O2O优惠券核销-数据分析2.0

十二十二呀

已于 2023-04-01 10:56:05 修改

阅读量1.3k

点赞数 2

分类专栏：数据分析笔记文章标签：数据分析

于 2023-01-31 16:26:22 首次发布

本文链接：https://blog.csdn.net/twlve/article/details/128809857

版权

这篇博客聚焦于O2O优惠券的核销数据分析，通过漏斗模型揭示用户领券、核销、复购的转化率。作者发现领券转化率高（95%），但核销转化率低（9%），复购转化率为60%。针对低核销率，作者提出采用人货场分析法，并针对新老用户、领券时间和地理位置等因素提出优化策略，如优化优惠券发放时机、简化使用规则、提高用户沉没成本等。此外，通过RFM模型分析用户价值，提出针对不同用户群体的精细化运营建议，以提升优惠券核销和销售增长。

摘要由CSDN通过智能技术生成

写2.0版本是因为后来再次复盘的时候我觉得1.0版本比较杂乱，没有一个比较明确的分析目标和分析路线，从头在看好像只是在进行一个简单的数据探索，有种东一榔锤西一锄头的感觉，于是2.0版本决定聚焦在用户的角度，利用漏斗模型去探索用户各阶段的转化率，以及挖掘背后的原因，感觉写完这一版本确实更通畅了一点。

一、项目背景

O2O行业关联数亿消费者，各类APP每天记录了超过百亿条用户行为和位置记录，因而成为大数据科研和商业化运营的最佳结合点之一。以优惠券盘活老用户或吸引新客户进店消费是O2O的一种重要营销方式。然而随机投放的优惠券对多数用户造成无意义的干扰。对商家而言，滥发的优惠券可能降低品牌声誉，同时难以估算营销成本。个性化投放是提高优惠券核销率的重要技术，它能让具有一定偏好的消费者得到真正的实惠，同时赋予商家更强的营销能力。

二、分析目的

使用漏斗模型对用户进行分析，对各环节用户转化率的情况进行收集对比，从中发现问题并对问题发生的原因进行分析，然后尝试给出业务建议。继而利用RFM模型进行用户价值分析，力图对用户进行更高效的精细化运营，促进优惠券核销以及销售增长。

三、数据集描述

数据说明：用户在2016年1月1日至2016年6月30日之间真实线下消费行为数据

分析工具：SQL、Tableau、Excel

数据来源：https://tianchi.aliyun.com/competition/entrance/231593/information

数据字段：

四、分析内容

4.1 明确问题

漏斗模型各环节的数据分别是：

用户总数>>领券用户数>>领券消费用户数>>复购用户数

使用SQL语言统计各环节的用户数以及相对上层的转化率，并利用Tableau绘制漏斗模型：

with t1 as # 所有用户
(select
     count(distinct User_id) as all_users
 from offline_train),

t2 as( # 领券用户
select
    count(distinct User_id) as getcoupons_users
from offline_train
where Date_received is not null),

a1 as(# 首次用券核销用户
select
    User_id,
    min(Date) as first_date
from offline_train
where Date_received is not null and Date is not null
group by User_id),

a2 as( # 用券后复购用户
select
    count(distinct User_id) as second_user
from a1
inner join offline_train using(User_id)
where offline_train.Date>first_date
)

select
    (select all_users from t1) as all_users,
    (select getcoupons_users from t2) as getcoupons_users,
    count(distinct User_id) as usecoupons_users,
    (select second_user from a2) as second_users,
    (select getcoupons_users from t2)/(select all_users from t1) as get_rate,
    count(distinct User_id)/(select all_users from t1) as use_rate,
    (select second_user from a2)/count(distinct User_id) as second_rate
from offline_train
where Date_received is not null and Date is not null;

输出结果：

从上述漏斗模型中我主要发现三个现象：

第一：用户领券转化率约为95%，数据表现非常好

第二：用户核销转化率仅为9%，转化率比较低，问题比较严重

第三：用户领券后复购转化率为60%，效果比较理想

4.2 确定分析方法

现象一：用户领券转化率约为95%，数据表现很好，说明优惠券覆盖率很高，但仍有提升空间，优先级暂列为不重要不紧急1星。可以根据该运营策略不断总结并从中寻找进一步提升。

现象二：用户核销转化率仅9%，问题比较严重，应该优化提升优惠券核销策略，优先级列为重要且紧急5星。具体分析方法采用人-货-场进行分析。

现象三：用券核销用户复购转化率达到60%，效果较为理想，该部分是用户留存的重要环节，已经有现成成功经验可以复制，优先级列为重要不紧急3星。针对用户行为进行复购分析。

4.3 用户领券转化率分析

对于第一个现象，数据表现很好，优惠券覆盖率很高，但是仍有提升空间，可以根据该运营策略不断总结并从中寻找进一步提升。由于数据字段有限，无法进一步分析，这里简单提一些业务建议：

优惠券存在用户主动领券和平台自动发券现象，因此为了提高后续的转化率可以增加用户主动领券的场景，如可以基于搜索或浏览记录实时发放优惠券，让用户快速决策，可以把优惠券链接放在店铺首页，强化促销效果

增加积分发券、助力发券、任务发券等形式增加用户沉没成本，提高后续优惠券的核销率