本文主要是介绍一文讲清如何用BI进行商品分析之返货品画像分析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
01 什么是商品画像，怎样进行商品分析
“用户画像对于小伙伴们来说并不陌生，那有小伙伴知道商品画像吗？其实它和用户画像一样，可以简单理解成是商品海量数据的标签。”
商品画像的意义在于可以对商品进行精准的定位，让不同的商品迅速匹配到处在不同地域、时间、偏好、阶层中的消费者，进而去更加优化用户的体验。
商品画像怎么分析呢？
以时尚行业为例，该类商品的一个典型特征是销售周期基本上都是在3个月左右。在对商品进行画像的时候，主要从商品的自然属性和销售状况出发，要考虑商品的颜色、面料、尺码、价位段、品类、波段规划、季节性特征、销售渠道等信息，并且依据分类和聚类的算法模型给不同的商品贴上不同的标签，来综合判定不同的商品会适合于什么类型的消费者，以及商品的畅平滞的情况和原因。
最重要的是，以上维度是要交叉分析的，例如渠道和产品维度、渠道和时间维度、产品和时间维度等进行交叉分析，鉴于这些商品上市的复杂度，就需要借助机器学习的算法来进行分类。
至于商品画像具体应该如何用BI进行实操商品分析，下面给给大家分享一个返货品画像的实操案例。
示例中提到的数据分析模板分享给大家——
https://s.fanruan.com/7lh3w
零基础快速上手，还能根据需求进行个性化修改哦
02 分析背景
返货品也就是返修订单，具体指正单出现如玻璃损坏、型材刮花、五金松动、尺寸错了、颜色错误等各类质量问题，为保障订单质量和客户满意度，重新生产原单或原单某部件。 总而言之就是需要售后的订单。
一般情况下，正单完全出库后（即已经发送给客户）才会产生返修订单。当然不排除在订单生成完成后因质检而发现问题，从而产生返修订单。返修订单责任主要划分为客户责任和公司责任。客户责任是指因为经销商的原因导致正单不符合客户需求，正单部分或全部返修、甚至重做；公司责任是指因公司各部门各环节问题导致正单不符合质量标准，正单部分或全部返修、甚至重做。
售后订单在一定程序上反映了公司的产品品质，因此需要对其进行商品分析。
03 商品分析思路
返货品画像的分析思路从核心指标、分布分析、趋势分析、问题诊断这四个部分展开，更多细节思路如下图所示：
04 完整分析过程
问题一：指标随时间趋势如何变化？返修订单整体情况如何？
查看一次性达交率和道数趋势，发现2021年比2020年订单品质略微下降，返修道数上升。查看返修费用趋势，总返修费用略微下降，但公司承担的费率下降明显。为了明确变化产生的原因，根据返修金额的影响因素进行拆解。
问题二：单价和返修间隔时间分布情况怎样？
查看售后产生周期分布，接近80%的返修单都是在交付期出现。说明公司在订单交付上存在严重问题，排除了公司过去迅速发展规模快速扩张的原因。
查看返修单价分布，65%的返修单费用在1000元以下,1000元以上返修订单属于高价赔付范围。结合以上趋势分析，我们发现2021年与2019-2020年相比，1000元以下返修订单比例增加接近10%。即返修订单的费用在整体下降。推测原因可能为工艺改进，原先需要整单替换/返修的情况减少。
问题三：生产基地之间在订单品质、公司承担费率上是否有差异？
对比A、B两个基地发现：A、B基地之间确实存在明显的订单品质差异，A基地一次性达交率比B基地低了2.3%。联动分析发现，公司订单品质下降主要是因为A基地导致。B基地订单品质反而在不断提升。
AB基地的公司承担费率无明显差别。
问题四：A基地的品质下降是否与特定产品和门窗类型本身有关？
联动产品系列、门窗类型、A基地，查看一次性达交率的变化，发现A基地的产品质量主要体现在A1、A3、A11的窗类订单。整体而言，门类产品的返修品质明显高于窗类。与业务人员沟通得知，门类的包装与窗类包装不同。结合问题原因，得出门类和窗类品质差异主要还是在运输上而非工艺上。
对比A1、A3、A11产品在A、B基地的一次性达交率，同样的产品，在A品质低于B基地，再次印证订单品质非产品设计问题，而是人为或基地管理不善原因导致。
问题五：从部门责任和问题分类角度分析，问题具体出在哪个环节、是因为什么原因导致订单品质下降？
下站查看二级责任，92%的订单由客户责任、物流部、NTF（NTF：无法划分责任）、供应商质量管理产生，根据问题分类，1/3的返修订单由玻璃货损导致，接近1/3的订单是因为客户尺寸或者其他原因下错了单（反映了营销中心对经销商的培训工作没有做到位，售前测量不精准）。售前和物流问题非常严重。
年度各部门责任影响对比发现，对比2019年，2021年A基地在客户责任、供应商管理（问题大类：型材问题）、下单问题等方便返修订单比例上升明显。A基地的品质下降主要售前经销商管理不当，供应商原材料质量问题。物流玻璃货损未得到改善。
基地各部门责任影响对比发现：B基地在物流管理、责任界定（NTF：无法划分责任）、供应商质量管理方面明显优于A基地。整体说明了 B基地的管理水平高于A基地。下钻对比，发现B基地在2020年及以后改进了物流、供应商管理，但订单管理中心与PMC的责任却突出，与业务部门沟通后得知，2020年架构有调整，B基地的订单统一由A基地的订单和PMC部门管控，远程沟通的不便可能导致问题订单量上升。
责任部门公司承担比例年度对比发现：公司费用下降主要来自客户责任、NTF、物流的费用下降。因物流可分为公司合作物流、经销商指定物流、经销商合作物流等类型，不同类型赔付标准不同，说明公司对物流公司的管理越来越标准化，返修整体责任划分更清晰。生产一科的生产质量明显低于其他生产科，需要特别关注。
问题六：要特别注意哪些经销商？
根据波士顿矩阵+RFM的模型演变，将经销商划分为4类，其中公司承担费率高&半年内返修道数高，此类经销商需要重点关注。
05 完整商品分析作品及模板下载
1）返货品画像的核心标签：交付期问题、A基地管理水平较低、物流部、采购中心、玻璃货损严重、供应商质量管控下降、客户责任、公司承担费率下降、经销商（12510045、12510058）
2）返修订单绝大部分在交付期出现。公司交付管理上存在严重问题，需要加强管理。交付期问题主要体现在物流货损。集成化供应链管理需要提上日程。
3) A基地的品质下降主要是因为物流货损、供应商管理不当原材料出现原材料品质问题、售前经销商处理不当（测量不准、下单下错等原因）。公司需要再次加强物流管理、减少货损产生。运营中心需要加强对经销商的培训，减少因失误导致的订单问题。供应中心需加强供应商品控管理。
4）公司费用下降主要来自客户责任、NTF、物流费用下降。说明公司对物流公司的管理越来越标准化，返修责任划分更清晰。
5）需要重点关注公司承担费率高&近半年返修道数高的经销商。在品控管理上，对经销商分级管理。
结语
帆软软件深耕数字行业，能够凭借强大的产品，为企业快速搭建报表系统与数据分析平台。旗下产品FineBI——市场占有率第一的BI数据分析软件，旨在帮助企业的业务人员充分了解和利用他们的数据，加速企业数字化转型，提升市场竞争力。得益于FineBI强劲的大数据分析功能，用户只需简单拖拽便能制作出丰富多样的数据可视化信息，自由地对数据进行分析和探索。
这篇关于一文讲清如何用BI进行商品分析之返货品画像分析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
