做数据分析的同学，很多都听过：人、货、场的分析模型。然而，这东西又是个只闻其名，不见真身的东西。到底该怎么结合实际分析？今天我们系统讲解下�? 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？
A.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）
B.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！�? C.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�? # 货物属性分�? 大米、白面、一桶油和草莓、车厘子、山竹有什么区别？ 米面油每天都得吃，没啥季节性； 草莓、车厘子、山竹不会每天吃，季节性强。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�?*。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�?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�?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�?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�?
quadrantChart
x-axis "频率：低" --> "频率：高"
y-axis "是否强关联：没有" --> "是否强关联：�?
quadrant-1 "交叉推荐"
quadrant-2 "成套购买"
quadrant-3 "补货购买"
quadrant-4 "加量购买"生鲜不同于其他行业，产品间天然的关联太多了，比如按菜谱的关联（高�?强关联，青椒肉丝、土豆牛肉、排骨藕汤）比如按场景的关联（低�?强关联，烧烤、聚会、生日、喝酒、粽子月饼）这些才是电商的优势，因为菜市场的肉档和菜档都是分开的，只能小范围体现关联（地三鲜、竹蔗马蹄水�? 补货也是电商的优势，可以提前预判用户消耗情况，一点小优惠引发复购
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�?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
卖场属性分�?
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�?- 整洁程度：越干净的菜场肯定更吸引�?- 产品丰富程度：菜品越丰富的菜场越吸引�? 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�? 在传统线下门店里，关于卖场位置也有个矩阵模型。（如下图）
quadrantChart
x-axis "位置：远" --> "位置：近"
y-axis "产品数：�? --> "产品数：�?
quadrant-1 "旗舰�?
quadrant-2 "大卖�?
quadrant-3 "特卖处理"
quadrant-4 "爆款小店"因为位置好的铺租都很贵，因此要不要上很多 SKU（占地方）就是个关键问题。如果下决心在市中心好位置上很多品类，一般都直接上旗舰店；如果不上很多品类，就精选爆款，铺多一点小店�? 位置差的人流少，要怎么吸引人流得想办法，如果准备做的多，就做大卖场，如果不做多就做特卖，不过，这些是老皇历了，线上渠�?直播正规以后，已经打破了物理空间和使用的限制�? 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�? # 用户属性分�? 注意，传统行业讲人货场，人指的是售货员，不是消费者。所谓人效指的是业务员平均产生的经济效益。但是互联网应用�?APP 对用户，没有销售概念，因此才把售货员改成用户，所谓人的分析，变成用户属性分析�? 一提用户属性，很多同学条件反射的都是：性别、年龄、地域。问题是你的公司真的能采集到这么多真实的用户信息？而且这些字段不见得能看出啥，最典型的就是性别，男女比例差异常常只有几个点，能说明个屁问题�? 基于互动、消费行为标签会更好用，比如生鲜电商的领域，有多少客户是注册�?20 元米面油券，首单免配送费，进口车厘子 25 �?4 斤这种活动搞进来的。这叫促销敏感型用户。类似的，还可以打：刚性购买用户、异常天气购买用户、疫区用户等等标签，这些可能区分度更高（如下图）
给用户打标签可以细致一点，比如折扣爱好者，复购型与一次型可以区分开；针对米面油这种硬通货折扣爱好，与进口牛肉、车厘子、海鲜这种品质型折扣货的用户可以分开；这样既能看清楚大盘：到底的派券是伤害还是吸引，又能追溯到细节，等下一次行动的时候，指向性会很强�? # 人货场模型搭�? 有了三个维度的基础理解，就能用来综合解释问题。回到开头的“生鲜电商复购率低”的问题。可以先从人货场角度建立分析假设�? # 人角度：
地推质量太差，用户本身没有需�? 用户有需求，但是薅羊毛型太多，刚需性少- 刚需用户有一定量，但产品不符合用户需�? # 货角度：
商品本身品类太少
品类不少，但没有强势引流款有引流款，但价格没优势
场角度：
用户习惯未建立，二次登陆都很少二次登陆有，但没有进到购买页进到购买页，但未下�? 各自建立假设后，有两种方法建立整体思路�? 第一，从数据出发，哪个问题严重就从哪里下�? 第二，从业务出发，最近发生哪些大事，从哪里下手（如下图）
最后可以把各个分析维度打起来，组成整体分析逻辑，从粗到细形成结论（如下图）�?
graph LR
A[未复购用户] --> B{疫情新涌入用户};
A --> C{非疫情用户};
B --> D[疫情后失联];
B --> E[仍有登录];
C --> F[非一次性];
C --> G[一次性];
D --> H[宏观景影�?无法改变];
E --> I[分析类型,试图挽留];
F --> J[有二次登录];
F --> K[不再登录];
G --> L[非套利用户];
G --> M[套利用户];
I --> N[囤货期内];
J --> O[囤货期外];
K --> P[基于场景（季节、雨雪天）提醒];
L --> Q[有特殊场景];
L --> R[无特殊场景];
M --> S[优化运营手段、渠道投�?减少比例];
N --> T[关联商品推荐];
O --> U[优惠补货提醒];
Q --> V[基于场景唤醒];
R --> W[关联商品唤醒];
以上仅做示例，生鲜作为日用品，可以切入的场景远比耐用品、教育产品丰富，因此有非常多的场景可以做用户唤醒，前提是：准确定位用户发生的问题（人本身的问题？货不行？场景没定好？�? # 小结
人货场三个维度之所以经常用，是因为这三者与用户行为有直接关系，并且商品属性、卖场属性、用户习惯都有一些天生的规律可循。因此很适合作为分析的基础，做深做细。一方面能对业务有更清晰的认知；另一方面，想建立更复杂的模型也有线索了�? 然而现在行业里普遍存在的问题，是做业务的新人就知道发券，难言之隐一券了之，还美其名曰：互联网思维就是免费！做数据的新人就知道 RFM，关联分析，一讲模型就想协同过滤，拜托小哥哥们，就你那平台用户粘性，百分之六七十一次登录，用户天生就是优惠券买来的，有多少真实数据给你训练模型呢。就像生鲜电商行业，真去几趟菜场，和买菜主力人群：大爷大妈、家庭主妇聊聊，会比每天和吃饿了吗的同事讨论 AARRR 有用的多，可以一试哦�? 有同学会问，有没有复购率的更普遍分析场景，如果感兴趣的话，本篇集�?60 在看，下一篇我们分享复购率在医美行业应用哦，敬请期待�