用公式拆解法分析客单价变化问题

点击上方“数据管道”，选择“置顶星标”公众号

干货福利，第一时间送达

本文将示例如何通过公式拆解来分析“客单价变动”这个问题。

假设你是某电商平台的数据分析师，现在业务反馈最近几个月的客单价在缓慢下降(即使和去年同期比也是如此)，那么你觉得可能的原因是什么呢？

首先，先从客单价的计算口径着手。

客单价是一个综合比率值，所以可以从“成分”或者“糖水不等式”的角度去拆解——对整体细分后，找到高于整体值的“优异组”，和低于整体值的“拖后腿组”。

可以考虑人(用户)、货(商品)、场(渠道、活动等)等业务维度对客单价进行拆分，注意选择的维度要和客单价关联。

首先，我们可以从“用户结构”上来拆分。比如选择新客和老客，一般来说新客(首次下单的用户)的客单价是低于老客的，一方面是因为新用户对平台还没有建立足够的信任度，另一方面平台方引导新客下单的时候可能会通过定向优惠来刺激新客下单，或者通过低价爆款来商品来降低用户的决策成本以快速成单。

将新老客引入到客单价的计算公式中：

经过这样拆分以后。那么客单价的变化就可以从新老客用户数占比以及新老客单价来分析(这里假设的是新客客单价低于老客)；

如果客单价下降，可能是什么原因呢：

1. 新老客客单价相对稳定，但是新老客用户数比例变化，新客数占比上升，或者老客数占比下降(注意，分析不仅要看占比之类的相对值，也要看用户数的绝对量)；
• 新客数占比上升，是不是产品处于快速增长期(新客占比较高)，新客增长速度快，也就导致新客占比逐渐增大；
• 新客增长是相对平稳的，但是老客在加速流失，甚至是很多高价值的老客(客单价较高)；
2. 新老客用户数比例稳定，新老客的客单价往下掉，可能是两类客群都掉，也可能是其中一个。
• 对于新客或者老客，还可以再“套娃”一层上面的那个公式，新客中也能分出来客单价高和客单价低的人群，是吧，那是不是拉新带来的用户质量比较差呢？或者老客中那些消费金额非常高的用户(超级RMB玩家)变得“沉默”了。
• 用户结构没啥问题，但是客单价确实往下掉，这个可以从“货”(商品)的角度细拆。
3. 新老客的用户结构以及各自的客单价都有问题，也就是上面情况1和情况2都出现了

每个用户下单的金额是由一件件不同价格的SKU组成的，对于“平均用户”而言，客单价可以如下拆分:

这里假设一笔“平均订单”中有n个不同的SKU，表示第i个SKU的购买数量，表示商品实际支付价格(=原价-优惠)。

那么客单价降低的因素在商品维度上可以考虑：

1. 买的少，平均每单的商品数量减少
• 对单个用户而言，商品关联推荐的规则会影响同时买多少商品，也可能是用户的购买力下降了；
• 对整体用户而言，继续套用“糖水不等式”，有的用户买的多，有的用户买的少，e.g. 在电商平台下单的某一类用户其实是“小B”(开店铺的商户，而不是普通的消费者)这类用户下单频率比普通用户，每次订单额可能会十几万甚至更高，如果对比客单价的两个时间周期，这种B类用户的比例相差大，对整体就可能有较大影响(具体还是要看交易的盘子多大)；而另一种情况，就是本来是面向B类商户的产品，混入了C类用户，比如2020年初因为疫情，菜市场大都关闭，超市菜价也上涨，这个时候便有很多用户涌向生鲜批发平台，比如美菜，但是家庭每次买菜的价格还是比商户少很多的。
2. 价格低，用户选择了低价格的商品
• 品类结构变化，新上线的商品价格比较低，早期业务主要关注价格偏高的某些类商品，后期为了拓展用户群或者提升原有用户黏度或价值而进行了品类扩充，新引入品类价格相对于之前要低一些，这样也可能导致整体客单价降低；
• 用户被引导去购买低价商品，比如首页展示、商品推荐规则等，还有拉新、促活之类的活动选择的“钩子商品”，其他诸如优惠活动配置门槛也可能会有影响；
3. 优惠高(平均到每个用户上的优惠金额高)
• 对单个用户而言，优惠力度大，比如季末清仓；
• 对整体用户而言，优惠覆盖范围或整体被使用的优惠金额也会产生影响，优惠相对于客单价，相当于清水和盐水；

以上，只是对部分原因进行了列举，还可以从其他维度去思考，欢迎留言补充交流。