我的公司经常受企业委托进行数据分析。其中一个案例是一家建筑材料制造商，该公司利润增长停滞，委托我们分析客户、产品和区域销售数据，以确定营销重点并优化运营流程以降低成本。
本文将介绍此次合作及其发现。
数据准备
本次合作目标明确：寻找提升利润的方法。为此，我们分析了包含以下内容的销售数据：
- 销售日期；
- 客户名称或编号；
- 目的地城市和州；
- SKU 或产品描述；
- 存储该 SKU 的仓库。
客户提供了过去 10 年的数据以便回顾趋势。
第一步是数据准备，即对数据进行分段整理，通常在 Excel 等电子表格软件中完成。针对该项目，我们的流程包括：
- 按材料、设计和类型对 SKU 进行分类：部分产品具有超过 10 种此类属性；
- 按类型对客户进行分类：例如区分小型独立零售商与大型连锁超市等企业客户；对于个人消费者，收集家庭及人口统计信息（含通过姓名推断的性别）；
- 对收货地点进行分类：区分城市与农村，以及公寓/联排别墅与郊区/农村独立住宅。
运行分析
第二步是使用聚类分析、细分分析、决策树建模和描述性分析等模型进行分析。工具可选用 SPSS Statistics、SAS 等统计软件，或 R、Python 等编程语言。
- 聚类分析：一种根据属性对产品分组的统计技术，例如将利润边际接近或在特定地区受欢迎的产品归为一组；
- 细分分析：按类型对客户或产品分组。例如客户细分为独立承包商、室内设计师；产品分为商业建筑用品与住宅用品；也可按地理位置（城市 vs 农村）分组；
- 决策树建模：将数据划分为不同子集的方法，通常从二元分割开始直至无法再分。例如既可用于识别销售额最高的客户，也可用于识别销售额最高的产品类型；
这个假设性的决策树显示了客户类型之间的划分以及平均订单大小的产品订购情况。大型超市和零售商店的订单规模较高（2,500美元），尤其是产品 A、B、C（5,000美元）。独立承包商和设计师的平均订单规模较低（500美元），尤其是产品 D、A、B（100美元）。
- 描述性分析：通过提问总结历史数据的简单方法，如“平均订单规模是多少？”、“哪类客户购买总额最多？”。这是建模的第一步，用于查看客户或产品间是否存在差异。
审查发现
分析产生了以下关键发现：
- 盈利产品：20% 的 SKU 合计贡献了不到总销售额的 1%，停止生产这些 SKU 将大幅提高利润；
- 大型零售店：购买 SKU 数量有限且以批量下单，不采购新产品。内部讨论认为原因可能包括：(a) 缺乏营销支持；(b) 全国推广前需测试；(c) 新产品价格问题；
- 独立承包商：意外的高价值群体。虽数量较小，但常订购高利润率产品且增长潜力巨大，公司遂将营销重点转向该群体；
- 室内设计师：占总销售额不足 0.01%，但常订购新产品并在部分地区引领趋势；
- 地理影响：不同市场差异明显。例如加利福尼亚州与俄亥俄州消费者在购买的产品、材料和颜色上存在显著区别。
意外发现
结合销售和仓库数据揭示了一个意外情况：该公司拥有四个仓库，每个仓库存储的 SKU 数量大致相同。
通过分析地理偏好，为大盒装商店的批量订单添加地域匹配并移除滞销产品，公司成功节省资金。此前物流部门仅优化运输时间，未关注各仓库销售情况。而通过确定各地区及各仓库所需的 SKU，有效降低了配送和仓储成本。