人货场模型作为传统零售业的经典分析模型，在当今电商环境中依然具有重要的应用价值。
人货场模型中的“人”指的是消费者及合作生产者；“货”是全方位消费过程及体验；“场”则是泛零售、多元化场景。
在大数据驱动下的新零售模式中，以“人”为本，满足消费者个性化需求，通过大数据挖掘隐形需求，打造多元化新消费场景，让消费者在得到更好消费体验的同时，购买到心仪的商品。
人货场模型的定义
人：客户、业务员。
包括 C端客户按累计消费/会员等级分类，B端客户按行业/公司规模分类，业务员按从业经验、过往业绩水平、手头持有老客户数分类等。
在传统行业中，人货场的“人”通常指售货员，但在互联网行业里，“人”指的是用户，人的分析更倾向于用户属性分析。
例如在生鲜电商领域，可以根据用户行为打标签，如促销敏感型用户、刚性购买用户、异常天气购买用户、疫区用户等，这些标签可能比传统的性别、年龄、地域等字段区分度更高。
货：商品结构，商品价格。
根据商品自然属性做分类，同时考虑商品毛利、动销率、库龄限制、剩余库存使用天数等指标。
货物属性会直接影响消费者购买行为，包括购买频率、上市季节、产品价格、购买渠道等。
例如，新鲜蔬菜水果购买频率高，有季节性，一般拆散零售且不耐放；米面油购买频率低，无季节性，一般整包、整桶买。
同时，有一个简单的矩阵模型可以描述生鲜产品的复购思路，核心是产品购买频率和产品关联度。
场：销售渠道，推广方式。
包括线下渠道按地区、位置、营业面积、营运成本分类，线上渠道按推广平台、投放费用多少、转化率高低分类。
卖场属性对复购行为有重要影响，包含便利性、整洁程度、产品丰富程度、产品新鲜度、产品价格等。
在线上渠道，用户的登录场景、登录频次、登录后访问内容代替了门店位置远近，且在内容和跳转路径上能做的分析远多于线下。
但在生鲜领域，线上渠道的体验反而比线下差，其优势体现在不能出门的场景上。
人货场模型的操作步骤
业务梳理，了解基础数据。
包括有哪些客户、销售、商品、渠道等。
在实际操作中，首先要对公司的业务进行全面梳理。
明确公司的客户群体，了解不同类型客户的需求和消费习惯；
梳理销售情况，包括销售业绩、销售渠道分布等；
掌握公司的商品种类、库存情况以及商品的销售趋势；
同时，清楚公司的销售渠道，包括线上平台和线下门店的运营情况等。
通过对这些基础数据的了解，为后续的分析工作奠定基础。
打标签，做分类。
对数据库中的客户、商品、渠道进行概括性分类，形成分类思维导图并在数据库里打好标签，便于分析时形成思路和交叉对比。
对于客户，可以按照累计消费、会员等级、消费行为等进行分类，如将客户分为高购买力客户、中购买力客户、低购买力客户，或者分为促销敏感型用户、刚性购买用户、异常天气购买用户等。
对于商品，根据商品自然属性进行分类，同时考虑商品毛利、动销率、库龄限制、剩余库存使用天数等指标，例如将商品分为不同品类，并对每个品类进行进一步细分。
对于渠道，可按地区、位置、营业面积、营运成本等对线下渠道进行分类，按推广平台、投放费用多少、转化率高低等对线上渠道进行分类。
通过打标签和做分类，形成清晰的分类思维导图，方便在分析过程中快速找到关键信息并进行交叉对比。
明确分析目标。
目标要具体，如“9月销售仅达标 85.3%，分析差异来源”。
明确具体的分析目标是至关重要的一步。
目标不能过于笼统，如“销售额下降了，分析下”，而应该像“9月销售仅达标 85.3%，分析差异来源”这样具体明确。
具体的目标可以是新注册用户数、经营单位成本费用、商品库存等，只要目标具体，才能有针对性地进行分析，找到问题的关键所在。
从人货场维度进行拆解，寻找问题原因。
先看大分类，再看小分类；从差异大的维度开始；先看完一个分类，再看另一个。
以“9月销售仅达标 85.3%”为例，可以先分别看不同销售渠道达标率、不同商品品类达标率、不同客户目标达标率等维度，找出达标率最低的维度，从差异大的维度入手进行分析。
比如，如果发现商品品类达标率差异较大，特别是新品未达标，此时就应将新旧商品切换为主分析维度，继续深入挖掘原因。
在分析过程中，要先看大分类，再逐步深入到小分类，确保分析的全面性和系统性。
同时，要先看完一个分类，再进行另一个分类的分析，避免混乱和遗漏。
结合过程指标，深入分析原因。
如产品基础性能参数与竞品对比、产品价格与竞品对比、产品推广投入与自身同类产品同期对比、产品铺货进度计划与实际执行对比等。
当确定了主要问题所在的维度后，需要结合具体的过程指标进行深入分析。
例如，如果发现新品达标情况很差，可以对比产品基础性能参数与竞品，看是否在性能上存在不足；
对比产品价格与竞品，确定是否价格过高或过低；
对比产品推广投入与自身同类产品同期情况，了解推广力度是否足够；
对比产品铺货进度计划与实际执行情况，找出铺货过程中可能存在的问题。
通过这些过程指标的对比分析，能够具体看出问题所在，为制定解决方案提供有力依据。
人货场模型的应用案例
（一）生鲜电商复购率问题
货物属性分析
生鲜产品的货物属性对用户购买行为有着显著影响。
首先，购买频率方面，像米面油等产品购买频率低，而草莓等新鲜蔬菜水果购买频率高。
季节性也是一个重要因素，草莓等季节性强，而米面油无季节性。
产品价格也会影响购买决策，单品价格贵的产品卖得少，便宜的产品可能会批量购买。
购买渠道也有所不同，大件硬通货（如米面油）在线上买更省事，散件的生鲜产品则线下买更好，能现场试吃避免踩雷。
通过分析这些货物属性，可以了解到用户购买行为受产品影响的情况，同时也能发现一些可能存在的问题，比如用户反复购买大米可能是在薅羊毛。
此外，生鲜产品的复购思路可以用一个简单的矩阵模型来描述，核心是产品购买频率和产品关联度，例如买了冻鸡翅、竹签，很有可能会买木炭、丸子、烧烤汁等。
卖场属性分析
卖场的便利性、整洁程度、产品丰富程度、产品新鲜度、产品价格等因素对复购行为有着重要影响。
线上渠道在内容和跳转路径上能做更多分析，但在生鲜领域，线上渠道体验可能比线下差。
例如，不同于服装、零食、玩具等快消品，生鲜产品在菜市场、超市的生鲜区给人的视觉冲击远远强过电商。
线上生鲜的优势体现在不能出门的场景上，如下雨天、疫情期间交通管控、上下班没时间逛菜市场等。
对于线下卖场，距离越近、越方便的菜场肯定越吸引人；
越干净的菜场肯定更吸引人；
菜品越丰富的菜场越吸引人；
菜品越新鲜水灵的越吸引人；
产品价格方面，由于铺租、人工不同，有的卖场价格可能死贵死贵的。
用户属性分析
基于互动、消费行为标签对用户进行分析，如促销敏感型用户、刚性购买用户、异常天气购买用户、疫区用户等。
这些标签可能比传统的性别、年龄、地域等字段区分度更高。
例如，有多少客户是注册送 20元米面油券，首单免配送费，进口车厘子 25元 4斤这种活动搞进来的，这叫促销敏感型用户。
人货场模型搭建
从人货场角度建立分析假设，综合考虑用户、货物、卖场三个维度的因素，解释生鲜电商复购率低的问题。
人角度可以考虑地推质量太差，用户本身没有需求；用户有需求，但是薅羊毛型太多，刚需性少；刚需用户有一定量，但产品不符合用户需求。
本章未完 点击下一页继续阅读