数据分析充电站——深入探索中小企业数字化转型，专注提供各行业数据分析干货、分析技巧、工具推荐以及各类超实用分析模板，为钻研于数据分析的朋友们加油充电。
销售在工作中需要定期做数据分析和复盘，但如果不掌握系统的模型和方法，就常常抓不住重点，也产生不了有价值的数据信息。俗话说“工欲善其事，必先利其器。”此时就需要借助销售数据分析模型，它能给我们提供一种视角和思维框架，从而帮我们理清各种销售数据之间的逻辑，使论证过程更具条理，结论也更具说服力。
今天给大家分享几种常用的销售数据分析模型，并附上简单的步骤教程。
销售数据是围绕产品、物流、客户三条主线来研究，销售数据分析模型也是围绕着它们进行搭建。
购物篮分析指通过研究用户消费数据，将两种看上去完全没关系的产品关联在一起，这就叫做商品关联分析法，也叫作“购物篮分析”。它需要通过「支持度」、「置信度」、「提升度」三个指标判断商品之间的关联程度。
预期效果：以热力图的形式展示两种产品之间的关联度，颜色的深浅表示关联度的高低，如图所示。
波士顿矩阵，由美国著名管理学家、波士顿咨询公司创始人布鲁斯·亨德森首创，它通过销售增长率和市场占有率来决定企业对多个产品的投入比重。
波士顿矩阵关注的核心就是两个维度——市场增长率与市场占有率。波士顿矩阵的纵坐标为市场增长率，代表着某个产品/业务的市场引力；横坐标为相对市场占有率，代表着产品/业务的实力。
明星类产品：高增长且高市场占有率，发展前景好，竞争力强，需加大投资以支持其发展；
问题类产品：高增长但低市场占有率，发展前景好但市场开拓不足，需谨慎投资；
现金牛产品：低增长但高市场占有率，成熟市场的领导者，应降低投资，维持市场占有率并延缓衰退；
瘦狗类产品：低增长且低市场占有率，利润率低甚至亏损，应采取撤退战略。
环比是本期统计数据与上期比较，例如2022年2月份与2022年1月份相比较，一般是用在月、日很少用在年上，主要是对比很短时间内涨幅程度，不过由于行业差异，比如旅游，会受到淡旺季影响。
同比是与历史同时期比较，例如2022年1月份与2021年1月份相比。同比发展速度主要是为了消除季节变动的影响，用以说明本期发展水平与同期发展水平对比而达到的相对发展速度。
计算公式如下：
1）环比增长率=（本期数－上期数）/上期数×100%。
2）同比增长率=（本期数－同期数）/同期数×100%。
库存周转分析能够将库存结构优化到最优，并且售罄率和周转天数等指标都控制在合理的范围内。主要分析方法有：
库存前80%的商品的销售情况：观察库销比是否处于失衡状态
销售前80%的商品的库存情况：观察库销比是否处于失衡状态
不同件单价商品的库存分析：每一个品类/品牌主流价格带商品的库存情况，看下主流价格带的商品是否处于缺货状态，非主流价格带商品处于库存堆积状态
不同吊牌价商品的库存分析：每一个品类/品牌不同吊牌价的库存情况，看下主流价格带的库存是否充裕，非主流价格带的库存是否堆积(件单价还和折扣/毛利有关，吊牌价有时更能更能反应问题)
品类广度：采购的商品品类数据是否充足，和行业去进行比较
SKU宽度：采购的SKU丰富度如何，非标品的SKU注重宽度，主流的SKU是否采购
SKU深度：商品总数量/SKU总数量(各品类/品牌的深度情况)，爆款SKU深度是否充足，滞销款SKU是否较浅
头部：爆款，库存可以较深，防止缺货
腰部：丰富SKU的宽度，库存不要太深
尾部：断色断码的商品，或者是一些滞销商品
RFM分析是衡量客户价值和客户创利能力的重要工具。R是指用户的最近一次消费时间，F是指用户下单频率，M是指用户消费金额。
最终结果是将用户划分为一下八个维度：
复购率指用户最近一段时间的购买次数，可以说明用户的忠诚度，反向则说明商品或服务的用户黏性。
复购更关注的是消费行为，对复购的影响一般是商品或服务的质量、售后体验、用户消费满意度等，对复购的分析也会落地到商品或服务上。
复购率可分为：用户复购率、订单复购率、用户回购率。
用户复购率=单位时间内：购买两次及以上的用户数/有购买行为的总用户数
订单复购率=单位时间内：第二次及以上购买的订单个数/总订单数
用户回购率=单位时间内：有购买行为的老用户数/有购买行为的总用户数