基于tableau從商業分析模型角度對業務數據進行多維度分析

常規商業數據分析方法：

• 財務多維指標
• 客戶生命周期
• 客戶價值RFM
• 客戶留存分析
• 購物籃關聯分析
• 漏斗轉化ABtest

以下內容主要從商業分析模型的搭建思路入手，具體模型落地實現的具體步驟及商業交互分析產出價值等部分請參考后續。

【財務多維分析模型】

場景：對超市的產品進行研究，判斷產品近年來銷售狀況與利潤率狀況，對公司的產品進行全局的把握。

首先制定KPI，指標選取近兩年的銷售額、銷售額增長率、利潤、利潤率。

銷售額2015

銷售額2016

銷售額增長率2016

利潤2016

利潤率2016

傳統財物報表

傳統財物報表比較冗長，無法直觀地看出產品的具體情況，因此需要用氣泡圖進行分析。用分層結構進行下鉆，產品分成結構：類別－子類別－制造商－產品名稱；

客戶位置分層結構：地區－省／自治區。

產品氣泡圖

通過產品氣泡圖，可以直觀看出技術的2016銷售額增長率最高，辦公用品最低；

在利潤率方面，辦公用品的利潤率是最高的，技術則最低；

通過下鉆功能判斷出子類別，制造商，產品名稱方面的2016銷售額增長率和利潤率的狀況。

另一個維度上是客戶位置層面上銷售額增長率和利潤率的關系。用位置氣泡圖來表達。

位置氣泡圖

那么要從產品和位置兩個層面看銷售額增長率和利潤率的關系，關聯兩張氣泡圖，編輯篩選器操作一般選擇。

超市財物多維分析儀表盤

會不會發現上述儀表盤操作不是很方便，不能將產品和位置包含的所有維度都篩選到。這里需要引入參數，起到一個按鈕的功能，和維度配合起來使用。??參數是不能作為橫縱軸。

新建參數－產品層級：類別，子類別，制造商，產品名稱。

對應的維度，維度－產品層級：

新建參數－位置層級：地區，省／自治區

對應的維度，維度－位置層級：

加入參數的儀表盤是這樣的，可以篩選出產品層級中的類別，子類別，制造商，產品名稱；位置層級中的地區，省／自治區。如此可以查看出家具在各個省的2016銷售額增長率和利潤率狀況，進而幫助業務部門排憂解難。

【客戶生命周期模型】
1.計算出客戶數量

2.計算出每一個客戶的第一次購買時間FOD

3.計算出每一個客戶的最后一次購買時間LOD

4.計算出R

5.計算出L

RL模型

將R值以6為邊界，L以12為邊界。【結合業務邏輯制定邊界】

客戶生命周期分類

客戶生命周期分類中根據邊界邏輯，表示出新客戶，忠誠客戶，流失的老客戶，一次性的客戶的具體邏輯。

圖1:客戶生命周期

上述表中只篩選出近兩年消費的客戶，客戶生命周期中表示出新客戶，忠誠客戶，流失的老客戶，一次性的客戶。想要直觀看出這四類客戶的具體數目，需要用tableau的條形圖計算下，結果如圖2所示。

圖2:客戶數by生命周期分類

將生命周期分類的客戶最近4年來的銷售額趨勢走向，判斷最初定的R值和L值是否合適，結果如圖3所示。

圖3:銷售趨勢圖

要清楚得出各類客戶的近年的銷售額狀況，關聯3張氣泡圖，編輯篩選器操作一般選擇。

圖4:客戶銷售數據儀表盤

在選擇流失的客戶時，發現近年來的銷售數據也可以，之前買了很多，近期的頻率只是低了點，并沒有流失。

客戶生命周期模型的局限性

1.L不一定真實反應客戶和我們在一起的時間，比如一個客戶十年買了一次，昨天買了一次，L＝10年，但這顯然沒有意義

2.忽略了客戶和我們互動的頻率和購買量的大小

可見客戶生命周期模型只是對客戶進行粗略地劃分，沒有考慮客戶購買的頻率，每次購買的量是多少。而RFM模型可以將劃分客戶的精準度提高。

選定流失的老客戶后交互儀表板的呈現：

【客戶RFM價值模型】

在客戶生命周期分類中表明

L＝LOD－FOD。

R＝＃今天＃－LOD。

F代表從L整段時間內的消費頻次。

M代表在L整段時間內的總計消費額。

根據RFM3個維度，可以將客戶分層8種。

關鍵字段：

訂單＃

訂單＃2016

訂單＃2016-客戶：每個客戶多少個訂單

F分類

M分類

R分類

RFM分類

[R分類]+[F分類]+[M分類]

客戶RFM價值：

[RFM分類]

WHEN '近高高'THEN'重要價值客戶'

WHEN '近低高'THEN'重要深耕客戶'

WHEN '遠高高'THEN'重要喚回客戶'

WHEN '遠低高'THEN'重要挽留客戶'

WHEN '近高低'THEN'潛力客戶'

WHEN '近低低'THEN'新客戶'

WHEN '遠高低'THEN'一般維持客戶'

WHEN '遠低低'THEN'流失客戶'

客戶RFM價值分類－銷售額&訂單數

客戶RFM價值by地區

客戶RFM價值－產品

【客戶留存分析模型】

客戶留存分析模型是測量我們留住新客戶的能力

1. 這個月我們發展了100名新客戶，第二個月還剩多少活躍？第三個月還剩多少活躍？第四個月，第五個月等等。

2. 下個月我們發展了100名新客戶，第二個月還剩多少活躍？第三個月，第四個月，第五個月。

3. 再下個月，又發展了100名客戶。。。

圖1:每年新客戶的數量

定義：逝去的時間

（如：2013年新增的客戶數，2014年留存率，是相對2013年的第一年，2015年相對2013年是第二年。）

圖2:每年客戶留存率

新增參數－時間間隔，就可以用按鈕的方式，篩選年，季度，月三個維度的逝去的時間。

圖3:新增參數的操作流程

在2013年新客戶數不一定是506，因為數據源是從2013年開始采集的，所以506包括的是2013年以前的新增客戶數，2014年新增客戶數是202，2015年新增客戶數是52，2016年新增客戶數是11，有次可以直觀看出，新增客戶的能力在嚴重降低。

根據數據源可知，客戶購買的頻率不高，最多一年購買8次，最少的就1次。而數據存留模型比較適合一定頻率的購買，本身購買的頻率不高，按照月度來計算就會很差，按照年比較合適，如此時效性很差，本身不適合客戶存留模型。

圖4：每季度客戶留存率

客戶存留分析模型的應用場景和注意事項

1. 購買行為可以被其他更合適的行為靈活代替，比如app中的登陸上線

2. 只適用于高頻率的場景，而去客戶行為的停止意味著客戶的流逝（比如汽車行業是低頻消費行業，所以不適合客戶留存分析模型）

3. 所選的時間間隔（年／季／月／周／日）應符合客戶的購買頻率，比如某類客戶一周不購買就可以當作流逝，那么時間間隔應為周。（比如樓下的小餐館，去過一次不去了，代表該客戶已經流逝）

【購物籃關聯模型】
購物籃分析 Market Basket Analysis 是銷售數據研究顧客的購買行為。零售、電信、金融服務、保險、醫療等多行業，可通過了解顧客的購買習慣和規則，挖掘商業利益并建立競爭優勢。

“請問我如何才能在 Tableau 中算出購買了某一類產品，同時購買其他類產品的訂單數量？“很多用戶提出類似的需求。

實現購物籃分析的重要一環，是需要完成同現關系（Co-Occurrence）分析。

我們在 Tableau 中可以用參數和集的功能配合來實現這個計算效果。

具體步驟如下：

STEP 1 : 創建參數

首先，連接示例-超市數據源。然后，創建1個參數，命名為“選擇產品”，數據類型選擇為“字符串”，允許的值選擇“列表”，“值列表”選擇從字段添加“子類別”字段的所有值。

創建完成后，顯示此參數控件。

STEP 2 : 創建計算字段

我們需要創建2個計算字段：

第一個計算字段，命名為“同時也購買了”（公式如下），用于標識訂單（除了用戶通過參數選擇的產品外）同時包含的其他產品。

第二個計算字段，命名為“產品計數”（公式如下），用于計數匹配的產品。

STEP 3 : 創建集

接著，我們創建一個集來確定某個訂單是否具有在參數控件中選擇的項：右鍵維度里的“訂單Id”字段，選擇“創建”-“集”。

然后，在彈出的創建集對話框中，輸入集的名稱“是否包含選定產品”，轉到“條件”選項卡，選擇“按字段”-“產品計數”-“總和”-“>=”-“1”。

該集用于確定某個訂單是否具有在參數控件中選擇的項。

STEP 4 : 創建視圖

最后，我們來創建所需要的視圖：

• 將“同時也購買了”拖到“行”功能區；
• 將“訂單Id”拖到“列”功能區，在警告對話框中，單擊“添加所有成員”；
• 在“列”上單擊“訂單Id”字段，并選擇“度量”-“計數(不重復)”以更改聚合；
• 在圖形中右鍵單擊 “Null”條形，并選擇“排除”；
• 將“是否包含選定產品”集拖到“篩選器”功能區。

這樣，我們就能計算出：同時購買包含多種子類別產品的訂單量。

通過右側的篩選器，我們選擇不同的產品類別，很容易查看”與此類別商品同時購買“的其他商品類別的訂單量.

購物籃分析 Market Basket Analysis 之關聯購買

NO.1 同時購買的訂單數

第一個示例，呈現同時購買多個子類別產品的訂單數。

將維度“子類別”拖放至篩選器。右擊篩選器上的“子類別”膠囊，在下拉菜單中單擊“編輯篩選器”。在彈出的“篩選器[子類別]”對話框中，選擇“全部”。

2 右擊篩選器上的“子類別”膠囊，在下拉菜單中單擊“顯示篩選器”。然后，在工作表視圖右側的篩選器中，單擊“子類別”右側小三角，勾選“多值（下拉列表）”。

3 將維度“訂單ID”拖放至標記卡的“文本”中，然后單擊文本“訂單ID”右側小三角，在下拉菜單中選擇“度量”—“計數（不同）”。

此時，圖表顯示的是所有子類別的去重訂單數量（如下圖）。

當在篩選器中，同時勾選“標簽-電話-復印機”時，圖表會顯示三種子類別產品的累計訂單數量。

這顯然不是我們想要的，我們要的是同時購買這三種子類別的訂單數量。如何實現呢？

4 接下來，創建一個計算字段命名為：判斷真假。

鍵入函數：

5 再右擊篩選器上的“子類別”膠囊，在下拉菜單中選擇“添加到上下文”。然后，把剛剛創建的計算字段“判斷真假”拖放至篩選器。右擊篩選器上的“判斷真假”膠囊，在下拉菜單中選擇“編輯篩選器”，在彈出的對話框中勾選“真”。

Tips：這里設置成上下文，是要讓判斷真假的公式依照子類別篩選后的結果進行選擇計算，如果不添加上下文直接拖拽判斷真假字段，會顯示‘偽’。

這樣，我們就得出同時購買多個子類別的訂單數了。

NO.2 同時購買的客戶數占比

如何呈現同時購買多個子類別的人數占總人數的比例。

1 創建新的計算字段：if 和 總客戶數。計算字段 if 的目的是求出同時購買多個子類別的客戶數。

2 將維度“子類別”拖放至篩選器，右擊篩選器上的“子類別”膠囊，在下拉菜單中選擇“添加到上下文”。將新創建的計算字段“if”和“總客戶數”拖放至標記卡的“文本”中，按需調整文本的顯示格式。如此，就完成咯！

你可以根據需要，在工作表視圖右側的篩選器中勾選不同子類別，來分別查看同時購買它們的客戶數占比。

以上關于購物籃分析我們實現了【購物籃分析】 和 【購物籃分析之關聯購買】，用來分析“購買了某一類產品，同時購買其他類產品的訂單情況”。如果希望快速查看任意兩種產品之間的購買關聯性，可以考慮如何突出顯示表購物籃分析。零售企業可通過產品購買關聯分析，來制定產品套餐，獲取更多銷售額。

具體步驟如下：

1、創建視圖

打開 Tableau Desktop，連接“示例-超市”數據源，新建工作表。維度“訂單ID”就可以看作是購物籃，“子類別”看作是購物籃中的各個產品。

將維度“子類別”拖放至列，然后復制一個子類別，并將“子類別（復制）”拖放至行。。

2、創建計算字段

為實現產品的關聯性，需要創建幾個計算字段。右鍵單擊“數據”窗格空白處，在下拉菜單中，選擇：創建計算字段。分別創建如下計算字段：

? Total訂單數，用于計算該產品所有的訂單數。

?size，用于計算其它產品在該產品訂單中出現的訂單數。

? 產品關聯性，產品關聯性=其它產品在該產品訂單中出現的訂單數/該產品所有的訂單數。

3、將計算字段放入視圖

將剛剛創建的計算字段“產品關聯性”拖放至“標記”卡的顏色中，將計算字段“size”、“Total訂單數”和維度“訂單ID”拖放至“標記”卡詳細信息中。

可以看到：此時工作表中有很多小方塊，每一個小方塊就代表一個“訂單ID”。

接著，再創建一個計算字段：篩選器。右擊“數據”窗格空白處，在下拉菜單中選擇“創建”-“計算字段”。在彈出的對話框中，將計算命名為：篩選器，鍵入函數：

FIRST()=0

將計算字段“篩選器”拖放至“篩選器”卡，在彈出的對話框中，勾選：真。右鍵單擊“篩選器”卡中的“篩選器”膠囊，在下拉菜單中選擇“計算依據”-“訂單ID”，在彈出的對話框中，再次勾選：真。

單擊“標記”卡的標簽，在彈窗中勾選：顯示標記標簽。此時，會發現圖表上的數據是不對的。

4、修改計算依據

? 右鍵單擊“標記”卡中的“Total訂單數”膠囊，在下拉菜單中選擇“計算依據”-“表橫穿”。這一步是對每個行上的子類別計算該子類別所有的訂單數。

? 右側單擊“標記”卡中的“size”膠囊，在下拉菜單中選擇“計算依據”-“訂單ID”。這一步是計算行和列交叉處的訂單數，也就是同時包含兩種對應子類別的訂單數。

? 右鍵單擊“標記”卡中的“產品關聯性”膠囊，在下拉菜單中選擇：編輯表計算。

在彈出的對話框中，

- 將嵌套計算選為：Total訂單數，計算依據選為：表橫穿；

- 再將嵌套計算選為：size，計算依據選為：特定維度，勾選“訂單ID”；

- 再將嵌套計算選為：產品關聯性， 計算依據選為：表橫穿。

最后，在“數據”窗格，右鍵單擊度量“產品關聯性”，在下拉菜單中選擇“默認屬性”-“數字格式”，在彈出的對話框中，選擇：百分比。再將工作表設置為：整個視圖，就得到我們需要的突出顯示表購物籃分析了。

從這個表中的工具提示中，可以看到：電話總共有 503 個訂單，同時包含電話和標簽的訂單有 113 個，可以得知購買電話的 503個訂單中，有 113 個訂單同時購買了標簽，算出兩者的相關性為 113/503=22.5%。

【漏斗轉化率模型AB測試】

AB測試應用場景很適合互聯網，不適合實業，只要符合樣本選取的原則，符合相關性。

漏斗轉化率是運營模型，強大之處是不用客戶真正發生購買就可以進行分析。

渠道策略：流量＊轉化率＊客單價＊復購率。

場景：某線上購物app，路徑：app主頁－用戶注冊－產品頁面－付款頁面－成交頁面，成交率只有20%。案例中給出當前和改進后的兩個版本。

思考：如何使得從主頁到成交頁面的用戶提高。拆分下去，保持變量與定量的關系，開始頁面到成交頁面的每個節點都要進行優化。

圖1:頁面用戶數表

圖2:頁面用戶直方圖

圖3:當前版本頁面與用戶直方圖（含轉化率）

圖4:改進前后頁面與用戶直方圖（含轉化率）

紅色代表客戶流失率高，綠色代表客戶流失率低。付款頁面優化后，可明顯看出客戶流失率降低了58.9%，最后成交量比原來提高205%。通過漏斗轉化率模型可以清晰了解產品有效優化的節點。

總結

以上是生活随笔為你收集整理的判断用户是否存在再进行新增_基于tableau从商业分析模型角度对业务数据进行多维度分析--【商业分析类】...的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。