淺談線下場景中的資料分析思路

作者介紹：@Albert，就職於某知名大資料服務公司，專注於資料產品、資料埋點和使用者行為資料分析和應用“資料人創作者聯盟”成員。

筆者在之前曾經撰寫過一篇關於指標體系的文章《淺談使用者標籤的實現困境和搭建方法》，該篇文章詳細闡述了什麼是指標/指標體系以及其搭建方法，但是該篇文章的指標體系主要針對的都是線上觸點(app、小程式)。

筆者在工作過程中發現，對於一些傳統企業，他們還會有線下的場景，例如快餐店內線下點餐屏的使用者行為，4s店展臺上觸屏的使用者軌跡等，這些場景的使用者行為資料也是值得被收集和分析的，然而由於各種技術限制與認知不足，很多企業還未意識到線下場景資料對使用者運營和業務增長的重要性，故筆者撰寫本篇文章，旨在與大家分享搭建線下資料分析場景時的難點與思路。

01線下資料的採集與應用難點

① 線下資料的id-mapping：在上述餐廳點餐大屏的場景中，我們一般很難強制讓每個使用者在點餐時都登陸他們在app/小程式上的賬號，因為這樣做耗時且費力，還會降低點餐效率和使用者購買慾望，甚至還會讓餐廳裡排起長龍(各位可以回憶一下，一般我們在諸如kfc、麥當勞之類的餐廳點餐屏點餐時，是不是快速點完餐食就立刻取餐走人?)。

由於前述限制，我們很難區分點餐大屏背後一個個獨立的人，在計算實際uv時該資料會明顯變小，因為在非登陸場景下，我們只能以裝置id為單位去計算uv，但是這些裝置是公用的。

② 線下資料分析場景搭建難：線下資料分析和應用目前仍然處於初期，很多傳統企業還不知道如何使用這些資料去助力業務增長，能夠採集和分析的資料也不過是不成體系的點選、瀏覽量。

02線下資料分析場景搭建

筆者就線下資料分析的一些思路進行了整理(如下圖)

筆者梳理了線下流量的流轉過程，並列舉每個步驟可能會涉及到的指標。

① 流量獲取：不像線上流量獲取的渠道多樣且繁雜，線下流量獲取的途徑比較單一，客群一般是未在手機app、小程式上下單，直接進店購買餐食的客人，所以在資料分析層面，可分析的指標一般是進入點餐軟體的次數，下鑽的維度可以是門店、門店所在城市/省份/地區等;除了前述指標，我們還可以分析流量活躍的時間，例如一天中什麼時間使用點餐大屏的頻次較高?工作日還是週末、節假日線下點餐大屏會更加活躍?以及大型活動是否會影響點餐大屏的活躍?

② 流量分發：使用者進入到點餐軟體後，會點選“選購”檢視商品詳情，將商品加入購物車或者點選“立即購買”，這和線上電商平臺的步驟是一樣的。在這一系列流程中，我們可以看對應步驟的次數，並且去下鑽不同的菜品和門店去做具體的分析。另外，除了各步驟的絕對數量，我們還可以觀察各步驟之間的轉化率，如果整體/某個菜品/某個店面的轉化率明顯低於歷史同期或者平均水平，則需要探查是否是菜品的供應出現了問題或者是使用者在點餐大屏上的體驗過程中某一環節是否出了問題。

③ 流量轉化：該環節主要涉及使用者在挑選完商品後支付訂單，同樣可以根據菜品和門店的維度做下鑽分析，看支付筆數、金額、筆單價等指標，從而觀察菜品在各個門店的熱度。另外，還可以看使用者在進入點餐軟體首頁到最後支付訂單的平均時長，從而反映使用者從進入點餐軟體到最後下單的決策時長

④ 流量留存：這是一個存疑的環節，因為在本文第一部分提到，由於線下場景的特殊性，我們暫時無法區分點餐大屏背後的使用者到底是誰，但是在留存分析中，我們需要判斷一個獨立的使用者，在第0天進入點餐軟體後是否會在後續第n天再次來，所以留存的需求在當前背景下暫時是無法實現的，而且點餐大屏的場景，更多的是滿足客戶即買即走的需求，分析留存的意義似乎不是很大。

03總結

以上就是筆者根據自己的過往專案經驗總結出的一些線下場景的資料分析思路，囿於專案邊界和場景侷限性，不能將所有可能的指標都列出來，各位讀者如果有更多想法，可以隨時與筆者交流。

另外，關於本文第一部分提到的id-mapping的問題，筆者曾經也思考過替代的解決方案，比如說用滑動待機頁並進入點餐首頁的次數作為真實使用者數，但是該資料仍然是有誤差的，如果各位讀者有更好的方案，也隨時歡迎與筆者進行交流討論~