摘要: 對於刷卡消費類的數據分析,如果能夠拿到所有人的信用卡消費數據(一個人可能有多張信用卡),那麼拿到這些信用卡消費數據應該...


universe

▲(來源:36大數據)

對於刷卡消費類的數據分析,如果能夠拿到所有人的信用卡消費數據(一個人可能有多張信用卡),那麼拿到這些信用卡消費數據應該如何展開分析。

對於用戶消費行為分析談的比較多的思路仍然是需要首先搞清楚分析的目標,然後再根據目標的分析去採集和處理需要的數據信息。即數據分析本身是KPI驅動的,那麼如果從最原始的數據明細入手,應該如何進行展開和數據維度的拓展?

對於有信用卡的人,我們收到的信用卡賬單,往往有最簡單的消費明細數據,如下:

消費清單(持有卡人卡號,姓名,消費商家,消費時間,消費金額)

可以看到這個消費明細數據本身是相對簡單的,如果不結合其它的數據維度,往往單純的去做統計分析並不會產生太多的意義。任何數據分析都需要結合對原始數據的維度拓展上,維度拓展後整個數據模型會更加豐富,則可以產生多維度的分析和數據聚合。

從上面的消費詳細清單數據,簡單來看可以進行如下擴展

人員信息(人員姓名,身份證號,年齡,姓名,職業類型,居住地址,家庭信息)

商家信息(商家名稱,商家地址,商家經營類型)

有了人員信息就有第一層拓展,即我們對數據的聚合可以基於人員的屬性維度,即我們拿到的消費明細數據,可以按照消費者性別,年齡段,職業類型等進行聚合。對於人員的識別唯一碼不是姓名,而是人員的身份證號碼,即通過身份證號碼我們可以對一人多張信用卡的消費數據進行聚合。

universe

▲(來源:36大數據)

有了商家信息,我們可以根據商家的經營類型對不同類型的消費數據進行聚合。同時可以看到,對於商家詳細地址信息本身是無法進行聚合的。那就要考慮在主體對象的屬性中的單個屬性本身的層次擴展,即地址信息我們可以進行擴展,即城市-》區-》區域-》消費區域-》商圈-》大商場-》具體地址。

如果地址有了這個擴展,就可以看到最終的消費數據可以做到按消費區域進行聚合,我們可以分析某一個商圈或商場的消費匯總數據,而這個數據本身則是從原始消費明細數據中進行模型擴展出來的。

要做到這個事情可以看到,任何動態的消費明細數據,必須要配合大量的基礎主數據,這些基礎主數據可能有表格結構也可能是維度結構,這些數據必須要整理出來並關聯映射上詳細的消費明細數據。這樣,最終的消費數據才容易進行多維度的分析,基於維度的聚合。

消費時間本身也是重要的維度,通過時間我們可以根據時間段進行數據匯總,同時時間本身可以按年,按季度,按月逐層展開,也是一種可以層次化展開的結構。同時還可以注意到時間本身還可以進行消費頻度的分析,即某一個時間段裡面的刷卡次數數據,根據消費頻度可以反推到某一個區域本身在某些時間段的熱度信息。

如果僅僅是信用卡的刷卡消費清單數據,我們比較難以定位到具體的商品SKU信息上,如果是一個大型超市,則對於詳細的用戶消費購買數據,還可以明細到具體的商品上,則商品本身的維度屬性展開又是可以進行拓展分析和聚合的內容。

數據本身可能具備相關性,刷卡消費的數據往往可以和其它數據直接發生相關性,比如一個地區本身的大事件,一個區域舉辦的營銷活動,我們從交通部門獲取到的某個區域的交通流量數據。這些都可能和最終的消費數據發生某種意義上的相關性。

如果僅僅是從刷卡數據本身,前面談到可以根據商戶定位到商家的經營範圍,究竟是餐飲類的還是賣衣服類的。那麼根據不同的經營類型可以分別統計刷卡消費數據,然後我們就可以分析,對於餐飲類的消費金額增加的時候服裝類的消費是否會增加,即餐飲商家究竟對一個商場的其它用品的銷售有無帶動作用等?

對於人員同樣的道理,可以分析不同年齡段的人員的消費數據之間是否存在一定的相關性?這些相關性究竟存在於哪些類型的商品銷售上等。這些分析將方便我們制定更加有效的針對性營銷策略。

轉貼自: 36大數據 - 作者 人月神話 深圳市遠行科技有限公司公司副總經理


留下你的回應

以訪客張貼回應

0
  • 找不到回應

Popular Tags

每月文章