本次比赛主要负责数据的处理与仪表板的制作。
2、参赛初衷
通过相关自媒体了解到本次比赛，希望通过比赛实践提升BI工具的使用方法和技巧，学习利用BI工具来讲好数据故事。
二、作品介绍
1、业务背景和需求痛点
（1）业务背景
首先，新零售市场现在正进入一个以数据、消费者体验为导向的时代；消费者数据、洞察力和分析有潜力改变新零售业务的各个部分，并形成一个明显的竞争优势。其次，疫情管控取消后，消费者行为发生了很大变化，以往的运营方式也应与时俱进。因此，数字化在新零售的地位举足轻重。
在此背景下，4月份某品牌在刚推出的新门店类型内进行了一次品类调整策略：将门店原有的专业运动品类全部撤下换成生活休闲品类；基于次，该品牌一是希望通过数据来验证该策略的有效性以及门店的收益情况；二是后续能够支持线下陈列部门、运营部门等业务方案测试；三是可以在数据分析的过程中挖掘潜在的增长点，提出优化。目的不仅仅是为了提高销售业绩，还包括改善运营效率和消费者体验等。
（2）需求痛点
对于策略实施后是否有效，品牌内部缺少统一的验证形式或者数据报表格式，各部门沟通之间存在认知差异，沟通过程繁琐。因此，我们团队将为品牌方提供一份数据验证报告，供品牌方各业务部门参考。
2、数据来源
本次比赛所用数据均为企业数据，均已做脱敏处理，包含的4个原始数据表含义如表1所示：
表1 数据表解释
|
表名
|
含义
|
|
门店POS数据表
|
门店的POS指标，包括销售额、转化率、客流等数据
|
|
销售产品数据表
|
产品销售订单的数据，包括单据日期、产品品名、成交金额、产品模块属性描述、产品品类、产品所属性别等数据
|
|
顾客区域停留数据表
|
门店每天各个区域的停留人数、停留时长等数据
|
|
门店分时段客流数据表
|
门店每小时的进入人次、经过人次数据
|
3、分析思路
首先，围绕核心业务需求——验证品类调整后是否有效，我们将品类调整后的4月份与第1季度的指标进行对比分析，来进行论点证明。
基于上述想法，我们分析团队拆解了三点：
一是总体指标概览，对门店关键指标和区域顾客行为指标进行展示分析，观察品类调整后门店各指标是否有增长，验证品类调整的有效性，其中包括各日均指标的对比分析、转化漏斗的对比分析、销售额的上一年同比增长率分析等；
二是基于核心指标销售额、客流和转化率的下钻分析，对门店指标和顾客行为数据进行更细化的对比分析，进一步验证品类调整是否有效，其中包括生活休闲品和专业运动品类销售额分析、门店引流和顾客行为分析、男女性转化率和品类转化率等；
三是增长潜力挖掘，在验证的过程中，寻找未来的潜在增长点，包括周内客流与转化的模式分析、周中、周末客流与转化的模式分析、周六、周日客流与转化的模式分析等。
结构脑图如图1所示：
图1 分析思路脑图
4、数据处理
指标定义明细见附录，以下是数据处理过程。
（1）总体指标概览数据处理
l 各指标卡：
由门店POS数据表中4/2-5/6销售额、客流转化率、客单价、件单量、件单价进行汇总求和而得。
l 店铺订单转化漏斗图：
日均客流：由门店POS数据表客流字段计算4月和第1季度日均客流；
单区域日均停留人次和日均试衣人数：由顾客区域停留数据表得出，我们运用python进行数据清洗，原始数据表结构形式如图2所示。
图2 顾客区域停留数据表截图
首先，将原数据在excel增加边框线后导入到python中；其次，根据区域编号进行索引，依次做全部区域的停留人数、男性停留人数等共6个表格，清洗好后的表格如图3所示；
图3 顾客区域停留数据表清洗后的截图
最后，我们将单区域日均停留人数定义为A2-A17平均每个区域的日均停留人数（A1区域数据缺失，A17区域部分数据缺失），将日均试衣人数定义为A17-试衣间日均停留人数，分别对第1季度和4月分别进行汇总求平均。
l 1-4月各指标明细表：
日均销售额、日均目标销售额、日均客流、转化率、客单价、件单量、件单价均由门店POS数据表进行月度汇总会取平均而得，其中转化率=订单笔数÷客流量、客单价=销售额÷订单笔数、件单量=销售件数÷订单笔数、件单价=销售额÷销售件数。
l 4月销售额及同比增长率表：
销售额指标同上述来源，销售额同比增长率=（2023年销售额-2022年销售额）÷2022年销售额，数据来源门店POS数据表。
（2）销售额、客流和转化率分析
1-4月生活休闲品类产品销售额表：生活休闲和专业运动产品由销售产品数据表得出，原始表格如图4所示。
图4 销售产品数据表截图
首先，将其导入python中按照生活休闲和专业运动划分数据；其次，进行商品产品线细分，得到两个品类各产品线的1-4月的销售额；最后，计算4月对比第1季度的日均销售额增长值。
l 1-4月顾客进店率和试衣率：
日均进入人次和日均经过人次由门店分时段客流数据表得出，原始表格如图5所示。
图5 门店分时段客流数据表截图
首先，营业时间为10：00~22：00，对应该表的时间日期行为10：00至21：00（21：00行为21：00~22：00的数据），基于此，我们剔除营业时间外的干扰数据；其次，进行一天、一月的进入人次和经过人次合计，并取平均为日均值，具体在python中步骤为增加月、天、小时列，依次汇总和取平均各数值。
日均试衣人数与前面第（1）点相同，定义进店率=进入人次÷（进入人次+经过人次），试衣率=试衣人数/（进入人次），由上述数据计算得出。
l 4月重点区域顾客行为数据及对比第一季度增长率表和4月重点区域停留人数、停留时长和停留率雷达图
日均停留人数、日均停留时长由顾客区域停留数据表得出，两者均与第（1）部分数据处理一样，其中日均停留时长原数据计量单位为分钟，我们将其换成秒。
停留率=区域日均停留人数÷日均进入人次。
日均客流增长率和日均停留时长增长率计算公式为（4月指标值-第1季度指标值）÷第1季度指标值；由于停留率为百分比，我们关注于其绝对值增长，停留率增长值计算公式为4月指标值-第1季度增长值。
l 1-4月女性客流占比VS订单笔数占比
女性停留人数占比由顾客区域停留数据表得出，在第（1）部分区域数据处理后我们分别得到男性和女性停留人数的表格，我们将女性停留人数÷总停留人数得到女性停留人数占比。
女性订单笔数占比由销售产品数据表得出，原始表格如上文图4所示。
首先，我们按照性别对数据进行划分，得到不同性别的产品数据；其次，1笔订单可能有多件同样性别的产品，需要对订单笔数进行去重汇总，例如1笔订单有6件商品，分别是2件男性产品、2件女性产品、1件中性产品，计数逻辑为男性订单笔数加1，女性订单笔数加1，中性订单笔数加1，将中性产品一半笔数划分为男性，一半笔数划分为女性，儿童产品过少不纳入计数；最后，将女性订单笔数÷（男性订单笔数+女性订单笔数）得到女性订单笔数占比；结果数据和python的部分代码如图6、图7所示。
图6 男女性订单笔数占比情况
图7 男女性订单笔数数据处理python代码截图
l 1-4月男女性停留时长对比
男性停留时长和女性停留时长由顾客区域停留数据表得出，在第（1）部分对区域数据处理后我们分别得到男性和女性停留时长的表格，直接汇总就可得出相关数据。
l 1-4月生活休闲和专业运动转化率
生活休闲和专业运动转化率由销售产品数据表得出，原始表格如上文图4所示。
首先，我们将按照商品功能属性对数据进行划分，得到生活休闲和专业运动的产品数据；其次，1笔订单可能有多件同样功能属性的产品，需要对订单笔数进行去重汇总，与女性订单笔数计数逻辑类似，1笔订单有6件商品，分别是3件生活休闲类产品、3件专业运动类产品，生活休闲和专业运动订单笔数各加1；最后，分别将订单笔数÷进店人次即可得到转化率。
（3）增长潜力挖掘
l 4月周内客流与转化率图
周内日均客流：由门店POS数据表得出；按照周一至周日划分客流，4月有5周，对5周周一至周日分别求日均客流。
周内转化率：由门店POS数据表得出；按照周一至周日划分订单笔数，4月有5周，对5周周一至周日分别求日均订单笔数，转化率=订单笔数÷客流
l 4月周内客流与转化率明细表
指标计算逻辑与4月周内客流与转化率图相同，其中周一至周四、周五至周日、全部都是基于时间长度先汇总后再计算日均客流和转化率
l 4月周一至周五各营业时间客流与转化率图
日均客流：由门店分时段客流数据表得出；首先，对4月（4/2~5/6）进行天维度的筛选，截取属于周一至周五各营业时间的数据；其次，在截取的数据中，汇总营业时间（10：00~22：00）每小时的客流数据；最后，计算周一至周五的总天数，分别用每小时的总客流÷总天数即可得日均客流。
转化率：由销售产品数据表和门店分时段客流数据表得出；首先，在销售产品数据表根据单据日期截取4月周一至周五的产品数据；其次，在截取的数据里先进行订单去重，以免数据重复，然后对单据编号进行切片，获取订单生成所属的小时（单据编号第7、8为订单所属小时）；最后，统计各营业时间的订单笔数，并除以日均客流得到周一至周五各小时的转化率。原始数据和结果数据如上文图4和下方图8所示：
图8 分时段转化率
l 4月周六日各营业时间客流与转化率图
日均客流和转化率与4月周一至周五各营业时间客流与转化率图的数据处理相同，将时间截取从周一至周五更改为周六日即可。
l 4月周六各营业时间客流与转化率图
日均客流和转化率与4月周一至周五各营业时间客流与转化率图的数据处理相同，将时间截取从周一至周五更改为周六即可。
l 4月周日各营业时间客流与转化率图
日均客流和转化率与4月周一至周五各营业时间客流与转化率图的数据处理相同，将时间截取从周一至周五更改为周日即可。
5、可视化报告
围绕核心业务需求：验证品类调整策略的是否有效？我们将品类调整后的4月份与第一季度的指标进行对比分析，来进行论点证明。
基于上述想法，我们分析团队拆解了三点：
一是总体指标概览，对门店关键指标和区域顾客行为指标进行展示分析，观察品类调整后门店各指标是否有增长，验证品类调整的有效性；
二是基于核心指标销售额、客流和转化率的下钻分析，对门店指标和顾客行为数据进行更细化的对比分析，进一步验证品类调整是否有效；
三是增长潜力挖掘，在验证的过程中，寻找未来的潜在增长点。
可视化报告结构内容也是基于以上三点来进行制作。
（1）总体概览
首先，这部分要验证的问题为品类调整策略实施后，门店销售业绩是否达标？因此，我们决定从门店维度出发，对各个业务KPI进行对比分析。
研究发现，对比第一季度，四月份的日均销售额和转化率均达到顶峰。以下是数据解读：
1) 销售额趋势和入店客流呈现出类似的趋势变化，并在一月份达到周期内的顶峰（当月有开业活动）；
- 如何在冬天利用高单品价格的季节性和差异化营销提升销量？
2) 销售额达标率比第一季度高出5.6个百分点，比二月份（最低）高出17.4个百分点；
3) 转化率在四月份达到顶峰，较第一季度多出18.2%；
- 四月份是否有促销活动？或者产品策略/陈列布局有重点式调整？
4) 除了一月份之外，客单价、件单量、件单价在三个月内呈现相对稳定的趋势表现；
5) 对比第一季度，除了日均客流外，单区域日均停留人次、日均试衣人数、日均订单笔数均有提升；
6) 对比2022年,虽然4月部分日期销售额出现轻微下降，但大部分日期销售额呈现急剧上升的态势，平均同比增长率为99.7%。
（2）销售额、客流与转化率分析
l 销售额数据分析
首先，针对产品销售数据，有要验证的问题为哪些品类销售额有增长？哪些品类销售额降低了？结合品类销售数据和对比第一季度，我们发现四月份的调整策略，对休闲品类和门店整体表现形成积极影响。数据解读如下：
1) 跑步品类和E品类四月份日均销售额较一季度分别增长了24.1%及142.3%；
2) 在休闲品类的所有子分类中，运动员系列和场地系列降幅最大，比第一季度分别下降了86.4%和60.3%；
3) 在四月份的调整之后（移除了部分专业运动品类），休闲品类的日均销售额增加了¥3,695。
- 休闲品类的增长以及整体销售额的提升是否验证了调整策略的成功？
l 客流数据分析
首先，针对客流数据，我们要验证的第一个问题为进店人次是否增长？试衣率是否有提升？结果如下图所示，分析发现，4月份的客流量、入店率、试衣率均有明显改善。以下为数据解读：
1) 4月份的日均客流较三月份增长了26.9%；
- 与之相反的是，二月份和三月份的客流量较一月份下降了40.1%；
- 是否可以在特定的淡季月份制定营销策略，将来客数量保持在一个相对稳定的水平，降低波动性？
2) 四月份的进店率提升了24.5%，与客流量的趋势变化相似，但全周期内的过店人数趋势相对稳定；
- 举办非销售性导向的互动活动是否有助于在淡季吸引更多顾客进入门店？
3) 平均四月份的入店顾客中，有5.32%会使用试衣间，较Q1平均值提升17.4%。
- 是否表明四月份的品类调整后，让服饰类商品受到更多顾客的关注？
- 是否要提高与顾客的互动深度以及提升销售转化率的潜在机会？
其次，我们要验证的第二个问题为品类调整区域顾客行为是否产生变化？
分析发现，顾客驻留的深度提升，验证了调整策略带来的积极影响，以下为数据解读：
1) A3、A4、A5、A9、A11在3月份之前展示的是专业类产品，4月份则被休闲类产品取代；
2) 除A3、A4区外，4月份其他区域的日均驻留表现均提升超过50%，其中A5区改善最多，达100%以上；
- 是否能依托于休闲类产品的高认知度，将入店顾客的动线引导至门店的相对冷区？
3) A5和A11的平均停留时间增加了12%以上，而A4的停留时间则是显着下降了17.7%；
4) A11的顾客驻足率为 19.8%，是 4 个目标区域中最高的，几乎 1/5 的店内顾客到过这里，并带动了指定区域展示中的明星商品出现高销售额增长率；
- 虽然整体店内男性顾客少于女性顾客，但另一款针对男性顾客设计的明星商品却表现出强大的吸引力，超越性别地吸引了所有入店顾客。
l 转化率数据分析
首先，针对转化率数据，我们要验证的第一个问题为男女性顾客转化效率如何？分析发现，女性顾客在全周期内进店占比都较大，但交易占比却少于男性顾客。数据解读如下：
1) 女性顾客占比近60%，而成交仅占37%左右；
- 是否有机会根据性别来调整产品比例，以满足更多入店女性顾客的需求？
2) 在整个期间，女性顾客的平均停留时间是男性顾客的近1.5倍；
- 确保导购的服务质量和专业性，尤其是针对女性顾客（停留时间越长，通常意味着购物意愿越高）
3) 在2月和3月，女性顾客的停留时间增加了 36.5%，而男性与 1 月基本持平，在这两个月内，门店是否有举办任何活动，或推出特色产品来成功到吸引女性客户？
其次，我们要验证的第二个问题为生活休闲产品转化率提升程度能否抵消专业运动产品撤销的损失？分析发现，生活休闲产品转化率提升值远高于专业运动产品撤销前的平均转化率。数据解读如下：
1) 1-3月份专业运动品类的转化率平均为0.42%，不到休闲类转化率的十分之一；
- 该门店是以品牌传播为核心目标，还是以销售金额为导向的概念店？
2) 4月份生活休闲类产品交易量增加759笔，同时转化率较3月成长了1.73 个百分点；
- 需要长期观察品类间的趋势变化，并确定这是短期抑或长期稳定的增长；
- 如何保持产品的多样性，避免新鲜感的消失，是产品调整后的另一个挑战；
（3）增长潜力挖掘
针对增长潜力挖掘，我们基于客流与转化率的数据进行小时颗粒度的下钻分析，要验证的问题为周内客流和转化率模式是什么样的？潜在增长点在哪？
首先，第一个分析结论为：周末客流量最高，但周四的转化率位居榜首。数据解读如下：
1) 周一～周四的客流量趋势与周五相似，但转化率高出约1.3个百分点；
- 如果将周五的转化率提升1.3个百分点，到8.2%，销售额将会增加¥25,361，约等于提升了全周期销售总额的1.9%；
- 大约是每个月18笔额外销售订单；
2) 周六和周日的客流量约是平日客流量的两倍，但转化率比工作日平均低了2个百分点；
- 如果将周六和周日的转化率提升2.1个百分点，到8.2%，销售额将会增加¥180,887，约等于提升了全周期销售总额的13.3%；
- 大约是每个月135笔额外销售订单；
3) 确保根据一周的客流量趋势进行排班，以避免客流量和服务人力错峰的情况发生。
其次，第二个分析结论为：门店可以通过贴合客流趋势的排班策略，促进转化率的合理提升。数据解读如下：
1) 工作日下午1-3点和4-6点期间客流量达到顶峰，而转化率全天基本保持稳定；
- 确保店员在中午12点左右专注于销售任务，以转化具有更高消费意愿的客户；
- 重新审视任务安排，并将非销售工作重新分配到低客流时段；
2) 周末流量在下午4点至6点左右达到顶峰，而下午之后（晚餐时间除外）转化率开始出现下滑。
最后，第三个分析结论为：周末下午 4 点至 7 点有提高转化率的潜在机会。数据解读如下：
1) 周六下午4点至9点期间流量达到顶峰，而转化率基本按照时间呈现下降趋势；
2) 周六的转化率在中午12点至下午2点出现大幅下降，并在下午3点达到第二个顶峰；
- 确保在客流高峰期有足够的导购来服务顾客，促进销售增长；
3) 周日下午2点至6点期间客流量有所增加，而转化率在下午4点至7点期间出现下滑，并在晚上7点至8点再次达到顶峰，达到 10.1%；
- 是否能在下午时段投入更多的服务资源，贴合客流量趋势，将更多的入店客户实际转化为销售成果？
（4）最终结果呈现的页面布局
分析文字版：
无文字版：
三、参赛总结
1、FineBI工具
（1）亮点功能：首先，应用FineBI工具进行仪表板的制作方便快捷，可以通过拖拉拽的方式进行组件的搭配；其次，图表样式齐全，可以直接在图表区进行选择，一目了然；最后，可以在内部进行实时分享，提高沟通效率。
（2）希望可以提供的功能：首先，在数据处理方面，希望可以支持对导入数据单元格直接编辑的功能；其次，可以支持python功能代码处理的接入；最后，可以提供基于数据维度自动生成图表的功能。
2、参赛总结
基于核心业务需求，收集数据、利用FineBI处理数据和制作报告，一步步稳定向前推进，收获颇丰；同时，比赛的过程也是一个学习的过程，十分感谢帆软提供的比赛平台、制作平台，点赞FineBI工具！
附录：指标定义明细表
|
指标名称
|
定义或计算方式
|
|
销售额
|
门店销售金额
|
|
门店目标销售额
|
门店制定的销售金额目标
|
|
客流（进入人次）
|
进入门店的顾客数量
|
|
订单笔数
|
门店成交订单的数量
|
|
销售件数
|
门店售卖成功的商品数量
|
|
转化率
|
订单笔数/客流
|
|
客单价
|
销售额/订单笔数
|
|
件单量
|
销售件数/订单笔数
|
|
件单价
|
销售额/销售件数
|
|
试衣人数
|
顾客进入试衣间的数量
|
|
经过人次
|
经过门店但是不进入的人数
|
|
进店率
|
进入人次/（进入人次+经过人次）
|
|
试衣率
|
试衣人数/进入人次
|
|
停留人数
|
进入特定区域且停留时长>=5秒的顾客数量
|
|
停留时长
|
顾客进入特定区域平停留的平均停留时间
|
|
女性停留人数占比
|
女性停留人数/门店停留人数
|
|
女性订单笔数占比
|
女性订单笔数/门店订单笔数
|
|
停留率
|
停留人数/门店客流
|
| 
