“人货场”模型搞懂没？数据分析大部分场景都能用！

编辑导读：做数据分析的同学，可能很多都听过人、货、场分析模型。但是大多数人只是知道这个模型，对其具体应用却不了解。本文作者结合实际分析，对此进行了系统的讲解，与大家分享，希望通过此文能够加深你对“人货场”模型的认识。

问题场景：

某生鲜电商，用户复购率较低，60%的用户在30天内无二次购买行为，运营领导非常着急，要求通过数据分析提升复购率，请问你作为数据分析师该怎么做？

建立人工智能精准推荐算法（40%概率用协同过滤，60%用关联分析）

把过往6个月月初复购率做成折线图，然后写下苍劲有力的三个大字：“要搞高！”

分析个啥，做电商不就是派券吗！所有无复购用户派券，干就完了奥力给！

还是你有其他办法？

一、货物属性分析

先问一个简单问题：大米、白面、一桶油和草莓、车厘子、山竹有什么区别？即使你没买过菜也知道：米面油是每天都得吃的东西，没啥季节性；草莓、车厘子、山竹不会每天吃，季节性很强。如果去菜市场或者超市逛一下又会知道：米面油一般是整包、整桶买，买回去一桶能吃很久，还有专门的米桶、米盒、油壶用来分装。草莓山竹一般拆散零售，而且不耐放，买回去不吃过几天就坏了。

这些看似家常便饭的产品知识，统称为：货物属性。货物属性会直接影响到消费者购买行为：

购买频率：新鲜蔬菜水果购买频率高，米面油购买频率低

上市季节：新鲜蔬菜水果有当季产品，反季节的卖的贵也不好吃，米面油没啥季节性

产品价格：单品价格贵的就卖的少，趁便宜买，零散买，便宜的就批量买

购买渠道：如果有物流配送，大件硬通货（米面油）在线上买更省事，散件的就线下买，最好能现场试吃几个避免踩雷

这些货物属性是常识，是自然规律，不会因为数据指标的计算方式而改变。因此在生鲜产品中，用户行为会直接受到过往购买产品的影响——你不能太指望一个用户刚买10斤大米，过两天又来买10斤。或者说，如果真的有用户反反复复的来买大米，那你得检查下自己提供的大米是不是比市场价便宜很多，有人在薅羊毛薅的情况呢。

有一个简单的矩阵模型可以描述生鲜产品的复购思路，核心是产品购买频率和产品关联度。购买频率上文有解释，产品关联度指的是某些产品天生会一块买。特别在生鲜领域，比如买了冻鸡翅、竹签，很有可能会买木炭、丸子、烧烤汁，因此两维度交叉既有如下矩阵（如下图）

但注意，只从货物属性一个角度来看，是很不完整的。买菜的渠道多的很，凭啥用户非得在app里戳来戳去。菜市场不香吗？APP/微商城的吸引力又在哪里呢？这就涉及：场的问题.

二、卖场属性分析

快速问一个问题：你今天中午准备吃啥？不要思考，马上回答！

十个同学有十个答不上来，对不对。实际上让你对着饿了吗你都得纠结十几二十分钟，更不要说提前预备了。

买菜也是同理，为啥老人家喜欢逛菜市，一个很重要的原因就是做饭本没啥目的性，现场看着啥顺眼买点啥，二来可以货比三家挑挑新鲜便宜的。菜市场，包括超市的生鲜区给人的视觉冲击是远远强过电商的，这就是卖场属性对复购行为带来的影响。

卖场属性，包含：

便利性：距离越近、越方便的菜场肯定越吸引人

整洁程度：越干净的菜场肯定更吸引人

产品丰富程度：菜品越丰富的菜场越吸引人

产品新鲜度：菜品越新鲜水灵的越吸引人

产品价格：因为铺租、人工不同，有的卖场就是死贵死贵的

在传统线下门店里，关于卖场位置也有个矩阵模型。（如下图）

线上渠道用的指标和线下类似，区别是，用户的登录场景、登录频次、登录后访问内容，代替了门店位置远近。线上渠道在内容和跳转路径上能做的分析，是远多于线下的。

有意思的是，不同于服装、零食、玩具等快消品，在生鲜领域，线上渠道的体验反而比线下差。因此线上生鲜优势体现在：不能出门的场景上。比如下雨天，比如疫情期间交通管控，比如上下班没时间逛菜市场等等等。

然而这就又引发第三个问题：有些用户可能就是单纯图便宜，有些用户真的有线上购买的刚需。因此必须考虑人的因素。

三、用户属性分析