一文讲清如何用BI进行商品分析之返货品画像分析

2024-04-09 22:04

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。

30311d2c752fae3cb31e34561ca1d5c9.jpeg

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:

9b98852da87ac30bbfddfbd0c8049221.jpeg

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。

f4bd7338fda9920d1c4c8cc3b442184c.jpeg

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。

5495d812106bcbb61b9c7b8e80fb5be4.jpeg

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。

857b34996e5b176cc10a1e5c7a551020.jpeg

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。

f0dfbc36710ee722364b3ffb5cb59172.jpeg

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。

04e7ad2bf5016eabff4f63825b0619c1.jpeg

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。

dc712648252056dea56e3f1fdcbee803.jpeg

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。

4bd995c6269aa4267e39a1b8a0c47c29.jpeg

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。

2e8fe104fdbc5e518066157cc2ae6f29.jpeg

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!



http://www.chinasem.cn/article/889323

相关文章

性能分析之MySQL索引实战案例

文章目录 一、前言二、准备三、MySQL索引优化四、MySQL 索引知识回顾五、总结 一、前言 在上一讲性能工具之 JProfiler 简单登录案例分析实战中已经发现SQL没有建立索引问题,本文将一起从代码层去分析为什么没有建立索引? 开源ERP项目地址:https://gitee.com/jishenghua/JSH_ERP 二、准备 打开IDEA找到登录请求资源路径位置

【Prometheus】PromQL向量匹配实现不同标签的向量数据进行运算

✨✨ 欢迎大家来到景天科技苑✨✨ 🎈🎈 养成好习惯,先赞后看哦~🎈🎈 🏆 作者简介:景天科技苑 🏆《头衔》:大厂架构师,华为云开发者社区专家博主,阿里云开发者社区专家博主,CSDN全栈领域优质创作者,掘金优秀博主,51CTO博客专家等。 🏆《博客》:Python全栈,前后端开发,小程序开发,人工智能,js逆向,App逆向,网络系统安全,数据分析,Django,fastapi

业务中14个需要进行A/B测试的时刻[信息图]

在本指南中,我们将全面了解有关 A/B测试 的所有内容。 我们将介绍不同类型的A/B测试,如何有效地规划和启动测试,如何评估测试是否成功,您应该关注哪些指标,多年来我们发现的常见错误等等。 什么是A/B测试? A/B测试(有时称为“分割测试”)是一种实验类型,其中您创建两种或多种内容变体——如登录页面、电子邮件或广告——并将它们显示给不同的受众群体,以查看哪一种效果最好。 本质上,A/B测

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者

MOLE 2.5 分析分子通道和孔隙

软件介绍 生物大分子通道和孔隙在生物学中发挥着重要作用,例如在分子识别和酶底物特异性方面。 我们介绍了一种名为 MOLE 2.5 的高级软件工具,该工具旨在分析分子通道和孔隙。 与其他可用软件工具的基准测试表明,MOLE 2.5 相比更快、更强大、功能更丰富。作为一项新功能,MOLE 2.5 可以估算已识别通道的物理化学性质。 软件下载 https://pan.quark.cn/s/57

衡石分析平台使用手册-单机安装及启动

单机安装及启动​ 本文讲述如何在单机环境下进行 HENGSHI SENSE 安装的操作过程。 在安装前请确认网络环境,如果是隔离环境,无法连接互联网时,请先按照 离线环境安装依赖的指导进行依赖包的安装,然后按照本文的指导继续操作。如果网络环境可以连接互联网,请直接按照本文的指导进行安装。 准备工作​ 请参考安装环境文档准备安装环境。 配置用户与安装目录。 在操作前请检查您是否有 sud

线性因子模型 - 独立分量分析(ICA)篇

序言 线性因子模型是数据分析与机器学习中的一类重要模型,它们通过引入潜变量( latent variables \text{latent variables} latent variables)来更好地表征数据。其中,独立分量分析( ICA \text{ICA} ICA)作为线性因子模型的一种,以其独特的视角和广泛的应用领域而备受关注。 ICA \text{ICA} ICA旨在将观察到的复杂信号

【软考】希尔排序算法分析

目录 1. c代码2. 运行截图3. 运行解析 1. c代码 #include <stdio.h>#include <stdlib.h> void shellSort(int data[], int n){// 划分的数组,例如8个数则为[4, 2, 1]int *delta;int k;// i控制delta的轮次int i;// 临时变量,换值int temp;in

三相直流无刷电机(BLDC)控制算法实现:BLDC有感启动算法思路分析

一枚从事路径规划算法、运动控制算法、BLDC/FOC电机控制算法、工控、物联网工程师,爱吃土豆。如有需要技术交流或者需要方案帮助、需求:以下为联系方式—V 方案1:通过霍尔传感器IO中断触发换相 1.1 整体执行思路 霍尔传感器U、V、W三相通过IO+EXIT中断的方式进行霍尔传感器数据的读取。将IO口配置为上升沿+下降沿中断触发的方式。当霍尔传感器信号发生发生信号的变化就会触发中断在中断

kubelet组件的启动流程源码分析

概述 摘要: 本文将总结kubelet的作用以及原理,在有一定基础认识的前提下,通过阅读kubelet源码,对kubelet组件的启动流程进行分析。 正文 kubelet的作用 这里对kubelet的作用做一个简单总结。 节点管理 节点的注册 节点状态更新 容器管理(pod生命周期管理) 监听apiserver的容器事件 容器的创建、删除(CRI) 容器的网络的创建与删除