矩阵思维在电商上的使用

在电商业务中或大部分与人和市场有交集的岗位中都会需要用到跨学科综合性的技能知识，分析调研、市场营销、财务管理、统计、项目管理、组织行为学等等。但当涉及的面特别广了，知识就多了起来，多得记不住的时候就只有找到一些知识的基础通用逻辑、模型才是最有效的，找到思考框架然后重复套用。

今天就整理一个简单的思考框架-矩阵思维。

优秀的思考是简约的 ，其中一种叫波士顿矩阵（BCG Matrix）。

波士顿矩阵

波士顿矩阵又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。波士顿矩阵的两个重要指标分别为市场增长率和企业相对市场占有率。

要了解这两个重要指标，我们要先理解两个概念：市场引力和企业实力。

市场引力 主要包括：市场增长率、目标市场容量、竞争对手强弱和利润高低等，企业市场增长率是综合指标。这是市场需求旺盛与否的表征。

市场实力 包括：市场占有率、技术、设备、资金利用能力。其中市场占有率是决定企业产品结构的内在因素。它直接显示你和对手PK的时候能不能吃鸡。

通过这两个指标的组合可以把公司的经营业务分为四类：

产品可以是一款洗发水，可以是一项虚拟服务、也可以是一款APP。于是这些产品被分为高增长率-高占有率、高增长率-低占有率、低增长率-高占有率、低增长率-低占有率。

高-高产品群为明星类产品，想象一下自己穿着香奈儿挎着限量款包包的样子……从财务报告上看，它总是能产生利润，但是高增长往往意味着高投资。某种情况下，它不代表着自给自足。如果市场份额处于垄断或者领先地位时，那么企业不必再维持投入以保持高增长，此时产品能源源不断地维持现金流，它被称为现金牛。

低-高产品群为金牛类产品，银行卡后面的0全靠它了。现金牛产品的特点是高市场份额和低增长率。产品已经迈入成熟期，其特征是产生大量的现金收入，数额远大于维持市场份额所需再投入的资金，是企业支持其他产品的后盾。

低-低产品群为瘦狗类产品，一种冬日傍晚，陈旧街巷那种凄凉的即视感。这类产品对企业都是鸡肋，财务特点是利润率低、处于保本或亏损状态。这类产品往往会实行撤退或者整顿的战略。

高-低产品群为问题类产品，伤脑筋吧？这些产品吸纳的资金总是多于所产生的资金。虽然高增长率意味着市场未来潜力好，但是份额不高要打上一个问号。不投入资金，产品会衰亡，即使投入资金，若只能勉强维持住市场份额。那么它最终仍属于瘦狗产品。

象限是动态的，明星产品的目标是成为现金牛，问题产品需要摆脱泥沼增加市场份额，而所有的产品都可能衰退为瘦狗。

要打一套组合拳，可以使企业的产品互相支持，资金良性循环。

第一法则 ：成功的月牙环。

简单地说就是金牛产品和明星产品要多，问题和瘦狗产品要少，把圆圈框起来就像一个月牙。如果不是这样的结果，那估计你负责的市场做得很痛苦。

第二法则 ：黑球失败法则。

就是你的市场里没有金牛产品，没有可以赚钱的产品，那一块用一个巨大的黑球填起，就像脸上刻了两个字——失败。

第三法则 ：东北方向大吉。

东北方向还是西北方向不是本质，本质是靠近明星产品的方向，远离瘦狗产品的方向。这不难理解，有人下飞机就围拢很多粉丝，他定然是明星吧。

第四法则 ：踊跃移动速度法则。

从问题产品变成明星产品再变成金牛产品，最后沦落成瘦狗，这个过程如果太快了，你就赚不到钱，就像你在看包包，男朋友催你赶快走，还没有摸热，那肯定包包买不成了；但是如果过程太慢了，你以为包包就是你的了？打折的时候，如潮水般涌来的人都在和你抢，还有你的戏份？所以这个过程非常微妙。

充分了解了四种业务的特点后，还须进一步明确各项业务单位在公司中的不同地位，从而进一步明确其战略目标。

通常有四种战略目标分别适用于不同的业务。

发展

以提高相对市场占有率为目标，甚至不惜放弃短期收益。要使问题类产品尽快成为“明星”，就要增加资金投入。

保持

投资维持现状，目标是保持产品现有的竞争格局，对于较大的“金牛”可以此为目标，以使它们产生更多的收益。

收割

这种战略主要是为了获得短期收益，目标是回笼资金。对处境不佳的金牛类，没有发展前途的问题类和瘦狗类产品应视具体情况采取这种策略。

放弃

目标在于裁撤某些业务，减轻负担，以便将资源投入到效益较高的产品。这种目标适用于无利可图的瘦狗类和问题类产品。

一个优秀的销售必须对其业务加以调整，以使其投入的精力和资源趋于合理。

矩阵思维

怎么进一步理解矩阵思维在  电商 中的应用？

BCG Matrix 就像初中我们把学过的象限和坐标轴，用两个指标把条件分不同象限。而现在，我们可以把它认为是一种思考方式。只要留意，矩阵思维其实有很多应用。

电商应用

通过曝光量和利润率能区分出带量商品，明星商品，潜力商品，鸡肋商品

商品 曝光量 利润率 类别 策略

商品A100003%带量产品导流产品，维稳并提高关联销售

商品B500030%明星产品现金流产品，注重售后优化体验

商品C50015%潜力产品增长曝光量、搜索权重

商品D5003%鸡肋产品优化转化率，实在不行的下架

高曝光量-高利润率的商品，属于电商中的明星产品，是重要的现金流业务。这里的曝光量可以是站内的店铺流量，也可以是独立电商平台的各种营销渠道。除了明星产品外，还对应着高曝光量-低利润率的导流商品，低曝光量-高利润率的成长潜力商品，低曝光量-低利润率的鸡肋商品等。

每种类别的商品对应不同的运营策略，潜力商品可以在后期运营中增长曝光量，培养搜索权重；鸡肋商品则要优化转化率。这里通过象限梳理清楚了基于商品的运营逻辑，避免盲目优化。

矩阵思维的一个优点是方便归类和聚焦，它是可以指导策略的。

商品的象限维度不止曝光量和利润率。

我们可以尝试曝光量-转化率，去分析商品落地页的效果，比如高曝光量-低转化率的商品，是不是设计和文案有问题？

也可以尝试利润率-回购率的象限维度，衡量商品长期的盈利多寡，某个商品虽然利润低了些，但是用户会反复购买，那么它也是半个明星产品。

还可以尝试浏览量-时间，去分析新品测款数据，衡量商品短期热度，并不是所有的产品都能顺利走完一圈，有的新品刚上去是瘦狗，数据长时间上不去，一日为瘦狗日日为瘦狗，超过两个月没反应基本就狗带了。

思维的墙

其它领域的应用还有很多，比如经典的时间管理上以重要性和紧急性为坐标得出轻重缓急。阿里巴巴在绩效管理以工作业绩和价值观为坐标区分出不同的象限进行员工管理。

当然如果可以，我们可以多加一个轴，四象限就变为八象限了。

最经典的就是RFM模型用消费金额、消费频率和最近一次消费时间三个指标划分客户价值。

打破思维的墙，世界就是你的。只要象限合理、可用，数量是不是四并不重要。

矩阵思维的目的是区分，区分后我们可以再聚焦。

聚焦就会回到我们常说的二八定律，要用八分的精力重点放在二分的产品上，因为它们会带来八分的利润。

人生，是思维的产物，思维框架就是脚手架，帮你抵达想到达的高点。

跨境电商从未如此性感，Stay Hungry Stay Foolish !

Blog:

Minimalist​carlospythongithubio

可以

商业数据分析是基于业务理论，从数据分析入手，依托统计工具，以决策优化为目的，洞察数据背后的规律，为业务创造最大价值。主要用于:

监控异常数据，如信用欺诈;

建立模型和预测，如产品分析;

关键变分析和预测，如潜在客户分析;

预测分析，如客户流失预测。

业务数据分析不仅仅是为管理提供各种数据。它需要更深入的方法来记录、分析和细化数据，并拟易于理解的格式显示结果。简单地说，业务数据分析使领导者能够了解他们面临的问题，并以有效的方式解决它们。数据本身就是事实和数字。数据分析人员通过在数据中寻找模式来结合业务问题提供有用的信息。然后，决策者可以利用这一背景采取行动，提高生产率和企业盈利能力。

项目背景

在面向客户制定运营策略、营销策略时，我们希望针对不同的客户推行不同的策略，实现精准化运营，以期获取最大的转化率。精准化运营的前提是客户分类。通过客户分类，对客户群体进行细分，区别出低价值客户、高价值客户，对不同的客户群体开展不同的个性化服务，将有限的资源合理地分配给不同价值的客户，实现效益最大化。在客户分类中，RFM模型是一个经典的分类模型，模型利用通用交易环节中最核心的三个维度——最近消费(Recency)、消费频率(Frequency)、消费金额(Monetary)细分客户群体，从而分析不同群体的客户价值。

项目目标

本项目借助某电商客户数据，探讨如何对客户群体进行细分，以及细分后如何利用RFM模型对客户价值进行分析。在本项目中，主要希望实现以下三个目标：1借助某电商客户数据，对客户进行群体分类；2比较各细分群体的客户价值；3对不同价值的客户制定相应的运营策略。

分析过程

1数据预览  

我们的源数据是订单表，记录着用户交易相关字段

通过数据可以发现，订单状态有交易成功和退款关闭的，检查是否还有其他情况

只有这两种情况，后续清洗中需剔除退款订单。然后观察数据类型与缺失情况

订单一共28833行，没有缺失，付款日期是时间格式，实付金额、邮费和购买数量是数值型，其他均为字符串类型

2 数据清洗

(1)剔除退款

(2)关键字段提取：提取RFM模型所需要的买家昵称，付款时间，实付金额

(3)关键字段构造：构建模型所需的三个字段，R(最近一次购买时间间隔),F(购买频次),M(平均或累计购买金额)

首先构造R值，思路是按买家昵称分组，选取付款日期最大值

为了得到最终的R值，用今天减去每位用户最近一次付款时间，就得到R值了，这份订单是7月1日生成的，所以这里我们把“2019-7-1”当作“今天”

然后处理F,即每个用户累计购买频次( 明确一下单个用户一天内购买多次订单合并为一次订单 )

思路：引入一个精确到天的日期标签，依照“买家昵称”和“日期标签”分组，把每个用户一天内的多次下单合并，再统计购买次数

最后处理M,本案例M指用户平均支付金额，可以通过总金额除以购买频次计算出来

三个指标合并

3 维度打分 

维度确认的核心是分值确定。RFM模型中打分一般采取5分制，依据数据和业务的理解，进行分值的划分

R值依据行业经验，设置为30天一个跨度，区间左闭右开

F值和购买频次挂钩，每多购买一次，分值多加一分

M值我们按照50元的一个区间来进行划分

这一步我们确定了一个打分框架，每一个用户的每个指标，都有其对应的分值

4 分值计算 

(1)算出每个用户的R,F,M分值

(2)简化分类结果  

通过判断每个客户的R,F,M值是否大于平均值，来简化分类结果。0表示小于平均值，1表示大于平均值，整体组合下来有8个分组

5客户分层

RFM经典分层按照R,F,M每一项指标是否高于平均值，把用户划分为8类

Python实现思路如下：先定义一个人群数值，将之前判断的R,F,M是否大于均值的三个值加起来

人群数值是数值类型，位于前面的0会自动略过，比如1代表001的高消费唤回客户人群，10对应010的一般客户

然后在python中定义一个判断函数，通过判断人群数值，来返回对应的分类标签

数据解读与建议：

首先查看各类用户占比情况

然后查看不同类型客户消费金额贡献占比

最后导出数据，在tableau中数据可视化展示

通过数据可视化后，我们可以发现：

1客户流失情况严重，高消费唤回客户，流失客户占比超过总客户的50%

2高消费唤回客户和频次深耕客户的金额总占比约66%，这两部分客户是消费的重点客户

3流失客户和新客户的总人数占比约38%，但金额总占比只有约13%

建议：

1针对高消费唤回客户，流失客户采用唤回策略，推送相关信息，发礼品券等挽留客户

2针对高消费唤回客户和频次深耕客户，考虑继续挖掘其消费特性，如喜爱购买的产品，消费的时间段，后续据此加强店铺产品与时间段的改进，最大程度留住这两部分客户

3针对流失客户和新客户金额总占比低，建议推出一些低价产品，用来拉取新客户，保证店铺的活跃性。

• R（Recency）：消费间隔，最近一次距离上次消费的时间间隔

• F（Frequency）：消费频次，一段时间（1个月/1年）内的消费总次数

• M（Monetary）：消费金额，一段时间（1个月/1年）内的消费总金额

      RFM模型是用户价值研究中的经典模型，基于近度（Recency），频度（Frequency）和额度（Monetory）这3个指标对用户进行聚类，找出具有潜在价值的用户, 从而辅助商业决策，提高营销效率。RFM作为一种数据驱动的客户细分技术，可帮助营销人员做出更明智的战略性决策，使营销人员能够快速识别用户并将其细分为同类群体，并针对性制定个性化的营销策略，提高用户的参与度和留存率。

      RFM建模所需要的数据源是相对简单的，只用到了购买记录中的时间和金额这两个字段。我们基于交易数据中用户的最后一次的购买时间，购买的次数以和频率，以及平均/总消费额对每个用户计算了三个维度的标准分。然后我们对于三个维度赋予了不同的权重，再基于加权后的分值应用K-Means进行聚类，根据每种人群三个维度与平均值之间的高低关系，确定哪些是需要保持用户，哪些是需要挽留的用户，哪些是需要发展的用户等。在将这些客户圈出之后，便可以对不同客户群使用不同针对性地营销策略（引导，唤醒等），提高复购率与转化率。值得注意的是，三个维度的权重制定并没有统一的标准，比较通用的方法是用层次分析法(AHP)，实际场景结合行业以及具体公司的特点进行因地制宜、因人而异的优化。

RFM因素：

• R值越高，顾客的有效期越近，对商家活动的响应越积极

• F值越高，顾客的消费频次越高，对商家的忠诚度就越高

• M值越高，顾客的消费能力越高，对商家贡献度就越高

• 想要提高复购率和留存率，需要时刻警惕R值

RFM分析：

• 谁是您最有价值的客户？

• 导致客户流失率增多的是哪些客户？

• 谁有潜力成为有价值的客户？

• 你的哪些客户可以保留

• 您哪些客户最有可能对参与度活动做出响应？

• 谁是你不需要关注的无价值客户？

• 针对哪些客户制定哪种发展、保留、挽回策略？

      通过RFM模型，可以帮助营销人员实现客户细分；衡量客户价值和客户利润创收能力；识别优质客户；指定个性化的沟通和营销服务；为更多的营销决策提供有力支持。

数据导入：使用python的pandasread_csv导入样本数据。

缺失值校验：因数据为生产真实的交易数据，质量相对较高，缺失值较低。

极值校验：第一份样本数据获取的用户订单实付金额，其中会存在优惠或补差支付，同时因就餐人数不一致，产生的的订单消费也会存在较大的差异，造成极致波动、标准差值较大，因此需对金额进行处理，以人均消费额替代订单支付金额，可去掉10元以下、万元以上的交易订单。

获取RFM值：使用 groupby获取RFM值

获取RFM评分值：数据离散，pandascut

实验数据RFM分值占比

说明：F、M分布不均匀，极值差异大，经数据探查知晓该商户开通了企业团餐业务，企业会给员工发放补贴，导致员工呈现较高的消费频次，该类用户的消费行为绝大程度依赖于企业，在实际的RFM模型可踢出此类订单，降低此类人群的分值，其次数据中的M值为客户实付金额，该商户支持预定、会餐、大小桌，同一单的消费群体不同，或可使用人均消费总额作为M值。

RFM数据合并，建立R、F、M数据框：pandas+numpy

计算RFM综合分值：权重法

权重值主要赋值方法可分为主观赋权法、客观赋权法，如下：

主观赋权法：主要由专家经验得到权数，然后对指标进行综合评价。是一种结合性方法，易操作，存在一定主观性。常用方法：层次分析法AHP、权值因子判断表法、德尔菲法、模糊分析法、二项系数法、环比评分法、最小平方法、序关系分析法等。

客观赋权法：依据历史数据研究指标之间的相关关系或指标与评估结果的影响关系来综合评价。这是定量研究，无须考虑决策者主观意愿和业务经验，计算方法较为复杂。常用方法：主成分分析、因子分析、熵值法、变异系数法、均方差法、回归分析法等。

因样本数据分布不均匀，故手动赋权重值，去除部分极值。

结论：以近90天的消费活跃来看，用户消费频次集中在1-6次，呈现出极佳的复购率。可以针对消费一次的人群进行特征分析。比如针对人群的流动性，若流动人群占比较大，可进一步推广特色菜吸引客户，若周边人群占比较高，可基于复购人群的特征进行分析，同时平台可提供该类人群近期消费偏好，供商家参考，制定针对性方案。

      了解RFM定义后，将3个指标作为坐标系的XYZ坐标轴，从空间上切割成8类，作为用户的价值分层，如下图：

用户价值分层说明：

上面我们已经计算得到各个用户的RFM分值，接下来要依据分值进行分类。

定义RFM 的分值等级

使用pyecharts绘制玫瑰图：

结论：商家顾客表现出来的忠诚度较高，但新客获取能力较低。但是单纯看分层占比，并没有实际意义，可以基于价值分层与其他特征关联分析进行精准投放。如下图（网络参考图，本期实验并未涉及其他特征）所示：

      用户画像是基于用户信息与行为衍生出来的特征属性，用户的准入信息是用户的主观特征，是一种既定的事实，通过对用户行为的采集、研究，刻画出单个用户的特征。其意义在于基于某一事物对群里特征进行分类，有效的体现事物的合适人群；同时针对群里特征的偏爱、习惯研究，可以刻画出用户的需求，实现精准化营销。

      用户画像的基础成分来源于用户的准入信息（会员注册时的登记信息），更多的特征数据来源于用户的各类行为，而RFM模型便是基于用户消费行为提炼出来的价值指标。通过对各个价值分层的群体特征研究，可以有效提升获客能力以及针对各类人群实现精准化营销。

      市场和运营往往绞尽脑汁做活动、上新品、蹭热点、做营销，拓渠道，不断开发客户、做回访维系客户感情，除了少数运气好的之外，但大多效果寥寥，这是为何？

      经验丰富的营销人员都知道“了解客户”和“客户细分”的重要性。营销人员不仅要着眼于创造更多的访问量和点击量以提高客户获取，还必须遵循从提高点击率（CTR）转变为提高保留，忠诚度并建立客户关系的新范式。与其将整个客户群作为一个整体进行分析，不如将其划分为同类群体，了解每个群体的特征，并使他们参与相关的活动，而不是仅根据客户年龄或地理位置进行客户细分。而RFM分析是市场营销人员分析客户行为的最流行、最简单、最有效的客户细分方法之一。

针对RFM分层用户制定相应的营销策略:

      • 重要价值客户是您的最佳客户，他们是那些最新购买，最常购买，并且花费最多的消费者。提供VIP服务和个性化服务，奖励这些客户，他们可以成为新产品的早期采用者，并有助于提升您的品牌。

      • 重要发展客户：近期客户，消费金额高，但平均频率不太高，忠诚度不高。提供会员或忠诚度计划或推荐相关产品以实现向上销售并帮助他们成为您的忠实拥护者和高价值客户。

      • 重要保持客户：经常购买、花费巨大，但最近没有购买的客户。向他们发送个性化的重新激活活动以重新连接，并提供续订和有用的产品以鼓励再次购买。

      • 重要挽回客户：曾经光顾，消费金额大，购买频率低，但最近没有光顾的顾客。设计召回策略，通过相关的促销活动或续订带回他们，并进行调查以找出问题所在，避免将其输给竞争对手。

      •一般价值客户：最近购买，消费频次高但消费金额低的客户，需要努力提高其客单价，提供产品优惠以吸引他们。

      • 一般发展客户：最近购买，但消费金额和频次都不高的客户。可提供免费试用以提高客户兴趣，提高其对品牌的满意度。

      • 一般保持客户：很久未购买，消费频次虽高但金额不高的客户。可以提供积分制，各种优惠和打折服务，改变宣传方向和策略与他们重新联系，而采用公平对待方式是最佳。

      • 一般挽留客户：RFM值都很低的客户。针对这类客户可以对其减少营销和服务预算或直接放弃。

      此外，目前的RFM分析中，一般给与M值更高的权重，如果一般挽留客户与一般发展客户占据多数，说明公司的用户结构不是很合理，需要尽快采取措施进行优化。

相信多数的数据分析人员与我一样，刚开始接触数据分析工具时，经常不知该从何下手，分析数据也是胡乱分析一通，往往分析不到想要的结果。同样的数据在专业数据分析师的手里是宝藏，怎么到了自己手中便成了一堆废铁，为什么呢？是我们分析的知识存储不够吗？虽然有部分原因是可能是因为不懂分析模型原理，但也许更多的原因是我们不懂该如何利用工具将各种模型法则运用到分析决策当中去。

打个比方，在客户管理方面，企业想分析哪些客户更重要，时常会通过帕累托模型做分析；想判断哪些客户最有价值，时常会运用到RFM分析模型等等一样。明明分析模型相关的知识都了解，却因为不会用工具实现分析，一切都只是徒劳。接下来我便简单为大家分享关于RFM模型在数林BI中的应用，不会用工具也无需担心，直接参考模板就对了！

一、 关于RFM模型解释

RFM模型由三个维度R(Recency-近度）、F(Frequency-频度）和M（Monetary-额度）组成。

近度R： 表示客户最近交易距离当前天数，本文可以简单理解为客户的最近交易日期与数据采集日期的距离，R越大表示客户许久未交易，反之，表示客户不久前刚交易过。

频度F： 可简单理解为客户在某段时间内交易的频次，F越大表示客户在某段时间内交易越频繁，越小，表示客户交易频次越少。

额度M ：表示客户在某段时间内的消费金额，本文可简单理解为客户在某段时间内的平均消费金额。M越大表示客户在某段时间内成交的金额越大，反之越小。

二、 利用 RFM模型 划分销售客户群体

通过RFM模型可将销售客户群体划分为不同级别类型客户，如下图所示：

三、 RFM模型的应用

如上图所示，这是用数林BI工具从金蝶进销存系统中直接取数，按照特定的要求做出的RFM模型的简单应用，将企业的销售客户划分出来。用户可通过此模型可直观了解到客户处于哪个层级上，比如哪些客户是重要价值客户，哪些仅仅只是一般价值客户等等，并针对划分的类型采取不同的运营措施，例如，重要价值客户是公司的优质客户需要重点保持；而对于公司贡献不大的一般挽留客户，可询问原因，但不必太重点关注，保持一般互动即可通过不同的营销策略管理客户，可在一定程度上为企业减少不必要的资源浪费。

当然，企业可结合其他的图表对销售客户进行分析，如下图所示：

上图是数林BI中建立的一个关于销售客户可视化的BI分析模型，用户可以借此模板掌握公司不同类型客户的情况，从而判断销售客户的价值，并有针对的采取不同的运营举措。

同样，用户将RFM模型结合客户黏性分析，从销售额、单价、品类、笔数等角度分析哪些客户流失了，从而及时找寻可能的流失原因，这对企业的发展有重大意义。