直播数据分析中5大经典模型的使用-九数云BI
本文为大家介绍直播数据分析中5大经典模型的使用
直播数据分析中商品是核心，如何确定产品定位，使直播间不光销售额高，毛利率也高？如何组合产品，提升客单价？如何在合适的时间上合适的品，最大化利用流量？我们可以通过直播数据分析中几大经典数据分析模型来回答
今天来跟大家一起看看5大经典的数据分析模型，怎么用在直播商品分析中实际落地
1、 波士顿矩阵：产品定位确立
波士顿矩阵是一种用于产品组合管理的工具，它根据市场增长率和市场份额，将产品划分为四类：明星产品、现金牛产品、问题产品和瘦狗产品。
在商品的直播数据分析中，可以使用波士顿矩阵分析产品销售额和毛利率的关系，从而确定产品的售卖方式
- 明星产品（高销售额，高毛利率）：直播中的“爆款”，将它们作为主打商品
- 现金牛产品（高销售额，低毛利率）：直播中的“引流款”，吸引用户进入直播间
- 问题产品（低销售额，高毛利率）：直播中的”促销款“，通过特别促销或优惠活动
- 瘦狗产品（低销售额，低毛利率）：直播间”福利款“，通过送、买赠的方式尽快清仓
2. Kano模型：产品功能点优化
KANO 模型通过对需求满意度、具备度的二维分析，将需求划分为必备型、期望型、兴奋型、无差异型、反向型五类，分别以英文字母M、O、A、I、R表示，还可以通过计算Better-Worse系数，表示某功能可以增加满意或者消除很不喜欢的影响程度。
Better系数=（期望数+魅力数）/（期望数+魅力数+必备数+无差异数）
Worse系数= -1*（期望数+必备数）/（期望数+魅力数+必备数+无差异数）
在直播商品分析中，通过问卷收集了解用户需求，计算better-worse系数，并绘制波士顿矩阵图；从而找到产品功能优化的着重方向
3. 购物篮分析模型——产品搭配优化
购物篮分析模型通过计算直播间常常被一起购买的产品，找到最优的产品组合，主要通过计算以下三个度：
- 支持度=同时购买A和B订单数 / 总购买订单数
- 置信度=同时购买A和B订单数 / 购买A的订单数
- 提升度=支持度 / ( (购买A次数/总购买订单数)*(购买B次数/总购买订单数) )
根据购物篮分析结果，可以进行以下几种产品搭配：
- 高关联商品组合：支持度高的产品组合，为用户经常一起购买的商品组合，通过捆绑销售或套餐推荐提升销售量。
- 跨类推荐及附加品推荐：置信度高的产品组合，用【顺便买】的方式推荐这类组合里的【B】，如用户下单衣服时推荐一个饰品
4. TGI分析模型：精确产品直播时间、推广方式等
TGI模型通过分析不同目标群体对商品的偏好，用来衡量哪些商品在某一特定群体中受欢迎程度。
计算公式：TGI=(x1/A)/(x2/P)*100
目标群体：A
总体：P
某一特征：x
目标群体中某一特征数量：x1
总体中某一特征数量：x2
TGI通常以100作为分界点，如果TGI大于100，意味着这个群体更喜爱这个商品。
在直播商品分析中，运营们可以通过分析以下几个场景，来精准产品的直播时间、推广方式等
- 计算产品在直播场次中的TGI指数，找到购买者最爱购买该产品的时间段
- 计算产品不同推广方式中的TGI指数，找到购物者最容易被吸引的推广方式
- 计算产品不同地区的TGI指数，找到购物者的集中区域、人群特征等，定向推广
5. 帕累托分析模型：把握核心商品的直播数据分析
帕累托法则的核心在于80%的销售额往往来自20%的核心商品。
比如一共有100件商品，10件商品占销售总额的70%，20件商品占销售总额的20%，还有70件商品仅占销售总额的10%。
于是你可以按照70%，20%，10%的销售额比重把产品分为ABC三类，然后把重点的管理资源放在A，把较少的资源分配给C或者砍掉部分C商品，以达到资源管理的最优状态。
在直播数据分析中，帕累托法则可以
- 识别出贡献最多的商品，优化商品的排列顺序
- 分析退货数据，识别导致大部分退货的问题商品，快速采取措施
上一篇: 11月更新｜新增「飞书集成」模式！另有多个分析表、图表功能更新，优化分析体验
下一篇: 门店库存盘点表与库销结构分析-九数云BI
