一文看懂:销售数据分析怎么做?

简介: 今天跟大家分享数据分析里最高频的一个工作:销售分析。不管是实打实挣钱的公司,还是指望上市圈钱的公司,销售业绩都是领导们最看重的指标。很多人从事数据分析工作,也是从基础的“销售统计专员”做起的。今天就简单分享下,销售分析该如何做。

一、什么是销售?


销售的方式有很多:线下门店,线上店铺、电话销售、业务员一个个辛苦地上门推销等等。不管是哪种形式,最终目的都是一样的:把货交给用户,把钱挣回来。只要符合这个过程的,哪怕它打着“健康大讲座”“成功人士聚会”等高大上名字,它也是销售。


只不过,售卖的商品形态会有不同。小件的,诸如啤酒瓜子矿泉水;大件的,如车子房子。还有一些虚拟产品,比如看视频的VVIP优先播放,打赏给主播的大火箭等等。

二、什么是销售分析?


销售分析,自然关注的是:卖了多少货、挣了多少钱。一般公司对销售,都有明确的考核指标,一年内必须保底销售XXXX万元的商品。因此销售分析,主要解答四个问题:


  • 本年度目标完成了多少?
  • 如未完成目标,哪个环节出了问题?
  • 如已完成目标,预计超额完成多少?
  • 明年的销售目标,可以定为多少?

下边,一个个看一下具体做法

三、销售目标分解


注意:大部分商品的销售,都会随时间变化自然波动,比如:


  • 啤酒瓜子这种零食,在没有促销时,大部分人就是周末才有空买;


  • 雪糕冷饮暖宝宝这种季节性产品,就是夏天/冬天才会畅销;


  • 婚庆、娱乐、旅游、电影,就是逢年过节周末生意才好。


(如下图)


image.png


这些也被称作:自然周期。做销售分析,找到业务的自然周期很重要,具体找法,参照周期性分析法。在分解销售目标的时候,一般会把年度目标,按照自然周期做拆分,落实到每一季度/每一月/每一周/每一天(如下图)。

传送门:九大数据分析方法之:周期性分析法


image.png


这样既能够避免自然波动带来的大呼小叫,又能提前感知到销售进度出现问题,从而进行进一步的分析。


四、销售不佳时,如何做原因分析


销售有可能好/不好,不好的时候领导们会更重视。毕竟钱挣得少了,搁谁都难受。如果已经做了自然周期分析,就能排除自然波动。下一步就是看:哪个环节卖得少了。这里需要用到结构分析法。


传送门:九大数据分析方法:结构分析法


举个简单例子,一个公司有线上/线下两大销售渠道,整体销售业绩如下图所示。在业绩不达标的时候,应该先看:线上/线下,哪个是不达标主要原因。如果发现线下是主要原因,就再看线下的结构,线下一共有5大大区,进一步看(如下图)。


image.png



这样一路看下来,能找到问题发生的关键点。找到关键点后,勤快的同学,可以直接给这个大区的熟人打电话,问问到底发生了啥情况。


有很多时候,销售不佳是受大环境影响,比如直观的天气恶劣,人们都不出门,门店没生意。或者干脆遇到疫情,封城了。这些原因不会直接反应在数据上,但确实是影响销售的直接原因,因此想做好销售分析,掌握第一手情况非常重要。作为数据分析师,一定要和一线保持密切接触。


当然,也能用数据的手段,做进一步分析。这里就需要用到:指标拆解法&漏斗分析法。


指标拆解法,一般用于线下销售。比如将门店业绩拆分为:客户数*消费率*客单价,之后可以看到:到底是因为来消费的客人少了,还是客户消费力下降了(如下图)。


传送门:九大数据分析方法:指标拆解法


image.png



漏斗分析法,一般用于线上销售,比如将店铺业绩拆分为:UV*转化率*客单价,之后可以进一步看到:店铺流量少了,还是转化率跌了(如下图)。

传送门:九大数据分析方法:漏斗分析法通过细节分析,能找到销售不佳的更深层原因,从而进一步思考对策。

五、销售优秀时,如何评估走势

有时候销售业绩会完成得很好,大大超过进度。此时要评估走势。因为销售不止是销售部的事,还关系到市场部要不要做投放,供应链要不要备货等一系列问题。如果只看眼前销售很好,放任不管,很有可能导致缺货;如果盲目备货,也有可能造成积压。这都不是好事。


因此,要解决2个问题:

  • 到底超额了多少?
  • 这种超额是短期的,还是长期的?

问题1相对容易解决。最简单的方法,长期内(以周/月为单位),可以计算累计完成率,对比目标,看整体超额幅度。短期内(以天为单位),可以用时间序列预测,推演销量走势,关注库存是否会在短期内耗尽。


问题2就很复杂了。一般来说,短期的暴涨,可能来自于:

  • 季节错位:夏天/冬天提前来了
  • 天气因素:不正常的热/冷
  • 好奇心理:对某个新品很好奇
  • 从众心理:大家都在抢,我也抢

长期内的增长,可能来自:

  • 行业红利期来了
  • 有需求消费者大量增加
  • 社会兴趣、爱好出现转移

但是!这些因素都很难量化,也很难用一两个指标简单分析清楚,因此这里就先不展开了,后续专门跟大家分享。

六、明年的目标如何定

销售目标,受公司领导们发展意愿的影响很大。因为销售目标的达成,完全可以靠砸钱堆人力实现。比如制定一个激进的扩张计划,大量砸钱买流量,从竞争对手那里直接挖现成的销售大咖等等。


因此,在预计明年目标的时候,不推荐用算法模型(都不准!),而是推荐用业务模型预测,把所有假设条件写下来,再做推演(如下图)。

传送门:别愁了,预测模型这样做!


image.png



通过细节分析,能找到销售不佳的更深层原因,从而进一步思考对策。

五、销售优秀时,如何评估走势


有时候销售业绩会完成得很好,大大超过进度。此时要评估走势。因为销售不止是销售部的事,还关系到市场部要不要做投放,供应链要不要备货等一系列问题。如果只看眼前销售很好,放任不管,很有可能导致缺货;如果盲目备货,也有可能造成积压。这都不是好事。


因此,要解决2个问题:


  • 到底超额了多少?
  • 这种超额是短期的,还是长期的?

问题1相对容易解决。最简单的方法,长期内(以周/月为单位),可以计算累计完成率,对比目标,看整体超额幅度。短期内(以天为单位),可以用时间序列预测,推演销量走势,关注库存是否会在短期内耗尽。


问题2就很复杂了。一般来说,短期的暴涨,可能来自于:


  • 季节错位:夏天/冬天提前来了
  • 天气因素:不正常的热/冷
  • 好奇心理:对某个新品很好奇
  • 从众心理:大家都在抢,我也抢

长期内的增长,可能来自:


  • 行业红利期来了
  • 有需求消费者大量增加
  • 社会兴趣、爱好出现转移

但是!这些因素都很难量化,也很难用一两个指标简单分析清楚,因此这里就先不展开了,后续专门跟大家分享。


六、明年的目标如何定


销售目标,受公司领导们发展意愿的影响很大。因为销售目标的达成,完全可以靠砸钱堆人力实现。比如制定一个激进的扩张计划,大量砸钱买流量,从竞争对手那里直接挖现成的销售大咖等等。


因此,在预计明年目标的时候,不推荐用算法模型(都不准!),而是推荐用业务模型预测,把所有假设条件写下来,再做推演(如下图)。

传送门:别愁了,预测模型这样做!


image.png

相关文章
|
3月前
|
数据采集 数据可视化 数据挖掘
Python数据挖掘项目实战——自动售货机销售数据分析
Python数据挖掘项目实战——自动售货机销售数据分析
|
5月前
|
数据可视化 数据挖掘 Python
Python数据挖掘实用案例——自动售货机销售数据分析与应用(二)
Python数据挖掘实用案例——自动售货机销售数据分析与应用(二)
410 0
|
5月前
|
机器学习/深度学习 安全 数据挖掘
Python数据挖掘实用案例——自动售货机销售数据分析与应用(三)
Python数据挖掘实用案例——自动售货机销售数据分析与应用(三)
188 0
|
5月前
|
数据采集 数据可视化 数据挖掘
Python数据挖掘实用案例——自动售货机销售数据分析与应用(一)
Python数据挖掘实用案例——自动售货机销售数据分析与应用
357 0
|
9月前
|
数据可视化 搜索推荐 数据挖掘
Pandas+Pyecharts | 电子产品销售数据分析可视化+用户RFM画像
Pandas+Pyecharts | 电子产品销售数据分析可视化+用户RFM画像
|
11月前
|
存储 数据可视化 数据挖掘
MySQL数据分析实战:销售和用户行为分析案例分享
MySQL是一种常用的关系型数据库管理系统,可以用来存储和管理大量的数据。除了存储数据,MySQL还可以用来进行数据分析。在本文中,我将介绍如何使用MySQL进行数据分析,并提供一些实际的示例。
538 3
|
12月前
|
算法 数据挖掘
白话Elasticsearch46-深入聚合数据分析之Cardinality Aggs-cardinality去重算法以及每月销售品牌数量统计
白话Elasticsearch46-深入聚合数据分析之Cardinality Aggs-cardinality去重算法以及每月销售品牌数量统计
102 0
|
机器学习/深度学习 存储 编解码
机器学习--房屋销售的探索性数据分析
机器学习--房屋销售的探索性数据分析
177 0
机器学习--房屋销售的探索性数据分析
|
SQL 数据采集 机器学习/深度学习
自学半年,从保险销售,零基础转型数据分析
自学半年,从保险销售,零基础转型数据分析
自学半年,从保险销售,零基础转型数据分析
|
14天前
|
机器学习/深度学习 数据采集 算法
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告
Python用逻辑回归、决策树、SVM、XGBoost 算法机器学习预测用户信贷行为数据分析报告