NAPL 模型實作與延伸發想

前言

今日拜讀 Happy Lee 的文章 「NAPL模型 — 零售業數據教我們的人生哲理」之後,對於 91APP 之所以能持續穩坐台灣開店平台的龍頭地位,深深的感到尊敬與佩服,靠的不是華麗的行銷招數,也不是琳瑯滿目卻不實用的系統功能,而是扎扎實實為滿足商家需求或提供實質幫助而開發的各種軟體服務,包括這篇文章要討論的主角 – NAPL模型。

Google Data Studio

投入 OpenCart 電商系統的技術支援多年以來,一直有感於 OpenCart 內建報表功能的不足,為 OpenCart 系統開發報表或許是最直接的解決方案,但是每家電商需要看的報表圖表種類,並不完全相同,一一為其客製似乎也不是很有效率的做法。

近年來 Google Data Studio 的發展的確令人期待,除了能輕易串接 Google Analytics、Google Search Console、Google Ads,將資料拉進 Data Studio 彙整成報表之外,也支援了第三方的 Connectors,多種串接外部的資料做為資料來源,包括 Facebook Ads、 Facebook Insights data 等等。

就算沒有 Connector 可以使用,在最克難的狀態之下,也還能透過直接匯入 CSV 檔案來作為報表的資料來源,雖然目前報表元件尚未包羅萬象,不過基本的幾種常見圖表,對於大部分的電商需求,已經算是很足夠了。

採用購物系統 + Data Studio 的合作模式

然而透過歷史銷售資料,來分析客戶消費輪廓,依不同條件篩選名單,並進一步進行適當的再行銷,是相當有效率且低成本的行銷手法,若商家沒有一些直觀、清晰的銷售分析報表,實在很難進行適當的決策,即使有所方向,也未必能篩選取得正確的客戶名單,在看過 NAPL 模型及其公司的數據應用理念之後,我覺得單純將資料倒入 Data Studio,再由 Data Studio 產製圖表,並無法呈現像 NAPL 模型或是更細膩的圖表,應該要由原始電商營業資料,先進行資料預處理作業,再將預處理過的資料匯入 Data Studio,兩端分工合作,應該是比較省力,也同時保有圖表繪製彈性的作法。

為 OpenCart 開發 Data Studio 專用的資料匯出功能

手上剛好有一些過去為 OpenCart 商家開發的會員匯出功能,可以拿來修改成 Data Studio 專用的資料匯出功能,依據 NAPL 的規則計算每位客戶 NAPL 類別,計算過程順便將一些重點欄位也一併記錄下來,例如客戶註冊日期、首次購買日期、NAPL 週期的購買次數及金額、最後購買日期等等,不只是為了 NAPL 模型,有越詳細的資料欄位,就越容易產製細緻清晰的圖表,可供延伸需求使用。

提供更有彈性的自訂區間功能

初步開發完成,提供自訂 NAPL 的輪廓區間,雖然 Happy Lee 的文章是以一年當區間、三個月當三倍購物週期,但能提供自訂彈性,應該更能滿足不同商家的需求,於是我提供了 NAPL 區間、三倍購物週期都能自行設定的功能。

自訂區間功能

在 MVC 的 Model 進行資料預處理作業

資料從資料庫撈出之後,就要進行預處理的各種計算,例如求得該客戶的 NAPL 類別,記得將資料預處理作業設計在 MVC 的 model 部分,因為不只是匯出 Data Studio 的 CSV 檔時會用到,在線上查詢、匯出名單等功能,都會用到預處理過的資料紀錄。

進行 Data Studio 製表

CSV 檔匯入 Data Studio
CSV 檔匯入 Data Studio

將前一步驟匯出的 CSV 檔匯入 Data Studio,作為資料來源,由於資料都已預處理過,直接建立一個報表元件,並指定剛剛匯入的資料來源、設定你要的維度及指標,不到三分鐘就能呈現下圖的畫面了,真的很省時省力。

簡單拖拉即可出現資料表格
簡單拖拉即可出現資料表格

欄位資料都進來了,想顯示什麼資料,就拉什麼欄位,有缺少的,就再回到匯出程式增加匯出欄位。

簡單拖拉即可出現報表元件
簡單拖拉即可出現報表元件

有些資料也可以透過 Data Studio 的功能來處理,例如這裡要分別顯示 N、A、P、L 各種類別的人數,就可以使用篩選器的功能來達成。

NAPL 模型圖
NAPL 模型圖

欄位資料都進來了,想顯示什麼資料圖表都可以,把原本的數據資料圖形化,或許還能因此有新的洞見。

心得

採用訂單資料預處理匯出 CSV + Data Studio 匯入 CSV 檔的作業模式,是相當經濟且具有彈性的作法,一方面大部分的系統都已具備會員資料匯出的功能,只要加一點預處理的作業,多儲存一些欄位,即可供 Data Studio 自由發揮,而 Data Studio 的支援,則讓工程師省下設計報表圖形呈現的程式,所以整體而言難度不高、工程也不大,同時還保有很大的調整修改的彈性,讓報表更多樣化,更符合商家的需求。

當您擁有的 NAPL 模型之後,可以針對商店本身的特性,進行延伸或變形應用,不一定要像原文章作者的規則,例如,有時候商家舉辦了某些活動(ex.新會員送好禮),因而帶進了一批因活動而註冊或消費的一次性會員,若在匯出客戶資料時,能將此類客戶過濾掉,則可提升數據的純度,回歸較常態性營運下的資料樣本,讓報表及 NAPL 模型更具參考價值。

另外,A 區的客戶雖然有相對較高的回購率,但也不代表其他區的客戶不值得努力,多一點巧思,或許能有作為,例如針對此類客戶前一次購買的商品,發送相關商品的專屬限期折扣,或是發送能兌換贈品或折價券的問卷,收集為何沒有回購的原因,都是商家可以自由發想的。

與其抱怨廣告成本過高、效益不好,不如加強舊客戶的經營與努力,看看 91APP 為商家做了什麼,或許你也能從中得到一點東西。

Website | + posts