資料分析對電商業務體系各個環節產生的資料進行深度地挖掘和分析，對於企業及時調整運營策略，制定後續的發展計劃具有十分重要的戰略意義。

一方面，便於管理者全面客觀地瞭解企業情況，從而做出更科學合理的決策。一般的報表資料或者資料結果通常只能反映企業某個階段或者某個部分的情況，且僅對這些資料資料進行表面檢視，難以獲取有效的資訊和發現潛在的問題。百寶雲透過對企業資料報表、行業調查資料全面的收集整理，以圖表視覺化的形式呈現，方便管理者進行針對性研究和分析，發現隱藏在數字和報表之後更深層次的內容，充分挖掘其本質問題，能夠更客觀地制定相關企業決策和發展計劃。

另一方面，便於電商資料資料的進一步開發和利用，為企業經營管理提供資料和理論支援。在電商企業實際運作中，其實大多資料都沒有發揮其應有的價值，資料利用率較低。而百寶雲的資料分析功能可以將資料二次利用，幫助企業資料分析部門將其轉化為對市場和企業發展都有益的有效資訊，實現資料資料的再開發、再利用，為管理者提供了洞察市場規律的先決條件，管理者可以透過此結合企業自身的運營管理策略，對企業的運營發展進行全面的統籌決策。

為了解決“使用者、商品、渠道”這三座壓在電商管理者心頭的“大山”，作為專攻管理系統領域的軟體“百寶雲”有著一套針對電商行業且區別於傳統資料分析工具（Excel、ppt）的運作方案。

透過百寶雲的資料分析管理系統可以做到：

1以全年總銷售額、 本月銷售額 、日銷售額的形勢將店鋪銷售資料視覺化呈現，利於管理者對不同渠道的店鋪做資料分析，直觀瞭解所有店鋪的轉化率等詳細情況，對下一階段對不同渠道店鋪的決策提供資料支撐。比起主觀的決策，資料分析明顯更科學化與規範化。

日常性資料分析都有什麼，有什麼用都需要看資料瞭解資料背後的秘密！

1.流量相關資料：IP丶PV丶線上時間丶老使用者比例丶新使用者比例。

2.訂單相關資料：總訂單丶有效訂單丶訂單有效率丶總銷售額丶客單價丶毛利率。

3.轉化率相關資料：下單轉化率丶付款轉化率。

(二)每週資料分析

使用者下單和付款不一定會在同一天完成，但一週的資料相對是精準的，所以我們把每週資料作為比對的參考物件，主要的用途在於，比對上週與上上週資料間的差別，運營做了某方面的工作，產品做出了某種調整，相對應的資料也會有一定的變化，如果沒有提高，說明方法有問題或者本身的問題並在與此。

1、網站資料

IP丶PV丶平均瀏覽頁數丶線上時間丶訪問深度比率丶訪問時間比率。這是最基本的，每項資料提高都不容易，這意味著要不斷改進每一個發現問題的細節，需要不斷去完善購物體驗

2、運營資料

總訂單丶有效訂單丶訂單有效率丶總銷售額丶客單價丶毛利潤丶毛利率丶下單轉化率丶付款轉化率丶退貨;每日資料彙總，每週的資料一定是穩定的，主要比對於上上週的資料，重點分析內部的工作，如產品引導丶定價策略丶促銷策略丶包郵策略等。

分析時大家思考三個問題：

1：對比資料，為什麼訂單數減少了?但銷售額增加了?這是否是好事?

2：對比資料，為什麼客單價提高了?但利潤率降低了?這是否是好事?

3：對比資料，能否做到：銷售額增長，利潤率提高，訂單數增加?

(三)：使用者分析

會員分析資料：會員總數丶所有會員購物比率(新會員，老會員)

1.會員復購率

2.轉化率

流量分析是為運營和推广部門指導發展方向的，除了關注轉化率，還有像瀏覽頁數丶線上時間，訪問深度等都是評估渠道價值的指標。

(五)：內容分析

主要的兩項指標：首頁裝修和寶貝詳情頁的購買率。

2.首頁肯定要與熱點內容相符合，學會看新聞，學會看天氣，分析消費者最關注什麼，喜歡什麼產品丶檢視同行店鋪的促銷手段極其裝修等等，從他人處學到精華，學會應用。

第一點:還沒有成交的客戶，也就是售前客戶，我們一般都知道一些客戶的手機號碼，那麼利用我們的資料分析工具，可以快速分析這些號碼，是否停機，是否空號，是否開通了上網流量，這樣的話資料更加精準，更能節省時間。

第二點：成交後的客戶，透過資料分析可以瞭解，這些人的年齡，性別，地區分佈等資訊，形成一個使用者虛擬畫像，這樣的話以後再銷售產品就可以有針對的進行推廣，進行營銷。節省很大的營銷成本。

所以說資料分析工作可以幫我們節省時間，分析出產品受眾的使用者畫像，然後我們進行針對性營銷，然後慢慢再進行最佳化，最終實現事半功倍的效果。

資料分析在電商的運營過程中一直是比較重要的內容，相關的工作崗位也比較多，運營的參與人員幾乎都要具備一定的資料分析能力，一些大的電商平臺會有專門的團隊來進行各種資料分析。可以說，資料分析是運營團隊制定策略的重要參考。

在大資料時代背景下，資料採集的渠道得到了擴充套件，資料的維度也得到了全面的提升，這會進一步提升資料分析的價值。對於電商運營人員來說，透過資料分析能體現出以下幾個重要的內容：

第二：使用頻次。電商產品的使用頻次能夠體現出產品自身的健康程度，使用頻次目前已經有了非常詳細的劃分，包括主頁面的開啟頻次、不同功能頁面的開啟頻次等內容，另外還有活躍使用者的使用頻次等等。使用頻次能夠發現哪些功能是使用者關心的，那麼就需要進一步拓展這些功能，而那些使用者並不關心的功能，就應該做出適當的調整。

第三：活動效果。電商平臺會不定期舉辦各種型別的活動，每一次活動的效果都需要透過資料分析來進行呈現。透過資料分析能夠發現哪些活動的效果好，哪些活動需要進行調整，哪些活動需要停辦等等。隨著電商的不斷髮展，當前電商平臺的活動頻次非常高，而驗證各個活動的效果就需要資料分析了。

通常情況下，資料分析的工具還是比較多的，比如Excel以及各種BI工具就比較常見。對於專業資料分析人員來說，則需要掌握Python、Mysql、SPSS等工具。另外，演算法設計是資料分析人員需要掌握的重要內容。

沒多重要，刷單依然那麼多，資料有多少真實性？分析來，分析去，做得不如別人，無非就是那幾個緯度，用腦子都想得到，那些說每天分析資料誇誇其談的人，顯得自己是好像是經濟學家一樣，無非就是有些裝比的成分，忽悠不懂的老闆

很多第一次做電商運營的人都不知道要怎麼做分析，我之前也做過網際網路運營，一開始無非就是看看PV、UV，分許分析流量就完事了，但是很快老闆就會發現我的分析結果根本沒有任何價值，因為分析這些東西根本毛用都沒有！

但是我也很無奈，因為這些常規資料就繫結著我的KPI，要是不做的話，我就會被扣錢扣工資，運營分析還能怎麼搞出花來？老闆是為了公司盈利，我也要為了生活啊。

後來我才知道，不是分析方法和內容不對，而是沒有關注到重點的資料。

頓悟的方法很簡單，去問一個專業的搞資料分析的就行了，我有幸就遇到了這麼一位，簡直稱得上是掃地僧一樣的隱藏人物，幾句點撥就足夠我學習的了。

一、首先，要明白自己企業的商業模式

既然題主問的是電商，那麼就先說一下電商的盈利模式，很簡單：

客戶看中了你的產品或者服務，你把產品和服務賣給客戶，一個訂單完成！

電商公司和o2o類公司都是這種模式，公司的收入是由一個個訂單堆積出來，訂單是由使用者購買了相關的商品或服務產生，可以說使用者和商品或服務為訂單的兩大基本元素，公司收入下降、增長、異常最終都可以追蹤到使用者與商品這兩大元素上。這樣我們將公司收入相關資料拆解為三大模組：使用者、商品或服務、訂單。作為運營人，我們最主要要關注的就是兩個字——使用者。

公司收入、訂單都是由使用者消費所產生，使用者的消費流程可以劃分為以下四個階段：引流、轉化、消費、存留。

當然我們希望最理想的情況就是吸引和轉化最多的使用者、讓他們買我們的產品，並且留住他們好讓他們一直買。然而現實是殘酷的，我們能做的，就是對這些資料進行分析，根據資料情況進行策略對調整，讓現實與理想情況之間的距離越來越近。

我們一般將使用者分為新使用者和老使用者，如下圖所示：

無論新老使用者，我們都會關心兩塊內容，一個是引流（拉新），一個是轉化，最終以資料的形式體現出來，就是流量與轉化率。

分析目標：透過對流量的分析，保證流量的穩定性，並透過調整，嘗試提高流量。

分析內容：基本資料指標有訪客數(uv)、瀏覽量(pv)、訪問次數(visits)，是常用的衡量流量多少的資料指標；平均訪問深度(瀏覽量/訪問次數)、平均停留時間(總停留時間/總瀏覽量)、跳失率(跳出次數/訪問次數)是用來衡量流量質量優劣的指標。

分析角度：

1. 觀察流量規律，便於活動安排、服務調整

上面這個圖使用FineReport做的UV分析，可以發現以下規律：一天當中，訪問集中在9點到11點和14點到17點這段工作時間，一年中則在春節前後的訪問量比較大，每週中也是訪問集中在工作日。

一般來說，流量都是以每天中的時段、季節、節假日、星期這樣的規律來分佈的。所以可以將以上幾面統一放到同一頁面中進行觀測，可以全面的瞭解應用的訪問規律。並且透過對渠道、業務的選擇，可以觀測具體的渠道、業務的訪問規律。

2.發現流量異常，分析異常原因並及時調整

透過對上圖的觀察，可以發現異常現象：

3月21日到4月17日到流量圖中，工作日到流量一般都維持在2400左右，而觀察4月18日到5月15日到圖，發現流量從4月19日下滑開始，很少突破2000，也就是流量在近一個月有明顯下滑。原因可能是對手購買了競價排名、自己的seo做的不好等等。

一般來說，流量以周為單位，週期性分佈的情況是比較多的，將視角拉長，一次性多看幾個周的資料，便於發現問題。將一段時間內的資料與歷史資料進行對比，也有助於問題的發現。

除上圖中對流量異常的簡單監控外，可以對流量進行進一步分解，如下圖所示，透過圖表聯動，觀察具體渠道或者業務的流量情況，從而完成對問題的追蹤定位，例如透過進一步分析發現，4月中旬開始的流量下降主要出現在pc端，那麼可以進一步縮小問題的範圍。

3. 觀察流量結構，分析其合理性，並作出調整

流量結構一般可分為渠道結構、業務結構、地區結構。透過查詢一段時間內的各結構佔比，瞭解流量組成。

如上圖所示，在渠道中，pc佔比相對過大，而app佔比不高，app對於使用者具有更大的黏度，所以應分析app佔比過低原因，並想辦法提高app流量佔比。下面的折線圖可以對各渠道的流量情況進行追蹤，分析佔比不合理是短期內出現的，還是長期存在的、輔助問題的分析。

4. 追蹤流量情況，衡量活動或者調整效果

對流量的追蹤，一般就是對流量的監控，觀察活動前、活動中、活動後的變化情況，評估活動效果。一般來講，活動期間流量會大幅提升，活動後有一定回落，是一個成功的活動。如果活動期間流量上升幅度不大，或者活動結束後流量大幅度跌落，甚至流量低於活動前的正常流量很多，都不能說是一個成功的活動。

三、轉化

在完成引流的工作後，下一步需要考慮的就是轉化了，一個嶄新的使用者一路走來到完成交易，中間需要經歷：

瀏覽頁面（下載app）->註冊成為使用者->登陸->新增購物車->下單->付款->完成交易

每一環節中都會有使用者流失，提高各個環節的轉化率，一直是網際網路公司運營的最核心的工作。轉化率的提升，意味著更低的成本，更高的利潤。

分析目標：瞭解各環節轉化情況，分析其異常或不合理情況，進行調整，以提升各環節的轉化率。

分析角度：關於轉化率的各種名詞也特別多，有靜默轉化率、登陸轉化率、諮詢轉化率、付款轉化率等等，然而並不需要考慮這些詞，只要關注使用者從接觸應用到成交中的幾個環節就好。

我們依然使用FineReport中圖表的形式來從各個角度對轉化資料進行展示分析。

1.觀察各環節轉化率，分析其合理性，針對轉化率異常環節進行調整

上圖所示，傳統漏斗圖只能顯示一條路徑的轉化率情況，稍加修改後，可實現對比功能，例如上圖所示的新老使用者的轉化率的對比。可以根據實際情況中在該圖中加入更多環節，例如註冊、收藏、開工、竣工等。

從上圖中，我們可以發現這樣一個問題，下單到付款中的轉化率過低，正常來說，使用者只要下單，付款的比例是比較大的。對於這個異常，我們來做下猜測：

又看了下其他家的商品或服務，發現了更好的，就取消了付款；付款前習慣性的問下相關的人進行確認，然後發現計劃有變，所以取消付款；到了付款的時候發現居然不支援支付寶，無奈取消付款；下單後被告知沒貨；頁面好卡，怒而棄之；餘額不足

總體上可以分為兩類：使用者本身原因，系統設計原因。上圖中這麼出現付款率這麼低的情況，基本上可以確定是系統原因。然而具體是哪塊的設計出了問題，可以進一步細化追蹤。

上圖中的付款轉化率低的太明顯，只要不瞎都能看出這轉化率出了問題，但是往往轉化率的問題並沒有這樣的明顯，那怎樣定位自己的轉化率是否合理，哪個階段的轉化率有提升空間呢？繼續看下面這張圖：

上圖是透過多角度對比來分析業務轉化率的健康狀況，包括與自己同期對比、行業中與自己相似產品對比、行業中優秀的產品對比。對比各環節轉化率的不同，產生資料上的衝擊，所有落後的節點，都是可以提升的空間。

2. 追蹤轉化率變化，用於異常定位和策略調整效果驗證

除流量外，轉化率也是需要追蹤的，將時間的維度拉開，分析各階段轉化率隨著時間的波動，也是很有看點的。

如上圖所示，在4月17日到21日中間，轉化率出現下滑趨勢，透過渠道轉化率與業務轉化率兩個圖表的聯動，可以追蹤定位導致轉化率下滑的渠道或業務。常見的原因，公司運營部門投入了某個渠道進行推廣，新的渠道帶來了新的流量，而該渠道所引入的使用者質量卻偏低，拉低了整體的轉化率。

3. 觀察各渠道轉化情況，定義渠道價值，並依此適當調整運營策略

氣泡圖在傳統圖表中資訊量涵蓋相對是比較大的，上面這張圖x軸和y軸分別表示流量和轉化率，y軸可以根據分析內容不同切換成點選率、註冊率、架構率、下單率等等，氣泡大小表示的為渠道ROI。從上圖中可以看出，在右上象限中的渠道價值是比較大的，再綜合考慮ROI，還可以看出渠道價效比情況。

4. 分析各環節轉化週期，分析使用者習慣，為制定運營策略提供依據

這種場景通用性並不是很強，會和公司業務相關聯，有些業務的交易是分成多個階段來完成，這種情況可以對轉化週期進行分析。

上圖中可以看出，該業務的付款與成交一般在前四周完成，而第五週開始趨於穩定。知道以上資訊後，可針對第五週未付款或完成交易的使用者進行詢問，提高轉化率。另外可制定四周內完成交易有獎勵等活動來縮短成交週期，因為圖中可以看出，絕大部分使用者四周時間足夠完成服務檢查、訂單確認等工作。

四、日活/存留

網際網路行業的拉新成本現在都很高，要投入廣告、投入時間，這些都是成本。如果使用者還沒有產生什麼價值就流失了，那一定是虧了。相反，拉過來的使用者，存留的時間越長，產生的價值也就越大，也才能彌補其他流失使用者所產生的損失。因此，提高使用者的存留時間，也是提高公司收入，為公司創造更多價值的重要一環。

分析目標：透過分析使用者的日活/存留，來幫助運營人員發現問題、監控資料，為調整策略提供資料支援，達到提高日活/存留的效果。

分析角度：

1.日活監控，觀察使用者活躍資料，分析日活健康度

活躍使用者一般可以分為以下三類：

有些公司可能不太關注迴流(一定時間內沒有登陸的使用者再次登陸)這部分使用者，我將它列出來，是認為了解迴流使用者的日活情況在一些場合中是有價值的，例如活動期間、發優惠券測試，是否會對流失使用者的迴流產生了作用。

上圖中是用finereport做的堆積面積圖，其面積大小為各型別使用者數，堆積總高度為總活躍使用者數。對於日活資料來說，相對理想的情況是老使用者佔比較高，為活躍使用者主力，並且呈現逐步上升的趨勢，代表產品對新使用者的粘性較好，總體拉新存留大於流失使用者。否則，要麼是新使用者的存留率過低，要麼是老使用者的流失率過高，都需要進行調整。

2.觀察存留規律，定位存留階段，輔助市場活動、市場策略定位等

存留規律分析應該分開對待，一部分高頻小額訂單(例如外賣)這種網際網路公司，其分析模式類似於遊戲、知乎、SasS平臺，會以日為單位來分析存留。

如上圖所示，這種使用者登入頻率較高的應用，可以透過上圖分成三個階段，過濾期、試探期、平穩期。剛開始接觸一個應用的使用者中，有大量的使用者是質量不高的使用者，不可避免的要經歷一個存留率大幅下降的階段，但這一階段週期一般較短(我認為這一階段可能更多的是應用篩選使用者)。在這一階段過去之後，使用者會對應用進行詳細的試探，是否讓自己滿意，這段期間也會有部分使用者流失。最後留下的就是相對穩定的使用者了。

上圖可稱之為手槍圖，該圖可以看出使用者存留的整體情況，存留率有沒有越來越高，產品粘性是否做的夠好，透過上圖可以看出一定的問題來。但要像日存留那樣，找出使用者存留的三個階段是比較困難的，因為使用者是否存留下來更多的取決於消費體驗，並且消費體驗週期過長，很難判斷使用者是否會再次消費。

3.對比不同使用者、產品功能的存留情況，分析產品價值、輔助產品調整

如上圖所示，透過對比，發現使用了分享功能和收藏功能的使用者的存留率相對較高。得到這樣一個資訊後，可以透過產品上的調整，來鼓勵使用者使用分享、收藏等功能，以此來提高使用者的存留率。

存留率是網際網路公司非常關注的指標之一，而很多公司會對存留率進行非常深入的挖掘。上文提供幾種存留率常用的展現形式，為分析存留率提供一定的參考。

資料分析工具能做的很多，比如說你能透過資料視覺化分析，更快讀懂資料；比如說你可以透過使用智慧分析功能，在發現電商銷售量呈下降趨勢時，層層挖掘分析，找到導致銷量下降的原因。當你的電商運營遇到了問題，你可以透過資料分析找到原因，最終做出有效的決策。