問題場景：
某生鮮電商，使用者複購率較低，60%的使用者在30天內無二次購買行為，運營領導非常著急，要求通過資料分析提公升複購率，請問你作為資料分析師該怎麼做？
建立人工智慧精準推薦演算法（40%概率用協同過濾，60%用關聯分析）把過往6個月月初複購率做成折線圖，然後寫下蒼勁有力的三個大字：「要搞高！」分析個啥，做電商不就是派券嗎！所有無復購使用者派券，幹就完了奧力給！還是你有其他辦法？
一、貨物屬性分析
先問乙個簡單問題：大公尺、白面、一桶油和士多啤梨、車厘子、山竹有什麼區別？即使你沒買過菜也知道：公尺麵油是每天都得吃的東西，沒啥季節性；士多啤梨、車厘子、山竹不會每天吃，季節性很強。如果去菜市場或者超市逛一下又會知道：公尺麵油一般是整包、整桶買，買回去一桶能吃很久，還有專門的公尺桶、公尺盒、油壺用來分裝。士多啤梨山竹一般拆散零售，而且不耐放，買回去不吃過幾天就壞了。
這些看似家常便飯的產品知識，統稱為：貨物屬性。貨物屬性會直接影響到消費者購買行為：
有乙個簡單的矩陣模型可以描述生鮮產品的複購思路，核心是產品購買頻率和產品關聯度。購買頻率上文有解釋，產品關聯度指的是某些產品天生會一塊買。特別在生鮮領域，比如買了凍雞翅、竹籤，很有可能會買木炭、丸子、燒烤汁，因此兩維度交叉既有如下矩陣（如下圖）
二、賣場屬性分析
快速問乙個問題：你今天中午準備吃啥？不要思考，馬上回答！
十個同學有十個答不上來，對不對。實際上讓你對著餓了嗎你都得糾結十幾二十分鐘，更不要說提前預備了。
賣場屬性，包含：
便利性：距離越近、越方便的菜場肯定越吸引人整潔程度：越乾淨的菜場肯定更吸引人產品豐富程度：菜品越豐富的菜場越吸引人產品新鮮度：菜品越新鮮水靈的越吸引人產品**：因為鋪租、人工不同，有的賣場就是死貴死貴的在傳統線下門店裡，關於賣場位置也有個矩陣模型。（如下圖）
線上渠道用的指標和線下類似，區別是，使用者的登入場景、登入頻次、登入後訪問內容，代替了門店位置遠近。線上渠道在內容和跳轉路徑上能做的分析，是遠多於線下的。
有意思的是，不同於服裝、零食、玩具等快消品，在生鮮領域，線上渠道的體驗反而比線下差。因此線上生鮮優勢體現在：不能出門的場景上。比如下雨天，比如疫情期間交通管控，比如上下班沒時間逛菜市場等等等。
然而這就又引發第三個問題：有些使用者可能就是單純圖便宜，有些使用者真的有線上購買的剛需。因此必須考慮人的因素。
三、使用者屬性分析
一提使用者屬性，很多同學條件反射的都是：性別、年齡、地域。問題是你的公司真的能採集到這麼多真實的使用者資訊？而且這些字段不見得能看出啥，最典型的就是性別，男女比例差異常常只有幾個點，能說明個屁問題。
基於互動、消費行為標籤會更好用，比如生鮮電商的領域，有多少客戶是註冊送20元公尺麵油券，首單免配送費，進口車厘子25元4斤這種活動搞進來的。這叫**敏感型使用者。類似的，還可以打：剛性購買使用者、異常天氣購買使用者、疫區使用者等等標籤，這些可能區分度更高（如下圖）
四、人貨場模型搭建
有了三個維度的基礎理解，就能用來綜合解釋問題。回到開頭的「生鮮電商複購率低」的問題。可以先從人貨場角度建立分析假設：
人角度：
地推質量太差，使用者本身沒有需求使用者有需求，但是薅羊毛型太多，剛需性少剛需使用者有一定量，但產品不符合使用者需求貨角度：
商品本身品類太少品類不少，但沒有強勢引流款有引流款，但**沒優勢場角度：
使用者習慣未建立，二次登陸都很少二次登陸有，但沒有進到購買頁進到購買頁，但未下單各自建立假設後，有兩種方法建立整體思路：
第一，從資料出發，哪個問題嚴重就從**下手
第二，從業務出發，最近發生哪些大事，從**下手
如下圖：
最後可以把各個分析維度擰起來，組成整體分析邏輯，從粗到細形成結論，如下圖：
五、小結
人貨場三個維度之所以經常用，是因為這三者與使用者行為有直接關係，並且商品屬性、賣場屬性、使用者習慣都有一些天生的規律可循。因此很適合作為分析的基礎，做深做細。一方面能對業務有更清晰的認知；另一方面，想建立更複雜的模型也有線索了。
然而現在行業裡普遍存在的問題，是做業務的新人就知道發券，難言之隱一券了之，還美其名曰：網際網路思維就是免費！做資料的新人就知道rfm，關聯分析，一講模型就想協同過濾，拜託小哥哥們，就你那平台使用者粘性，百分之六七十一次登入，使用者天生就是優惠券買來的，有多少真實資料給你訓練模型呢。就像生鮮電商行業，真去幾趟菜場，和買菜主力人群：大爺大媽、家庭主婦聊聊，會比每天和吃餓了嗎的同事討論aarrr有用的多，可以一試哦。
資料分析模型總結
1.邏輯回歸 from sklearn.linear model import logisticregression clf logisticregression penalty l1 solver saga tol 0.1,c 0.1,random state 0 clf.fit x train ...
資料分析必會的六大實用模型
對於剛剛接觸資料分析的人來說，經常會有這樣的困惑和疑問 資料分析究竟難不難？難的話難在哪？為什麼有時候作分析不知道從何下手，只能眉毛鬍子一把抓？其實就連一些已經在資料分析行業浸淫十幾年的老油條，有時候做起分析來也會手忙腳亂，根本原因就在於沒有抓住資料分析的本質，我們是為了用大量資料去分析 解釋和 基...
資料分析之漏斗模型
提起漏斗，讓我首先想到的是它的 形狀 圓錐形的 頂部寬底部窄 其次是它的 功能 過濾雜質，如生了蟲的白面 炸過豆腐的油等。形狀如下圖形狀才能夠有效的行使它的功能職責 過濾。功能過濾雜質 生了蟲的白面 小時候的農村，夏天雨水較多，家裡比較潮濕，缸裡的面經常會有蟲子光顧。那個時候物質匱乏，不捨的扔掉，會...