如何合理评估促销活动效果

如何合理评估促销活动效果？

如何合理评估促销活动效果

激烈的市场竞争，催生出各种名目的促销活动，大街、超市、商场促销广告无处不在。促销活动之前，需要精心策划营销方案，各部门集中讨论、审核拍板、动员；活动执行，需要专人控场与维护；活动结束后，需要对整场活动进行总结与评估。

从百度搜索来看，更多关注的是促销活动方案的策划，而对于促销活动评估则相对少一些。随着成本意识、效用意识的增加，重视促销活动的评估是零售人员必须做到的。一方面清晰的看到活动效果、意义，另一方面则在于总结不足，为以后的营销活动作出合理的指导。

促销活动效果评估，常用的方法：

【业绩比较】：追逐收入和利润是每一场活动的主要面，同比、环比是最常见的手段。现在流行“用数据说话”，同比、环比数据对比成了营销达人、数据达人最喜欢炫耀的戏法。关于同比需要谨慎的地方在于前后两年是否具有可比性。前一年销售大环境、人员、产品、活动方式等均要适当考虑，不开随意判断本期是增长或者下滑。关于环比，着重考虑销售是否具有季节性趋势或者其他周期趋势。当然也离不开“目标完成率”这个指标，在与目标对比时需要谨慎，因为目标的制定是建立在科学合理、排除主观臆断之上的。

【迎合程度】：如果一场促销活动未经深入调查研究而随意制定，那这样的促销活动只是一厢情愿，因为没有考虑市场是否有需求。巨大的客流量、客观的成交率将构成收入的全部，具体的分析可以包括活动客流量分析、客流构成分析、成交率分析等等。活动的折扣力度、客单价是否迎合顾客的消费能力，为活动准备的广告页是否有足够的吸引力，诸如新品体验券、优惠券、现金券、预售券、员工券等等的回收率同样是我们需要分析的内容。

【成本费用】：其实这项内容在促销活动策划阶段就已经派上用场了。没有哪个领导不关心成本和费用，即使你把活动预期乐观到天花乱坠。上级需要在活动之前就看到预期的效果，“活动效用”指标或者“净活动效用”指标是比较好的选择。如果你是这场活动的策划者，我相信你会把最乐观的“活动效用”指标拿给上级看，因为活动效用比净活动效用从数值上大很多，大部分的人还是喜欢接受好看的数据。不过这是一种不自信的做法，净活动效用或许才是我们需要关注的。

【活动影响力】每场促销活动一般都会有一个主推的主题，围绕这个主题策划人员配备了相应的产品。一场成功的活动不仅能做好主推产品，顺带着提升了其他品类的销售，也就是活动的拉动能力，这样的营销策划影响力会从活动开始一直延续到活动结束之后，使品牌或者商场的整体销售被提高到另一个高度，从活动前、活动中到活动后，销售呈现出一种向上提升的趋势。

以上是本博总结的几个常见评估方法，不一定正确，需要结合不同行业、不同活动类型来应用。

关于活动评估，推荐阅读：数据化管理的《如何科学的进行五一促销活动评估》

另：更新内容

@茵曼文案lala凤根据自己在工作中的实践与摸索，总结了15种促销方式，她没想到的是，这个图迅速在微博上疯传，并被许多网友惊呼为“目前看起来最全的促销图”。

数据分析预处理的方法——SPSS、Clementine如何处理缺失值、离群值、极值？数据预处理的方法——SPSS、Clementine如何处理缺失值、离群值、极值？

【一】什么是预处理、预分析？

高质量数据是数据分析的前提和分析结论可靠性的保障。尽管在获取数据源时数据分析师格外谨慎，耗费大量的时间，但数据质量仍然需持续关注。不管是一手还是二手数据源，总是会存在一些质量问题。同时，为了满足数据分析、挖掘的实际需要，对噪声数据如何处理，是丢弃还是补充，或者重新计算新的数据变量，这些不是随意决定的，这就是数据预处理的一个过程，是在数据分析、挖掘开始前对数据源的审核和判断，是数据分析必不可少的一项。本文暂只简单讨论一下缺失值、异常值的处理。

【二】如何发现数据质量问题，例如，如何发现缺失值？

1、SPSS是如何做到的？

（1）系统缺失值、空白值

每一个变量均有可能出现系统缺失或者空白，当数据量巨大时我们根本无法用眼睛看出是否有缺失，最明智的做法是把这项任务交给数据分析工具，比如Excel，可通过数据有效性、筛选、查找、计数等功能去实现，如果是SPSS数据源，可以通过描述统计之“频率”项来实现。

上图，五个变量中，家庭人均收入有效样本94，有6个无效样本，在spss数据区域显示为空白值。其他变量均没有缺失，对于这6个缺失值是留是踢需要谨慎。

（2）变量取值分布

这一项不容忽视，一般由于输入错误、数据本身或者其他原因造成。这里分分类变量和数值变量进行检查。

分类变量取值分布检查：

描述统计之“频率”项，可以对变量以及变量取值进行频次统计汇总，因此，此处仍然采用“频率”项。

上图，我们已经确认是否献血样本全部有效，但是不代表这个变量没有其他噪声。通过此变量取值分布的考察，我们可以发现是否献血有4个水平，分别为“0”“1”“No”“Yes”，但实际上，该变量的取值至于两个水平，“No”“Yes”，其余两个取值是错误操作导致的，这是系统缺失值，可以通过重新赋值进行处理。

数值变量取值分布检查：

数值变量取值分布不宜采用“频次”的统计，一般可通过直方图、含有正态检验的直方图来实现。

上图，数值变量的直方图，可以清楚的看到其分布情况。可以初步判断存在异常值。

（3）离群值、极值

在SPSS中可以通过“箱图”直观的看到异常值，探索分析项或者箱图功能可实现。

上图，为spss探索分析结果，还可以设置分组变量。可以直观的发现，家庭人均收入存在极值，编号为66，可以快速查找定位。

2、Clementine是怎么做到的？

Data Audit，数据审核节点示例：以下数据流看图不解释。

首先，建立以上数据流。最后一个为“数据审核”节点，右键选择并打开编辑：

上图，为clementine变量诊断结果，非常直观，图文并茂，而且一张图几乎说明了数据源各种质量问题。是否无偿献血，取值水平有4个，家庭人均收入最大值有异常，且明确显示有6个无效值。其他变量正常。