數據分析并不只存在于線上場景，在許多線下商業場景中，許多用戶行為數據也值得被業務人員進一步地分析。那么，在搭建線下數據分析場景時，你可能會遇到怎樣的阻礙和困擾？面對線下數據采集的難點，你又可以如何進行解決呢？

導語

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

筆者在工作過程中發現，對于一些傳統企業，他們還會有線下的場景，例如快餐店內線下點餐屏的用戶行為，4s店展臺上觸屏的用戶軌跡等。這些場景的用戶行為數據也是值得被收集和分析的，然而由于各種技術限制與認知不足，很多企業還未意識到線下場景數據對用戶運營和業務增長的重要性，故筆者撰寫本篇文章，旨在與大家分享搭建線下數據分析場景時的難點與思路。

一、線下數據的采集與應用難點

1）線下數據的id-mapping

在上述餐廳點餐大屏的場景中，我們一般很難強制讓每個用戶在點餐時都登陸他們在app/小程序上的賬號，因為這樣做耗時且費力，還會降低點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、麥當勞之類的餐廳點餐屏點餐時，是不是快速點完餐食就立刻取餐走人？）。

由于前述限制，我們很難區分點餐大屏背后一個個獨立的人，在計算實際uv時該數據會明顯變小，因為在非登陸場景下，我們只能以設備id為單位去計算uv，但是這些設備是公用的。

2）線下數據分析場景搭建難

線下數據分析和應用目前仍然處于初期，很多傳統企業還不知道如何使用這些數據去助力業務增長，能夠采集和分析的數據也不過是不成體系的點擊、瀏覽量。

二、線下數據分析場景搭建

筆者就線下數據分析的一些思路進行了整理（如下圖）：

筆者梳理了線下流量的流轉過程，并列舉每個步驟可能會涉及到的指標。

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app、小程序上下單，直接進店購買餐食的客人，所以在數據分析層面，可分析的指標一般是進入點餐軟件的次數，下鉆的維度可以是門店、門店所在城市/省份/地區等。

除了前述指標，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餐大屏的頻次較高？工作日還是周末、節假日線下點餐大屏會更加活躍？以及大型活動是否會影響點餐大屏的活躍？

② 流量分發

用戶進入到點餐軟件后，會點擊“選購”查看商品詳情，將商品加入購物車或者點擊“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，我們可以看對應步驟的次數，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量，我們還可以觀察各步驟之間的轉化率，如果整體/某個菜品/某個店面的轉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出現了問題或者是用戶在點餐大屏上的體驗過程中某一環節是否出了問題。

③ 流量轉化

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

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

④ 流量留存

這是一個存疑的環節，因為在本文第一部分提到，由于線下場景的特殊性，我們暫時無法區分點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立的用戶，在第0天進入點餐軟件后是否會在后續第n天再次來，所以留存的需求在當前背景下暫時是無法實現的。

而且點餐大屏的場景，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

以上就是筆者根據自己的過往項目經驗總結出的一些線下場景的數據分析思路，囿于項目邊界和場景局限性，不能將所有可能的指標都列出來，各位讀者如果有更多想法，可以隨時與筆者交流。

另外，關于本文第一部分提到的id-mapping的問題，筆者曾經也思考過替代的解決方案，比如說用滑動待機頁并進入點餐首頁的次數作為真實用戶數，但是該數據仍然是有誤差的，如果各位讀者有更好的方案，也隨時歡迎與筆者進行交流討論~