品牌数据大脑分析思路

品牌数据大脑如何使用，能发挥最大的价值。在这个模块，我们整理输出了一些基于现在洞察产品的能力，垂直于电商分析场景的分析模型和分析思路。

1、基于历史的MBR分析（Memory-Based Reasoning）

通过分析以前发生过的事情，来推断未来类似事情发生的一些特性。
比如你要想对双十一的新客进行更好的维护，
你可以去分析去年双十一客户后面都有哪些人在什么时候转化了；
没转化和转化的人购买的商品有何区别；
转化后低客单和高客单的客户后续转化率是否有区别。
通过这些对于历史数据的分析，能对现在这波刚来的双十一客户进行进一步了解。甚至预判其中购买那些商品，客单是多少以上的客户转化几率很大，他们可能在什么时候下次购买，我提前进行触达更好地让这部分人转化。

举例：

维度：总购买次数（1~2、2~3）
对比：客单价（区间）
筛选条件：首次付款时间2015-11-11 ，付款时间2015-11-11~

如图，分析首次购买时间在2015年双十一的所有客户中，各个客单价层级的客户，有多少现在成了老客，有多少现场还是新客（也就是2015双十一来过后即流失）
即可发现，该店铺，2015年双十一的新客里，客单低于100的客户转二次老客的概率非常低，而客单价100以上则越来越高。可初步判断客单在100以上的双十一老客转化率约50%

维度：商品名称
对比：总购买次数（1~2、2~）
数值：会员数
筛选条件：付款时间2015-11-11~2015-11-11 首次付款时间：2015-11-11~2015-11-11 客单价100~

进一步对比分析，客单价都在100以上2015年双十一的新客中后续转化的和没转化的客户分别购买商品的对比。可发现有些购买某些商品的新客转化率较高，有些则较低。比如图中第二个商品，新客数比老客数多了一倍左右，即可认为该产品不能很好的引导客户转化。而图中第四个商品，老客转化率则大于50%以上。故可看到不同商品的商品转化率有明显的区别。
再仔细分析转化率低的商品发现转化率低的商品大都是超大包装的商品（如四月装），可能用户一次在双十一购买后，等产品周期结束后，对品牌的印象已经极低，导致，故对于双十一的商品布置商家是否可以进行调整。

2、聚类分析

零售行业的聚类分析主要是指将具有相似购物行为的顾客进行群体的细分，以支持精细化的营销活动，带来更大的营销效果，节省成本。
使用全景洞察可以对用户，通过购买商品，首次付款时间，回购周期，总购买次数，客单价，货单价，最后购买时间，累计支付金额，等方式聚类，同时对比客户的属性。
这也是商家分析老会员购买习惯最常用的方法。
比如：有客户会对所有会员，按首次付款时间，按月进行打包聚类，分析每个月的新客后续的复购率。这种做法适合配上环比分析。如图：

通过环比分析，可以挖掘同样是一月的新客，他们会有同样的后续复购的规律而两者的差异可能也能从侧门反应出不同的营销策略给这部分会员的影响

维度：累计付款商品数（1/2/3/4/5/6）
对比：总购买次数（1/2/3~）
数值：会员数（百分比）、货单价（平均）、客单价（平均）

这张报表，通过对于购买次数和购买商品数的聚类分析，可以查看到不同购买次数，不同商品购买数人群的客单货单的区别，可以通过这个分析，针对不同购买次数的客户根据他们不同的客单价和货单价，个性化推荐不同商品组成的商品组合。而商品的货单和组合的总价即可对应到货单价和客单价。

3、RFM模型

在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个 客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。
可以先通过累计支付金额分析，将客户现分为M低，M中和M高三个等级。
然后对每个等级的客户在进行RF分析