用户名*
E-Mail*
密码*
确认密码*
忘记
忘记密码？ 请输入您的电子邮件地址。 您将收到一个链接，并将通过电子邮件创建一个新的密码。
怎样做好电商网站的数据分析？
互联网行业从业近7年，电商大数据相关从业经验3年，目前负责一电商公司大数据部门，包括数据分析团队，一些想法可以分享一下。
—————————————-
有一句话不知道有没有听到过“数据是一个任人装扮的小姑娘”，在电商行业尤其明显。
所以对于电商的数据分析来看，不是说具体如何分析，而是说具体数据对于谁是有用的，而使用数据的人是否是真正想做事，还是说为了糊弄上级，或者说体现业绩的，这里头门道太多，涉及的利益也很多。
以销售金额为例，随便更改一下口径，其最终的业绩就很不一样，而对于那些不了解数据的人来说，表明上业绩增长了，但明白人知道看似增长的数据实际上代表着什么。
而对于不同的业务部门来说，知道用哪些对自己有利的数据去做汇报，而对于不懂数据的人来说实际上是很难发现问题的。
所以，经常会出现，每个部门感觉业务数据完成的很好，都达标了甚至超额完成了，但公司整体运作实际上并不是很好，甚至隐藏了很多雷点，整体的经营也没有感觉很好。
这就是打了一个认知差，所以，多了解一下数据构造，数据指标的构成，数据分析的基本逻辑，没有毛病，就算不去骗人，也避免被人忽悠。
———————————————
之前在知乎专栏上写的两篇数据跟业务的文章，可以看看，并且是以电商的角度出发的：
blogchong：数据和业务系列一，关于GMV有很多你不知道的事
blogchong：数据和业务系列二，用数据的视角告诉你史上最全的营销套路
————-
最后，欢迎关注【数据虫巢】，很多数据和业务相关的文章~
谢邀。您好，我是一名专注研究电商图表、软件、算法的商业智能数据分析师。在接触电商数据分析之前，您最好有做过电商运营。我们都很清楚，电商这个领域比较特殊，需要自己对业务层面有比较深的把握之后，再进行数据分析，效果会更好，否则就真的只是停留在技术层面上而已。
我自己就是走过了几年的电商运营之路，后来转型做电商数据分析了。整体来说，除了数据分析本身的能力之外，还要多研究研究一些电商玩法，俗称套路。
好比如，某个单品，某段时间，流量出现下滑，要找出下滑的原因，然后提出解决方案。类似这种情况的非常之多，我们都很清楚，在这种问题下，如果自己没有从事过运营的话，那思路是打不开的。
以上这部分就是我对电商数据分析的一点看法。我自己平日里会在自己的知乎专栏花随花心写点电商数据分析方面的文章，现摘取一部分内容进来观看，如果您不喜欢，可直接忽略。
商业智能数据分析师，花随花心。
大家好，我是花老师。今天，这堂课是整个PBI系列的第12课，核心关键词正如本文名字一样，权重、相关系数、指标关联。当然，这么讲肯定是不好理解的，不过没关系，稍后我会好好给大家分享。
还没有看过上11堂课的同学，要记得提前预习，文章名如下：
《PBI系列 车图 色彩搭配 数据分析 01》花随花心著
《PBI系列 竞品评论 流量 词云分析 02》花随花心著
《PBI系列 快选 人气新品池 品质档 03》花随花心著
《PBI系列 天猫国际 搜索 属性分析 04》花随花心著
《PBI系列 京东 词根分析 时段流量 05》花随花心著
《PBI系列 关键词 多维度 市场分析 06》花随花心著
《PBI系列 类目大词 群店 竞争透视 07》花随花心著
《PBI系列 搜索环境 竞店 二维矩阵 08》花随花心著
《PBI系列 店铺分类 地区透视 关系 09》花随花心著
《PBI系列 象限分析 雷达 区间分段 10》花随花心著
《PBI系列 搜索环境 波动性 集中度 11》花随花心著
那么，接下来，就让我们正式进入主题。
正文
中秋一过，人就变得有点懒散。整体感觉，还是放假的时候最舒心了。可以不用理会太多琐碎的事情，身心放松的过过假日。
实际上，今天的第12堂课，本来是昨天就想分享出来的，但鉴于假日的关系，我就没有这么做。有别于之前的11堂课，今天的主题的确是可以做到分析指标之间的关联度。
不知道大家有没有一种感觉，老是被一些机构忽悠，从头到尾的说权重，可权重到底是什么，却没有几个人能说的出来。要么就说是点击率啦，要么就说转化率啦，要么就说复购率啦。。。实际上，到目前为止，官方有把权重的因素说出来吗？
为什么不说？因为权重被分析的太透，只会导致免费流量被懂技术的商家截取，到时候那些什么都不会的小白，就只能任人宰割了。
如果您是平台，会选择怎么做呢？肯定是增加更多的维度，让大家各自去猜。在多维度的情况下，实际上即使您技术再好，也抵不过那个体量。。。
再说，纯粹的技术本来就是不入流卖家的把戏，真正的品牌，是靠资本和团队的。我之前无论讲过哪些知识点，都是建立在某个场景下，所得出来的一些结论，脱离了那个环境，很多时候结论就失效了。
简单来说，数据分析，是一杆秤，帮助我们更好的做事情，而非事情的本身。请记住我说的这句话！
就好比如这个，我如果想要分析手淘无线端关键词的市场环境的话，实际上可以通过今天的数据图表做出来。上面这个图这样看肯定是乱七八糟的，我简单解释一下逻辑，如图所示
我现在随时可以获取这样一份搜索数据，然后我希望可以分析出到底影响付款人数这个指标的因素都有哪些？
实际上，数据源当中，由于本身平台的数据限制，只能获取到一部分数据指标，不过没关系，我们姑且来分析看看。
上面这个数据源，是来自PBI生成的表格，然后我结合Excel的官方数据挖掘插件进行分析的。我们可以看出，这个软件自动把付款人数进行分段，比如小于14、14-47、47-175、175-696、大于或等于696，一共有5个分段区间。
然后不同的区间，我们可以看到影响因素的权重占比不同，比如我们来看看175-696这个付款人数区间的情况，如图所示
月销件数这个维度可以剔除，因为肯定是高度相关的。我们来看看，描述、物流、服务这3项在付款人数175-696这个区间的权重最大，相比于月销件数，我们可以看出其中的比例大概是接近40%，而在这个维度下的收藏和累计评论反而影响不大。
而在14-47区间的，反而影响因素最大的是打折价格跟累计评论。大家能看出来是为什么吗？这个例子可以告诉我们，就是当产品的销量不够的时候，买家更看重低价和买家秀。当销量上去之后，买家更看重服务体验
当然，数据这块我只是下载了前5页，剔除掉一些错误的数据，最终只有109个产品，并且是关键词[红酒 干红]的综合排序下的数据。
而被列入分析的还是红色框框里头的数据，这部分数据和销量比较挂钩。也就是说我们在进行数据处理的时候，必须先思考，到底哪些指标可能有关联度，然后再进行数据分析。
否则，出来的结果可能是南辕北辙。
说到关联度，那就不得不提Excel的相关系数，这个功能很强大，基本上可以批量判断出指标之间的关联度是多少，如图所示
我简单解释一下这里的数据，最大值是1.0，最小值是-1.0，在这个区间里头，分为强相关、弱相关和不相关，结合正负值，一共有5种不同的情况，比如说
正向强相关（0.7,1.0）
正向弱相关（0.3,0.7）
不相关（0.0,0.3）（-0.3,0.0）
负向弱相关（-0.7,-0.3）
负向强相关（-1.0,-0.7）
所谓的强相关，比如指标A和B，如果是正向的话，那么A的值越大，B就越大；反之，则B越小。就好像下面这个图里头，付款人数和累计评论之间的关系，就是0.767189952，如图所示
我们可以猜的出来，就是付款人数越多，自然累计评论越多。那为什么不能倒过来呢？这里头就涉及到所谓的思维逻辑问题了。也就是我们在进行指标分析之前，一定要知道哪些指标是因，哪些是果，否则就会出现结论说，累计评论越多，付款人数越多的悖论。
相比于累计评论，收藏人气对付款人数的影响也是正向的，但是明显比前者弱。如果这里头的数据指标再多一些的话，相信数据会表现的更明显了。
为了获取到这样一份数据，花老师研发的数据分析工具箱里头就刚好有这个功能，如图所示
目前为止，这个是第5代版本，一共有15个免费功能，当然随着我后面的不断更新，肯定会加入更多实用功能进来，尽请期待！
希望我今天的分享能对大家有所帮助，谢谢！不废话，关注知乎专栏花随花心，送数据分析工具箱！
先不要去记住哪些又杂有多的关键指标。
如果冒出：GMV、UV、PV、访次、新访客、毛利率、CPC、转化率、重复购买率、退款率、SKU、SPU、等等一大堆「乱七八糟」的名词，新人是记不住的，记住了也不能找到内联逻辑的。
哪怕把这些指标做规整，依然会存在不能系统化分析的问题。可以看看下图：
这张图是网上 COPY 过来的，看起来很有条理的样子。但仍然缺少一条贯穿起来的线。
做好数据分析，主要包括两个方面：
首先要抓住，电商网站数据分析中最主要的一条线索：流量 × 转化率 × 客单价。
记住，这个公式一样的线索，是整个电商运营的主线。灵活变通处理，该公式可以应用到其他行业，比如游戏、旅游、彩票、教育等行业。
拿到这个公式，已经具备了大的分析框架。所有的分析要点不能脱离这个框架，整个电商运营要改进的数据都在这个框框里，如果你分析的数据不能流量、转化率以及客单价关联起来，这个分析是不能改进公司业务的。
工具方面：淘宝、京东这些成熟的第三方平台有成熟的店铺分析工具。独立网站，一般来说最好的选择就是 GA 了，也就是大家常说的谷歌分析。市面上关于网站数据分析的书籍，大多数是基于 GA 来讲解的。能够玩转 GA，其他的工具就不在划下了，当然也不太可能用其他的工具了。
另外一些 RFM 模型、A/B 测试、转化设置、网址构建就在主要线索框架下慢慢完善吧。
泻药 分享一个我们团队做的电商评论分析的案例：
拓端数据部落
原文链接：数据盘点：家电线上消费新趋势
关注我们请点击上方”拓端数据”↑
家电产业和消费者升级悄然地展开。 市场的这种变化使消费者对家用电器的期望不再仅仅是一个简单的功能满足，而是更多的细节体验和技术创新。通过洞察家用电器的消费特点，有利于确定市场的未来趋势，从而积极应对市场变化。
▼
tecdat在2017上半年开展的家电品牌网络调研项目中，倾听主流电商平台上网民消费者对于家电的各种看法，我们发现在人们的消费理念不断发生变化的今天，家电早已不是一件单纯的满足功能需求的物品，更是一种消费者对自己个性化、品质化的表达。
从电商大数据来看，销量Top9的家电品牌，低端价位产品在以价格取胜的品牌中依然占比较高，可以发现，500-1000元价位的定价产品已经崛起。
▍Key Words：质量、智能
消费者对于家电的诉求非常明朗，除了功能性需求，高品质、智能化是他们所追求的。
同时，大数据告诉我们，家电中个性化、休闲娱乐、生活品质、消费电子类、家庭型等元素都被更多的网民所亲睐。
▍Key Words：生活品质
从关联词云来来看，生活品质类的家电购买需求较高，家庭型家电购买较多，反映了消费者具有提高生活品质的需求。
消费者主要购买家用电器，如电饭煲、空气净化器等;其中空气净化器体现了对生活品质的看重。
▍Key Words：娱乐休闲
从关联词云来来看，消费者关注娱乐休闲、生活品质家电，更加关注新型家电及个人休闲类家电。
我们发现智能家电的购买率非常高，同时， 新鲜空气系统，以及享受型家电，如游戏系统，美容仪器等也倍受消费者亲睐。
▍Key Words：智能
从关联词云来来看，人们关注消费电子类、智能化产品，对智能电子产品有较高需求。
一方面是家庭经济水平提升，促进了消费者的业余爱好消费，另一方面消费者对新产品的兴趣也推动了对智能产品的需求。
要想做好电商数据分析，首先需要了解几个核心指标：UV、转化率、二跳率、重复购买率、客单价、ROI等指标 在核心指标的基础上，逐步对媒体、用户、商品、营销等对象做详细指标；同时在内部运营绩效方面进行监控：客服、商品、仓储物流等。 数据分析有两个层次： 第一，网站数据分析，针对产品来说。 就围绕产品如何运转，做封闭路径的分析。得出产品的点击是否顺畅、功能展现是否完美 。 同时收集并分析出目前销售占比最大的几款产品的转化率、流量情况、库存情况、补货周期、价格、及打折方式等等信息。 第二、研究客户的访问焦点，挖掘客户潜在需求。 如果是以交易为导向的电子商务网站，就是要研究如何高效的促成交易，是否能出现联单！
作为电商运营者，我们都在好几个电商平台进行维护，那以一个平台为例，看看到底电商平台需要分析维度。
1、订单数据：每天成交额、客单价等模板：https://me.bdp.cn/share/index.html?shareId=sdo_ec43665084d4e2d90d36f066b892093a2、用户数据：新老用户的登录、购买情况等模板：https://me.bdp.cn/share/index.html?shareId=sdo_a77fa6b9e48a19e02cc2923f466183443、商品数据 ：商品销量、库存、价格数据都要很清楚的模板：https://me.bdp.cn/share/index.html?shareId=sdo_9e4ae63d9e781a2b8d9dd85af32120604、流量数据：PV/UV、流量分布，访问深度什么的都要分析https://me.bdp.cn/share/index.html?shareId=sdo_21da3336cbb4f63292375df98494b8915、咨询数据：咨询数据也是电商最关注的，转化率多少模板：https://me.bdp.cn/share/index.html?shareId=sdo_40f607d5b15157efb5a432ddd29157e66、推广数据：推广渠道的点击、转化情况，筛选核心渠道，新客户获取成本要尽量越少越好模板：https://me.bdp.cn/share/index.html?shareId=sdo_1aca4cbbcad96dc7559d0ba1ad2be5a17、营销活动：活动在电商运营中完全避免不了，做了活动不进行分析，简直是白费精力模板：https://me.bdp.cn/share/index.html?shareId=sdo_049b5e54855b2b40c205ee93bd84982b
这些数据模板在BDP个人版的模板库中都有，只要思路掌握了，电商分析还是不难的。
做好电商网站的数据分析，最重要的是关注这五大关键数据指标和三个关键思路。五大关键数据指标是活跃用户量、转化、留存、复购、GMV；三个关键思路是商品运营、用户运营和产品运营。下面我会详细展开来讲。
现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识， 但是电商运营正在成为电商自身增长越来越重要的因素。
近几年电商行业的各大网站纷纷通过降价、促销等方式来吸引用户，KPCB 的调查报告显示，2009 年到 2015 年全球移动端新用户的增长率持续下滑，可以预计在 2016 年这一增速将继续放缓。这意味人口增长带来的流量红利正在逐渐消退，用户增长将更加乏力，那么，通过单纯的价格战来吸引新用户的方式还可行吗？
严峻的市场市场形势让我们思考：1）通过降价促销来带订单数的增长，但是这样的活动吸引来的真是你的目标用户吗？2）现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识，依靠价格战这种野蛮生长的方式，一旦团队面临增长困境，又该如何应对？
| 电商行业需要关注的五大关键指标
在众多的互联网细分行业中，电商行业起步早，发展时间长，行业特征显著：1）商品品类及 SKU 多，用户覆盖面广，运营难度大； 2）总体上客单价低（除旅游、奢侈品等外），强调留存与复购； 3）电商产品设计相对成熟，优化运营是重中之重； 4）电商行业竞争白热化，精细化运营是冲出重围的必备技能。
要想实现精细化运营，数据是必不可少的一个环节。电商网站要提高运营效率，至少需要五大关键指标：活跃用户量、转化率、留存、复购和 GMV 。 1）活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次； 2）转化是一个非常重要的指标，电商运营需要关注主路径、次路径甚至精细到每一个品类 / SKU 的转化率； 3）留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存； 4）复购则要从 3 个角度去看，复购用户量、复购率和复购金额比； 5）GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV *转化率*客单价。
| 商品运营：流量优化和品类优化
前面提到电商行业的一大特点是商品品类或者 SKU 非常多，那么如此多的商品该如何运营呢？
这是三个电商 APP 的首页界面（各家 Web 端布局也比较相似）：前两个是京东和国美，属于平台型的电商；第三个是生鲜水果平台，属于垂直型电商。不难发现电商的产品在设计上非常类似，首页上面呈现的是轮播的 Banner ，下面是活动专区。
在商品运营中，尤其是首页商品更新速度快，我们要格外重视转化，甚至要精确到不同时间区间、不同位置、不同商品的转化率。然后根据转化率，结合业务经验，不断调整运营策略。然而目前，即使是大型的电商网站，也没有很好地做到这一点，对于每个商品品类 / SKU 的转化率的分析仍存在一定的空缺。
商品运营有一个非常大的优势：投入低，见效快，效果明显，商品运营的本质是通过不同坑位、不同活动、不同商品的分析来提高我们的转化率和 GMV 。
下图展示了一个电商购买流程的主路径：首页——活动页——商品详情页——支付完成。从精细化分析的角度出发，我们关注转化路径每一步的转化率；通过分析不难发现最后一步“支付完成”的转化率偏低。
我们更需要基于三个关键转化“UV-点击”、“点击-加入购物车”、“购物车-支付成功”，对不同的商品进行比较分析，从而及时调整运营策略，下图就是各个步骤的转化率：
电商网站的运营节奏非常快，尤其是活动专区的“秒杀”、“抢购”等活动，需要实时监测 SKU 的更新变化。上图中，某电商平台进行了一次微信上的促销活动，通过实时监测到对应的平台访问情况，便于运营人员及时调整运营策略。
GrowingIO实时分析功能
电商网站上的商品品类非常多，每一个品类都应该有明确的定位，不同定位的品类应该有不同的运营策略。根据商品品类的利润率、转化率等表现，我们将商品品类分成 4 种：导流型品类、高利润品类、高转化品类、未来明星型品类。
1）导流型品类：利润非常低，但是购买量大、市场需求大，目的在于导流。2）高利润型品类：利润率高，希望用户更多购买此类商品。3）高转化品类：带量。4）未来明星型品类：这是电商平台的潜力股，虽然曝光量很低，但是转化率极高。
明确了商品的品类后，我们就可以针对性地展开运营。
这是新型的波士顿矩阵，横坐标代表商品的曝光量，纵坐标是商品的转化率，图中的每一个圆圈代表一个品类的商品。右上角的商品品类曝光量大、转化率高，是现金流的重要业务；而左上角的商品虽然曝光率非常低，但是转化率极高，属于我们上面提到的未来明星型品类，对于这一类商品，我们在后期的运营中可以增加其曝光量。
| 怎样进行用户运营？
正如开头提到的，随着互联网用户增长速度的放缓，用户体验愈发重要，之前无目的的短信推送、APP 通知有可能使用户厌烦，破坏用户的体验；甚至可能导致用户退订、卸载。
精细化运营的情况下，做好用户运营主要从两个角度出发：一是找到用户留存的关键点；二是采取差异化的运营策略，区分不同的用户群体，对不同群体采取差异化的运营方式。
1. 找到用户增长的“魔法数字”
留住一个客户的成本远远小于重新获取一个客户的成本，所以留存至关重要，它关系着一个平台能否持续健康发展。
留存曲线分成三个周期，开始是震荡期和选择期，经过这两个周期，如果用户能够留下来，就会进入一个相对平稳期。
在硅谷流向的 growth hacking 中，经常提到 magic number（魔法数字）。
那么作为一个电商平台，你的平台的魔法数字是什么？
以某电商平台为例，在该网站上 7 天内完成 3 次购买的用户的留存度（红色）是一般用户（绿色）的 4 倍左右，因此在一周内让用户完成 3 次购买就是他的魔法数字。
2. 差异化的运营策略
不同用户的活跃度、商品偏好、购买决策阶段都各异，我们需要采取差异化的运营策略。差异化的运营策略主要从3个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。
基于用户的活跃程度，我们可以将用户大致分成“流失用户”、“低频活跃用户”和“高频活跃用户”。一般情况下，一个用户 30 天甚至更久没有登录你的平台，我们基本可以认为该用户流失了。对于流失客户，是否要考虑采取召回策略。30 天内活跃 10 天以上的高度活跃用户，我们是否可以向其推荐更多精准的商品。
其次基于用户对不同商品的偏好，我们采用用户分群，将用户区分成“美妆类”、“鞋帽类”、“数码类”、“书籍类”等不同群体，然后精准推送新品。
最后，基于用户购买决策的不同阶段。一个标准的购买流程，先后经历“首页浏览/搜索——浏览商品详情页——商品对比——加入购物车——支付成功”等几个环节，用户在每一个节点都处于不同的决策阶段。我们从维度（属性数据）和指标（行为数据）出发，对用户分群，如“领取了优惠券，但是未使用”的用户，采取精准的推送。我们从 GrowingIO 提供的 API 导出这些用户的 ID 和属性，然后对接企业内容的 CRM 或者 EDM 进行精准的推送和提醒，刺激用户的转化。
四、优化产品的转化效率
目前电商产品的设计总体成熟、界面布局类似，我们主要结合用户的使用情况去优化产品。我们的思路主要是：优化产品不同路径的转化率，注重用户点评的管理。
1. 优化产品，从转化做起
一个购买行为可能有多种转化路径：1）首页——商品——订单转化2）首页——商品列表——详情页——订单转化3）首页——搜索——商品列表——详情页——订单转化4）首页——单坑位Banner——活动页——详情页——订单转化
除了不同路径的转化率，我们还关注转化的每一步：
上图利用 GrowingIO漏斗功能展示了一个用户的购买流程及每一步的转化率，我们发现“加入购物车”到“支付成功”的转化率不到 1/3，偏低，需要排查具体的问题出在哪里。
一旦觉察到问题可能存在，我们就需要层层下钻，直接抵达问题的核心。我们通过用户分群，将“提交订单，但是未支付完成”的用户全部筛选出来。然后抽出 3-5 个符合条件的用户，借助“用户细查”仔细观看每个用户的操作流程，一般就能发现问题了。
2. 用户评价的重要性
越注重用户体验的商品，用户评价的管理就越重要，例如旅游类商品、生鲜类商品、鞋服类商品等。
借助转化漏斗，我们发现观看过“商品评价图片”的用户的购买转化率是一般用户的 4 倍，但是其数量只占总体的 1/10。如果我们能引导用户参与点评，将优质点评展示给更多的新用户，那么我们的总体购买转化率将会有更大的提升。
关于「电商网站通常怎么提高其订单转化率？」，可以看我的这篇文章 电商网站通常怎么提高其订单转化率？ – 张溪梦 Simon 的回答
注：文中留存图、用户分群、漏斗、实时分析等功能均来自 GrowingIO – 硅谷新一代数据分析产品。
总的来说，想做好电商还是要会网站的数据分析来整理和熟知你的客户群和货物的销售程度。通过清晰明确的思路进行分析，找出网店运营的问题所在，制定恰当的方案进行解决。现在我要为你吃下这颗安利，恒盛杰资讯他家的做这方面特别好，小娘也是近几年才知道，我们学校电商专业的都会用他们家的书，分类比较细化准确，讲的也很通俗易懂，很多专业词汇都会有注释解释。可以给你列几本，题主还是要选择自己需要的。电商淘金 网店数据化管理与运营
80条评论
恒盛杰电商资讯 编著
/ 2015-10-01
/ 机械工业出版社
¥39.20定价：¥49.00(8折)
电商淘金 爆款打造：提升网店流量与转化率全攻略
23条评论
这两本是从当当网扒下来的，题主可以参考一下，他们家还有这种系列的其他书，都很详细。
总体分析 （宏观）｛PEST SWOT｝
分体分析 （微观）｛客户、渠道、产品、营销、销售、库存、成本、财务、采购等等｝
一步一步的来
我认为在派代网提问或者查找资料会比在知乎得到更多靠谱的回答。可以先在派代尝试一下。毕竟那里的专项人才多一些。
姓名*
网站
评论*
评论 ( 10 )
互联网行业从业近7年，电商大数据相关从业经验3年，目前负责一电商公司大数据部门，包括数据分析团队，一些想法可以分享一下。
—————————————-
有一句话不知道有没有听到过“数据是一个任人装扮的小姑娘”，在电商行业尤其明显。
所以对于电商的数据分析来看，不是说具体如何分析，而是说具体数据对于谁是有用的，而使用数据的人是否是真正想做事，还是说为了糊弄上级，或者说体现业绩的，这里头门道太多，涉及的利益也很多。
以销售金额为例，随便更改一下口径，其最终的业绩就很不一样，而对于那些不了解数据的人来说，表明上业绩增长了，但明白人知道看似增长的数据实际上代表着什么。
而对于不同的业务部门来说，知道用哪些对自己有利的数据去做汇报，而对于不懂数据的人来说实际上是很难发现问题的。
所以，经常会出现，每个部门感觉业务数据完成的很好，都达标了甚至超额完成了，但公司整体运作实际上并不是很好，甚至隐藏了很多雷点，整体的经营也没有感觉很好。
这就是打了一个认知差，所以，多了解一下数据构造，数据指标的构成，数据分析的基本逻辑，没有毛病，就算不去骗人，也避免被人忽悠。
———————————————
之前在知乎专栏上写的两篇数据跟业务的文章，可以看看，并且是以电商的角度出发的：
blogchong：数据和业务系列一，关于GMV有很多你不知道的事
blogchong：数据和业务系列二，用数据的视角告诉你史上最全的营销套路
————-
最后，欢迎关注【数据虫巢】，很多数据和业务相关的文章~
谢邀。您好，我是一名专注研究电商图表、软件、算法的商业智能数据分析师。在接触电商数据分析之前，您最好有做过电商运营。我们都很清楚，电商这个领域比较特殊，需要自己对业务层面有比较深的把握之后，再进行数据分析，效果会更好，否则就真的只是停留在技术层面上而已。
我自己就是走过了几年的电商运营之路，后来转型做电商数据分析了。整体来说，除了数据分析本身的能力之外，还要多研究研究一些电商玩法，俗称套路。
好比如，某个单品，某段时间，流量出现下滑，要找出下滑的原因，然后提出解决方案。类似这种情况的非常之多，我们都很清楚，在这种问题下，如果自己没有从事过运营的话，那思路是打不开的。
以上这部分就是我对电商数据分析的一点看法。我自己平日里会在自己的知乎专栏花随花心写点电商数据分析方面的文章，现摘取一部分内容进来观看，如果您不喜欢，可直接忽略。
商业智能数据分析师，花随花心。
大家好，我是花老师。今天，这堂课是整个PBI系列的第12课，核心关键词正如本文名字一样，权重、相关系数、指标关联。当然，这么讲肯定是不好理解的，不过没关系，稍后我会好好给大家分享。
还没有看过上11堂课的同学，要记得提前预习，文章名如下：
《PBI系列 车图 色彩搭配 数据分析 01》花随花心著
《PBI系列 竞品评论 流量 词云分析 02》花随花心著
《PBI系列 快选 人气新品池 品质档 03》花随花心著
《PBI系列 天猫国际 搜索 属性分析 04》花随花心著
《PBI系列 京东 词根分析 时段流量 05》花随花心著
《PBI系列 关键词 多维度 市场分析 06》花随花心著
《PBI系列 类目大词 群店 竞争透视 07》花随花心著
《PBI系列 搜索环境 竞店 二维矩阵 08》花随花心著
《PBI系列 店铺分类 地区透视 关系 09》花随花心著
《PBI系列 象限分析 雷达 区间分段 10》花随花心著
《PBI系列 搜索环境 波动性 集中度 11》花随花心著
那么，接下来，就让我们正式进入主题。
正文
中秋一过，人就变得有点懒散。整体感觉，还是放假的时候最舒心了。可以不用理会太多琐碎的事情，身心放松的过过假日。
实际上，今天的第12堂课，本来是昨天就想分享出来的，但鉴于假日的关系，我就没有这么做。有别于之前的11堂课，今天的主题的确是可以做到分析指标之间的关联度。
不知道大家有没有一种感觉，老是被一些机构忽悠，从头到尾的说权重，可权重到底是什么，却没有几个人能说的出来。要么就说是点击率啦，要么就说转化率啦，要么就说复购率啦。。。实际上，到目前为止，官方有把权重的因素说出来吗？
为什么不说？因为权重被分析的太透，只会导致免费流量被懂技术的商家截取，到时候那些什么都不会的小白，就只能任人宰割了。
如果您是平台，会选择怎么做呢？肯定是增加更多的维度，让大家各自去猜。在多维度的情况下，实际上即使您技术再好，也抵不过那个体量。。。
再说，纯粹的技术本来就是不入流卖家的把戏，真正的品牌，是靠资本和团队的。我之前无论讲过哪些知识点，都是建立在某个场景下，所得出来的一些结论，脱离了那个环境，很多时候结论就失效了。
简单来说，数据分析，是一杆秤，帮助我们更好的做事情，而非事情的本身。请记住我说的这句话！
就好比如这个，我如果想要分析手淘无线端关键词的市场环境的话，实际上可以通过今天的数据图表做出来。上面这个图这样看肯定是乱七八糟的，我简单解释一下逻辑，如图所示
我现在随时可以获取这样一份搜索数据，然后我希望可以分析出到底影响付款人数这个指标的因素都有哪些？
实际上，数据源当中，由于本身平台的数据限制，只能获取到一部分数据指标，不过没关系，我们姑且来分析看看。
上面这个数据源，是来自PBI生成的表格，然后我结合Excel的官方数据挖掘插件进行分析的。我们可以看出，这个软件自动把付款人数进行分段，比如小于14、14-47、47-175、175-696、大于或等于696，一共有5个分段区间。
然后不同的区间，我们可以看到影响因素的权重占比不同，比如我们来看看175-696这个付款人数区间的情况，如图所示
月销件数这个维度可以剔除，因为肯定是高度相关的。我们来看看，描述、物流、服务这3项在付款人数175-696这个区间的权重最大，相比于月销件数，我们可以看出其中的比例大概是接近40%，而在这个维度下的收藏和累计评论反而影响不大。
而在14-47区间的，反而影响因素最大的是打折价格跟累计评论。大家能看出来是为什么吗？这个例子可以告诉我们，就是当产品的销量不够的时候，买家更看重低价和买家秀。当销量上去之后，买家更看重服务体验
当然，数据这块我只是下载了前5页，剔除掉一些错误的数据，最终只有109个产品，并且是关键词[红酒 干红]的综合排序下的数据。
而被列入分析的还是红色框框里头的数据，这部分数据和销量比较挂钩。也就是说我们在进行数据处理的时候，必须先思考，到底哪些指标可能有关联度，然后再进行数据分析。
否则，出来的结果可能是南辕北辙。
说到关联度，那就不得不提Excel的相关系数，这个功能很强大，基本上可以批量判断出指标之间的关联度是多少，如图所示
我简单解释一下这里的数据，最大值是1.0，最小值是-1.0，在这个区间里头，分为强相关、弱相关和不相关，结合正负值，一共有5种不同的情况，比如说
正向强相关（0.7,1.0）
正向弱相关（0.3,0.7）
不相关（0.0,0.3）（-0.3,0.0）
负向弱相关（-0.7,-0.3）
负向强相关（-1.0,-0.7）
所谓的强相关，比如指标A和B，如果是正向的话，那么A的值越大，B就越大；反之，则B越小。就好像下面这个图里头，付款人数和累计评论之间的关系，就是0.767189952，如图所示
我们可以猜的出来，就是付款人数越多，自然累计评论越多。那为什么不能倒过来呢？这里头就涉及到所谓的思维逻辑问题了。也就是我们在进行指标分析之前，一定要知道哪些指标是因，哪些是果，否则就会出现结论说，累计评论越多，付款人数越多的悖论。
相比于累计评论，收藏人气对付款人数的影响也是正向的，但是明显比前者弱。如果这里头的数据指标再多一些的话，相信数据会表现的更明显了。
为了获取到这样一份数据，花老师研发的数据分析工具箱里头就刚好有这个功能，如图所示
目前为止，这个是第5代版本，一共有15个免费功能，当然随着我后面的不断更新，肯定会加入更多实用功能进来，尽请期待！
希望我今天的分享能对大家有所帮助，谢谢！不废话，关注知乎专栏花随花心，送数据分析工具箱！
先不要去记住哪些又杂有多的关键指标。
如果冒出：GMV、UV、PV、访次、新访客、毛利率、CPC、转化率、重复购买率、退款率、SKU、SPU、等等一大堆「乱七八糟」的名词，新人是记不住的，记住了也不能找到内联逻辑的。
哪怕把这些指标做规整，依然会存在不能系统化分析的问题。可以看看下图：
这张图是网上 COPY 过来的，看起来很有条理的样子。但仍然缺少一条贯穿起来的线。
做好数据分析，主要包括两个方面：
首先要抓住，电商网站数据分析中最主要的一条线索：流量 × 转化率 × 客单价。
记住，这个公式一样的线索，是整个电商运营的主线。灵活变通处理，该公式可以应用到其他行业，比如游戏、旅游、彩票、教育等行业。
拿到这个公式，已经具备了大的分析框架。所有的分析要点不能脱离这个框架，整个电商运营要改进的数据都在这个框框里，如果你分析的数据不能流量、转化率以及客单价关联起来，这个分析是不能改进公司业务的。
工具方面：淘宝、京东这些成熟的第三方平台有成熟的店铺分析工具。独立网站，一般来说最好的选择就是 GA 了，也就是大家常说的谷歌分析。市面上关于网站数据分析的书籍，大多数是基于 GA 来讲解的。能够玩转 GA，其他的工具就不在划下了，当然也不太可能用其他的工具了。
另外一些 RFM 模型、A/B 测试、转化设置、网址构建就在主要线索框架下慢慢完善吧。
泻药 分享一个我们团队做的电商评论分析的案例：
拓端数据部落
原文链接：数据盘点：家电线上消费新趋势
关注我们请点击上方”拓端数据”↑
▼
tecdat在2017上半年开展的家电品牌网络调研项目中，倾听主流电商平台上网民消费者对于家电的各种看法，我们发现在人们的消费理念不断发生变化的今天，家电早已不是一件单纯的满足功能需求的物品，更是一种消费者对自己个性化、品质化的表达。
从电商大数据来看，销量Top9的家电品牌，低端价位产品在以价格取胜的品牌中依然占比较高，可以发现，500-1000元价位的定价产品已经崛起。
▍Key Words：质量、智能
消费者对于家电的诉求非常明朗，除了功能性需求，高品质、智能化是他们所追求的。
同时，大数据告诉我们，家电中个性化、休闲娱乐、生活品质、消费电子类、家庭型等元素都被更多的网民所亲睐。
▍Key Words：生活品质
从关联词云来来看，生活品质类的家电购买需求较高，家庭型家电购买较多，反映了消费者具有提高生活品质的需求。
消费者主要购买家用电器，如电饭煲、空气净化器等;其中空气净化器体现了对生活品质的看重。
▍Key Words：娱乐休闲
从关联词云来来看，消费者关注娱乐休闲、生活品质家电，更加关注新型家电及个人休闲类家电。
我们发现智能家电的购买率非常高，同时， 新鲜空气系统，以及享受型家电，如游戏系统，美容仪器等也倍受消费者亲睐。
▍Key Words：智能
从关联词云来来看，人们关注消费电子类、智能化产品，对智能电子产品有较高需求。
一方面是家庭经济水平提升，促进了消费者的业余爱好消费，另一方面消费者对新产品的兴趣也推动了对智能产品的需求。
作为电商运营者，我们都在好几个电商平台进行维护，那以一个平台为例，看看到底电商平台需要分析维度。
1、订单数据：每天成交额、客单价等
模板：https://me.bdp.cn/share/index.html?shareId=sdo_ec43665084d4e2d90d36f066b892093a
2、用户数据：新老用户的登录、购买情况等
模板：https://me.bdp.cn/share/index.html?shareId=sdo_a77fa6b9e48a19e02cc2923f46618344
3、商品数据 ：商品销量、库存、价格数据都要很清楚的
模板：https://me.bdp.cn/share/index.html?shareId=sdo_9e4ae63d9e781a2b8d9dd85af3212060
4、流量数据：PV/UV、流量分布，访问深度什么的都要分析
https://me.bdp.cn/share/index.html?shareId=sdo_21da3336cbb4f63292375df98494b891
5、咨询数据：咨询数据也是电商最关注的，转化率多少
模板：https://me.bdp.cn/share/index.html?shareId=sdo_40f607d5b15157efb5a432ddd29157e6
6、推广数据：推广渠道的点击、转化情况，筛选核心渠道，新客户获取成本要尽量越少越好
模板：https://me.bdp.cn/share/index.html?shareId=sdo_1aca4cbbcad96dc7559d0ba1ad2be5a1
7、营销活动：活动在电商运营中完全避免不了，做了活动不进行分析，简直是白费精力
模板：https://me.bdp.cn/share/index.html?shareId=sdo_049b5e54855b2b40c205ee93bd84982b
这些数据模板在BDP个人版的模板库中都有，只要思路掌握了，电商分析还是不难的。
做好电商网站的数据分析，最重要的是关注这五大关键数据指标和三个关键思路。
五大关键数据指标是活跃用户量、转化、留存、复购、GMV；
三个关键思路是商品运营、用户运营和产品运营。
下面我会详细展开来讲。
现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识， 但是电商运营正在成为电商自身增长越来越重要的因素。
近几年电商行业的各大网站纷纷通过降价、促销等方式来吸引用户，KPCB 的调查报告显示，2009 年到 2015 年全球移动端新用户的增长率持续下滑，可以预计在 2016 年这一增速将继续放缓。这意味人口增长带来的流量红利正在逐渐消退，用户增长将更加乏力，那么，通过单纯的价格战来吸引新用户的方式还可行吗？
严峻的市场市场形势让我们思考：
1）通过降价促销来带订单数的增长，但是这样的活动吸引来的真是你的目标用户吗？
2）现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识，依靠价格战这种野蛮生长的方式，一旦团队面临增长困境，又该如何应对？
| 电商行业需要关注的五大关键指标
在众多的互联网细分行业中，电商行业起步早，发展时间长，行业特征显著：
1）商品品类及 SKU 多，用户覆盖面广，运营难度大；
2）总体上客单价低（除旅游、奢侈品等外），强调留存与复购；
3）电商产品设计相对成熟，优化运营是重中之重；
4）电商行业竞争白热化，精细化运营是冲出重围的必备技能。
要想实现精细化运营，数据是必不可少的一个环节。电商网站要提高运营效率，至少需要五大关键指标：活跃用户量、转化率、留存、复购和 GMV 。
1）活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次；
2）转化是一个非常重要的指标，电商运营需要关注主路径、次路径甚至精细到每一个品类 / SKU 的转化率；
3）留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存；
4）复购则要从 3 个角度去看，复购用户量、复购率和复购金额比；
5）GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV *转化率*客单价。
| 商品运营：流量优化和品类优化
前面提到电商行业的一大特点是商品品类或者 SKU 非常多，那么如此多的商品该如何运营呢？
这是三个电商 APP 的首页界面（各家 Web 端布局也比较相似）：前两个是京东和国美，属于平台型的电商；第三个是生鲜水果平台，属于垂直型电商。不难发现电商的产品在设计上非常类似，首页上面呈现的是轮播的 Banner ，下面是活动专区。
在商品运营中，尤其是首页商品更新速度快，我们要格外重视转化，甚至要精确到不同时间区间、不同位置、不同商品的转化率。然后根据转化率，结合业务经验，不断调整运营策略。然而目前，即使是大型的电商网站，也没有很好地做到这一点，对于每个商品品类 / SKU 的转化率的分析仍存在一定的空缺。
商品运营有一个非常大的优势：投入低，见效快，效果明显，商品运营的本质是通过不同坑位、不同活动、不同商品的分析来提高我们的转化率和 GMV 。
下图展示了一个电商购买流程的主路径：首页——活动页——商品详情页——支付完成。从精细化分析的角度出发，我们关注转化路径每一步的转化率；通过分析不难发现最后一步“支付完成”的转化率偏低。
我们更需要基于三个关键转化“UV-点击”、“点击-加入购物车”、“购物车-支付成功”，对不同的商品进行比较分析，从而及时调整运营策略，下图就是各个步骤的转化率：
电商网站的运营节奏非常快，尤其是活动专区的“秒杀”、“抢购”等活动，需要实时监测 SKU 的更新变化。上图中，某电商平台进行了一次微信上的促销活动，通过实时监测到对应的平台访问情况，便于运营人员及时调整运营策略。
电商网站上的商品品类非常多，每一个品类都应该有明确的定位，不同定位的品类应该有不同的运营策略。根据商品品类的利润率、转化率等表现，我们将商品品类分成 4 种：导流型品类、高利润品类、高转化品类、未来明星型品类。
1）导流型品类：利润非常低，但是购买量大、市场需求大，目的在于导流。
2）高利润型品类：利润率高，希望用户更多购买此类商品。
3）高转化品类：带量。
4）未来明星型品类：这是电商平台的潜力股，虽然曝光量很低，但是转化率极高。
明确了商品的品类后，我们就可以针对性地展开运营。
这是新型的波士顿矩阵，横坐标代表商品的曝光量，纵坐标是商品的转化率，图中的每一个圆圈代表一个品类的商品。右上角的商品品类曝光量大、转化率高，是现金流的重要业务；而左上角的商品虽然曝光率非常低，但是转化率极高，属于我们上面提到的未来明星型品类，对于这一类商品，我们在后期的运营中可以增加其曝光量。
| 怎样进行用户运营？
正如开头提到的，随着互联网用户增长速度的放缓，用户体验愈发重要，之前无目的的短信推送、APP 通知有可能使用户厌烦，破坏用户的体验；甚至可能导致用户退订、卸载。
精细化运营的情况下，做好用户运营主要从两个角度出发：一是找到用户留存的关键点；二是采取差异化的运营策略，区分不同的用户群体，对不同群体采取差异化的运营方式。
1. 找到用户增长的“魔法数字”
留住一个客户的成本远远小于重新获取一个客户的成本，所以留存至关重要，它关系着一个平台能否持续健康发展。
留存曲线分成三个周期，开始是震荡期和选择期，经过这两个周期，如果用户能够留下来，就会进入一个相对平稳期。
在硅谷流向的 growth hacking 中，经常提到 magic number（魔法数字）。
那么作为一个电商平台，你的平台的魔法数字是什么？
以某电商平台为例，在该网站上 7 天内完成 3 次购买的用户的留存度（红色）是一般用户（绿色）的 4 倍左右，因此在一周内让用户完成 3 次购买就是他的魔法数字。
2. 差异化的运营策略
不同用户的活跃度、商品偏好、购买决策阶段都各异，我们需要采取差异化的运营策略。差异化的运营策略主要从3个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。
基于用户的活跃程度，我们可以将用户大致分成“流失用户”、“低频活跃用户”和“高频活跃用户”。一般情况下，一个用户 30 天甚至更久没有登录你的平台，我们基本可以认为该用户流失了。对于流失客户，是否要考虑采取召回策略。30 天内活跃 10 天以上的高度活跃用户，我们是否可以向其推荐更多精准的商品。
其次基于用户对不同商品的偏好，我们采用用户分群，将用户区分成“美妆类”、“鞋帽类”、“数码类”、“书籍类”等不同群体，然后精准推送新品。
最后，基于用户购买决策的不同阶段。一个标准的购买流程，先后经历“首页浏览/搜索——浏览商品详情页——商品对比——加入购物车——支付成功”等几个环节，用户在每一个节点都处于不同的决策阶段。我们从维度（属性数据）和指标（行为数据）出发，对用户分群，如“领取了优惠券，但是未使用”的用户，采取精准的推送。我们从 GrowingIO 提供的 API 导出这些用户的 ID 和属性，然后对接企业内容的 CRM 或者 EDM 进行精准的推送和提醒，刺激用户的转化。
四、优化产品的转化效率
目前电商产品的设计总体成熟、界面布局类似，我们主要结合用户的使用情况去优化产品。我们的思路主要是：优化产品不同路径的转化率，注重用户点评的管理。
1. 优化产品，从转化做起
一个购买行为可能有多种转化路径：
1）首页——商品——订单转化
2）首页——商品列表——详情页——订单转化
3）首页——搜索——商品列表——详情页——订单转化
4）首页——单坑位Banner——活动页——详情页——订单转化
除了不同路径的转化率，我们还关注转化的每一步：
上图利用 GrowingIO漏斗功能展示了一个用户的购买流程及每一步的转化率，我们发现“加入购物车”到“支付成功”的转化率不到 1/3，偏低，需要排查具体的问题出在哪里。
一旦觉察到问题可能存在，我们就需要层层下钻，直接抵达问题的核心。我们通过用户分群，将“提交订单，但是未支付完成”的用户全部筛选出来。然后抽出 3-5 个符合条件的用户，借助“用户细查”仔细观看每个用户的操作流程，一般就能发现问题了。
2. 用户评价的重要性
越注重用户体验的商品，用户评价的管理就越重要，例如旅游类商品、生鲜类商品、鞋服类商品等。
借助转化漏斗，我们发现观看过“商品评价图片”的用户的购买转化率是一般用户的 4 倍，但是其数量只占总体的 1/10。如果我们能引导用户参与点评，将优质点评展示给更多的新用户，那么我们的总体购买转化率将会有更大的提升。
关于「电商网站通常怎么提高其订单转化率？」，可以看我的这篇文章 电商网站通常怎么提高其订单转化率？ – 张溪梦 Simon 的回答
注：文中留存图、用户分群、漏斗、实时分析等功能均来自 GrowingIO – 硅谷新一代数据分析产品。
总的来说，想做好电商还是要会网站的数据分析来整理和熟知你的客户群和货物的销售程度。通过清晰明确的思路进行分析，找出网店运营的问题所在，制定恰当的方案进行解决。现在我要为你吃下这颗安利，恒盛杰资讯他家的做这方面特别好，小娘也是近几年才知道，我们学校电商专业的都会用他们家的书，分类比较细化准确，讲的也很通俗易懂，很多专业词汇都会有注释解释。可以给你列几本，题主还是要选择自己需要的。
电商淘金 网店数据化管理与运营
80条评论
恒盛杰电商资讯 编著
/ 2015-10-01
/ 机械工业出版社
¥39.20定价：¥49.00(8折)
电商淘金 爆款打造：提升网店流量与转化率全攻略
23条评论
恒盛杰电商资讯 编著
/ 2015-10-01
/ 机械工业出版社
¥39.20定价：¥49.00(8折)
这两本是从当当网扒下来的，题主可以参考一下，他们家还有这种系列的其他书，都很详细。
总体分析 （宏观）｛PEST SWOT｝
分体分析 （微观）｛客户、渠道、产品、营销、销售、库存、成本、财务、采购等等｝
一步一步的来
我认为在派代网提问或者查找资料会比在知乎得到更多靠谱的回答。可以先在派代尝试一下。毕竟那里的专项人才多一些。