【Tableau】用大数据做会员分析ing

·· 消费者（顾客）、会员

对于商家而言，消费者（customer）是匿名的，或者说是不具体的，商家会模糊不同的消费者之间的差异；而当顾客成为会员（member），他就留下了有别于消费特征的个人特征，作为回报，商家可以知道会员之间的差别，给予不同的优惠。

矛盾在于，传统的企业在从顾客消费向会员消费转变的过程中，忽视了二者的差异；把“会员制”作为了优惠的途径之一，却没有作为一种值得深挖的营销手段和运营方案。

·· 顾客分析

顾客是会员分析的前提，既然顾客分析是基于POS的，POS中一般会记录与商品相关的信息：随机的唯一编码、商品名称、商品编码、销售数量、销售金额，不同行业的差异，可能还会记录商品品类编码、支付方式等。

基于POS的分析有几个关键的指标：

• 件单价（平均商品的销售单件）
• 客单价（平均订单销售金额）
• 购物篮系数（连带率、客件数，平均订单的销售数量）
  • 除了总体的连带率，还可以看单品或品类的连带水平

··· 会员分析

会员分析首要的事情是数据清洗，因为不是所有的顾客都是有效的会员，也不是所有的会员带来的都是有价值的消费。

早期的会员制开始推行时，顾客消费和会员消费是分开的，顾客不一定是商家的会员，也可以在商家消费，现在大润发、银座也都有类似的机制，比如每台收银台分配特定的店内卡，作为虚拟的会员结账；

会员制对销售员的影响一般比较大，因此很多的数据“噪音”甚至“虚假信息”来自销售员，比如为了把顾客的消费归到自己名下，准备几张个人会员卡频繁使用，比如配合代理商刷单而使用特定会员卡，比如为了完成新增会员任务而伪造信息等。这些都是“会员分析”前必须处理的。

数据清洗要处理的数据噪音是：店内卡、员工卡、虚假卡；

···· 有效会员

数据清理之后的重要工作是界定“有效会员”，

广义的有效会员是所有的会员剔除店内卡、员工卡、虚假卡的数据；为了分析的质量，还可以继续限定会员的质量，比如要求半年消费至少3次，消费金额大于10元，二次筛选之后形成的有效会员，可以视为是有质量的会员，或者称之为“狭义的会员”。

会员分析就是会员质量的分析，可以体现在几个维度：

• 一是会员的结构，如年龄段分布、购买次数的分布及贡献等，结构指标重点看中长期的对比，如季度、半年度、年度同比；
• 二是会员流动性上，如新增会员的占比与贡献，复购比率，体现的是不同阶段的流动性，特别是新增、一次购买、多次购买的变化特征，流程性指标重点是看不同月份、季度的趋势；
• 三是会员的静态消费特征，如品类的交叉连带指数、人均消费金额与频次等。

基于以上的分析维度，有效会员的几个关键指标有：

• 新增会员数，及新增贡献度
• 老会员的转化率
• 期间的会员购买次数及分布 （附图）
• 会员分级及各级别贡献度（ABC分类，或者按照特征分类，如年龄）
• 人均消费金额与人均消费频次，月度数据及趋势（附图）

· 使用Tableau做会员分析

Tableau的数据清洗功能并非想象的强大，但是可以通过计算字段、集、筛选等多种方式来处理。

“Tableau 最核心的用途是帮助人们轻松连接自己的数据，对其进行可视化和分析，从而以更快的速度发现见解。 然后可以安全地在自己的组织中进行分享和协作。 这种方法可以提供显著的价值，并且正在迅速让自助商业智能成为新标准。”

1、数据整理之 订单防重合

消费数据来自近百家门店，但是订单号在门店内唯一，在门店之间可能重复，使用新的「单号」字符串：

2、数据整理之 筛选店内卡和员工卡

数据中已经有一个字段“mdk”，对门店上报的“门店卡”做了标记，但是依然部分“会员卡”是门店卡，我们可以建立筛选的规则。

• 疑似店内卡：6个月，订单数量超过180次（相当于每天购物一次，这个指标相当宽松）。
• 疑似店内卡或异常卡：6个月，消费金额大于3万；
• 异常卡：6个月，消费金额小于2元。

我们可以通过“集”实现，也可以借助LOD通过计算字段来实现，比如订单数量超过180次：

IF {fixed [cardcode] : countd([New_DH])>=180 THEN “店内卡” END

不过，计算字段会增加数据表的字段，就像上面新增“New_DH”的计算字段，数据源中的每一行都增加了这个字段。所以在数据清洗阶段，我并不建议使用计算字段，否则就是清洗的过程，反而增加了无效字段。

当我们使用多个计算条件时，比如半年订单数超过180，消费金额超过3万，可以使用多个集合，然后再建立“合并集”来实现。下图的动画中，我建立了三个“集”，然后通过“创建合并集”获得并集。

使用LOD制作会员消费频次

在Tableau官方指南中，LOD（详细级别表达式）的第一大作用就是计算顾客的购物频率，我们看一下数据结构：

数据源是消费清单，一个订单对应多个SKU，一个SKU只对应一个订单；计算顾客的购物频率，实际上就是计算每个顾客的订单数量，我们使用LOD如下：

P会员人均消费次数= {  FIXED [CardCode]: COUNTD([New_DH]) }

用类似的方法可以计算“人均消费金额”，当然，我们还要看不同购买频次的销售金额占比。

上面是整个区间的分布，体现的是整个公司的结构；另一个方面，我们还需要看月度的趋势，我们可以看到，人均消费次数和人均消费金额的趋势保持了基本一致性。

会员新增

动态的分析是难点，毕竟不像静态的结构化数据一样通过拖拽和几次计算就可以，动态指标往往需要更多的计算步骤。比如是新增会员和贡献。

如果数据样本足够大，可以以月度为单位看新增数量，如果样本比较小，比如看单店，看连续几个月的移动平均会更有代表性。

新增会员=期末会员总数-期初会员总数

因为数据源是半年度的消费明细，无法体现老会员的注册日期，新增还需要知道会员的注册信息才能计算。