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？

1. 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）
2. 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！”
3. 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

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。但是互联网应用是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，有多少客户是注册送20元米面油券，首单免配送费，进口车厘子25元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）

四、人货场模型搭建

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，用户本身没有需求
• 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求

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，但未下单

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手

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拧起来，组成整体分析逻辑，从粗到细形成结论，如下图：

五、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，关注接地气的陈老师，下一篇我们分享复购率在医美行业应用哦，敬请期待。