《电子商务管理与运营》课件第6章

第6章电子商务数据分析6.1电子商务数据分析概述6.2电子商务数据分析的衡量指标与工作步骤

6.3电子商务数据分析的工作内容

6.1电子商务数据分析概述

6.1.1电子商务数据分析的含义

数据是事实，也称观测值，是实验、测量、观察和调查的结果，常以数量的形式给出。电子商务数据分析主要是通过处理大量存在的数据，发现其后隐含的规律，同时将其模型化，来辅助完成决策。

电子商务的快速发展将更倚重于数据分析的有效运用，主要表现为以下几点。

1．主客次序的转变

企业由传统的运营驱动数据转变为数据驱动运营，企业内部几乎所有的环节都可以用数据的形式展现。比如亚马逊每天有大量的基于运营的报表和数据要处理，运营策略、市场推广策略的改变主要是依据数据，它的自动补货模型就是基于时间序列和极值原理形成的，有效地解决了完全依靠人工的订货、补货模式，大大提高了库存管理效率。

2．关联性更加丰富

数据利用最大的弊端在于关联性把握不足，一旦将数据孤立地考量，有些核心的数据就会被遗漏或无法准确、全面地表达。以电子商务运营为基础的数据关联性将成为数据分析的基础，通过多维度、多视角的关联分析使核心数据的范围逐渐扩大，将某一行为产生的原因与合理性通过更多的数据标准加以展现，使之更加准确。如销售数据以销售额为核心，可以综合分析产品销售的区域性、售后的退换货、投诉率、订单的周期性、客户的忠诚度等多种指标。

3．用户体验导向性

电子商务运营的核心目标就是提升用户体验，电子商务可以记录大量的消费者购买行为的数据，通过深入的研究，结合区域购买力、商品区域化、客户分层、购物周期、购物偏向性、投诉原因等诸多数据指标，从而为企业电子商务实行差异化战略和精准式营销提供重要依据。

4．数据的可视化

数据是一个比较抽象的概念，特别是面对海量数据的时候很容易让人摸不着头脑。数据分析可以通过简洁直观的图表加以展现，为数据分析和结果输出提供了非常好的视觉效果，从而更便于理解，使枯燥的数据变得生动形象。

5．数据基本分析与模型化的平衡

基本分析主要是基于数据的简单处理，对增长、趋势、占比等指标的汇总分析，不涉及太多的复杂处理方法。当对海量数据或者需要做出长期预测、相关性影响等数据处理时，基本分析无法满足要求，这时需要使用某种合适的数据模型。数据模型是在一系列假设条件的基础上形成的，很多假设条件在现实中是不成立的，所以模型有它自身的局限性，它更多的作用是提供一种趋势性的参考和数据处理方法。就时间性而言，基本分析主要基于历史数据和现实数据，模型可以提供长期的预测数据并评估现实数据的合理性，通过二者相互补充和对比能对电子商务业务发展提供更准确的参考依据。

6．数据的共享化

通常数据仅限于企业内部使用，这样整个行业就无法对数据进行合理利用。在互联网时代，数据共享是必然的趋势。行业数据服务功能正在兴起，如一淘网、淘宝网等定期发布的内部价格指数、品类销售报告，就是将内部数据共享化的一种形式。企业通过结合自身和行业公开数据对某一领域开展专业化的研究，可为新进入者或者行业的发展提供深度服务。6.1.2电子商务数据分析的作用

1．客户获得

利用数据分析可以有效地获得客户。比如通过数据分析可以发现购买某种商品的消费者性别、学历、收入、爱好、职业等，甚至可以发现不同人群对某种商品的回购周期。很多因素表面上看起来和购买该种商品不存在任何联系，但数据分析的结果却证明它们之间有联系。采用数据分析后，针对目标客户推送广告的有效性和响应率将得到大幅度的提高，从而降低为获得客户所支付的成本。

2．客户细分

随着“以客户为中心”的经营理念的不断深入，分析客户、了解客户并引导客户的需求已成为企业经营的重要课题。通过对收集的交易数据进行分析，可以按各种客户指标(如自然属性、贡献度、交易额、忠诚度等)对客户分类，然后建立不同类型客户的行为模式，以便采取相应的营销措施。

3．客户保持

通过数据分析对客户类型进行细分后，每个类型的客户拥有相似的属性，可以针对不同客户类型提供相应的服务来提高客户的满意度。数据分析还可以发现具有哪些特征的客户有可能流失，这样挽留客户的措施将具有针对性。

4．交叉销售

交叉销售可以使企业比较容易得到关于客户的丰富信息，在企业所掌握的客户信息(尤其是历史购买行为的信息)中，可能正包含着决定这个客户下一个购买行为的关键因素。这时候数据分析就可以帮助企业寻找到影响客户再次购买行为的因素。

5．个性服务

根据客户的搜索记录或订单记录，经过数据分析后可向客户推荐可能引起该客户特殊兴趣的商品。使用数据分析可以使商品推荐更加个性化，从而提高客户购买率。

6．资源优化

节约成本是企业赢利的关键。通过历史财务数据、库存数据和交易数据的分析，可以发现企业资源消耗的关键点和主要活动的投入产出比例，从而为企业资源优化配置提供决策依据，如降低库存、提高库存周转率、提高资金使用率等。6.1.3电子商务数据分析的重要因素

1．电子商务数据分析师需要商业敏感

电子商务数据分析师必须有从枯燥的数据中解开市场密码的能力。比如，具有商业意识的数据分析师发现，网站上婴儿车的销售增加了，那么，他基本可以预测奶粉的销量也会随着提高。一个具备商业敏感的数据分析师，需要懂得用什么样的数据实现公司的目标。例如，一家刚进入市场的B2B企业和已经占领稳定市场的B2B企业，它们的运营目标也会不一样。前者更注重流量的增加，后者则更注重交易转化率及回头率。所以，数据分析师不仅需要擅长数据的统计，还需要具备商业敏感，在复杂的数据中捕捉市场机会。

2．电子商务转化率是关键，ROI是最终的目标

电子商务活动的宗旨是为企业创造价值，因此，提高电子商务的交易转化率是关键，其中涉及一个重要指标——投资回报率(ReturnOnInvestment，ROI)，即通过投资而应返回的价值。

3．电子商务数据分析衡量指标的设定

指标可以让我们更好地从数据量化的层面来了解运营的状况。常用的电子商务数据分析指标可分为两类：前端行为数据和后端商业数据。前端行为数据指访问量、浏览量、点击量及站内搜索等反映用户行为的数据；而后端商业数据更侧重商业行为，如交易额、投资回报率以及生命周期管理等数据。

4．指标异常变化的原因分析

电子商务数据分析衡量指标的异常变化是外界市场一些变化的客观反应，需要特别注意。例如PV异常减少，那就需要分析用户是搜索来源减少还是直接访问减少等因素。例如有一天，LinkedIn(职业社交网站)忽然发现来自雷曼兄弟公司的来访者多了起来，但是并没有深究原因。第二天，雷曼兄弟宣布倒闭。原因何在？雷曼兄弟的人到LinkedIn找工作来了。再如谷歌宣布退出中国的前一个月,有人在LinkedIn上发现了一些平时很少见的谷歌产品经理在线，也是相同的道理。

5．利用数据分析用户的行为习惯

利用数据分析来揣测用户的心理和行为习惯，最真实地了解用户需要什么，这些可以通过问卷调查及用户浏览记录等数据来实现，然后进行用户体验改善和确定产品定位及营销方案。分析用户行为习惯，挖掘客户潜在需求，可高效地促成交易。

6．客户的交易行为分析

当用户在电子商务网站上有了交易行为之后，就从潜在客户变成了网站的价值客户，电子商务网站一般都会将用户的交易信息(包括购买时间、购买商品、购买数量、支付金额等)保存在数据库里面，所以可以基于网站的运营数据对他们的交易行为进行分析，以评估每位用户的价值及针对每位用户的扩展营销的可能性。这些对于电子商务精准运营都是非常重要的。 6.2电子商务数据分析的衡量指标

与工作步骤

6.2.1电子商务数据分析的衡量指标

1．流量指标

流量指标主要用于描述网站访问者的数量和质量，是电子商务数据分析的基础。该部分指标主要包括访客数、回访客数、浏览量、人均浏览量、停留时间、回访者比率、跳失数、跳失率等。

访客数(UV)：在统计周期内，访问网站的独立用户数。网站的访客数指标是为了近似地模拟访问网站的真实人数，故“同一个人”(在cookie技术下，通常表现为同一客户端同一浏览器)多次访问网站，也仅记为一个访客。浏览量(PV)：在统计周期内，访客浏览网站页面的次数。访客多次打开或刷新同一页面，该指标均累加。

人均浏览量：在统计周期内，每个访客平均查看网站页面的次数，即PV/UV。

停留时间：访客在同一访问内访问网站的时长。实际应用中通常取平均停留时间。

回访者比率：在统计周期内，衡量网站内容对访客者的吸引程度和网站的实用性，绝大多数网站都希望访客回访，因此都希望这个值不断提高，如果这个值下降，说明网站的内容或产品的质量没有加强。计算公式为：回访者比率 = 回访客数 / 独立访客数。跳失数：访客入站后，只访问了登录页即离开的次数。

跳失率：在统计周期内，跳失数占入站次数的比例。假设该访问的入站次数为10，跳失次数为5，则是一个跳失率为50%的访问。跳失率越高，网站的黏性越低。

UV、PV是最常见的描述网站流量数量的指标，跳失率、人均浏览量、停留时间是最常见的描述网站流量质量的指标。从电子商务网站角度来看，通常访客平均查看的页面数越多,停留时间越长，表示访客对网站的内容或商品越感兴趣，但也不排除访客在网站迷失，找不到所需要的内容或商品的可能。上述流量指标能够帮助我们对网站访问概况有一个整体把控，如果要定位到网站的具体问题，进而提升网站运营效率，还需要从多个维度解读这些指标，如时间，流量来源，访客地域、性别、年龄，页面类型等。

2．转化指标

转化指标主要用于描述访客和网站的交互状况，用于帮助网站判断是否达到了网站建设的预期目的。转化是一个泛化的概念，访客在访问网站的过程中，所有有价值的行为均可记为转化。对电子商务网站来说，通用的转化指标包括注册用户数、收藏用户数、推车访客数等。

注册用户数：在统计周期内，发生注册行为的独立访客数。

收藏用户数：在统计周期内，对网站或商品等对象进行收藏的访客数。推车访客数：在统计周期内，将商品加入购物车行为的访客数。通过推车访客数可以计算出该网站的推车率，计算公式为：推车率 = 推车访客数 / 所有访客数。

下单用户数：在统计周期内，确认订单的用户数。

成交订单数：在统计周期内，已完成付款的订单数量。

订单支付率：成交订单数占所有下单用户数的比例。网站的支付流程和体验是影响支付率的重要因素。

成交用户数：在统计周期内，完成付款的用户数。

成交转化率：在统计周期内，成交用户数占访客数的比例。

3．推广指标

推广指标主要用于衡量企业所采取的推广行为的整体效果。本节中，推广行为泛指以付费广告、软文等形式在互联网媒体上进行的宣传活动。该部分指标主要包括推广费用、展示时长等。

推广费用：网站花费在推广内容上的费用。

展示时长：推广内容展现的时间跨度，通常用来描述以展示时长定价的付费广告。

展现量：推广内容被展现的次数，可理解为该内容的PV数。

点击量：推广内容被点击的次数。点击率：在统计周期内，推广内容点击量占推广内容展现量的比率。

二跳率：指用户点击广告跳转进入内容页面后，再次点击页面内容继续浏览的比率。二跳率是为了分析广告流量的有效性。如果是有效流量的话，一般会有合理的二跳。如果是虚假点击的话，一般没有二跳。

平均点击花费：在统计周期内，推广内容被点击一次需要支付的平均费用，通常用来描述以点击定价的付费广告。

点击到达率：通过推广内容来源到达网站登录页的次数占推广内容点击量的比例。过低的点击到达率通常和网站加载速度、推广内容投放渠道等因素相关。引导成交订单数：在统计周期内，访客通过点击推广内容进入网站并成功付款的订单数量。

点击转化率：在统计周期内，推广内容引导成交订单数占广告点击量的比例。

投资回报率(ROI)：在统计周期内，推广内容引导成交金额与推广费用的比率，该指标是描述推广效果的核心指标。

4．服务指标

服务指标主要用于描述电子商务网站的服务水平。本节主要探讨电子商务在线营销范畴的售中、售后等服务指标。该部分指标主要包括咨询用户数、咨询响应率、平均退款时间等。

咨询访客数：利用各种通讯工具进行业务咨询的访客数。

咨询响应用户数：获得客服反馈回应的咨询用户数。

咨询响应率：在统计周期内，咨询响应用户数占总咨询用户数的比例。

咨询响应时间：用户首次发出咨询至得到客服反馈的时间。咨询成交用户数：在统计周期内，成功下单并完成付款的咨询访客数。

咨询用户转化率：咨询成交用户数占咨询响应用户数的比例。

平均退款时间：在统计周期内，用户发起退款申请至退款结束的平均时间。

订单处理耗时：在统计周期内，用户完成订单至订单出库的时间。该指标描述了电子商务网站的订单处理效率。

物流耗时：订单出库后至到达用户的时间。该指标指订单出库后，由第三方物流或自建物流配送至用户地址的耗时，与“订单处理耗时”共同描述网站的发货速度。发货准确率：正常发货订单占所有成交订单数的比例。异常订单包括商品错误、数量错误、丢包或地址错误等。

退款订单数：在统计周期内，发生退款的订单数。

退款订单率：在统计周期内，退款订单数占成交订单数的比例。

投诉订单数：在统计周期内，发生投诉的订单数。

投诉率：投诉订单数占成交订单数的比例。

5．用户指标

用户指标主要从有真实成交记录用户的角度来描述网站的发展状况。对大部分电子商务网站来说，新用户的获取成本、老用户的活跃度等指标是评价网站核心竞争力的重要指标。该部分指标主要包括新老用户比例、用户地域分析、重复购买率等。

新老用户比例：老用户比例越高，证明用户忠诚度越好。但是还要考虑绝对量，不能靠新用户越来越少来衬托老用户越来越多。

用户地域分析：用户地域与订单地域分布基本一致，通常用于分析用户的分布比例以及经济发达程度等，对于提升区域配送能力及服务水平较有帮助。新成交用户数：在统计周期内，历史上首次在网站有成交记录的用户数。

用户获取成本：在统计周期内，每增加一个新成交用户所需投入的广告费用。

成交回头客数：在统计周期内，历史上曾在网站有成交记录的成交用户数。

成交回头客占比：在统计周期内，成交回头客数占所有成交用户数的比例。

重复购买率：成交用户数在未来一段时间内再次发生成交的比例。

客单价：在统计周期内，成交用户的平均成交金额，即成交金额/成交用户数。成交频次：在统计周期内，成交用户在网站产生的订单数。

最近成交日期：成交用户在网站最近一次成交的发生日期。

上述内容介绍了电子商务数据分析的基本衡量指标，分析人员要根据数据分析的情况来发现问题和总结问题，进而优化网站的结构和用户体验、提升网站的转化率和用户忠诚度。这些都是电子商务运营非常重要的基础工作。6.2.2电子商务数据分析的实施步骤

电子商务数据分析的过程主要由识别信息需求、确立合理KPI、收集数据、分析数据、评估分析结果并提出改进措施等部分组成。

1．识别信息需求

识别信息需求是确保数据分析过程有效的首要条件，可以为收集数据、分析数据提供清晰的目标。就过程控制而言，管理者应了解识别需求要利用哪些数据支持分析过程的合理性，并明确分析对象和目标。比如在电子商务数据分析中，我们的分析对象可能是广告投放状况、页面、访客或成交用户等，分析目标可能是找到销售额降低的原因，并提出可操作的改进措施等。

2．确立合理KPI(关键绩效指标)

对分析对象确立合理的KPI。合理的KPI包括关键指标的设定和对该指标的合理“预期”值。比如，分析网站一个按点击付费的广告效果，如果选择以点击单价和投资回报率作为关键指标，则需要为这两个指标设定合理的预期值，因为没有合理的预期值，难以判断做得好与坏，从而无法进行分析。预期值的设定需要我们对其他影响因素(如广告预算、网站商品的竞争力)和分析对象本身(如当前的点击单价是历史峰值还是低值等)都有客观的认识。确认了合理的预期值,就可以开始从不同角度进行进一步的分析评价，从而获得客观、有用的观点来指导决策。

3．正确收集数据

正确收集数据是指从分析目标出发，排除干扰因素，正确收集服务于既定分析目标的数据。正确的数据对于实现数据分析目的将起到关键性的作用。对收集数据的内容、渠道、方法进行策划；将识别的需求转化为具体的数据要求；明确数据的收集时间、收集渠道和收集方法；采取有效措施，防止数据丢失和虚假数据的干扰。

4．分析数据

开始进入具体的分析数据阶段后，就需要将收集的数据通过加工、整理和分析，使其转化为有效信息。通常情况下，分析数据并不需要复杂的分析算法或高端的分析软件，掌握“细分、对比和转化”的分析手段，就能满足电子商务的基础数据分析任务。

(1)数据细分。对分析对象抽丝剥茧，逐步定位到问题点，细分的角度可以有很多，越细分越能准确描述问题。比如确认了“广告点击单价过高”的问题，就可以通过多角度的细分，如投放商品、投放位置、投放时间段等角度去找到引起“广告点击单价过高”的原因。

(2)数据对比。主要包括横向和纵向两个角度，各指标间的横向对比帮助我们认识预期值的合理性；纵向对比是指标自身在时间维度上的对比，即通常说的趋势分析。对分析对象，如广告投放的一系列优化操作，往往只有通过数据指标在时间轴上的前后对比，才能判断出这些操作的效果。

(3)数据转化。数据分析对象往往是一些“结果”型指标，这种结果的形成通常涉及多个步骤。如分析网站的销售额，可以分解成“访客数×转化率×客单价”，从而对每个细分的转化步骤进行分析，也可以帮助我们迅速找到问题点。

5．评估分析结果并提出改进措施

企业在评估数据分析结果时，要注意数据是否真实和充分，数据分析方法是否合理，是否将风险控制在可接受的范围内，并根据分析结果找出问题的关键，制定相应调整和改善的措施，使问题得到解决或负面影响降到最低。改进措施是最为关键的一步，也是很多数据分析工作中容易忽视的一步，很多数据分析只是呈现结果，缺少解决问题的方案，这就相当于找到了管道的漏水点，却任由其漏水而不作处理。 6.3电子商务数据分析的工作内容

6.3.1电子商务数据分析方法

1．看数据分布

看数据分布是较为基础的分析方法。通常情况下，综合性(总数和平均数)的统计数据主要用于对宏观现状的了解，但是容易丢失掉很多重要的信息，不能够全面和具体地反映真实情况。在深入分析数据分布时，应该多关注数据中的众数，即一组数据中出现次数最多的数值，因为这个数值会直观反映实际分布情况，而不受极端数据的影响。

在网络营销中会常常发生只关注平均数而丢失重要信息的情况，下面将针对一些简单的案例进行分析。【案例阅读1】页面平均停留时间的误导

如表6-1所示，从中可计算得出该电子商务网站的平均停留时间为3分34秒，部分运营人员就可能根据这个时间来进行业务决策，例如设置“停留时间超过3分34秒为高价值流量”，或者设置系统在用户停留了3分34秒还没有下订单的话就弹出在线客服窗口。设置这些时间点的根据是“平均停留时间”，在我们的假设里，每个顾客都有着“平均的”表现，停留时间大致都是3分34秒，可实际上真正的顾客访问时间有长有短，差别巨大。表6-1某商品页面访问数据从该表数据里可以看出，平均停留时间短是因为很多人停留了不到10秒就离开了，这里就能反映出这部分流量存在跳失率过高的问题。然后再去分析这部分流量跳失率高的流量来源，最后主要发现两个问题：

1.网站之间的友情链接每天都带来海量流量，但是往往点开网页就离开，因为该电子商务网站和友情链接网站内容其实不太相关，用户也并不重合。

2.因为该电子商务网站的名字比较特别，和某热播电视剧重名，所以很多搜索电视剧的用户点击进入网站，然而发现网站并不是讨论该电视剧，马上离开了。接着，我们可以根据这两个问题分析得出一些结论和行动方法，例如以后在进行友情链接合作的时候主要看双方用户的重合度，而不是流量，或者将网站上所有和该热播电视剧匹配的产品做个特别的引导页面，把那部分敲错门的用户留下来。【案例阅读2】平均订单金额背后隐藏的变化

某电子商务网站上个月平均订单金额为500元/单，这个月同样也是500元/单，从平均订单金额来看并没有出现异常情况，这时候网站运营人员容易忽略平均数据后面所发生的变化了。

实际的情况是上个月的5万张订单都是由400～600元组成的，而这个月的5万张订单则由2万单300元，2万单400元,5千单500元，5千单1700元以上的订单组成。这个时候其实客户购买习惯已经发生了巨大变化，一方面出现部分客户订单金额降低，由原来的最低400元降到了300元，出现这种情况有可能是这个月产品单价下降、客户购买数量减少或者客户选择了比较便宜的替代品；另一方面出现了一些金额相对较大的订单，出现这种情况的原因可能是出现大批量购买的客户，也可能是网站产品线扩充见效了。所以如果只看订单的平均值，则会忽视一些潜在的变化。

以上两个案例的参考主要是提醒我们要看到“平均数”后面的数据分布情况，这样才能有深入的洞察，才能够制定合理的行动方案。

2．拆因子

在数据分析过程中很多时候很难直接从数据变化中分析出具体的原因，这时可以考虑采用拆因子的方法，例如分析网站销售额，在计算公式中，销售额=访客数×全店成交转化率×客单价，那么影响它的因子有访客数、全店成交转化率、客单价，通过对这三个因子的变化分析，将问题逐步细化，从而找出原因。【案例阅读3】拆因子发现网站转化率下降原因

某电子商务网站近期出现转化率下降，我们要寻找原因。如图6-1所示，因为转化率=订单/流量，所以“转化率”下降的原因可能是“订单量下降”或“流量上升”，或两者皆有。按照这个公式思路我们可能发现主要的原因是“流量上升”，那么下面就可以来拆解“流量”的构成，例如拆成“直接访问流量”、“广告流量”和“搜索引擎流量”，再看具体是哪部分的流量发生了变化，接下来再找原因。图6-1某电子商务网站转化率下降原因分拆这时可能看到搜索引擎访问流量上升，那就可以再进一步分析是付费关键词部分上升，还是自然搜索流量上升。如果是自然搜索流量上升，那么是品牌关键词带来的流量上升还是非品牌关键词带来的流量上升？

假如最后发现是非品牌关键词带来的流量上升，那么继续分析出现这种情况的原因是因为市场变化(淡季旺季之类)、竞争对手行动还是自身改变。假如刚好最近产品页面进行过改版，那么可以查一下是不是因为改版让搜索引擎收录变多，权重变高。接下来再分析改版时哪些地方的改动帮助网站优化了(如把页面导航栏从图片换成文字)，从而把经验记录下来为以后页面改版提供参考。

另一方面还要分析哪里没做好，因为新增流量了，但是销售额并没有明显提高，需要研究怎样让“产品页面”更具吸引力，对很多搜索引擎流量来说，他们对网站的第一印象是产品页面，而不是首页。【案例阅读4】拆因子分析销售额的变化

销售额的变化，可以从访客数、全店成交转化率、客单价三者的变化中得到解答。访客数即UV，指全店各页面的总访问人数；全店成交转化率指成交用户数占访客数的比例；客单价指平均每个成交用户的成交金额，销售额=访客数×全店成交转化率×客单价。

访客数与全店成交转化率的乘积即成交用户数，分析这两个数据，可以了解成交用户数的构成及变化，不同来源渠道的访客数量及质量，进而寻找能有效促进销售额增长的点，如增加高转化率的来源的访客数，优化高访客数登录页的页面等。全店成交转化率与客单价的乘积可以理解为平均每一个UV带来的价值，该数据是引流成本的参考值，可以帮助我们制定合理的广告策略；另外，分析这两个数据，可以了解不同经营活动的影响，如“打折促销”在提高全店成交转化率的情况下，如果没有刺激用户购买更多产品的方案，是否会明显降低客单价。

如表6-2所示，是天猫商城某品牌旗舰店2013年9月份经营过程中不同日期的数据表现。T1天是该店铺在该季节下,正常经营状况下的数据表现，这里，我们通过拆因子分析方法对灰色区域的数据进行解读。表6-2天猫商城某品牌旗舰店9月运营数据

T1+1天时，可以计算出该店铺的成交金额是T1天的4.38倍，其中访客数增长86%，成交转化率增长53%，客单价增长53%，人均成交件数增长8%。

如表6-3所示，分析该网站主要的流量来源变化可知，从T1到T1+1，各渠道的流量均有显著增长，并且对比免费流量和付费流量的增长幅度，我们可以判断T1+1时该店铺显著加大了广告流量的投入，这解释了访客数的变化原因。表6-3天猫商城某品牌旗舰店9月流量来源通过表6-2可以看出，T1+1比T1的客单价显著上升，但人均成交件数并没有相应幅度的提高，说明该店铺销售的商品的单价变高。查看该店铺的宝贝销售排行并与T1天对比,发现该店铺在周一时上新了一款468元的高价单品，带来了大量销售，另外有一款68元的低价商品，也贡献了很高的转化率。

至此，通过拆因子分析可知，T1+1天时，该店铺上架新商品，新商品单价较高(做了相应折扣提高了转化率)，并且相应做了大力推广，从而促进了销售额增长。同样，对T2+1和T3+1天的销售额剧增状况，也可以通过这种拆因子分析得到解答。

3．漏斗分析

漏斗分析，是指以漏斗图的形式来展现分析结果。漏斗分析是一个适合业务流程比较规范、周期比较长、各流程环节涉及复杂业务过程比较多的数据分析方法。漏斗分析不仅可以非常直观地发现访客在业务流程中存在的转化与流失情况，发现隐藏在其中的业务问题，而且通过进入业务页面的访问次数与整站访问次数的比率，还可以反映出业务在网站中的受欢迎程度。

需要注意的是，单一的漏斗模型对于分析没有任何意义，不能单从一个漏斗模型中评价网站某个关键流程中各步骤的转化率的好坏，而必须通过趋势、比较和细分的方法对流程漏斗中各步骤的转化率进行分析。趋势：从时间轴的变化情况进行分析，适用于对某一流程或其中某个步骤进行改进或优化的效果监控。

比较：通过比较类似产品或服务间购买或使用流程的转化率，发现某些产品或应用中存在的问题。

细分：细分不同来源或客户类型在转化率上的表现，发现高质量的来源或客户，通常用于分析网站的广告或推广的效果及投资回报率。

所以，漏斗模型适用于网站中某些关键路径的转化率分析，用于确定整个流程的设计是否合理、各步骤的优劣、是否存在优化的空间等。例如在分析广告的引流效果时，可以通过广告点击漏斗，如图6-2所示，从广告展现量—广告点击量(广告展现量×点击率)—入站次数(广告点击量×广告点击到达率)—跳失数(入站次数×跳失率)四个步骤来分别解读引流目标在各个阶段的流失情况，帮助我们判断广告在哪个阶段具有较大的优化空间，从而提高广告引流效果。图6-2广告点击漏斗又如分析网站访客转化效果时，访客访问一个网站，有入店、浏览、出店三个过程。网站的成交转化漏斗如图6-3所示，可以帮助我们了解访客在网站各个步骤的流失情况，了解访客进入网站最终却未产生购买的原因，是首页质量较差，访客一进入网站就关闭退出；还是网站导航搜索体验不好，访客未能找到需要的商品；甚至是不是因为不同浏览器支持的支付工具的问题，导致访客辛辛苦苦填完订单后却未能顺利支付。通过成交转化漏斗分析，可以逐一解答。图6-3成交转化漏斗【案例阅读5】某网站转化漏斗分析

如图6-4所示，可以分析得出该网站的跳失率维持在70%左右，即70%的访客进入网站后并未浏览其他页面即离开，当然就不可能产生购买。如果更深入地分析高跳失率的流量来源或高跳失率的登录页面，那么我们也许就可以找到改善该指标的方法。所幸的是，十一长假以后，该网站的跳失率明显降低。细心的读者也许会发现，这一时间段，网站的推车率(将商品加入购物车的用户的比例)和下单率(成功填写完订单的用户的比例)却有下降的趋势，要探究背后的原因，还需要对流量做更多的细分分析，暂不作为本案例的讨论点。图6-4某B2C网站9月底至10月中旬，全部访客在网站的跳失率和支付率变化趋势如图6-5所示，可以分析得出该网站的推车率水平约为4.5%左右，下单率约为1.5%左右，根据图6-5可以得出支付率约为55%左右，这说明4.5%的访客将商品加入了购物车，而其中有30%(4.5%×30%=1.5%)的人成功填写了订单，而这些人中又有55%的用户最终成功完成了支付，成为了网站的成交用户。通过漏斗分析，哪一个转化步骤的流失显著高于行业水平，或者比预想的差很多，那么就可以去探究它的深层次原因，并且找到对应的解决办法。图6-5该网站的推车率和下单率变化趋势

4．用户分析

我们把电子商务理解为传统行业(一般指商品零售相关的)在互联网上的应用。而传统零售业的用户管理至关重要，大部分的电子商务企业也越来越认识到用户管理的重要性。这里，主要介绍细分用户族群以及用户成本与质量分析这两种用户分析方法。

(1)细分用户族群。

很多时候，需要把用户行为数据进行拆分，根据用户的属性、行为、需求、偏好以及价值等因素对用户进行分类，了解不同族群的用户有什么不同的表现，通过比较异同来获取更多的信息，并提供有针对性的产品、服务和销售模式。一般来说，细分可以从以下三个方面来进行。

外在属性：如用户的地域分布，产品需求，组织归属——企业用户、个人用户、政府用户等。通常，这种分类最简单、直观，数据也很容易得到。但这种分类比较粗放，依然不知道在每一个用户层面，谁是“好”用户，谁是“差”用户。我们能知道的只是某一类用户(如大企业用户)较之另一类用户(如政府用户)可能消费能力更强。

内在属性：内在属性是用户内在因素所决定的属性，比如性别、年龄、信仰、爱好、收入、家庭成员数、信用度、性格、价值取向等。消费行为分类：对消费行为的分析主要从三个方面考虑，即最近消费、消费频率与消费额。按照消费行为来分类通常只能适用于现有用户。对于潜在用户，由于消费行为还没有开始，当然分层无从谈起。即使对于现有用户，消费行为分类也只能满足用户分层的特定目的。至于找出用户中的特点为市场营销活动找到确定对策，则要做更多的数据分析工作。

(2)用户成本与质量分析。

电子商务企业的收入由成交用户贡献，企业要最终实现赢利，必须满足平均每一个用户贡献的利润水平至少覆盖获得该用户的成本。新用户的获得需要投入一定的成本(如广告投入、商品让利促销等)，老用户也需要有相应的投入来维持，而每一个用户在网站的成交金额(订单金额×成交次数)及表现出来的时间间隔都有一定的特征，如果从用户成本和质量这一角度进行分析，可以很好地指导我们进行经营决策，如图6-6所示。图6-6用户成本与质量分析架构【案例阅读6】某B2C网站2012年底新用户成本质量分析

如表6-4所示，该网站2012年底正常运营获得12600名新用户，花费市场费用50万，则每一个新用户的获得成本为40元，通过客单价和毛利率可计算出在首次购买中每个用户贡献36元的毛利，而平均每个新用户需购买1.11次，该网站才能收回成本，经计算，这批用户在未来3个月内产生重复购买的比例为30%，即这批用户在未来三个月，平均每人还能贡献10.8元(客单价120×毛利率30%×复购率30%=10.8元)的毛利，加上首次购买的毛利，足以覆盖新用户获得成本。表6-4某B2C网站2012年底新用户数据

5．关联分析

关联分析是指在交易数据、关系数据或其他信息载体中，查找存在于项目集合或对象集合之间的频繁模式、关联、相关性或因果结构。关联分析的一个典型例子是购物车分析。该过程通过发现顾客放入其购物车中的不同商品之间的联系，分析顾客的购买习惯。即了解哪些商品频繁地被顾客同时购买，通过这种关联制定营销策略，从而影响页面设计、商品促销、商品的展现等。关联分析的任务就是发现事物间的关联规则或相关程度。关联规则的一般形式是：如果A发生，则B发生的几率有多少，这个几率就称为关联规则的置信度。利用关联分析能寻找数据库中大量数据的联系。常用的关联技术有两种：一是关联规则，用于发现一个事物与其他事物间的关联性或依赖性，如分析客户同时购买牙刷和牙膏的可能性；二是序列模式分析，该模式重点分析数据之间的因果关系，如买了电脑的顾客在三个月内有买杀毒软件的可能性。关联分析的主要作用可以概括如下：

(1)通过关联分析，推出相应的产品组合，最大限度地促进消费者购买更多的产品，快速提高销售额。例如常见的P&G产品组合(飘柔洗发水+玉兰油沐浴露、海飞丝洗发水+舒肤佳沐浴露)，这些产品组合都离不开数据支撑，而背后的原理就涉及数据的关联分析。

(2)进行相关产品推荐或挑选相应的关联产品进行精准营销。例如在亚马逊或京东商城选购产品的时候，旁边会出现一个提醒栏，显示历史购买该商品的人有多少比例还会购买其他产品，从而快速帮助客户找到喜好的产品。

(3)寻找更多潜在的目标客户。假设购买纸巾产品的100个人里面，有70人也会购买洗衣液产品，那么在推广某品牌洗衣液时，可以向购买纸巾的用户推荐产品，这样就能最大限度地寻找更多的目标客户。

6．指标对比分析

指标对比分析又称比较法，就是通过指标的对比，检查计划的完成情况，分析产生差异的原因，进而挖掘内部潜力的方法。这种方法可以非常直观地看出事物某方面的变化或差距，并且可以准确、量化地表示出这种变化或差距，因而在电子商务数据分析中得到了广泛的应用。

实际操作过程中，指标对比分析法适用于同质指标的数量对比。采用这种分析方法，应注意相比指标的可比性。可比的共同基础包括指标内容、计算方法、计算周期和影响指标形成的客观条件等方面。指标对比分析法主要有以下两种应用形式。

(1)纵向比较法。

纵向比较是比较同一事物在不同时期的形态，从而认识事物的发展变化过程，揭示事物的发展规律。

本期实际指标与上期实际指标对比。通过这种对比，可以看出各项指标的动态情况，反映运营管理水平的提高程度。将实际指标与计划指标对比，以检查计划的完成情况，分析完成计划的积极因素和影响计划完成的原因，以便及时采取措施，保证成本目标的实现。在进行实际与计划指标对比时,还应注意计划本身的质量。如果计划本身出现质量问题，则应调整计划，重新正确评价实际工作的成绩，以免挫伤工作积极性。

(2)横向比较法。

横向比较法是指对同类的但不同对象的指标在统一标准下进行比较的方法。该方法按照调研目的确定比较基准和分类属性，比较过程中要注意事物的可比性，善于发现和比较本质的不同。

与本行业先进水平对比。通过这种对比，可以反映企业网站的运营管理水平与同行业先进水平的差距，进而采取措施赶超先进水平。例如网站这周的成交额上涨了10%，固然值得表扬，不过这个上涨的背后是否隐含着什么危机？如果你的竞争对手们这周的成交额都上涨了20%，当你洋洋得意的时候，可能已经被竞争对手拉开距离了。6.3.2图表展示

图表在数据分析工作中具有非常重要的作用。图表可以将数据图形化，更明确地显示其相互关系。

通常情况下，数据分析使用到的图表类型主要有以下几种。

1．柱形图

柱形图也称直方图，是经常使用的一种图表类型。通常用来描述不同时期数据的变化情况或是描述不同类别数据(称做分类项)之间的差异，也可以同时描述不同时期、不同类别数据的变化和差异。例如不同时期多种销售指标的比较等。一般将分类数据或时间在水平轴上标出，而把数据的大小在垂直轴上标出。如果要描述不同时期、不同类别的数据，则将不同类别的数据用图例表示，如图6-7所示。图6-7柱形图示例

2．条形图

条形图类似于水平的柱形图，它使用水平横条的长度来表示数值的大小。条形图主要用来比较不同类别数据之间的差异情况。一般把分类项在垂直轴上标出，而把数据的大小在水平轴上标出，这样可以突出数据之间差异的比较，而淡化时间的变化。如图6-8所示，要分析2012年各类产品销售量时，可使用条形图：在垂直轴上标出产品名称，在水平轴上标出销售量数值。图6-8条形图示例

3．折线图

折线图是用直线段将各数据点连接起来而组成的图形，以折线方式显示数据的变化趋势。在折线图中，数据是递增还是递减、增减的速率、增减的规律(周期性、螺旋性等)、峰值等特征都可以清晰地反映出来。如图6-9所示，折线图常用来分析数据随时间的变化趋势，也可用来分析多组数据随时间变化的相互作用和相互影响。例如可用来分析某类商品或是某几类相关的商品随时间变化的销售情况，从而进一步预测未来的销售情况。在折线图中，一般水平轴(X轴)用来表示时间的推移，并且间隔相同；而垂直轴(Y轴)代表不同时刻数据的大小。图6-9折线图示例

4．饼图

饼图通常只用一组数据系列作为源数据。它将一个圆划分为若干个扇形，每个扇形代表数据系列中的一项数据值，其大小用来表示相应数据项占该数据系列总和的比例。所以饼图通常用来描述比例、构成等信息。如图6-10所示是2013年我国电子商务市场规模构成。图6-10饼图示例

5．XY散点图

XY散点图与折线图类似，它不仅可以用线段，也可以用一系列的点来描述数据。XY散点图除了可以显示数据的变化趋势以外，更多地用来描述数据之间的关系。例如：几组数据之间是否相关，是正相关还是负相关，以及数据之间的集中程度和离散程度等，如图6-11所示。图6-11某网站用户散点图示例

6．雷达图

雷达图是专门用来进行多指标体系分析的专业图表。通常由一组坐标轴和多个同心圆构成。每个坐标轴代表一个指标。同心圆中最小的圆表示最差水平或是平均水平的1/2；中间的圆表示标准水平或是平均水平；最大的圆表示最佳水平或是平均水平的1.5倍。其中中间的圆与外圆之间的区域称为标准区。

在雷达图上，相关指标标在相应的坐标轴上，并用线段将各坐标轴上的点连接起来。如图6-12所示，如果某项指标位于平均线以内，说明该指标有待改进。而对于接近甚至低于最小圆的指标，则是危险信号，应分析原因，抓紧改进。如果某项指标高于平均线，说明相应方面具有优势。各种指标越接近外圆越好。图6-12某电子商务网站用户雷达图示例6.3.3Excel在数据分析中的基本应用

1．了解Excel数据列表

Excel数据列表是由多行多列数据组成的有组织的信息集合，它通常由位于顶部的字段标题以及下面多行数值或文本的数据行组成。

图6-13展示了一个Excel数据列表的实例。此数据列表的第一行是字段标题，下面包含若干行数据信息。数据列表中的列通常称为字段，行称为记录。为了保证数据列表能够有效地工作，它必须具备以下特点。

(1)每列必须包含同类的信息，即每列的数据类型都相同。

(2)列表第一行应该包含文字字段，每个标题用于描述下面所对应的列的内容。

(3)列表中不能存在重复的标题。

(4)数据列表的列不能超过16384列，行不能超过1048576行。

(5)如果一个工作表中包含多个数据列表，列表间应至少空一行或空一列以分隔数据信息。图6-13数据列表实例图

2．数据列表排序和筛选

对于一张有价值的工作表来说，常常需要将整个表格的数据进行排序或筛选出部分数据，这样才可以从一张表格中获取有用的信息，而通过Excel提供的排序、筛选功能就可以达到这样的目的。

(1)数据列表排序。

数据的排序是把一列或多列无序的数据变成有序的数据，这样能更方便地管理数据，在进行数据排序时可以按照默认排序顺序，也可以按照单列或多列排序顺序和自定义顺序来排序。排序时，Excel将按照指定的排序顺序重新排列行、列以及各单元格。

未经排序的数据看上去杂乱无章，不利于查找分析数据，如图6-14所示。图6-14未经排序的数据列表要对图6-14所示的数据列表按“所属分类”字母顺序升序排序，可参照以下步骤：

选择表格在E列中的任意一个单元格(如E4)，在【数据】选项中单击【升序】按钮，如图6-15所示。这样就可以以“所属分类”为关键字对表格进行升序排序。图6-15按“所属分类”字母顺序升序排序的列表

(2)数据列表筛选。

筛选是从数据列表中查找和分析具备特定条件记录数据子集的快捷方法。经过筛选的数据列表中只显示满足条件的行，该条件由用户针对某列指定。与排序不同，筛选并不重排工作表。筛选只是暂时隐藏不必显示的行。Excel筛选行时，可以对工作表子集进行编辑、设置格式、制作图表和打印，而不必重新排列或移动。

对工作表中的普通数据列表，可以使用下面的方法进行筛选。如图6-16所示，先选择列表中的任意一个单元格，如B3，然后单击【数据】选项中的【筛选】按钮，即可启用筛选。此时，功能区中的【筛选】按钮将呈现高亮显示状态，数据列表中所有字段的标题单元格中也会出现下拉箭头。图6-16对普通数据列表启用筛选数据列表进入筛选状态之后，单击每个字段的标题单元格中的下拉箭头，都会弹出下拉菜单，提供有关【排序】和【筛选】的详细选项。如单击B1单元格中的下拉箭头，弹出的下拉菜单如图6-17所示。不同数据类型的字段所能够使用的筛选选项也不同。图6-17包含排序和筛选选项的下拉菜单完成筛选后，被筛选字段的下拉按钮形状会发生变化，同时数据列表中的行号颜色也会改变，如图6-18所示。

如果要取消对指定列的筛选，则可以单击单列的下拉列表框并选择【全选】，如果要取消数据列表中的所有筛选，则可以单击【数据】选项卡中的【清除】按钮。图6-18筛选状态下的数据列表

3．数据分类汇总

分类汇总能够迅速地以某一个字段为分类项，对数据列表中的其他字段的数值进行各种统计计算，如求和、计数、平均值、最大值、最小值、乘积等。

以图6-19所示的表格为例，如果希望在数据列表中计算每个所属分类的销售金额合计，可以参照以下步骤。图6-19分类汇总前的数据列表

(1)单击数据列表中的任意单元格，如B3，在【数据】选项卡中单击【分类汇总】按钮，弹出【分类汇总】对话框，如图6-20所示。图6-20【分类汇总】对话框

(2)在【分类汇总】对话框中，【分类字段】选择“所属分类”，【汇总方式】选择“求和”，【选定汇总项】勾选“销售金额”，并勾选【汇总结果显示在数据下方】复选框，如图6-21所示。图6-21设置分类汇总

(3)单击【确定】后，Excel会分析数据列表，自动运用SUBTOTAL函数插入指定的公式，结果如图6-22所示。图6-22分类汇总的结果

4．数据合并计算

Excel的“合并计算”功能可以汇总或者合并多个数据源区域中的数据，合并计算的数据源区域可以是同一工作表中的不同表格，也可以是同一工作簿中的不同工作表，还可以是不同工作簿中的表格。

如图6-23所示，两个结构相同的数据表“表一”和“表二”，利用合并计算可以轻松地将这两个表进行合并汇总，具体步骤如下：

(1)选择B11单元格，作为合并计