一、选手介绍
- 个人选手
- 社区用户名：h叶叶
- 职业介绍：各位小伙伴们好，我是一名数据分析师，有多年的数据分析经验，也立志与长期混迹数据行业，希望在不断的学习、实操与交流中提升自己的能力。
- 参赛初衷
- 自我提升，不放过锻炼自己的机会。业务分析、数据处理及结果呈现等等全方位的能力均能在这次比赛中得到检验与提升。
- 为日后职业生涯推广BI工具最好铺垫。
- 比赛奖励丰厚诱人。
二、作品介绍
业务背景/需求痛点
年初你新入职了某服装企业担任数据分析师，你所在的部门是中小学生校服事业部的电商部门。
目前你接到任务：现需对21年销售数据进行业务复盘分析，并从中挖掘业务增长点，重点在产品和客户方面对22年的销售策略提出优化及建议，助力实现22年销售目标。
数据来源
参赛作品数据选择官方推荐的和鲸社区中的公开数据，并对数据进行再次脱敏：
数据表：
事实表-销售明细：记录21年线上销售数据
维度表-校服小类信息：记录校服款号对应的属性
脱敏：脱敏用户名、脱敏品牌信息
剔除线下、异常、退款等订单（保留成功交易的线上订单），最终事实表信息剩余162183条记录。
分析思路
- 首先，明确分析目标：复盘分析21年销售情况、重在从产品和客户方面为挖掘业务增长点提出建议策略。
- 思考及方法：这是一个相对综合的分析题材，需围绕商品销售情况从多维度分析问题，始终分析，结合目标划分三大维度：销售经营分析、商品销售分析、客户分析。
- *另需注意校服这一品类跟传统的电商商品的不同点，包括：购买对象的特殊性、流量的特殊性、需求时间及频率等特别点。
整体分析思路如下图：
数据处理
- 导入两个excel表数据，检查完整性；
- 数据关联：将 销售明细事实表 和 校服信息维度表 建立关联关系。
- 将两表合并成一个新的数据集，并添加分析中需要的新字段（成本金额，利润）、将“规格型号”字段中颜色信息拆分出来。
- 其他的字段新增或处理：根据具体组件所需，在组件的数据集增加字段（如毛利率、客单价、帕累托的ABC分类等等），编辑相应公式；维度与指标的转化等。
- 新增RFM分析中需要用到的学校/客户RFM模型数据的数据集（参考了文档：https://help.fanruan.com/finebi/doc-view-703.html）
可视化报告
排版布局及仪表盘风格
- 考虑到数据、图表比较多，避免深色系带来的视觉疲劳，决定用浅色系列。
- 考虑到为校服销售主题，清新活力的氛围会更佳，选择了白底+浅蓝、浅绿主色调，“清新多彩”的配色色调。
- 操作：主要是在帆软官方提供的仪表盘样式中选择，再加上一些自定义的调整。
- 折线图选择曲线线条、柱状图的柱角加了角度，显得整体顺滑舒畅。
- 以简约、整齐、对称为布局排版理念，按思路分析的三大块排版。
数据含义表达及通过分析得出结论
Part1 整体销售概况-指标卡|各指标的趋势图
- 将21年经营核心指标通过指标卡这种直观、突出的方式表达出来，以便业务核心情况。
- 将核心指标分解到各月情况，做出趋势图，把握销售方向及趋势。
- 将销售下单分解到一天各个时间段，深入了解客户下单习惯及行为。
结论：
销售情况分析
①月度销售金额、利润及销售量同趋势，8月份到达峰值，8月-10月为旺季，因9月为新一学年的开学时间，更多客户选择在8月份开始提前备好校服。
②下单的时间有两个高峰点：上午10点，晚上9点。
③冬季的商品均价更高，与季节商品类型有关，冬季有羽绒服、冲锋衣及加绒裤等高价品。
建议：
①由于校服穿着时间的特殊性（开学才穿），可在7月、8月做些预售类型的活动，吸引更多学生家长提前准备校服，提高销售的同时减少库存积压。
②秒杀/促销活动可选择9点-11点、19点-22点等客流量大的时间段开始进行。
- Part2 商品销售分析-商品数|商品分类|各类别销售情况|价格带|月度趋势|TOP单品
- 共263款商品，根据不同性质分类（如季节分类、款式分类及颜色分类），对比商品数及销售数从而洞察商品布局合理性。
- 分析商品款式帕累托图洞察款式集中程度；分析商品销售价格带分布洞察价格层次。
 
结论：
商品销售分析1
①共263款商品，划分了不同的季节（4款）、款式（27款）及颜色等。
②季节分类的商品数分布与商品销售数量分布对比，足球服占22.43%的商品数，但无销售，其他的趋势一致：春秋>夏>冬。
③款式分类的商品数分布与商品销售数量分布对比，足球服也有同样问题，占22.43%的商品数，但无销售；除去足球服外，针织下装的商品数及销售金额均最高并且遥遥领先其他类型，且占比TOP6排序一致的，但比例不一致。 款式销售相对集中，TOP8销售累计占比80%，TOP11销售累计占比90%。
④衣服颜色主要为蓝色色调（销售TOP三种颜色均为蓝色类型）。
⑤商品价格在[100,200)区间的销售占比最高，占59%；价格在200元以下的销售占比超95%，可见主要集中在此区间。
建议：
①足球服需特别关注，寻找新的销售策略，挖掘新销售渠道，鉴于足球服的特殊性，可与学生用品周边产品合作/与学生运动俱乐部合作的方法推广商品。
②结合衣服季节性质，关注商品数与商品销售数整体结构的合理性。
③衣服在低价格段销售分布过于集中，可适当打造其他中高层价格段商品，让价格分布更均匀健康。
- 分析各款式商品销售各月情况，因类别较多，不选择趋势图，直接使用统计表+数据条填充，把握各款式的销售趋势，挖掘机会点。
- 统计TOP10单品情况。
结论：
商品销售分析2
①观察各款式月度销售数据发现，不同季节的款式趋势不同，春秋款（如针织下装）销售高峰在8月，并偏向8月后；夏款（如短袖POLO）销售高峰在8月，并偏向8月前，冬款（如羽绒服）销售高峰在10月，并偏向10月后。这与不同季节对衣服的需求有关，相应的在备货、推送及活动等加入此考虑因素。
②根据①情况，新品推送可以集中在8月-10月期间，其中春秋款、夏款提早一点，冬款如冲锋衣/羽绒服可以在10月左右上新，具体还可结合学校所在地的气候情况而定。
- TOP10单品中，较多为夏季款，且均价大部分低于整体均价145.81元。
- Part3 客户分析-销售金额|销售数量|客单价|商品均价|帕累托|RFM
- 有两个客户维度：客户、客户对应的学校
- 主要从销售金额、销售数量、客单价、商品均价及月度销售趋势等维度分析。
 
结论：
客户分析1
①十一学校的销售金额、数量占比整体均超过55%，属于核心客户；销售额贡献的前80%的学校分别是十一学校、新海高中、20中，需重点关注及维护。
②从销售金额和数量占比对比，十一学校、海淀进修、湖州吴兴实验、临大实验学校的销售金额占比明显比销售数量占比高，学校整体购买力较强；而20中、一分校、济南十四中、菏泽万福等学校相反，销售金额占比明显比销售数量占比低，结合销售商品均价信息可知，购买商品均价较低，需区分是否属于价格敏感客户，采取提升客户购买力、推荐适合价位商品等策略。
③十一学校、20中、湖州吴兴实验及湖州高中的客单价远高于平均水平，两种情况：商品单价高、客户复购率高，针对商品单价高：提高购买频次，针对 客户复购率高 ：提高单次购买力。
④8月-10月始终是校服销售旺季，可提前与学校合作挖掘渠道，对提前预购、后续复购给予活动支持力度，如推券/积分等等。
RFM分析：
- 用RFM分析了学校及客户的价值属性，列出了学校对应的价值属性、学校及客户的价值分类占比情况，便于客户分群制定销售策略。
结论：
用户分析2
RFM客户价值分类说明：
用R（Recency）最近一次消费时间、F（Frequency）消费频率、M（Monetary）消费金额 三个指标给用户划分类型，不同类型客户可采取不同策略。
具体分类及常用策略：
• 重要价值客户：最新购买、最常购买，并且花费最多的消费者。提供VIP服务和个性化服务，奖励这些客户，他们可以成为新产品的早期采用者，并有助于提升您的品牌。
• 重要发展客户：近期客户、消费金额高，但平均频率不太高，忠诚度不高。提供会员或忠诚度计划或推荐相关产品以实现向上销售并帮助他们成为您的忠实拥护者和高价值客户。
• 重要保持客户：经常购买、花费巨大，但最近没有购买的客户。向他们发送个性化的重新激活活动以重新连接，并提供续订和有用的产品以鼓励再次购买。
• 重要挽回客户：曾经光顾，消费金额大，购买频率低，但最近没有光顾的顾客。设计召回策略，通过相关的促销活动或续订带回他们，并进行调查以找出问题所在，避免将其输给竞争对手。
•一般价值客户：最近购买、消费频次高但消费金额低的客户，需要努力提高其客单价，提供产品优惠以吸引他们。
• 一般发展客户：最近购买、但消费金额和频次都不高的客户。可提供免费试用以提高客户兴趣，提高其对品牌的满意度。
• 一般保持客户：很久未购买，消费频次虽高但金额不高的客户。可以提供积分制，各种优惠和打折服务，改变宣传方向和策略与他们重新联系，而采用公平对待方式是最佳。
• 一般挽留客户：RFM值都很低的客户。针对这类客户可以对其减少营销和服务预算或直接放弃。
小结：
①虽然是十一学校分类为一般价值用户，但是它销售占比极高（超55%），需重点维护且提高其客单价，一般发展客户及重要发展客户各占33.33%（各6个学校），已占超65%，需有针对性地制定销售活动方法。
②推出会员制度，校服是具有相对固定需求时长的品类（小学6年，初高中各三年），加强客户的黏性，使用会员优惠/积分/购物券等方式留存客户，并提升客户与品牌的粘合度。
③客户消费频次只有1次的为10.09%，可见大部分客户都有进行复购，频次为2次的最高，占整体17.61%，在复购场景中把握拉新会员及客户群的维护，并做好咨询/售后服务工作。
最终结果呈现的页面布局
公共链接：
https://bisolutions.fanruan.com/webroot/decision/link/eod1
三、参赛总结
- FineBI工具
- 工具很容易上手，素材也丰富，很多都是有拖拉拽就能实现各种形式的图表。
- 很多公式与excel比较相似，所以数据处理的转换比较熟练。
- 帆软的文档也提供了很大的帮助，里边无论是具体操作问题还是分析思路都很齐全。
- 参赛总结
- 个人赛就是单枪独马去挑战，整个过程中遇到了很多困难，庆幸的是在解决困难的同时也长进不少。
- 最开始时在数据和题材这块就纠结了好久，没有企业数据可用的情况下要找一份适合的数据实在不易，幸好官方推荐了几个数据渠道，最终能找到一份相对满意的数据（如果数据周期更长点就好了/(ㄒoㄒ)/~~）。
- 重度拖延症，时间过了大半看着其他小伙伴们提交了很多优秀作品，开始用deadline来驱动自己，同时感激群上的小伙伴和导师热心解答问题。
- 这个挑战过去了，就要迈向下一段路程，一直在路上才能收获更多，祝小伙伴们在数据之路上走得更高更远~
| 
