一、选手简介
1、选手介绍
个人介绍:帆软社区用户名宝矿力不加冰,目前在深圳某司任职数据分析,帆软合作客户,个人感兴趣方向是业务数据分析和数据产品。
2、参赛初衷
以赛代练,目前使用5.1版本,希望熟悉6.0大版本变化
通过比赛沉淀分析思路和技巧
二、作品介绍
1、业务背景/需求痛点
业务背景
某司在线下拥有大型购物百货,近几年新成立了团队自研线上购物平台,随着业务发展,线上获客渠道逐渐增加,访客量UV增加,但支付转化率(支付用户数/访客量UV)不升反降,支付转化率影响因素众多,包括系统稳定性,网站设计,用户体验,支付方式,营销活动,客户服务,用户评价和口碑,商品质量,售后等,影响因素多,要找出原因比较困难,公司希望能找出支付转化率降低的关键因素,后续进行一些改善动作。
需求痛点
影响因素多,需要数据团队每月手动拉取流量,销售,售后,咨询,营销活动等数据,费时费力,不一定能找到关键影响因素。
2、数据来源
企业数据:GMV,商场名称等敏感字段已脱敏
数据范围:2023年5-6月
维度表:用户注册表,渠道表
事实表:商品订单明细表,转化分析表
订单类型,分为两种
快速订单:通过导购分享链接成交的订单,比如某商品没有在商场上架,但客户需要购买该商品,此时导购可通过快速订单促成交易。
预置订单:用户通过访问平台自主下单的订单。
3、分析思路
三方面拆解:
公式拆解:通过对支付转化率的公司进行拆解,支付转化率 = 支付人数/ UV ,支付人数根据订单类型拆解为预置订单支付人数 + 快速订单支付人数,UV拆解为预置UV和快速UV。根据公司业务特点,区别于传统电商,存在快速订单,快速订单依赖导购的私域客户资源,容易产生波动,故通过订单类型拆解。
业务流程拆解:线上购物平台,用户购买流程:注册-访问首页-访问二级页面/活动页-下单-支付-售后-评价-复购,通过各个环节的转化率,找出转化率的环节,再进行针对性改善。
生命周期拆解:新用户和老用户
新用户定义:当月注册且消费的用户
新用户注册后,刺激首单消费,老用户刺激复购
本次分析主要围绕新用户展开,平台目前处于成长期,主要精力在获取新用户。
分析模型:交叉分析,对比分析,漏斗分析,帕累托分析,四象限分析
4、数据处理
本次比赛选择企业数据,已脱敏处理,不能反映企业真实情况,仅作为本次比赛使用。
数据处理主要为数据脱敏和数据集合并,新增列和过滤操作。
数据处理是整个数据分析流程中最耗费时间的步骤,大概占据60-70%的时间,由于原始页面访问数据量较大,时间都是精确到秒界别的,为了减少数据量,故在获取数据时候将时间按天处理,合并了一个用户一天多次访问的记录。6.0版本相比5.0版本,公共数据集分为excel,sql,数据库表三种类型,加载到分析主题中后,上述三种数据集进行关联后增加字段可以直接合并在原数据集,相比5.0方便很多。
转化分析表
通过上下合并注册页,首页,二级页面,商详页,支付页
![图形用户界面
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/a1fff846c9313f75d5e2e91f521affb0.jpg)
商品订单明细表
通过原始商品订单明细表和用户注册表关联,获取用户注册时间,计算用户注册到下单时间差
![电脑屏幕截图
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/25d7a26cc119639c227cf73fa334797e.jpg)
计算注册时间到支付时间的相差天数
![图形用户界面, 应用程序, Word
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/c11e58a180dbed757bf529940482ac2c.jpg)
5、可视化报告
总体结论前置,先上总体结论,然后再根据不同维度展开分析。利用组件背景突出结构化显示
总体结论
![图片包含 网站
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/743a3338bba02ce6e914630f29e65115.jpg)
第一部分,总体指标情况
![文本
中度可信度描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/80fdb90100f1835207d91071e3e134fa.jpg)
第二部分,月度销售和转化率对比
5月转化率计算,使用DEF函数
![图形用户界面, 文本, 应用程序, 电子邮件
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/6e3dac026b1cb39a7b6ef67de059317e.jpg)
用户渠道分布,即一个用户在多少个渠道购买过,参考用户购买频次分析,使用DEF函数
用户购买频次分析- FineBI帮助文档 FineBI帮助文档 (fanruan.com)
![图表, 直方图
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/a0c77a93ff621f8f93cee03494573731.jpg)
第三部分,月度预置指标对比
5月平均下单到支付时长,注册渠道和新老用户维度下的指标计算,使用DEF_ADD函数
![图形用户界面, 文本, 应用程序, 电子邮件
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/bda6b0aef060863b86ffb8c0c82cd592.jpg)
漏斗分析,各页面转化率
![图表
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/e735cb3b7273bc4e9850060ef3e8dc76.jpg)
结合漏斗图,转化率,UV和购买频次得出以下结论:
6月注册UV52326,环比上升12%,但后续各页面UV均下降,其他utm、小程序收银、停车缴费预置注册UV环比上升,其中小程序收银和停车缴费为强制注册线上用户,用户后续访问深度不足,需针对性制定运营动作刺激用户回流。
从用户购买频次看,购买1次的用户无论是否新老用户,下降明显,其中新用户下降70%,6月新用户支付转化降低。
第四部分,月度各渠道新用户首单分析
新用户首单平均2天内完成,优惠券门槛金额50-300,GMV20-180,建议业务部门根据各个渠道新用户首单特征制订方案。
![图形用户界面, 应用程序, Word
描述已自动生成](https://hwobs-sq.fanruan.com/shequ_forum/image/763cb999613a9c40ec7319e97ea54819.jpg)
最终结果呈现的页面布局
三、参赛总结
1、FineBI工具
新版本主题模型可以复用计算指标和组件
数据处理速度更快,预览可支持1000万行内数据,数据可筛选,可查看字段中的所有枚举值
对于处理大数据量有优势,可以快速进行数据处理,数据建模,数据可视化
2、参赛总结
克服的困难:新版本的学习,结合视频和帮助文档,再通过实操,逐渐掌握新版本使用。