數(shù)據(jù)分析并不只存在于線上場景，在許多線下商業(yè)場景中，許多用戶行為數(shù)據(jù)也值得被業(yè)務(wù)人員進(jìn)一步地分析。那么，在搭建線下數(shù)據(jù)分析場景時，你可能會遇到怎樣的阻礙和困擾？面對線下數(shù)據(jù)采集的難點(diǎn)，你又可以如何進(jìn)行解決呢？

導(dǎo)語

筆者在之前曾經(jīng)撰寫過一篇關(guān)于指標(biāo)體系的文章《淺談用戶標(biāo)簽的實(shí)現(xiàn)困境和搭建方法》，該篇文章詳細(xì)闡述了什么是指標(biāo)/指標(biāo)體系以及其搭建方法，但是該篇文章的指標(biāo)體系主要針對的都是線上觸點(diǎn)（app、小程序）。

筆者在工作過程中發(fā)現(xiàn)，對于一些傳統(tǒng)企業(yè)，他們還會有線下的場景，例如快餐店內(nèi)線下點(diǎn)餐屏的用戶行為，4s店展臺上觸屏的用戶軌跡等。這些場景的用戶行為數(shù)據(jù)也是值得被收集和分析的，然而由于各種技術(shù)限制與認(rèn)知不足，很多企業(yè)還未意識到線下場景數(shù)據(jù)對用戶運(yùn)營和業(yè)務(wù)增長的重要性，故筆者撰寫本篇文章，旨在與大家分享搭建線下數(shù)據(jù)分析場景時的難點(diǎn)與思路。

一、線下數(shù)據(jù)的采集與應(yīng)用難點(diǎn)

1）線下數(shù)據(jù)的id-mapping

在上述餐廳點(diǎn)餐大屏的場景中，我們一般很難強(qiáng)制讓每個用戶在點(diǎn)餐時都登陸他們在app/小程序上的賬號，因?yàn)檫@樣做耗時且費(fèi)力，還會降低點(diǎn)餐效率和用戶購買欲望，甚至還會讓餐廳里排起長龍（各位可以回憶一下，一般我們在諸如kfc、麥當(dāng)勞之類的餐廳點(diǎn)餐屏點(diǎn)餐時，是不是快速點(diǎn)完餐食就立刻取餐走人？）。

由于前述限制，我們很難區(qū)分點(diǎn)餐大屏背后一個個獨(dú)立的人，在計算實(shí)際uv時該數(shù)據(jù)會明顯變小，因?yàn)樵诜堑顷憟鼍跋?，我們只能以設(shè)備id為單位去計算uv，但是這些設(shè)備是公用的。

2）線下數(shù)據(jù)分析場景搭建難

線下數(shù)據(jù)分析和應(yīng)用目前仍然處于初期，很多傳統(tǒng)企業(yè)還不知道如何使用這些數(shù)據(jù)去助力業(yè)務(wù)增長，能夠采集和分析的數(shù)據(jù)也不過是不成體系的點(diǎn)擊、瀏覽量。

二、線下數(shù)據(jù)分析場景搭建

筆者就線下數(shù)據(jù)分析的一些思路進(jìn)行了整理（如下圖）：

筆者梳理了線下流量的流轉(zhuǎn)過程，并列舉每個步驟可能會涉及到的指標(biāo)。

① 流量獲取

不像線上流量獲取的渠道多樣且繁雜，線下流量獲取的途徑比較單一，客群一般是未在手機(jī)app、小程序上下單，直接進(jìn)店購買餐食的客人，所以在數(shù)據(jù)分析層面，可分析的指標(biāo)一般是進(jìn)入點(diǎn)餐軟件的次數(shù)，下鉆的維度可以是門店、門店所在城市/省份/地區(qū)等。

除了前述指標(biāo)，我們還可以分析流量活躍的時間，例如一天中什么時間使用點(diǎn)餐大屏的頻次較高？工作日還是周末、節(jié)假日線下點(diǎn)餐大屏?xí)踊钴S？以及大型活動是否會影響點(diǎn)餐大屏的活躍？

② 流量分發(fā)

用戶進(jìn)入到點(diǎn)餐軟件后，會點(diǎn)擊“選購”查看商品詳情，將商品加入購物車或者點(diǎn)擊“立即購買”，這和線上電商平臺的步驟是一樣的。

在這一系列流程中，我們可以看對應(yīng)步驟的次數(shù)，并且去下鉆不同的菜品和門店去做具體的分析。

另外，除了各步驟的絕對數(shù)量，我們還可以觀察各步驟之間的轉(zhuǎn)化率，如果整體/某個菜品/某個店面的轉(zhuǎn)化率明顯低于歷史同期或者平均水平，則需要探查是否是菜品的供應(yīng)出現(xiàn)了問題或者是用戶在點(diǎn)餐大屏上的體驗(yàn)過程中某一環(huán)節(jié)是否出了問題。

③ 流量轉(zhuǎn)化

該環(huán)節(jié)主要涉及用戶在挑選完商品后支付訂單，同樣可以根據(jù)菜品和門店的維度做下鉆分析，看支付筆數(shù)、金額、筆單價等指標(biāo)，從而觀察菜品在各個門店的熱度。

另外，還可以看用戶在進(jìn)入點(diǎn)餐軟件首頁到最后支付訂單的平均時長，從而反映用戶從進(jìn)入點(diǎn)餐軟件到最后下單的決策時長

④ 流量留存

這是一個存疑的環(huán)節(jié)，因?yàn)樵诒疚牡谝徊糠痔岬?，由于線下場景的特殊性，我們暫時無法區(qū)分點(diǎn)餐大屏背后的用戶到底是誰，但是在留存分析中，我們需要判斷一個獨(dú)立的用戶，在第0天進(jìn)入點(diǎn)餐軟件后是否會在后續(xù)第n天再次來，所以留存的需求在當(dāng)前背景下暫時是無法實(shí)現(xiàn)的。

而且點(diǎn)餐大屏的場景，更多的是滿足客戶即買即走的需求，分析留存的意義似乎不是很大。

三、總結(jié)

以上就是筆者根據(jù)自己的過往項(xiàng)目經(jīng)驗(yàn)總結(jié)出的一些線下場景的數(shù)據(jù)分析思路，囿于項(xiàng)目邊界和場景局限性，不能將所有可能的指標(biāo)都列出來，各位讀者如果有更多想法，可以隨時與筆者交流。

另外，關(guān)于本文第一部分提到的id-mapping的問題，筆者曾經(jīng)也思考過替代的解決方案，比如說用滑動待機(jī)頁并進(jìn)入點(diǎn)餐首頁的次數(shù)作為真實(shí)用戶數(shù)，但是該數(shù)據(jù)仍然是有誤差的，如果各位讀者有更好的方案，也隨時歡迎與筆者進(jìn)行交流討論~