电商分析数据分析思路 电商的数据传统零售的数据分析侧重对商品的分析，而电商则侧更重于对用户和流量的分析。根据电商业务流程的各个下面是小编为大家整理的电商分析数据分析思路 ,供大家参考。
电商的数据
传统零售的数据分析侧重对商品的分析，而电商则侧更重于对用户和流量的分析。根据电商业务流程的各个环节，我们可以把电商数据大概分为这4类：营销数据、流量数据、会员数据、交易和服务数据
营销数据：
做电商肯定要玩转各类的营销活动，就会产生营销费用、用户覆盖数，活动点击、打开等营销数据，然后有这些数据衍生出人均单价、活动打开率、人群触达率等指标
流量数据：
电商运营最核心的数据就是流量数据，包含了平台的浏览量、访客数、用户的登陆时间、在线市场等等数据
会员数据：
电商会员一般门槛较低，注册了就是会员，然后根据消费金额或者消费金额换算的积分来升级会员等级，比如像淘宝的淘气值积分。会员数据包含会员的个人信息以及交易记录、登陆行为等行为数据，电商平台的各类营销活动往往就是基于对会员行为数据的分析
交易和服务数据：
交易数据主要包括交易的金额、数量、人数、商品信息、交易场所、交易时间等数据，服务数据主要包括供应链等数据
电商数据分析的8类指标
根据电商运营的各个环节，我们可以把电商数据分析的指标体系分为下图这8个部分
先从总体运营指标说起，总体运营指标的分析一般是面向企业的高层，从平台的流量、订单数据、整体的销售业绩指标、盈利指标来了解平台的运营状况
独立访客数（UV）：指访问电商网站的不重复用户数
对于PC网站，统计系统会在每个访问网站的用户浏览器上“种”一个cookie来标记这个用户，对同一cookie在一天内多次访问网站的用户仅记录为一个用户。而在移动终端区分独立用户的方式则是按独立设备计算独立用户。
页面访问数（PV）：即页面浏览量
用户每一次对电商网站或着移动电商应用中的每个网页访问均被记录一次，用户对同一页面的多次访问，访问量累计。
人均页面访客数：即页面访问数（PV）/独立访客数（UV）
该指标反映的是网站访问粘性
总订单数量：访客完成网上下单的订单数之和。
访问到下单的转化率：电商网站下单的次数与访问该网站的次数之比。
网站成交额（GMV）：电商成交金额
即只要网民下单，生成订单号，便可以计算在GMV里面。
销售金额：货品出售的金额总额。
无论这个订单最终是否成交，有些订单下单未付款或取消，都算GMV，销售金额一般只指实际成交金额，所以，GMV的数字一般比销售金额大。
客单价：订单金额与订单数量的比值。
销售毛利：销售收入与成本的差值
销售毛利中只扣除了商品原始成本，不扣除没有计入成本的期间费用（管理费用、财务费用、营业费用）。
毛利率：衡量电商企业盈利能力的指标，是销售毛利与销售收入的比值
网站流量指标就是对平台的访客进行分析，比如通过对页面访问时长、跳出率等指标的分析，从而对页面进行优化等等
单位访客获取成本：在流量推广中，广告活动产生的投放费用与广告活动带来的独立访客数的比值
单位访客成本最好与平均每个访客带来的收入以及这些访客带来的转化率进行关联分析。若单位访客成本上升，但访客转化率和单位访客收入不变或下降，则很可能流量推广出现问题，尤其要关注渠道推广的作弊问题。
跳出率（BounceRate）：为浏览单页即退出的次数/该页访问次数
跳出率只能衡量该页做为着陆页面（LandingPage）的访问。如果花钱做推广，着落页的跳出率高，很可能是因为推广渠道选择出现失误，推广渠道目标人群和和被推广网站到目标人群不够匹配，导致大部分访客来了访问一次就离开
页面访问时长：单个页面被访问的时间
并不是页面访问时长越长越好，要视情况而定。对于电商网站，页面访问时间要结合转化率来看，如果页面访问时间长，但转化率低，则页面体验出现问题的可能性很大。
人均页面浏览量：在统计周期内，平均每个访客所浏览的页面量
人均页面浏览量反应的是网站的粘性。
注册会员数：一定统计周期内的注册会员数量
活跃会员数：一定时期内有消费或登录行为的会员总数
活跃会员率：活跃会员占注册会员总数的比重。
会员复购率：在统计周期内产生二次及二次以上购买的会员占购买会员的总数
会员平均购买次数：在统计周期内每个会员平均购买的次数，即订单总数/购买用户总数
会员回购率：上一期末活跃会员在下一期时间内有购买行为的会员比率
会员留存率：会员在某段时间内开始访问你的网站，经过一段时间后，仍然会继续访问你的网站就被认作是留存，这部分会员占当时新增会员的比例就是新会员留存率
这种留存的计算方法是按照活跃来计算，另外一种计算留存的方法是按消费来计算，即某段的新增消费用户在往后一段时间时间周期（时间周期可以是日、周、月、季度和半年度）还继续消费的会员比率。留存率一般看新会员留存率，当然也可以看活跃会员留存。留存率反应的是电商留住会员的能力。
销售转化指标主要包含了从下单到支付整个过程的数据，通过分析来提高商品转化率，同时对一些频繁异常的数据展开分析
购物车支付转化率：一定周期内加入购物车商品支付买家数与加入购物车购买家数的比值
下单转化率：下单买家数与网站访客数（UV）的比值
浏览-支付买家转化率：支付买家数/网站访客数
下单-支付金额转化率：支付金额/下单金额
下单-支付买家数转化率：支付买家数/下单买家数
下单-支付时长：下单时间到支付时间的差值
客户价值指标主要目的是找出有价值的用户，实现精准营销，一般可以建立RFM价值模型来进行分析
客单价：每一个客户平均购买商品的金额，即平均交易金额，即成交金额与成交用户数的比值
新客户客单价：第一次在店铺中产生消费行为的客户所产生交易额与新客户数量的比值
影响新客户客单价的因素除了与推广渠道的质量有关系，还与电商店铺活动以及关联销售有关
消费频率：客户在一定期间内所购买的次数
重复购买率
重复购买率越多，则反应出消费者对品牌的忠诚度就越高，反之则越低。重复购买率可以按两种口径来统计：第一种，从客户数角度，重复购买率指在一定周期内下单次数在两次及两次以上的人数与总下单人数之比，如在一个月内，有100个客户成交，其中有20个是购买两次及以上，则重复购买率为20%；第二种，按交易计算，即重复购买交易次数与总交易次数的比值，如某月内，一共产生了100笔交易，其中有20个人有了二次购买，这20人中的10个人又有了三次购买，则重复购买次数为30次，重复购买率为30%。
商品类指标主要分析商品的种类，销售和库存情况，可以建立关联分析模型，将商品组合销售，比如之前经典的啤酒与尿布的故事
SKU：物理上不可分割的最小存货单位
SPU：StandardProductUnit（标准化产品单元），SPU是商品信息聚合的最小单位，是一组可复用、易检索的标准化信息的集合，该集合描述了一个产品的特性
SPU即通俗点讲，属性值、特性相同的商品就可以称为一个SPU。如iphone5S是一个SPU，而iPhone5S配置为16G版、4G手机、颜色为金色、网络类型为TD-LTE/TD-SCDMA/WCDMA/GSM则是一个SKU在线SPU：在线商品的SPU数
独家产品的收入占比：独家销售的产品收入占总销售收入的比例
品牌数：商品的品牌总数量
在线品牌数指标：在线商品的品牌总数量
市场营销活动指标主要监控某次营销活动给带来的效果，以及监控广告的投放指标
下单转化率：活动期间，某活动所带来的下单的次数与访问该活动的次数之比
投资回报率ROI：产生的交易金额与活动投放成本金额的比值
风控类指主要对用户购买后的评价进行分析，发现产品的优点及问题
买家好评率：某段时间内好评的买家数量与该时间段买家数量的比值
买家差评率：某段时间内差评的买家数量与该时间段买家数量的比值
非常值得关注的指标，需要监控起来，一旦发现买家差评率在加速上升，一定要提高警惕，分析引起差评率上升的原因，及时改进
投诉率：买家投诉人数占买家数量的比例
投诉量和投诉率都需要及时监控，以发现问题，及时优化
市场竞争指标主要分析市场份额以及平台的排名，通过和竞品的对比进行策略调整
市场占有率：电商网站交易额占同期所有同类型电商网站整体交易额的比重
市场扩大率：购物网站占有率较上一个统计周期增长的百分比
用户份额：购物网站独立访问用户数占同期所有B2C购物网站合计独立访问用户数的比例
交易额排名：电商网站交易额在所有同类电商网站中的排名
流量排名：电商网站独立访客数量在所有同类电商网站中的排名
电商分析数据分析思路
对电商数据分析来说，主要应该掌握这四个思想：对比、细分、转化、分类，基本上可以应付日常的分析工作了
1、对比思想
数据对比主要是横向和纵向两个角度，指标间的横向对比可以帮我们认识预期值的合理性，指标自身在时间维度上的对比，就是我们经常说的趋势分析。
这里我以分析店铺的成交额为例：
纵向对比
我们把一段时间的成交额显示在坐标轴上，这样就可以很明显的看到这段时间的成交额是否达到了预期。
另外，要结合实际场景进行分析，比如我们通过数据发现今天的成交额比昨天大很多，可能因为今天是周六，或者是节假日等等，因此，我们在做纵向对比的时候，要判断今天（假如是周六）的成交额是否合理，除了看最近30天的趋势数据，我们还可以看一下最近10周的周六的成交额趋势；如果今天是节假日的话，那么就可以和上一年的同一天做个对比，不过因为间隔时间比较长，这里面可能参杂的干扰因素比较多，数据反映出来的意义比较有限
横向对比
例如我们说，店铺这周的成交额上涨了10%，是不是一个好消息呢？
上涨看起来应该是进步了，但是也可能是一种落后的表现，比如你通过横向对比后发现竞争对手们这周的成交额都上涨了20%，那这10%就是一种坏现象，也就是说，我们对一个现象判断好不好，这是需要一个参照系的2、细分思想
通过上面的对比，我们基本可以判断一个指标（例如成交额）是否合理了。如果发现数据不合理，接下来就是要发现问题，寻找原因。这时候就需要用到细
分的思想，把分析对象逐步拆解，定位问题，这个就类似于我上篇文章说的杜邦分析法的思想
比如我们通过查看趋势，发现这个月成交额明显下降了，我们用细分的思想来找出成交额下降的原因，根据成交额的计算公式：成交额
=客单价
X客户数，我们把成交额这个指标拆解，通过对比客单价和客户数的趋势，找出成交额下降的主要影响因素，如果是客户数问题，我们在根据客户数的计算公式：
客户数
=新客户
+老客户，老客户
=二次成交客户
+多次成交客户
对客户数进行细分，如果是客单价问题，就按照公式：客单价
=成交价
X人均成交数
进行细分：
3、转化思想
细分的思想可以从纵向定位问题，但是只有细分是不够的。这些指标是从哪里来的，每一个步骤的转化率怎么样，哪一个步骤的转化不好，需要改善，这些通过转化率都可以分析出来
例如我们要分析本周的活跃客户数（有成交的客户数），那么我们就要分析这些活跃的客户数是从哪里来的，梳理一下可以简单分为以下4个步骤：
这里4个步骤就会有3个转化的过程，哪些环节转化率比较高，哪些环节转化率比较低，历史趋势怎么样，是否合理，是否有改进的空间等等。应用转化的思想，可以有效的指导和优化电商运营的各个环节
4、分类思想
上面我们已经介绍了对比，细分和转化三种思想，还有一个基本思想：分类思想。简单来说，就是把一些对象，按照某种规则，划分为若干个类别，然后分
析各个类别的特征，根据这些特征来安排工作，比如说常见的RFM分析模型就是用来分类的思想，实现精准营销。
除了给用户分类之外，电商行业经常做的还有商品分类，比如按照品类分类，或者商品ABC分类，当然还有非常复杂的分类方法，例如聚类算法等等。
电商app流程：
推荐访问: 电商公司运营现状数据分析 电商分析数据分析思路 分析 思路 数据