数据分析十大模型之五 人货场模型

我看到收入下降/新增用户减少/成本上升，该怎么进一步分析呢？很多人有类似困惑，经常写了一堆同比环比，除了同比降了，要搞高就不知道写啥。该怎么办呢？

这里推荐一个简单、实用、易上手的分析模型，能解决80%的常规问题。这就是人货场模型，它不是算法模型，所以不需要了解复杂的统计学原理，只要对业务熟悉就能用。

什么是人货场模型

人货场模型是一个固定的分析套路，当我们分析问题时，从这三个维度深入，从而得到答案:

• 人：客户、业务员

• 货：商品结构，商品价格

• 场：销售渠道，推广方式

这样的操作看起来很简单，但解决了一个大痛点，就是：数据分析如何落地？的问题。

• 只讲：收入低了，要搞高，没人知道该怎么搞。

• 你说：收入低了，因为其他人不会小张的方法，业务立刻秒懂，这就回去学习！

这样就实现了从数据到业务行动。那么，该怎么操作呢？

怎么应用人货场模型

第一步：业务梳理，先了解基础数据。

1、我司有哪些客户（人）

2、我司有哪些销售（人）

3、我司有哪些商品（货）

4、我司有哪些渠道（场）

第二步：打标签，做分类。这一步至关重要。因为数据库里，可能只有具体的客户名称/具体商品编码/渠道代码，对着这些琐碎抽象的东西没法做分析，需要做概括性分类。

常见的分类，比如：

1、C端客户（人），按累计消费/会员等级进行分类，区分高低购买力客户；

2、B端客户（人），按行业/公司规模分类（大公司需求天然大，要争取）

3、业务员（人），按从业经验，过往业绩水平，手头持有老客户数分类

4、商品（货），根据商品自然属性，做一二三级分类 + 商品毛利

5、线下渠道：按地区、位置、营业面积、营运成本进行分类

6、线上渠道：按推广平台，投放费用多少，转化率高低分类

经过这一步处理，需要形成分类思维导图，便于分析时形成思路；同时在数据库里打好标签，便于后边交叉对比（如下图）。

第三步：明确分析目标。这是所有分析都必须的，目标要具体：

• 错误目标：销售额下降了，分析下

• 正确目标：9月销售仅达标85.3%，分析差异来源

分析目标还可以是新注册用户数/经营单位成本费用/商品库存等等，只要具体就行。

第四步：从人货场维度进行拆解，寻找问题原因。这里要注意：

1、先看大分类，再看小分类

2、从差异大的维度开始

3、先看完一个分类，再看另一个

举例：9月销售仅达标85.3%，可以先分别看以下哪个维度达标率最低，从哪里下手：

1、不同销售渠道达标率

2、不同商品品类达标率

3、不同客户目标达标率

这里需要根据数据情况，调整切入的维度，比如下图，虽然看起来两个团队都没有达成目标（人），但是从商品（货）的角度看，问题实际是新品未达标造成的，此时就不要再纠结AB团队的问题，而是将新旧商品切换为主分析维度，继续往下挖原因。

经过这一步拆解，能锁定主要问题点，之后再做深入分析。

第五步：结合过程指标，深入分析原因。比如上例，我们发现：新品达标情况很差。再往下解释为什么差，需要更细节数据，比如：

1、产品基础性能参数与竞品对比

2、产品价格与竞品对比

3、产品推广投入与自身同类产品同期对比

4、产品铺货进度，计划与实际执行对比

这样才能具体看出问题所在

这一步对于数据落地是至关重要的。但有些公司数据采集并不齐全，导致很多过程数据缺失。弥补的办法，只能靠拉上业务一起开会，确认细节后再观察整改效果。

不同行业的人货场模型

不同行业，在构造人货场模型时，会有差异性：

1、有实体店的，门店位置特别重要！因此优先对门店打标签，做分类

2、toB业务的，大客户订单非常重要，因此优先对客户行业/规模做分类

3、互联网产品，C端用户非常多，因此优先对用户做分层，再做其他分类

这是非常考验数据分析师水平的地方。如果不会合理地分类，面对大量零散数据是没法总结出结论的。在我辅导同学们的过程中，经常发现类似问题，因此干脆做了《如何打标签》的指引放到知识星球里，以供参考。

人货场模型深入应用

深入讨论人货场，大家会发现更多复杂的情况，比如：

情况1：优秀标杆不可复制。比如：发现销售团队里小张很好，但小张自带客户资源，其他人没有这个条件，此时只能再找其他方法。

情况2：短期策略不可持续。比如：短期内靠促销（货）拉动业绩，但促销不能一直做，只能再做分析，看非促销情况下还有什么方法。

情况3：两个维度相互影响。比如：特定商品只在特定地区好卖，意味着要观察商品X地区的组合，来判断销售情况。

看完觉得写得好的，不防打赏一元，以支持蓝海情报网揭秘更多好的项目。

标签： 货场 分析 分类 随笔