NAPL 模型實作與延伸思考

前言

今日拜讀 Happy Lee 的文章 「NAPL模型 - 零售業數據教我們的人生哲理」之後，對於 91APP 之所以能持續穩坐台灣開店平台的龍頭地位，深深的感到尊敬與佩服，尤其是扎扎實實為滿足商家需求，或為商家提供實質幫助而開發的各種軟體服務，包括這篇文章要討論的主角 - NAPL模型。

電商報表的新利器 - Google Data Studio

投入 OpenCart 電商系統的技術支援多年以來，一直有感於 OpenCart 內建報表功能的不足，為 OpenCart 系統開發報表或許是最直接的解決方案，但畢竟每家電商需要的報表圖表種類，並不完全相同，一一為其客製似乎也不是很有效率的做法，維護的工作也很累。

然而近年來 Google Data Studio 的發展確實令人期待，除了能輕易串接 Google Analytics、Google Search Console、Google Ads，將資料拉進 Data Studio 彙整成報表之外，也支援了第三方的 Connectors，串接外部的資料做為資料來源，包括 Facebook Ads、 Facebook Insights data 等等。

就算沒有 Connector 可以使用，在最克難的狀態之下，也還能透過直接匯入 CSV 檔案，來作為報表的資料來源，雖然目前報表元件尚未包羅萬象，不過基本的幾種常見圖表，對於大部分的電商需求，已經算是相當足夠了。

採用購物系統前置作業 + Data Studio 的合作模式

透過歷史銷售資料，來分析客戶消費輪廓，依不同條件篩選名單，並進一步進行適當的再行銷，是相當有效率且低成本的行銷手法，但若商家沒有一些直觀、清晰的銷售分析報表，實在很難進行適當的決策，即使有所方向，也未必能篩選取得正確的客戶名單，在看過 NAPL 模型及其公司的數據應用理念之後，我覺得單純將資料倒入 Data Studio，再由 Data Studio 產製圖表，並無法呈現像 NAPL 模型或是更細膩的圖表，應該要由原始電商營業資料，先進行資料預處理作業，再將預處理過的資料匯入 Data Studio，兩端分工合作，應該是比較省力，也同時保有圖表繪製彈性的作法。

為 OpenCart 開發 Data Studio 專用的資料匯出功能

手上剛好有一些過去為 OpenCart 商家開發的會員資料匯出功能，可以拿來修改成 Data Studio 專用的資料匯出功能，匯出前先依據 NAPL 的規則計算每位客戶 NAPL 類別，過程順便將一些重點欄位也一併記錄下來，例如客戶註冊日期、首次購買日期、NAPL 週期的購買次數及金額、最後購買日期等等，不只是為了 NAPL 模型，有越詳細的資料欄位，就越容易產製細緻清晰的圖表，可供延伸需求使用。

提供更有彈性的自訂區間功能

雖然 Happy Lee 的文章是以一年當區間、三個月當三倍購物週期，但能提供自訂日期區間，應該更能滿足不同商家的需求，於是我提供了 NAPL 區間、三倍購物週期都能自行設定的功能，讓商家擁有調整 NAPL 輪廓區間的能力。

在 MVC 的 Model 進行資料預處理作業

資料從資料庫撈出之後，就要進行預處理的各種計算，例如求得該客戶的 NAPL 類別，記得將資料預處理作業設計在 MVC 的 model 部分，因為不只是匯出 Data Studio 的 CSV 檔時會用到，在線上查詢、匯出名單等功能，都會用到預處理過的資料紀錄。

進行 Data Studio 圖表製作

將前一步驟匯出的 CSV 檔匯入 Data Studio，作為資料來源，由於資料都已預處理過，直接建立一個報表元件，並指定剛剛匯入的資料來源、設定你要的維度及指標，不到三分鐘就能呈現下圖的畫面了，真的很省時省力。

有些資料也可以透過 Data Studio 的功能來處理，例如這裡要分別顯示 N、A、P、L 各種類別的人數，就可以使用篩選器的功能來達成。

欄位資料都進來了，想顯示什麼資料圖表都可以，把原本的數據資料圖形化，或許還能因此有新的洞見。

心得及建議

採用訂單資料預處理匯出 CSV + Data Studio 匯入 CSV 檔的作業模式，是相當經濟且具有彈性的作法，一方面大部分的系統都已具備會員資料匯出的功能，只要加一點預處理的作業，多儲存一些欄位，即可供 Data Studio 自由發揮，而 Data Studio 的支援，則讓工程師省下設計報表圖形呈現的程式，所以整體而言難度不高、工程也不大，同時還保有很大的調整修改的彈性，讓報表更多樣化，更符合商家的需求。

當您擁有的 NAPL 模型之後，可以針對商店本身的特性，進行延伸或變形應用，不一定要像原文章作者的規則，例如，有時候商家舉辦了某些活動(ex.新會員送好禮)，因而帶進了一批因活動而註冊或消費的一次性會員，若在匯出客戶資料時，能將此類客戶過濾掉，則可提升數據的純度，回歸較常態性營運下的資料樣本，讓報表及 NAPL 模型更具參考價值。

另外，A 區的客戶雖然有相對較高的回購率，但也不代表其他區的客戶不值得努力，多一點巧思，或許能有作為，例如針對此類客戶前一次購買的商品，發送相關商品的專屬限期折扣，或是發送能兌換贈品或折價券的問卷，收集為何沒有回購的原因，都是商家可以自由發想的。

與其抱怨廣告成本過高、效益不好，不如加強舊客戶的經營與努力，看看 91APP 為商家做了什麼，或許你也能從中得到一點東西。