1选手简介
1.1选手介绍
个人介绍：如，帆软社区用户名Lightup，目前就读于深圳某本土高校；目前学的是管理类的专业，个人感兴趣的方向和领域都是数据分析。
1.2参赛初衷
- 让自己更加懂得BI工具的操作与使用
(2) 让自己在项目实战中了解到数据分析是如何指导业务决策的制定的
(3) 充实自己的简历，让在岗位竞争中有竞争力
2 作品介绍
2.1业务背景/需求痛点
(1)业务背景
公司的直播电商运营部门发现近些日子用户流失率较以往有提升，即如右图所示，这个月的用户流失数为948，流失率达16.84%。
(2)需求痛点
运营部门只能观察到用户流失增多这一现象，却不知道为什么会引起这个原因。而面对庞大的用户数据运营部门不知道从何着手分析，因此委托公司的数据分析部门进行用户数据的分析。
2.2 数据来源
数据来源于DataCastle平台中的一个数据集。
该数据集网址是：
https://www.datacastle.cn/dataset_description.html?type=dataset&id=1567。
表2-1 数据集字段
|
字段
|
描述
|
|
用户ID
|
唯一标识用户的ID号
|
|
是否流失
|
1表示该用户已经流失，0表示该用户未流失
|
|
使用时长
|
用户使用该平台的时长(月)
|
|
登录设备
|
用户登录该平台的设备
|
|
城市等级
|
用户所在城市的等级
|
|
配送距离
|
仓库与用户收货地之间的距离
|
|
年龄段
|
用户所在年龄段(例如2表示该用户是在20-29岁之间)
|
|
婚姻状态
|
用户的婚姻状态
|
|
性别
|
用户的性别
|
|
停留时长
|
用户平均每次登录平台后的停留时间（小时）
|
|
偏爱的订单类型
|
用户上月偏爱的订单类型
|
|
满意度得分
|
用户对该平台的满意度得分（得分范围：1-5）
|
|
关注的直播数
|
用户在该平台关注的直播人数
|
|
差评
|
用户上个月是否给出了差评，用0和1表示
|
|
订单增长百分比
|
用户相较于去年的订单增长百分比
|
|
优惠券使用数
|
用户上个月使用的优惠券数量
|
|
订单数
|
用户上个月在该平台的订单购买数量
|
|
最近一次购买
|
用户距今最近一次的购买
|
|
平均优惠返现
|
用户上月的平均订单优惠返现金额
|
3分析思路
由于所有的用户可分为流失用户与未流失用户,因此在做分析时将两类用户分开,并主要分成了三大分析方向，一是对已流失客户的用户画像进行分析，从而识别已流失用户的特征，并进行相应措施的调整；二是对已流失用户与未流失用户进行多维度指标的对比，找到已流失用户与未流失用户的区别所在，从而识别在未流失用户中可能成为已流失用户的人群；三是从增加订单量的角度出发，从增加老用户订单与新用户订单的方面去制定指标。
主要的数据分析模型是多维分析,即从多个维度观察指标。另外参考RFM模型“自创”了RFA模型，其中该模型的“R”、“F”与RFM模型中的“R”、“F”具有相同的含义。
4数据处理
由于数据的完整性较高,故没有对数据进行处理操作。
但是对个别维度的数据分析，是会对存在缺失值所在的数据行进行删除。
5 可视化报告
5.1 整体风格
排版整体以黑色作为背景，字体的颜色是白色，可视化图表以白、蓝、灰作为主色调。
5.2 组件分析
5.2.1 已流失用户的画像
这部分重要指标包含已流失用户各维度下的人数分布，以及各维度的流失率。
图5-1 已流失用户的画像
对已流失用户的画像进行分析，可得出以下结论：
- 在年龄段这个维度上，在已流失客户中，中年人的占比最高，其中40-49岁的人群最多。而在所有年龄段的客户（包含已流失&未流失客户）中，中老年人的流失率较高，即中老年的用户更易于流失，而50-59、60-69岁年龄段群体的流失率均超过了总的用户流失率16.84%。
- 在城市等级这个维度上，在已流失客户中，来自一线城市的用户占比最高，三线城市次之。但是来自二线城市、三线城市的用户较一线城市用户更易于流失。
- 在婚姻状态这个维度上，在已流失客户中，单身、已婚的用户都比离婚的用户占比高其。而在所有婚姻状态的用户中，单身状态的群体流失率高达26.73%，即单身状态群体相较于另两类群体更易流失。中单身用户的占比最高，而该群体的流失率高达26.73%。
- 在性别这个维度上，在已流失客户中，男性用户的占比远远高于女性用户占比。而两类用户的流失率都接近总的流失率16.84%，但是男性相较于女性用户更易于流失
根据以上结论可制定如下的决策：
- 直播电商运营部门应该在内容上做出调整，即适当地增加适合偏中老年人观看的直播内容。
- 直播电商运营部门应在内容的调整上做出基于城市等级维度的分类，即设置清晰明了的内容专区以应让来自不同城市等级的用户都能找到自己喜欢的直播。
- 直播电商运营部门应当对单身用户群体做调研、访谈等工作，以更好地了解该类群体的需求，从而为他们推荐合适的电商直播内容。
- 直播电商运营部门应对男性用户做好市场调研工作，以更好地了解男性用户的需求，为他们推荐适合他们观看的直播电商内容。
5.2.2 用户满意度的数据分析（已流失用户&未流失用户）
这部分重要指标包括已流失用户与未流失用户的差评占比、已流失用户与未流失用户的满意度评分占比。
图5-2 用户满意度的数据分析可视化图
由上图可得出如下的结论：在已流失的用户中，给差评的人数占比约为52%，远高于未流失用户中给差评的人数占比23%。由此可知，差评是极有可能驱动用户流失的因素。
在满意度评分上，有三个现象值得引起直播电商运营部门的关注。
第一，在未流失用户中，满意度得分为1分和2分的用户占比合计约33%，远高于在已流失客户的占比，因此，直播电商运营部门应实时关注满意度得分为1或2的用户，尤其是要及时解决这部分群体的投诉、建议与反馈。
第二，无论是在已流失客户还是未流失客户中，满意度为3分的用户占比都是最高的，这说明对于大多数用户来说，该直播电商平台仍有待提升用户体验，因此运营部门应做好需求调研与产品功能设计。
第三，在未流失用户中，满意度为5分的人数占比达28%，远高于在未流失用户的占比。而对该平台满意度较高的已流失客户中，给差评的占比均超出了45%，这说明可能有一些用户一直以来对平台的满意度是较高的，但可能因为一些“不愉快”的事件而流失。因此，在此建议运营部门对该部分群体进行回访调研，搞清楚到底是什么原因促使了他们的流失，并以此做出相应的策略调整。
5.2.3 用户平台使用时长数据分析（已流失用户&未流失用户）
这里对用户的平台使用时长的分布进行了数据的分析，结果如下图所示。
图5-3 用户平台使用时长数据分析可视化图
由上图可得出结论：大多数已经流失的用户都是在使用该平台的一段时间后才流失的。而大部分的已流失客户都是在使用该平台3个月以内才流失的。而如果一个用户使用该直播电商平台超过3个月后，其流失的概率就会变得很少。
因此，直播电商运营部分应当把使用该直播电商平台未超过3个月的用户纳入“新用户”的范畴，对他们进行精细化运营，要及时、快速地解决该类用户提出的诉求、建议等。
5.2.4 用户购买行为数据分析
这里根据用户的平台使用时长的分布进行了数据的分析，结果如下图所示。其中，对已流失用户和未流失用户的使用时长做了对比。其中对已流失用户中最近一次购物的差评占比数进行了统计。将用户分为已流失用户与未流失用户，并对其优惠金额人数占比以及优惠订单占比做出统计。
图5-4 用户购买行为数据分析可视化图
从用户的购买行为上分析，可得出如下的结论：大多数已流失客户并不是在平台上很久没有发生购买行为。大部分用户在10多天内购买过产品，但是这部分用户中给差评的人数占比都较高，这说明用户流失的原因可能在于用户的“不愉快购物体验”。
因此，建议运营部门与市场营销部门一起对该类现象进行调研，例如对该部分群体进行访谈、问卷回收等，以找到这部分群体给出差评的原因，从而做出营销策略的调整。
从优惠券使用占比的维度上分析，可得出如下的结论：未流失用户与已流失用户的订单优惠券使用结构并无显著差异，二者群体的订单优惠券使用占比集中在0.4-0.6、0.8-1之间。但是，在订单平均优惠金额为140-209、210-279、280-350的区间内，未流失的用户人数占比都超过已流失用户的人数占比。总体上说，已流失用户享受到的订单优惠力度稍弱于未流失用户享受到的订单优惠力度。
因此，直播电商运营部门应对整体优惠券的折扣力度进行相应的调整，并对极有可能流失的用户发放折扣较大的优惠券。
5.2.5用户产品偏好（新用户&老用户）
将用户分成新用户与老用户，并分别对这两类用户所喜爱的产品的分布进行统计。
图5-5 用户产品偏好图
对于新用户而言，他们会更喜欢移动手机、笔记本电脑及配件、家用工具的产品；对于老用户而言，他们的产品偏好与新用户的产品偏好不一致，排在前四位的产品为笔记本电脑及配件、时尚产品、移动手机、零食小吃。
因此建议向新用户产品更多地推荐这三类产品的电商直播，以及围绕这三种产品做出相应的活动；同时建议向老用户主要推荐这四类产品的电商直播，以及围绕这四种产品做出相应的活动。
5.2.6未流失用户的价值分析(RFA模型)
图5-6 RFA模型数据分析结果
参考RFM模型，自定义RFA模型，其三个重要的指标是最近一次消费(R)、
最近一段时间的消费频次(F)、用户订单年增长率(A)。
而根据这三个指标，所有的用户被划分为4大类用户。分别是重要价值用户、重要发展用户、一般发展用户、一般保持用户。
重要价值用户（111）：最近有消费、上月消费次数多，订单总量相较于去年有大幅度增加，这部分客户是VIP客户
重要发展用户（101）：最近有消费、但是上月消费次数少，而订单总量相较于去年有大幅度增加
一般发展用户（010）：最近没有消费、但是上月消费次数多，而订单总量相较于去年没有大幅度增加
一般保持用户（000）: 距今一次消费时间较长、上月消费次数较少、但是订单总量相较于去年没有大幅度增加，但是趋势仍然是上升的
根据用户分类结果可得出策略建议是：
(1)对于一般保持用户，建议可以采取对其不定期活动推送、优惠券赠送的策略；
(2)对于重要发展用户，建议可以采取对其优惠券发送、公司新品消息推送、活动信息传达、产品推荐等的策略；
(3)对于一般发展用户，建议可以采取对其公司新品消息推送、活动速递的策略；
(4)对于重要价值用户，建议可以采取VIP客户运营策略，即加大对该部分群体的优惠力度，并可以适当为其增加赠品、售后客服等服务。
6最终结果呈现的页面布局
参赛总结
这是我第二次使用FineBI工具来做整个的数据分析报告。之前也用过其他的BI工具写数据分析报告，但是相比之下感觉FineBI很简洁、也很好用!
这是本人第一次参加这种类型的数据分析比赛。之前参加的都是数学建模比赛。感觉帆软举办的这个比赛跟一般的数学建模比赛不太一样，而我在其中也是用了不一样的解题思路完成了这个数据分析报告。感觉所有的数据分析模型都是不能套用的，都要根据业务场景活灵活现地运用模型。最后真心感谢帆软举办这样的比赛！能够让我充实自己的简历！ | 
