第2章 电子商务数据指标体系搭建

第2章电子商务数据指标体系搭建2.1电子商务数据指标体系2.2电子商务数据指标体系搭建方法2.3电子商务数据指标体系搭建【章节目标及学习难点】章节目标1．了解电子商务数据指标体系；2．掌握电子商务数据指标体系的搭建方法；3．熟练运用相关模型进行数据指标的搭建。学习难点1．运用相关模型进行数据指标的搭建。【案例导入】淘宝新灯塔服务指标体系淘宝新灯塔服务指标体系是为帮助商家追求更好的消费服务体验所建立的一套全链路消费者服务体验评估诊断标准。主要由商品体验、物流体验、咨询体验、售后体验、纠纷体验5大维度12项指标构成。侧重于考核商家是否能够给消费者提供基础的服务承接，给消费者更好的购物体验，用于代表“成交好、服务好、口碑好”的金牌卖家打标。其中综合体验得分=商品体验得分×该项权重+物流体验得分×该项权重+咨询体验得分×该项权重+售后体验得分×该项权重+纠纷投诉×该项权重+附加分。【案例导入】淘宝新灯塔服务指标体系为了更好地凸显商家的服务水平和能力，降低商家指标运营的难度，新灯塔已经升级至4.0版本。随着时间的推移，在电子商务交易过程中不管是商家还是消费者都会有新的需求，那么对双方的评价指标体系也会有随之而变，尤其是对于商家而言，严格进行综合评价，规范经营行为，对消费者权益的维护也是提到了新高度。拓展思考1.数据指标体系构建的目的是什么？2.淘宝新灯塔服务指标体系设定的作用是什么？第1节电子商务数据指标体系2.1.1数据指标和数据指标体系2.1.2常见的电子商务数据指标2.1.1数据指标和数据指标体系数据指标是通过对数据进行分析得出的一个汇总结果，是使得业务目标可描述、可度量和可拆解的度量值。它有别于传统意义上的统计指标，其本质就是对业务问题的量化过程，通过数据指标的好坏来客观地反应业务事实。2.1.1数据指标和数据指标体系数据指标体系是把数据指标系统地组织起来，其建设的重要性如下。①对于决策者来说，单一、孤立的数据指标无法准确地描述业务现状，而依据业务逻辑及科学的统计方法将不同层级、不同维度的指标串联起来的数据指标体系可以完整地描述业务运行状况，帮助决策者制定“北极星”指标以及更好地统筹决策。2.1.1数据指标和数据指标体系②对于一线业务人员来说，如果没有数据指标体系，仅凭他们业务经验制定的业务策略，将无法有效指导运营，会限制业务发展。③对于数据分析师来说，有了一个完善的数据指标体系，工作日常的取数、报表工作会大大减少，分析师就会有更多时间做探索性分析以及深层次的数据挖掘，更好地服务业务。2.1.2常见的电子商务数据指标常见的电子商务数据指标常见的电子商务数据指标由总体运营指标、流量类指标、销售类指标、用户价值类指标、商品类目指标、市场营销活动指标、风控类指标和市场竞争类指标组成。不同类别指标对应电商运营的不同环节，如流量指标对应的是网站运营环节，销售类、用户价值类和市场营销活动类指标对应的是电商销售环节。2.1.2常见的电子商务数据指标2.1.2常见的电子商务数据指标2.1.2常见的电子商务数据指标2.1.2常见的电子商务数据指标第2节电子商务数据指标体系搭建方法2.2.1OSM业务框架分析模型2.2.2UJM用户旅程分析模型2.2.3AARRR用户生命周期分析模型2.2.4MECE分析模型2.2.1OSM业务框架分析模型电子商务数据指标体系建设的流程可以总结为：明确业务目标、理清用户生命周期以及行为路径和指标分层治理。在搭建过程中，分别使用OSM业务框架分析模型，UJM用户旅程分析模型、AARRR用户生命周期分析模型和MECE分析模型指导我们构建完整而清晰的数据指标体系。OSM模型模型解析实现方式业务目标业务核心指标业务部门制定行动策略用户生命周期/用户行为路径分析UJM模型/AARRR模型实现评估指标核心业务指标细分MECE模型制定细分指标2.2.1OSM业务框架分析模型OSM模型是数据分析和业务分析领域的基础方法论，可以把业务目标和衡量评估指标对应起来，适用于目标清晰、行动方向明确的场景。OSM模型主要由业务目标（Objective）、业务策略（Strategy）和业务度量（Measurement）三个要素构成，这三个要素都是围绕着业务展开的。业务目标（Objective）业务策略（Strategy）.业务度量（Measurement）2.2.1OSM业务框架分析模型实施OSM模型的流程总体分为三个步骤2.2.1OSM业务框架分析模型1、确定业务目标首先业务目标必须符合企业的经营战略然后依据行业特性和商业模式来制定业务目标最后确定北极星指标，即第一关键指标2.2.1OSM业务框架分析模型2、细分业务策略围绕业务目标，细分业务策略，找到达到业务目标的方法。其中业务策略表现的是关键的二级指标。提升产品整体DAU业务策略细分2.2.1OSM业务框架分析模型3、确定衡量指标需要为业务策略设立子指标，即第二步中二级指标下的三级指标，也就是衡量指标。运用衡量指标，我们可以把业务策略进行拆解，分配给团队中不同的人员负责，以此来追踪业务策略的执行情况。2.2.1OSM业务框架分析模型【案例分析】OSM模型案例分析案例背景：你所在的公司是一家快消品公司，面对2023年即将到来的大促期，领导要求线上GMV总量同比去年要提升30%，请制定执行策略。1.业务目标确定案例当中的业务目标非常明确，就是GMV要提升30%，衡量业务目标的指标就是GMV本身。2.2.1OSM业务框架分析模型2.细分业务策略要想提升GMV，需要了解哪些因素会影响GMV，找准切入点。面对GMV这计算指标，可以通过公式法进行拆解：GMV=潜在消费者基数×转化率×客单价。影响GMV的因素由三个不同的部门负责：推广部负责消费基数；运营部负责转化率；商品部负责运营部。这三个因素的提升难度是不同的，在给各个部门分配指标之前，先看一下过去两年的历史数据2.2.1OSM业务框架分析模型指标2022年大促期2021年大促期同比增长率GMV2976566246877020.6%潜在消费基数136578671210725712.8%转化率0.135%0.128%5.5%客单价1611591.3%从历史数据来看，2022年大促期GMV提升了20.6%，主要增长贡献来源于潜在消费者基数的增长，其次是转化率和客单价的提升。2023年的GMV需要提升30%，相对于20.6%来说，大约提升1.5倍，所以，我们就以各维度21年同比增长率的1.5倍作为2023年的指标。2.2.1OSM业务框架分析模型指标2022年大促期2023年增长率目标2023年大促期目标值GMV297656630.9%3894931潜在消费基数1365786719.2%16281668转化率0.135%8.2%0.146%客单价1612.0%165推广部要把潜在消费者基数提升至16281668；运营部要把整体转化率提升至0.146%；商品部要把平均客单价提升至165。2.2.1OSM业务框架分析模型3.确定衡量指标推广部需要分析潜在消费者的来源，按照来源比例分配目标值。渠道来源占比目标值线下门店8%1302533公众号/官方微博15%2442250市场外投46%7489567站内推广31%5047317潜在消费者基数100%162816682.2.1OSM业务框架分析模型运营部需要找出可以提升消费者转化率的因素，并且定义成可以量化的指标，并按照8.2%的同比增幅确定2023年目标值因素指标20年数据21年目标设立新客专享折扣新客折扣率72%66%退出反季清仓专区清仓产品SKU数125135设置显示秒杀秒杀场次1819加入会员优惠券优惠券领取数量102251106邀请新用户送优惠券邀请新用户数量297232162.2.1OSM业务框架分析模型商品部需要找出可以提升客单价的因素，并且定义成可以量化的指标，并按照2%的同比增幅确定2023年目标值因素指标20年数据21年目标设置多件多折消费者平均购买件数1481.51设置商品搭配购搭配购功能使用人数92549440设置不同登记优惠券使用规则高额满减优惠券使用人数16501683高溢价产品明星款商品销量398040602.2.2UJM用户旅程分析模型UJM模型是用户在使用产品过程中的生命旅程，指用户从首次接触直至下单以及享受产品或服务期间，用户与企业产品或者平台互动的全过程。2.2.2UJM用户旅程分析模型【案例分析】电商产品UJM分析用户使用该款产品，大致会经历从各个途径了解该电商平台、通过各个入口逛平台、对商品产生兴趣、进入付费流程、分享和复购阶段等6个阶段。2.2.2UJM用户旅程分析模型阶段了解平台在平台逛产生兴趣付费分享复购用户行为通过各途径了解平台首页流量位搜索商品详情页付费流程分享产生复购目标提升新用户留存提升内容分发效率提升用户对核心内容的消费通过用户交互，提升用户粘性通过用户主动分享，完成裂变拉新促进用户复购，提升用户价值接触点信息流广告、落地页首页流量位、搜索功能、类目页商品详情页、购物车付费流程商品详情页的分享功能，晒单页面推荐功能，再来一单、活动痛点投放用户不精准、落地页信息未有限承接用户对推荐不感兴趣或搜不到感兴趣内容商品详情页描述不清晰、用户中途退出付费流程不友好用户缺少分享动力用户没有复购场景或刺激2.2.3AARRR用户生命周期分析模型AARRR模型下用户生命周期分为获取（Acquisition）、激活（Activation）、留存（Retention）、变现（Revenue）和自传播（Referral）等5个阶段各个阶段关键指标获取曝光量、安装率、激活率、注册转化率、留存率、付费率等激活新老用户占比、DAU/WAU/MAU、日均登录次数、日均使用时长等留存新用户留存率、老用户留存率、活跃用户留存率、日周月留存率、流失率等变现ARPU、ARPPU、付费率（区分新老用户）、客单价、LTV等自传播裂变系数等2.2.3AARRR用户生命周期分析模型【案例分析】小红书不同时期的用户运营策略分析2.2.4MECE分析模型MECE模型（MutuallyExclusiveCollectivelyExhaustive的简称），其中文意思是“相互独立，完全穷尽”，也就是对于一个重大的议题，做到不重叠、不遗漏的分类，而且能够借此有效把握问题的核心，并解决问题的方法。它是制定细分指标的方法论。MECE模型是制定细分指标的方法论，主要目的是为了把一个大的问题进行拆分，从而可以结构化地梳理解决问题的方法。在拆分过程中遵循着两大原则：完整性，在把目标向下分解的时候，不能漏掉任何一项，需要保证目标的完整性；独立性，拆分完成之后的每一项都需要独立，不同项之间不能有交叉产生。例如，客户总成交额GMV可以拆解为付费用户数与平均客单价的乘积2.2.4MECE分析模型MECE模型是制定细分指标的方法论，主要目的是为了把一个大的问题进行拆分，从而可以结构化地梳理解决问题的方法。在拆分过程中遵循着两大原则：完整性，在把目标向下分解的时候，不能漏掉任何一项，需要保证目标的完整性；独立性，拆分完成之后的每一项都需要独立，不同项之间不能有交叉产生。第3节电子商务数据指标体系构建【案例分析】以提升GMV为例，了解指标体系梳理和构建的过程首先，基于OSM模型O（提升GMV），把业务用户的UJM进行拆分。例如，新用户在抖音、小红书等各种流量渠道看到产品的广告后，点击进入活动页面发现有大额的优惠券，于是跳转到应用商店下载了App，打开后注册登录，访问产品列表页、商品详情页确定要购买的商品后，加入购物车进行支付，订单交易成功后，感觉消费体验良好，于是下次主动