【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： 行业及企业经营现状 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； 供需两端消费变化 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； 暑期运营策略 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。