我们跨境电商圈，经常会看到电商运营会爬数据，数据分析，各种表格。但是也有很多人只是知道要做数据分析，但不知道为何做，以及如何最好的利用它，刚好看到一篇关于数据分析的文章，分析的非常到位，所以转载过来，希望我们在做运营时，不要只是按照前辈留下来的模板来做，而是有自己的一套数据分析理念。
以下为转载内容：
来源：知乎 帆软
商业转载请联系作者获得授权，非商业转载请注明出处。
很多第一次做电商运营的人都不知道要看什么数据，我之前也做过互联网运营，一开始无非就是看看PV、UV，分许分析流量就完事了，但是很快老板就会发现我的分析结果根本没有任何价值，因为分析这些东西根本毛用都没有！
但是我也很无奈，因为这些常规数据就绑定着我的KPI，要是不做的话，我就会被扣钱扣工资，运营分析还能怎么搞出花来？老板是为了公司盈利，我也要为了我个人生活啊。
后来我才知道，不是分析方法和内容不对，而是没有关注到重点的数据。
顿悟的方法很简单，去问一个专业的搞数据分析的就行了，我有幸就遇到了这么一位，简直称得上是扫地僧一样的隐藏人物，几句点拨就足够我学习的了。
一、首先，想要知道需要关注什么数据，首先就要明白自己企业的商业模式。
既然题主问的是电商，那么就先说一下电商的盈利模式，很简单：
客户看中了你的产品或者服务，你把产品和服务卖给客户，一个订单完成！
电商公司和o2o类公司都是这种模式，公司的收入是由一个个订单堆积出来，订单是由用户购买了相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将公司收入相关数据拆解为三大模块：用户、商品或服务、订单。作为运营人，我们最主要要关注的就是两个字——用户。
公司收入、订单都是由用户消费所产生，用户的消费流程可以划分为以下四个阶段：引流、转化、消费、存留。
当然我们希望最理想的情况就是吸引和转化最多的用户、让他们买我们的产品，并且留住他们好让他们一直买。然而现实是残酷的，我们能做的，就是对这些数据进行分析，根据数据情况进行策略对调整，让现实与理想情况之间的距离越来越近。
我们一般将用户分为新用户和老用户，如下图所示：
无论新老用户，我们都会关心两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。
二、引流
一个购物中心，建在荒郊野外，没人进来，装饰再奢华也没什么卵用。用户是有限的，我们需要精打细算，实现对每种渠道每种类型的流量来源的最大价值利用。
分析目标：通过对流量的分析，保证流量的稳定性，并通过调整，尝试提高流量。
分析内容：基本数据指标有访客数(uv)、浏览量(pv)、访问次数(visits)，是常用的衡量流量多少的数据指标；平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)是用来衡量流量质量优劣的指标。
分析角度：
1. 观察流量规律，便于活动安排、服务调整
上面这个图使用FineReport做的UV分析，可以发现以下规律：一天当中，访问集中在9点到11点和14点到17点这段工作时间，一年中则在春节前后的访问量比较大，每周中也是访问集中在工作日。
一般来说，流量都是以每天中的时段、季节、节假日、星期这样的规律来分布的。所以可以将以上几面统一放到同一页面中进行观测，可以全面的了解应用的访问规律。并且通过对渠道、业务的选择，可以观测具体的渠道、业务的访问规律。
2.发现流量异常，分析异常原因并及时调整
通过对上图的观察，可以发现异常现象：
3月21日到4月17日到流量图中，工作日到流量一般都维持在2400左右，而观察4月18日到5月15日到图，发现流量从4月19日下滑开始，很少突破2000，也就是流量在近一个月有明显下滑。原因可能是对手购买了竞价排名、自己的seo做的不好等等。
一般来说，流量以周为单位，周期性分布的情况是比较多的，将视角拉长，一次性多看几个周的数据，便于发现问题。将一段时间内的数据与历史数据进行对比，也有助于问题的发现。
除上图中对流量异常的简单监控外，可以对流量进行进一步分解，如下图所示，通过图表联动，观察具体渠道或者业务的流量情况，从而完成对问题的追踪定位，例如通过进一步分析发现，4月中旬开始的流量下降主要出现在pc端，那么可以进一步缩小问题的范围。
3. 观察流量结构，分析其合理性，并作出调整
流量结构一般可分为渠道结构、业务结构、地区结构。通过查询一段时间内的各结构占比，了解流量组成。
如上图所示，在渠道中，pc占比相对过大，而app占比不高，app对于用户具有更大的黏度，所以应分析app占比过低原因，并想办法提高app流量占比。下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的、辅助问题的分析。
4. 追踪流量情况，衡量活动或者调整效果
对流量的追踪，一般就是对流量的监控，观察活动前、活动中、活动后的变化情况，评估活动效果。一般来讲，活动期间流量会大幅提升，活动后有一定回落，是一个成功的活动。如果活动期间流量上升幅度不大，或者活动结束后流量大幅度跌落，甚至流量低于活动前的正常流量很多，都不能说是一个成功的活动。
三、转化
在完成引流的工作后，下一步需要考虑的就是转化了，一个崭新的用户一路走来到完成交易，中间需要经历：
浏览页面（下载app）->注册成为用户->登陆->添加购物车->下单->付款->完成交易
每一环节中都会有用户流失，提高各个环节的转化率，一直是互联网公司运营的最核心的工作。转化率的提升，意味着更低的成本，更高的利润。
分析目标：了解各环节转化情况，分析其异常或不合理情况，进行调整，以提升各环节的转化率。
分析角度：关于转化率的各种名词也特别多，有静默转化率、登陆转化率、咨询转化率、付款转化率等等，然而并不需要考虑这些词，只要关注用户从接触应用到成交中的几个环节就好。
我们依然使用FineReport中图表的形式来从各个角度对转化数据进行展示分析。
1.观察各环节转化率，分析其合理性，针对转化率异常环节进行调整
上图所示，传统漏斗图只能显示一条路径的转化率情况，稍加修改后，可实现对比功能，例如上图所示的新老用户的转化率的对比。可以根据实际情况中在该图中加入更多环节，例如注册、收藏、开工、竣工等。
从上图中，我们可以发现这样一个问题，下单到付款中的转化率过低，正常来说，用户只要下单，付款的比例是比较大的。对于这个异常，我们来做下猜测：
又看了下其他家的商品或服务，发现了更好的，就取消了付款；
付款前习惯性的问下相关的人进行确认，然后发现计划有变，所以取消付款；
到了付款的时候发现居然不支持支付宝，无奈取消付款；
下单后被告知没货；
页面好卡，怒而弃之；
余额不足
总体上可以分为两类：用户本身原因，系统设计原因。上图中这么出现付款率这么低的情况，基本上可以确定是系统原因。然而具体是哪块的设计出了问题，可以进一步细化追踪。
如上图所示，点击相应阶段，联动出下面各渠道与各业务的转化率明细，可以看出，各渠道的转化率差别较大，其中pc端转化率明显偏低，而各业务之间的转化率差别不大，基本可以确定，是pc端存在问题，导致转化率偏低。
上图中的付款转化率低的太明显，只要不瞎都能看出这转化率出了问题，但是往往转化率的问题并没有这样的明显，那怎样定位自己的转化率是否合理，哪个阶段的转化率有提升空间呢？继续看下面这张图：
上图是通过多角度对比来分析业务转化率的健康状况，包括与自己同期对比、行业中与自己相似产品对比、行业中优秀的产品对比。对比各环节转化率的不同，产生数据上的冲击，所有落后的节点，都是可以提升的空间。
2. 追踪转化率变化，用于异常定位和策略调整效果验证
除流量外，转化率也是需要追踪的，将时间的维度拉开，分析各阶段转化率随着时间的波动，也是很有看点的。
如上图所示，在4月17日到21日中间，转化率出现下滑趋势，通过渠道转化率与业务转化率两个图表的联动，可以追踪定位导致转化率下滑的渠道或业务。常见的原因，公司运营部门投入了某个渠道进行推广，新的渠道带来了新的流量，而该渠道所引入的用户质量却偏低，拉低了整体的转化率。
3. 观察各渠道转化情况，定义渠道价值，并依此适当调整运营策略
气泡图在传统图表中信息量涵盖相对是比较大的，上面这张图x轴和y轴分别表示流量和转化率，y轴可以根据分析内容不同切换成点击率、注册率、架构率、下单率等等，气泡大小表示的为渠道ROI。从上图中可以看出，在右上象限中的渠道价值是比较大的，再综合考虑ROI，还可以看出渠道性价比情况。
4. 分析各环节转化周期，分析用户习惯，为制定运营策略提供依据
这种场景通用性并不是很强，会和公司业务相关联，有些业务的交易是分成多个阶段来完成，这种情况可以对转化周期进行分析。
上图中可以看出，该业务的付款与成交一般在前四周完成，而第五周开始趋于稳定。知道以上信息后，可针对第五周未付款或完成交易的用户进行询问，提高转化率。另外可制定四周内完成交易有奖励等活动来缩短成交周期，因为图中可以看出，绝大部分用户四周时间足够完成服务检查、订单确认等工作。
四、日活/存留
互联网行业的拉新成本现在都很高，要投入广告、投入时间，这些都是成本。如果用户还没有产生什么价值就流失了，那一定是亏了。相反，拉过来的用户，存留的时间越长，产生的价值也就越大，也才能弥补其他流失用户所产生的损失。因此，提高用户的存留时间，也是提高公司收入，为公司创造更多价值的重要一环。
分析目标：通过分析用户的日活/存留，来帮助运营人员发现问题、监控数据，为调整策略提供数据支持，达到提高日活/存留的效果。
分析角度：
1.日活监控，观察用户活跃数据，分析日活健康度
活跃用户一般可以分为以下三类：
有些公司可能不太关注回流(一定时间内没有登陆的用户再次登陆)这部分用户，我将它列出来，是认为了解回流用户的日活情况在一些场合中是有价值的，例如活动期间、发优惠券测试，是否会对流失用户的回流产生了作用。
上图中是用finereport做的堆积面积图，其面积大小为各类型用户数，堆积总高度为总活跃用户数。对于日活数据来说，相对理想的情况是老用户占比较高，为活跃用户主力，并且呈现逐步上升的趋势，代表产品对新用户的粘性较好，总体拉新存留大于流失用户。否则，要么是新用户的存留率过低，要么是老用户的流失率过高，都需要进行调整。
2.观察存留规律，定位存留阶段，辅助市场活动、市场策略定位等
存留规律分析应该分开对待，一部分高频小额订单(例如外卖)这种互联网公司，其分析模式类似于游戏、知乎、SasS平台，会以日为单位来分析存留。
如上图所示，这种用户登录频率较高的应用，可以通过上图分成三个阶段，过滤期、试探期、平稳期。刚开始接触一个应用的用户中，有大量的用户是质量不高的用户，不可避免的要经历一个存留率大幅下降的阶段，但这一阶段周期一般较短(我认为这一阶段可能更多的是应用筛选用户)。在这一阶段过去之后，用户会对应用进行详细的试探，是否让自己满意，这段期间也会有部分用户流失。最后留下的就是相对稳定的用户了。
上图可称之为手枪图，该图可以看出用户存留的整体情况，存留率有没有越来越高，产品粘性是否做的够好，通过上图可以看出一定的问题来。但要像日存留那样，找出用户存留的三个阶段是比较困难的，因为用户是否存留下来更多的取决于消费体验，并且消费体验周期过长，很难判断用户是否会再次消费。
3.对比不同用户、产品功能的存留情况，分析产品价值、辅助产品调整
如上图所示，通过对比，发现使用了分享功能和收藏功能的用户的存留率相对较高。得到这样一个信息后，可以通过产品上的调整，来鼓励用户使用分享、收藏等功能，以此来提高用户的存留率。
这种对比可以是多种形式的，将功能选择换成用户分类、用户来源，可以从不同的角度来观察问题。例如，如果发现男性用户的存留率比女性用户低，那么一是可以提醒反思造成这种情况的原因是什么，或者是可以调整产品推广渠道，以吸引女用户主。
存留率是互联网公司非常关注的指标之一，而很多公司会对存留率进行非常深入的挖掘。上文提供几种存留率常用的展现形式，为分析存留率提供一定的参考。
文章来源：搜狐
【转载说明】 若上述素材出现侵权，请及时联系我们删除及进行处理：8088013@qq.com
