電商運營的過程當中總是少不了資料分析，好的資料分析結果有利於進行日常店鋪運維，今天就來說一說電商運營如何分析資料。以及需要了解的資料指標有哪些？

一、資料指標需要了解哪些

1、市場分析。瞭解市場走向以及目前市場的大需求。相信這一點對於大多數賣家而言都不必再強調了，因為做電商，也就是做銷售。

2、消費者分析。現在的電商千人千面非常強調匹配精準的消費者，那麼我們就需要在日常的店鋪運營當中對消費者進行分析。主要是兩個方面，一是分析商品匹配的消費者，二是分析進店的消費者，從而更好的最佳化店鋪的寶貝實現更多的成交率。

3、競爭分析。競爭分析主要是分析商品的競爭力，以及店鋪在同行當中的競爭力。這樣可以做到趨利避害極大的實現自己商品的價值和店鋪的價值。

4、資料分析。資料分析可以幫助我們進行測款選款，以及測品等操作。同時資料分析可以讓我們很好的進行店鋪的日常最佳化工作，用資料反映店鋪的真實情況。這樣賣家才能對自己的店鋪資料定製出有效的方針策略。

二、電商運營如何分析資料？

1、營業額。營業額反映了店鋪的經營情況，針對以往銷售資料，結合地區行業的發展狀況，透過對營業額的每天定期跟進以及每週總結比較，以此來調整店鋪的促銷及推廣活動的推進計劃。

2、銷售目標。根據營業額資料，設立店鋪經營目標及員工銷售目標，將營業額目標細分到每月、每週、每日、每時段、每班次、每人，讓員工的目標分為每時，每日，每週，每月這樣的小目標，總和之後從而完成一個大的目標，而且小目標的難度降低了，努力的方向就更加清晰了。

同時，對於運營來說往往工作都是細分到每一個員工，所以要各司其職，當然也需要不斷鼓勵和創新，建議可以給員工設定一個月度目標達成設立相應的獎勵機制，激勵員工衝上更高的銷售額；並且每天監控營業額指標完成的程序情況，目標達成時，繼續最優指標。當目標任務未能達成時，也不用沮喪。還可以制定預備方案，及時調整人員、貨品、促銷方案以及促銷模式。

3、同類產品的銷售額比較。比較同類商品不同商家的營業額指標有助於分析本店的銷售能力，從而為最佳化人員結構及貨品組合提供參考。為提高銷售率最準備。

使用者資訊龐大的資料傳遞起來速度太慢，一不留神就需要好幾十兆，做成PPT不光要耗費好幾個小時的製作時間，還需要人工提前進行歸納分析。

可以透過建立檢視，新增資料處理方式來對已有資料進行復雜的統計計算和資料處理，處理後形成的資料可以在報表中進行分析，同時還可呼叫資料（如：資料關聯聯動、功能模組等都可呼叫最終輸出的資料）。

同時資料檢視的資料來源可以是來自本應用或跨應用的表單並且是實時更新的，資料檢視修改編輯毫無壓力。

l 商品管理上

總銷售額、總銷量、熱銷商品、熱銷品類、利潤額貢獻、品類利潤額貢獻、瀏覽量商品最高、瀏覽量品類最高、商品的下單時間、商品編號、價格，下單件數這些是電商企業所需要進行的商品方面資料採集和分析。

能夠明確地瞭解目前店鋪出售商品中的爆款，針對爆款的特徵進行其他商品改進，尋找相似商品打造更多爆款。

l 渠道管理上

不知道為什麼，說起電商分析，我第一個想到的是Zara（zara也逐漸從線上線下雙線並行了）。Zara在近幾年已經變成了大熱快時尚零售品牌，迅速在增加了在中國的服裝零售市場，你以為Zara錢賺的這麼快僅僅就是因為他擁有一支“優秀的服裝設計團隊”而已嗎？

NONONO，太天真了，Zara除了設計師團隊以外，更重要的是他還擁有一個每天開放的資料處理中心。

這個資料處理中心有什麼用呢，說的白話一點就是：如果Zara發現帶有貼布的褲子比沒有貼布的褲子賣得更好，或者某些顏色或合身褲的移動速度比另一些更快。Zara就透過這一點來進行分析並下達命令，多生產哪一款消費者喜歡的衣物。他們設計和製造具有最受歡迎功能的模型，以滿足客戶需求。

所以說啦，依靠零售分析和硬資料，而不是憑空猜測，可以做出明智的決策，以實現更高的利潤。

當然，俗話說“說起來容易做起來難”。如何做出一個完美的零售行業資料分析呢？

我之前在網路上看到過一個零售行業資料視覺化的案例，希望可以幫到題主：

這個案例建立了客戶、物流和產品的三個部分的聯絡，把零售大屏分成了三個場景。

這三個場景：“人、貨、場”，即客戶、產品、店。

我們可以看到主螢幕利用了地圖上的點來看出門店的分佈情況，從各個地區的銷售資料和人流的情況來直接反應出人與場的關係。再來看看子屏，子屏對人和貨的分析來將資料資源轉化為業務能力。

李寧大屏對上面三個工作單元（“人、貨、場”）進行互動操作，可以對資料視覺化大屏上的內容、互動、動效進行切換控制。

子屏左側非常引人注目的一個點是一個人頭，也就是消費者畫像模組。這個木塊的目的是對李寧的消費者資料進行多維分析展示。展示內容包括消費者屬性分佈，例如年齡、性別、省份、會員等級屬性，同時展示消費者偏愛單品top10、消費者偏好。

右側同樣也有一個很引人注目的鞋子。這一塊展示的主要為產品的銷售比例，結合李寧旗下品牌各季主推SKU產品，對李寧品牌產品直觀展示，包括品牌矩陣、品類銷售佔比、主推產品銷售情況、產品銷售排行榜。

這樣直觀的資料一目瞭然，任何人透過子屏，都可以對人和貨的分析來將資料資源，瞭解客戶需求，非常方便地為客戶提供個性化的體驗。

https://easyv.dtstack.com/fulingwk

這麼一看，李寧近幾年業績節節攀升不是沒有理由的吧！他們藉助新零售技術快速進行數字化轉型。據我的瞭解，截止到2019上半財年，李寧公司的市值已達500億港元。不知道你們有沒有發現，現在李寧開始頻頻亮相國際T臺，再加上讀懂年輕消費者心思的“數字門店”，品牌定位和外在形象都更加年輕化。

服裝零售資料分析說難也難，但是看了我這個例子，細節剖析一下以後，說簡單其實也挺簡單的，最重要的還是要藉助資料視覺化技術。

如果你看到這裡還是雲裡霧裡，問我為什麼的話，那我只有下面這一句話了：

“因為只有線下各終端資料都能夠被抓取之後，後臺的資料決策模型搭建的動作才能做出。”

題主所說的漏斗分析是網站分析的特定方法，除此以外，還有路徑分析、歸因分析和熱力圖分析等。

漏斗分析

漏斗分析是網站分析的基本方法，很多強大的工具支援全站頁面、事件、目標之間的混合漏斗分析，透過漏斗檢視特定目標的完成和流失情況。根據漏斗的封閉性可分為封閉型漏斗和開放型漏斗。

封閉型漏斗指漏斗從第一環節開始後最後的環節，資料從上一環節開始依次“漏”下來，不存在其他進入途徑。典型的封閉型漏斗是購物車流程，通常情況下從加入購物車開始，使用者依次進入結算和提交訂單，由此形成加入購物車→結算→提交訂單完整閉環，該過程中不可能從其他環節直接進入。

開放型漏斗指漏斗的各個環節都有可能存在其他入口，整個漏斗不封閉。典型的開放型漏斗是全站購物流程漏斗，通常該漏斗是到達著陸頁→檢視產品頁→加入購物車。在整個過程中，使用者檢視產品頁和加入購物車可能從任何一個具備該功能的入口進入，而不一定是從著陸頁開始。

漏斗分析的典型應用場景是分析站內流程，如註冊流程、購物車流程等；除了可以做針對多頁面的流程分析外，還可以做單頁面的多個步驟分析，如表單分析、註冊分析等。

路徑分析

路徑分析也是網站分析的基本方法，藉助於網站資料的可跟蹤和可監測特徵，所有使用者行為都處於可分析的狀態。路徑分析不僅可以基於頁面產生，還可以基於目標路徑、事件路徑等資料主體產生。

頁面路徑常用於分析不同頁面引流和前後路徑關係，如使用者從活動頁落地後如何分流、典型客戶的路徑特徵、客戶網站訪問動線、頁面廣告資源挖掘、站內多頁面流程設計最佳化等。大多數網站分析系統只能提供基於流量（通常是PV）的單維度路徑，有些強大的分析系統或外掛能實現三維路徑分析。這些分析可以為站內流程最佳化、流量引導和分配等提供決策建議。典型應用包括：

活動主會場/網站主頁面如何導流？

使用者是否按照“預期”流程行動？

購買“手機的使用者”的瀏覽習慣是怎樣的？

渠道A集中訪問了某條路徑，是否是“惡意流量” ？

歸因分析

歸因分析很多時候也叫訂單轉化歸因或歸因模型，主要用於評估多個參與轉化的主體如何分配貢獻大小。出現歸因的基本條件是某些轉化沒有特定的歸屬，因此無法直接判斷到底是由哪些因素產生。

以訂單轉化為例，歸因分析用來衡量在使用者從第一次進入網站到最後一次進入網站成單時，所有來源渠道對訂單的貢獻作用。傳統的網站分析工具把訂單歸因為最後一次來源渠道（在此不考慮渠道覆蓋規則），但這種訂單歸因的分配模式忽視了其他渠道對於該訂單的“轉化支援”作用。在實際運營業務中，SEM品牌詞流量、直接輸入流量、網址導航直接進入網站的流量質量都非常高，原因是使用者認知度、認可度和忠誠度比較高。但如果因此只投放這些“收口”渠道而忽視其他渠道，這些“收口”渠道效果是否還能持續？

除了傳統的歸因於最後進入的渠道的方法外，還有其他的歸因方法：歸因於最初進入的渠道、線性平均歸因、隨時間衰減歸因、根據位置的綜合歸因等。

好了除了上述方法外，就沒有其他方法了嗎？當然不是，你還有這些方法：

1. 協同過濾

協同過濾（Collaborative Filtering，CF)）是利用集體智慧的一個典型方法，常被用於分辨特定物件（通常是人）可能感興趣的專案（專案可能是商品、資訊、書籍、音樂、帖子等），這些感興趣的內容來源於其他類似人群的興趣和愛好，然後被作為推薦內容推薦給特定物件。

協同過濾主要解決的問題是當客戶進入某個領域後，什麼內容或專案是他/她可能感興趣的東西，然後以使用者的興趣為出發點推薦他/她可能感興趣的內容，以此來提高使用者體驗、使用者互動頻率提升、訂單轉化效果、銷售利潤提升等。

協同過濾目前主要用於電子商務網站、興趣部落網站、知識性網站、話題型網站、社交性網站的個性化專案推薦。協同過濾推薦的場景通常發生在，當客戶對內容進行打分的前提下，例如內容評分、綜合評價等。

2. 迴歸

迴歸是研究自變數x對因變數y影響的一種資料分析方法。最簡單的迴歸模型是一元線性迴歸（只包括一個自變數和一個因變數，且二者的關係可用一條直線近似表示），可以表示為Y=β0+β1x+ε，其中Y為因變數，x為自變數，β1為影響係數，β0為截距，ε為隨機誤差。

迴歸分析按照自變數的個數分為一元迴歸模型和多元迴歸模型；按照影響是否線性分為線性迴歸和非線性迴歸。

迴歸分析是廣泛應用的統計學分析方法，可以用於分析其中一方對另一方的影響關係（透過自變數求因變數），也可以分析自變數對因變數的影響方向（正向影響還是負向影響）。迴歸分析的主要應用場景是進行預測和控制，例如計劃制定、KPI制定、目標制定等方面，也可以基於預測的資料與實際資料進行比對和分析，確定事件發展程度並給未來行動提供方向性。

3. 聚類

聚類是資料探勘和計算中的基本任務，聚類是將大量資料集中具有“相似”特徵的資料點劃分為統一類別，並最終生成多個類的方法。聚類分析的基本思想是“物以類聚、人以群分”，因此大量的資料集中必然存在相似的資料點，基於這個假設就可以將資料區分出來，並發現每個資料集（分類）的特徵。

聚類常用於資料探索或挖掘初期，在沒有做資料整體分析之前進行的探索性分析，適用於樣本量較大情況下的資料初步探索。比如針對企業整體使用者特徵，在未得到相關知識或經驗之前先根據資料本身特點進行使用者分群，然後再針對不同群體做進一步分析。

聚類析能解決的問題型別包括：目前的資料集可以分為幾類、每個類別有多少樣本量、不同類別中各個變數的強弱關係如何、不同類別的典型特徵是什麼等；同時，基於聚類可以對客戶進行細分，在市場研究中的規模測試、機會發掘，以及進行圖片壓縮等應用。聚類無法提供明確的行動指向，聚類結果更多是為後期挖掘和分析工作提供參考，無法回答“為什麼”和“怎麼辦”的問題。

4. 分類

分類演算法透過對已知類別訓練集的計算和分析，從中發現類別規則，以此預測新資料的類別的一類演算法。分類演算法是解決分類問題的方法，是資料探勘、機器學習和模式識別中一個重要的研究領域。

分類的主要用途和場景是“預測”，基於已有的樣本預測新的樣本的所屬類別。例如，信用評級、風險等級、欺詐預測等；它是模式識別的重要組成部分，例如機器翻譯，人臉識別、醫學診斷手寫字元識別、指紋識別等影象識別領域，語音識別領域，影片識別領域等；另外，可以用於知識抽取，透過模型找到潛在的規律，幫助業務得到可執行的規則。

5. 關聯

關聯規則學習透過尋找最能夠解釋資料變數之間關係的規則，來找出大量多元資料集中有用的關聯規則，它是從大量資料中發現多種資料之間關係的一種方法，另外，它還可以基於時間序列對多種資料間的關係進行挖掘。關聯分析的典型案例是“啤酒和尿布”的捆綁銷售，即買了尿布的使用者還會一起買啤酒。

關聯規則相對其他資料探勘模型簡單，易於業務理解和應用。關聯模型的典型應用場景是購物籃分析，透過分析使用者同時購買了哪些商品來分析使用者購物習慣。這種策略還會應用於捆綁銷售、商品促銷設計、頁面促銷設計、商品陳列設計、商品價格策略和基於購買的使用者特徵分析等。網站分析工具Webtrekk中的關聯分析報表即應用了關聯模型。

關聯模型廣泛應用於購物籃分析、網站頁面瀏覽分析、廣告流量來源分析、使用者關鍵字搜尋分析、網站內容或產品檢視分析、生物特徵提取、DNA序列破譯、自然災害預測、科學實驗分析等，回答的問題類似於“發生了A之後，還會發生B還是C？”或者“通常A和B還是和C一起發生”？

6. 時間序列

時間序列是用來研究資料隨時間變化趨勢而變化的一類演算法，它是一種常用的迴歸預測方法。它的原理是事物的連續性，所謂連續性是指客觀事物的發展具有合乎規律的連續性，事物發展是按照它本身固有的規律進行的。在一定條件下，只要規律賴以發生作用的條件不產生質的變化，則事物的基本發展趨勢在未來就還會延續下去。

時間序列可以解決在只有時間（序列項）而沒有其他可控變數下對對未來資料的預測問題，常用於經濟預測、股市預測、天氣預測等偏宏觀或沒有可控自變數的場景下。

7. 異常檢測

大多數資料探勘或資料工作中，異常值都會在資料的預處理過程中被認為是“噪音”而剔除，以避免其對總體資料評估和分析挖掘的影響。但某些情況下，如果資料工作的目標就是圍繞異常值，那麼這些異常值會成為資料工作的焦點。

資料集中的異常資料通常被成為異常點、離群點或孤立點等，典型特徵是這些資料的特徵或規則與大多數資料不一致，呈現出“異常”的特點，而檢測這些資料的方法被稱為異常檢測。

異常值檢測常用於異常訂單識別、風險客戶預警、黃牛識別、貸款風險識別、欺詐檢測、技術入侵等針對個體的分析場景。

電商運營當以資料分析為主，有一句話是，千萬人撩你，不如一人懂你，這句話在網際網路圈可以說成是，真正的瞭解使用者，才能得到使用者，所以，沒有最好的資料，只有更加專業。

大資料分析可以使產品的服務物件更加聚焦，更加的專注，excel表格大多用來是記錄資料，有了記錄才能研究出針對性的方案。

電商運營通常會遇到一些相對籠統的問題，比如：廣告的投放是否精準，使用者體驗如何最佳化、產品定位等，這類大眾問題通常是結合消費人群的需求特性、最佳化及調整產品框架去解決。

這幾年網際網路的迅速發展，“智慧”二字基本上是遍佈生活的各個角落，不說大的，智慧手機基本人手一臺（除去年齡較大的小部分群體或者偏遠的貧困山區），那做電商運營的資料分析，就拿淘Bora講，資料的記錄與分析，無線端肯定是首推，細分到：產品流量變化、佔比、爆款、等等手機端問題的分析和改善；細分運用專業名詞來講就是顆粒度，我們在分析定性的過程中有一個極為重要的概念叫做“顆粒度”，既然做資料分析就不能馬虎，把資料細化到某種程度，上文說到過，精準、特性、框架，這些帶有一定透明的資料都是要讓使用者變得立體、清晰，這樣你的產品才能更為精確的投入，這就類似用PS做圖一樣，圖片放大了呈現出來的就是小方格，類似於馬賽克，但它並不是模糊，反倒是更加的透明化；比如：

“這是一臺手機”

“這是一臺智慧手機”

“這是一臺充電5分鐘通話2小時智慧手機”

“這是一臺充電5分鐘通話2小時OPPO R9智慧手機”

上述過程中，當它是一臺手機時，它身上就具備手機的共性，但當它是一臺只能手機時，顯然它就不能代表老年機了……直至細化到它是一臺充電5分鐘通話2小時OPPO R9智慧手機時，它就只能代表這一特定品牌、特定型號的手機了。

那既然講到資料分析方法，說一個我在職的電商行業，淘寶店家

店鋪管理分為兩大類：店鋪基礎、活動策劃，其它小一點的就是引流渠道的開拓（手機活動），行業相關，比如電商資訊（幫派、淘寶首頁專區），行業資料分析與整理（全網熱銷產品TOP20、上升幅度最大TOP10）

店鋪基礎

資料分析那肯定是離不開生意參謀、生意經、直通車資料分析等，重點關注的就是PV、UV的變化與檢修；那麼電商每天盯的是什麼？那肯定是銷售，銷售的構成：銷售額=流量*轉化率*客單價，這就是電商產品的核心KPI公式。作為一個電商資料分析者一定要了解運營、商務、採購、供應鏈、物流等等，總的來說，要深入一定的業務，瞭解業務的整個機制（近年出的新零售）。

活動策劃這個就不難了，淘寶官方每天的活動報名適合我們的活動要看下，例如：淘營銷http://yingxiao.taobao.com/，第三方或者U站活動。

其他的就是與內功相關的了，推廣安排（淘寶SEO，寶貝的標題與詳情頁，上下架時間，合理的安排寶貝的上下架時間，分析競爭對手精確下架時間後進行調整），付費推廣（直通車，寶貝開車前要做資料分析，選詞，出價，考核位置，淘寶客，優秀淘寶客計劃設定，高佣金，測連結排名，精準淘寶客名單——新增，維護，洽談，鑽展，需要7天做測試哪個位置最適合，鑽展預算計劃等）以及設計美化、客服管理等，這些都是大資料的記錄與分析下來的。還有很多細節方面沒有講到，做電商運營，應該對自己有更嚴格的要求，特別是資料分析與記錄，在提出需求時，就要理清所有要分析的資料，做深入的研究，它所圍繞的核心就是：使用者，現在是精準化時代，淘寶的“千人千面”就是一個很好的案例，一般資料分析是定性，簡單說就是了解與分析，定量則是驗證，更加凸專業性，同時花費的成分也比較高，所以資料分析有很多種方法，並不是固定的，就像製作一個Excel表格一樣，當專案上線後，只需往裡填數字就行了。

上述只是從電商角度淺談，還有很多涉及到網際網路方面的我就不造了，碼字有點累，Thanks

我們都知道現在是個資訊化、資料化的時代，一切都離不開資料，那麼尤其運營更是如此。

那麼建立一套有效的資料分析體系，

你要明白這個資料體系是為了解決你什麼問題，或者為你的決策提供什麼樣的價值，這樣你就會更加清楚你需要什麼資料，這樣你日後在篩選資料的時候就會有選擇，有區別，有重點，而不至於你擁有一堆資料，卻發揮不出他們的價值。