1个工具+3个方向，这份零售分析干货，让商品销量多了30%
很多人问我，数据分析那么多理论知识，感觉很假大空，怎么通过实践来证明呢？
今天就通过理论+工具来进行一次真实环境的分析。
一、案例背景
A超市是一家中型连锁超市，位于上海某SOHO大厦地下一层，1-6楼为购物商场，7-40楼都是写字楼，目前A超市最大的问题就是购物篮系数偏低，一直在3.0附近，相比于其他连锁店低了25%，超市经理为了提升购物篮系数，需要先找到购物篮系数偏低的原因，再做出针对性的解决措施。
（购物篮系数=某段时间商品销售总数/某段时间的购物篮总数，它表示平均每位顾客一次性购买了多少件商品）
二、自助式分析，快速洞察问题原因
首先超市经理通过头脑风暴，将所有与购物篮系数相关的因素罗列出来，大致分为人场货三个方面的十几条因素，他再根据超市现状与问题，如对消费规律不清晰，对顾客缺乏洞察，商品库存管理不精细等现象，聚焦了三个分析方向：
购物篮系数与时间的关系、购物篮系数与顾客购买行为的关系、以及购物篮系数与商品缺货的关系，来探索购物篮系数偏低的原因。
超市经理使用FineBI这一自助式BI工具进行本次探索式分析，他直接使用了IT人员为本次分析需求准备好的数据包，省去了自己采集、处理数据所需要的大量时间。通过在前端页面进行的简单拖拉拽操作，他就可以实时地查看分析结果，得出有价值的结论。
（购物篮系数周变化趋势制作流程）
首先他为了探索购物篮系数是否存在一定的时间规律，他选择我的自助数据集中的订单明细表，创建组件，将订单支付时间和商品件数分别拖入横轴和纵轴，修改商品件数汇总方式为求平均，快速得到了购物篮系数这一指标。
为了以周为维度观察，他把时间维度的分组方式改为星期，并添加平均值的分析线，即可观察到从周一到周日的购物篮系数变化趋势。
他发现了周末的购物篮系数普遍比工作日高。同样，他通过FineBI快速制作对应的图表，分别观察工作日和周末的购物篮系数的日时间段分布，发现周一到周五12:00-14:00，18:00-20:00的购物篮系数明显偏低，周末却没有出现这种情况，而这段时间刚好属于下班的购物高峰期。
（下班高峰期商品件数客户分布图制作流程）
为什么下班购物高峰期的购物篮系数会偏低呢？接下来他重点分析了这段时间的客户购买行为，他使用准备好的下班高峰期顾客购买件数汇总表，将商品件数拖入横轴，客户数拖入纵轴。
为了看到各类别所占百分比数量，他使用柱状图展示，并对客户数这一指标进行了快速计算得到占比数据，得出的图表非常清晰地展示了购买1-2件商品的顾客占比高达50%，拉低了整体的购物篮系数。
他猜测下班高峰期购买的顾客主要为楼上商场和写字楼的员工，为了验证这个假设，他从性别、年龄、消费频次、购物偏好这四个维度对下班高峰期购买客户进行了画像分析。
制作了对应的图表，他发现68%的顾客分布在18-35岁，顾客的消费频次较高，购买的商品偏好前三类为饮料、香烟、卫生巾及护垫，有很强的临时性和目的性，从侧面验证了他的假设。
为了正面验证顾客的类型，他通过线下观察统计确认了约70%的顾客是楼上商场和写字楼的员工，同时发现了购物篮放置存在问题，只有少部分人在进入超市时拿购物篮，基本没有白领人士拿购物篮。
而通常在购买3件商品后，顾客拿不下更多的东西了，但很少顾客会回入口拿购物篮，而超市内是没有放置购物篮的，所以他们放弃了购买超过4件的商品。通过上述的分析，超市经理感觉已经找到了问题的关键点，解决方案也渐渐清晰了起来。
（重点商品缺货情况与购物篮系数关系图制作流程）
最后他继续分析了ABC类商品的缺货率与购物篮系数的关系，他添加了一个组件，使用已经准备好的购物篮系数与缺货率信息表，将时间拖入横轴，将购物篮系数与平均日缺货率拖入纵轴，并将ABC类别拖入结果过滤器过滤为A类。
为了更直观展示两者的变化趋势，他使用了多系列折线图，并设置平均日缺货率为右轴值显示，通过对比他发现只有重点A类商品缺货会对购物篮系数有明显的影响，主要是由于超市库房小，进货量较小，A类商品也时常出现缺货现象，拉低了购物篮系数。
三、精准解决业务问题，大幅提升业绩水平
超市经理在FineBI的帮助下，快速定位到了购物篮系数偏低的原因，并且提出了针对性的“购物篮系数提升三步走”计划。
第一个月，他在超市不同区域增添了购物篮，以便客户中途取用；
第二个月，他根据后续对商品的关联分析，推出针对商场员工和写字楼白领的产品组合优惠套餐，如下午茶套餐：”饮料+小零食+湿巾“，来促进他们的冲动性消费；
第三个月，严格控制了A类重点商品的缺货率在1%-2%左右。每一项措施实施后的一个月，购物篮系数都有一定提升。
三个月后，购物篮系数显著提升了30%，达到3.9，完成了购物篮系数的大逆袭！
立即沟通
