|
【2023BI数据分析大赛】疫情后民宿消费变化分析
一、选手简介
1、选手介绍
团队名称：星耀happy队
队长介绍：宋温暖，一枚数理思维强大却不耽搁可可爱爱的小姐姐，从事业务数据分析，擅长数据治理和挖掘，这次比赛主要承担数据处理和图表制作
成员介绍：MY，深耕零售行业10年+，从事商业分析，擅长商业战略分析和模型搭建，这次主要负责分析框架搭建和图表制作
2、参赛初衷
有机会可以选择了一个陌生领域深入了解，提升分析思维，学习大神的可视化操作，其次大赛奖励太诱人
二、作品介绍
1、业务背景
今年疫情放开后，旅游行业率先迎来复苏趋势，消费增长明显，上半年旅游消费逼近2019年的80%以上。细分到民宿的垂直行业，利好的增长趋势下，消费特征对比疫情期是否发生了变化？用户需求是否发生转移？供给结构是否随市场需求导向完成了升级？且因民宿产品类型为非标住宿，产品形态多以少库存和单库存呈现，面临暑期旺季是否可以提升效率承接住流量？作为某2C平台，以上问题分析成为现阶段为业务发展核心需求。
2、数据来源
2.1数据表简述：（因涉及到企业数据不便提供订单类明细表均呈现聚合类数据，另用户及房源占比数据均以等比例方式进行数据量缩减脱敏）
A聚合表：
1）城市聚合数据表：为汇总层数据包含房源信息、用户量信息、产出信息、以及市占率数据
具体字段：分别是城市维度2019年和2023年的房源数、用户数、间夜数、GMV、点评数、友商点评数、ADR（间夜价）
2）市场数据表：包含住宿市场供给、产量等规模数据
具体字段：分别是销售额、房源量、入住率
B维度表：
1）用户维度表：包含预定用户的基本信息
字段包含：年份、用户id、年龄、出行城市、居住地、是否异地、出行人数（时间取自2019年和2023年6月数据）
2）商户维度表：包含平台运营商户的基本信息
字段包含：年份、商户id、年龄、经营时长、库存数
3）房型维度表：包含平台可售卖房型的基本信息
字段包含：年份、房型id、房屋类型、展示价格、居室数
2.2 数据获取：
1) 市场类外部数据取自前瞻产业研究院以及企业内部调研项目数据（数据来源：2023-2028年 中国民宿行业市场前景预测与投资战略规划分析报告）
2) 企业内部数据调取数据库明细类数据后进行脱敏处理
2.3数据脱敏：
1）由于民宿数据庞大，本次分析按年度随机提取一定比例的房型、房东、用户数据，对于ID等敏感信息均进行了脱敏处理
2）部分代码展示：
2.4 数据处理：数据表上传后，根据finebi分析场景增加数据表字段的计算处理、分组汇总处理，以及在分析过程中进行赋值处理。（较为简单的数据表处理此处不做过多赘述）
3、指标说明
指标释义：
|
业务模块
|
指标
|
释义
|
|
P1：企业经营现状
|
市场规模
|
市场交易总额
|
|
GMV
|
交易金额
|
|
GMV同比增长率
|
2023年6月gmv同比2019年6月gmv增长比例
|
|
房源量
|
企业平台在线且可售卖的房源数量
|
|
房源同比增长率
|
2023年6月平均在线可售卖房源量同比2019年6月均值的增长比例
|
|
流量
|
访问平台房源列表页去重用户数
|
|
流量同比增长率
|
2023年6月访问当前在线房源列表页去重用户数同比2019年6月的增长比例
|
|
ADR
|
间夜价，即每晚房源平均售价
|
|
ADR同比增长率
|
2023年6月平均间夜价同比2019年6月平均间夜价增长比例
|
|
P2：产业链特征变化
|
价格带
|
间夜价按照一定的间隔分布
|
|
库存数
|
单个房源最小单位sku
|
|
本异地
|
用户id归属判断
|
|
P3：暑期分析预测
|
市占率
|
企业产单/共享民宿产单，此处下钻到城市市占率由各平台企业订单点评数量进行估算
|
|
房源同比增长率
|
同上
|
4、分析思路
确定选题后，我们首先从今年的行业及企业现状判断、其次供需两端消费变化、最后结合变化预测增量制定运营策略三方面进行拆解，具体思路见下：
通过漏斗模型判断该企业在整个住宿行业的体量占比，确定机会还有多大，进而分析该企业经营现状对比疫情前是否良性增长，同时下钻至城市维度，分析城市热度；
疫情3年市场倒逼清退了一批低端产品，用户需求较疫情前更为多元，疫情放开后供给端和需求端的分布及增长发生变化，故从房屋、房东和用户三个维度出发分析特征属性；
最后结合上面分析的特征，基于暑期运营背景，利用波士顿模型分析市场供需，预测旺季增速和缺口，制定暑期运营策略；
5、可视化报告
5.1 看板构思
5.2 报告展示
P1 企业经营现状：
1.自2010年以来，共享住宿（简称民宿）市场发展成为百亿量级行业，但从更广泛的短租住宿市场角度来看，民宿市场的潜力仍然巨大，目前的市场渗透率仅为10%。
2.进一步深入分析，发现X企业在民宿市场中的份额约为27%，这与疫情前（2019年6月）相比，虽然供应端出现了一定的下降，但销售额和流量都呈近一倍以上的增长。
3.下钻到城市，热门城市仍集中在北上两地、成都重庆西安新一线旅游城市，以及青岛威海秦皇岛季节性目的地城市。值得注意的是对比疫情期，新疆（喀什）、云南（西双版纳）、山东（威海）、河北（秦皇岛）热度增幅异常高，成为今年黑马城市。
P2 三维分析：
房屋侧：供给侧房源以200-400元以内的酒店式公寓和普通公寓类产品为主；疫情加速清出一批低端普通公寓，中高端（600元以上）产品供给出现增长，同时多人出行场景增长明显。
房东侧：目前民宿经营者多以80后居多，对比疫情前，更多的90后也加入赛道，且经过疫情的洗礼，更多的多库存且经营时长超3年以上的专业经营者崭露头角。
用户侧：今年出行用户仍多以8090后居多，个性需求升级，对比疫情前95后跨省游需求增长明显，北上广成的流向吞吐量最为集中。
P3暑期预测分析：
1. 根据波士顿矩阵模型判断，X企业在季节性目的地城市的市占率超一半以上，而在北上广深成等城市民宿市占劣势，暑期流量增长的同时，供给严重不足；
2. 利用历史流量和房源数据，预测暑期流量和房源GAP，进而定位到不同城市价格带的供给缺口，为运营提供决策及目标。
P4指导策略：
5.3报告全局总览
三、参赛总结
1、FineBI工具
整体：出乎意料的好用，操作灵活，功能齐全
亮点：
①函数与Excel和SQL相近，且有的函数实操性很强，如：sum_agg()
②左合并的功能也很方便，轻松实现表连接
③协作功能真的很赞，大大提升了共同创作的效率
吐槽：
①无法格式复用，当替换指标的时候需要重新设置格式
②本地数据更新时，需重新上传，无法覆盖数据进而更新组件
2、参赛总结
思路总结：本次分析包含现状分析，维度分析，预测分析和指导策略四部分，以可落地的运营动作为目的，贯穿分析方向。
心路总结：
- 很幸运有机会深度使用FineBI，常年与数据打交道，经常没时间搞数据美化，借此良机深感数据之美。希望以后我们做更有温度的数据分析师，而后产出的作品可以既实用又艺术。
- 感恩我的小伙伴带我参赛，与我并肩作战，共同成长。
| 
