• 卢经理 151 5399 4549
    扫一扫,加我咨询
扫码关注我们
我们一起聊聊数据分析模型:人货场模型
发布时间:2024-09-05

“我看到收入下降/新增用户减少/成本上升,该怎么进一步分析呢?”很多人有类似困惑,经常写了一堆同比环比,除了“同比降了,要搞高”就不知道写啥。该怎么办呢?

这里推荐一个简单、实用、易上手的分析模型,能解决80%的常规问题。这就是“人货场”模型,它不是算法模型,所以不需要了解复杂的统计学原理,只要对业务熟悉就能用。

什么是人货场模型

人货场模型是一个固定的分析套路,当我们分析问题时,从这三个维度深入,从而得到答案:

  • 人:客户、业务员
  • 货:商品结构,商品价格
  • 场:销售渠道,推广方式

这样的操作看起来很简单,但解决了一个大痛点,就是:“数据分析如何落地?”的问题。

  • 只讲:“收入低了,要搞高”,没人知道该怎么搞。
  • 你说:“收入低了,因为其他人不会小张的方法”,业务立刻秒懂,这就回去学习!

这样就实现了从数据到业务行动。那么,该怎么操作呢?

怎么应用人货场模型

第一步:业务梳理,先了解基础数据。

1、我司有哪些客户(人)

2、我司有哪些销售(人)

3、我司有哪些商品(货)

4、我司有哪些渠道(场)

第二步:打标签,做分类。这一步至关重要。因为数据库里,可能只有具体的客户名称/具体商品编码/渠道代码,对着这些琐碎抽象的东西没法做分析,需要做概括性分类。

常见的分类,比如:

1、C端客户(人),按累计消费/会员等级进行分类,区分高低购买力客户;

2、B端客户(人),按行业/公司规模分类(大公司需求天然大,要争取)

3、业务员(人),按从业经验,过往业绩水平,手头持有老客户数分类

4、商品(货),根据商品自然属性,做一二三级分类 + 商品毛利

5、线下渠道:按地区、位置、营业面积、营运成本进行分类

6、线上渠道:按推广平台,投放费用多少,转化率高低分类

经过这一步处理,需要形成分类思维导图,便于分析时形成思路;同时在数据库里打好标签,便于后边交叉对比(如下图)。

图片图片

第三步:明确分析目标。这是所有分析都必须的,目标要具体:

  • 错误目标:销售额下降了,分析下
  • 正确目标:9月销售仅达标85.3%,分析差异来源

分析目标还可以是新注册用户数/经营单位成本费用/商品库存等等,只要具体就行。

第四步:从人货场维度进行拆解,寻找问题原因。这里要注意:

1、先看大分类,再看小分类

2、从差异大的维度开始

3、先看完一个分类,再看另一个

举例:“9月销售仅达标85.3%”,可以先分别看以下哪个维度达标率最低,从哪里下手:

1、不同销售渠道达标率

2、不同商品品类达标率

3、不同客户目标达标率

这里需要根据数据情况,调整切入的维度,比如下图,虽然看起来两个团队都没有达成目标(人),但是从商品(货)的角度看,问题实际是新品未达标造成的,此时就不要再纠结AB团队的问题,而是将新旧商品切换为主分析维度,继续往下挖原因。

图片图片

经过这一步拆解,能锁定主要问题点,之后再做深入分析。

第五步:结合过程指标,深入分析原因。比如上例,我们发现:新品达标情况很差。再往下解释为什么差,需要更细节数据,比如:

1、产品基础性能参数与竞品对比

2、产品价格与竞品对比

3、产品推广投入与自身同类产品同期对比

4、产品铺货进度,计划与实际执行对比

这样才能具体看出问题所在

图片图片

这一步对于数据落地是至关重要的。但有些公司数据采集并不齐全,导致很多过程数据缺失。弥补的办法,只能靠拉上业务一起开会,确认细节后再观察整改效果。

不同行业的人货场模型

不同行业,在构造人货场模型时,会有差异性:

1、有实体店的,门店位置特别重要!因此优先对门店打标签,做分类

2、toB业务的,大客户订单非常重要,因此优先对客户行业/规模做分类

3、互联网产品,C端用户非常多,因此优先对用户做分层,再做其他分类

这是非常考验数据分析师水平的地方。如果不会合理地分类,面对大量零散数据是没法总结出结论的。在我辅导同学们的过程中,经常发现类似问题,因此干脆做了《如何打标签》的指引放到知识星球里,以供参考。

人货场模型深入应用

深入讨论人货场,大家会发现更多复杂的情况,比如:

情况1:优秀标杆不可复制。比如:发现销售团队里小张很好,但小张自带客户资源,其他人没有这个条件,此时只能再找其他方法。

情况2:短期策略不可持续。比如:短期内靠促销(货)拉动业绩,但促销不能一直做,只能再做分析,看非促销情况下还有什么方法。

情况3:两个维度相互影响。比如:特定商品只在特定地区好卖,意味着要观察商品X地区的组合,来判断销售情况。