这是精读系列的第3篇文章

哈喽，大家好，我是可乐，今天是精读《数据分析思维：分析方法和业务知识》的第三篇文章，对应这本书的第345章，主要讲用数据分析解决问题的流程以及两个实战案例：国内和跨境电商行业的业务知识、指标和案例。

前两篇精读如下：
精读1：总说业务，到底业务常用的指标有哪些
精读2：11种数据分析方法，别再说你不会了

用数据分析解决问题

将前一章单独的分析方法结合起来运用。

明确问题

通过观察现象，把问题定义清楚，要明确数据来源和准确性，通常可以从时间、地点和数据来源上进行确认。

其次对业务指标进行充分的理解，包括指标和含义，以及和谁对比的问题。

比如某店铺上半年完成的利润，与年初制定的月平均盈利500万的目标还有很大差距，领导要求找到没有达标的原因。

首先要确认数据的准确性，明确是哪个部门提供的，每个月的数据是什么，数据是否核对清楚无误？

然后理解其中的指标，利润是如何定义的等，和上半年相比出现了差距。

注：

避免主观臆断

分析原因

分析原因要搞清楚两个问题：

哪里出了问题
为什么会出现这个问题

首先分析关键因素，运用多维度拆解分析法，对每个指标进行拆解，如销售=销售收入-销售成本-营业外支出，销售收入还可以拆解为客单价X用户数，至于拆解到什么程度，要根据对业务的理解和实际问题灵活把握。

再用假设检验分析法，找到具体是哪里出了问题。

找到哪里出了问题后，可以进一步深入分析，如可食用相关分析来分析深层次的原因。

提出建议

在提出建议这一步，通常可以使用回归分析、AARRR模型分析的方法。

使用回归分析，是为了计算出某个原因能够对目标造成多大程度的影响，如预测销售收入要达到多少才能实现下半年利润4000万的目标。

关于回归分析，可参考这篇文章：
细说回归分析

接下来是实战部分，讲了12个行业的业务知识、常用指标，以及案例分析，先从电商行业开始

国内电商行业

4种业务模式：

B2B：企业卖家——企业买家，如阿里巴巴，订单量大
B2C：企业卖家——个人买家，如天猫、亚马逊、“XX官方旗舰店”
C2C：个人卖家——个人买家，如淘宝
O2O：卖家线上——买家线下

电商行业经历了从流量运营到用户运营的升级

业务指标

新老用户数量占比
新老用户金额占比
复购率：复购用户的占比，通常衡量一个较长的时间段，反映用户忠诚度
平均复购周期：用户重复购买的平均时间间隔
回购率：分析短期促销活动对用户吸引力的指标

电商常用指标可分为人与货两大类，分别是用户交易和商品管理指标
用户交易：

访客数UV：商品所在页面的独立访问数
加购数：将某款商品假如购物车的用户数
收藏数：收藏某款商品的用户数

购买阶段：

成交总额GMV
支付转化率：付款用户数/访客数
折扣率：GMV/吊牌总额

收退货：

拒退量：拒收和退货的总量
拒退额：拒收和退货的总金额
实销额：GMV减去拒退额

备货指标：

SPU数：款号，如iphone 9就是一个SPU
SKU数：指某款号的具体货号，具体到颜色、尺寸，如iphone 9 有3个SKU，分别是黑色、白色和红色
备货值：吊牌价 X 库存数

发货售后：

售卖比：售罄率，GMV/备货值，用来看商品流转情况，对库存进行优化
动销率：有销量的SKU数/在售SKU数

案例：回购率下降分析

明确问题：发现2019年双十一用户回购率下降，分析原因

对比分析发现不管是用户数还是回购人数较2017、2018年都有增长，但回购率却下降，这是我们前面说的辛普森悖论，原因应该是回购人数的增长没有赶得上基数的增长。

运用多维度拆解分析法，先从R值进行拆解，也就是RFM分析中的那个R值，最后一次购买时间间隔，从R<=365和365<R<=730两个组对比历年的基数、回购数、回购率，发现19年反而比18年的值都高，说明R值不能定位回购率下降的原因。

接着从F值进行拆解，就是购买频次，拆解为F=1和F>1，发现仅购买一次的基数用户回购率下滑较大，造成整体回购率降低，可以从F=1的基数用户出发，进行更深入的分析

把F=1的用户再按照R值分成多组，发现90<R<=180这个组的回购率同比下降最大，是造成F=1用户回购率下降的主要原因，倒推日期，终于找到了原因，2019年“618”大促带来的新用户有大量用户没有留存下来，这些新用户主要是平台的推广页的广告吸引的许多低价尝新的用户。

跨境电商行业

跨境电商是通过跨境物流送达商品、完成交易的国际商业活动。3种业务模式：

平台型：邀请卖家入驻跨境电商平台，如天猫国际
自营型：跨境电商平台自己运用，如小红书、考拉海购
混合型：兼有平台型和自营型，如亚马逊

业务指标

广告方面的业务指标，从漏斗模型上看，有以下指标需要注意：

案例：会员分析

亚马逊店铺会员活动要保证订单两日达，后台数据显示送达率只有90%，低于标准100%，造成活动失败。

明确问题：造成会员送达率低于标准的原因是什么？

分析原因：梳理从买家下单到收货的业务流程，使用对比分析法，分析到底是哪个环节出了问题，通过分析发现，没有及时发货是主要原因。

再从仓库维度拆解，深入分析，发现06和07仓库订单异常数较多，是主要症结。

精读3：关于电商数据分析，你知道多少相关推荐

Spark 实时电商数据分析及可视化
Spark 实时电商数据分析可视化系统是一个经典的大数据应用项目,技术栈主要有 Flume.Kafka.Spark Streaming.Flask 等,帮助大家了解和运用一些当前热门的大数据处理组件来 ...
Amazon电商数据分析——数据获取
最近一段时间主要重心在Amazon电商数据分析上,这是一个偏数据分析和可视化的项目.具体来说就是先获取Amazon的商品数据,数据清洗和持久化存储后作为我们自己的数据源.分析模块和可视化模块基于数据进 ...
电商数据分析流程 | Excel实操
世界上最深入人心的数据分析工具,是Excel,在日本的程序员考试中,程序语言部分,是可以选择Excel表格工具作为考试选项的.可见其重要性. 数据分析的步骤: 提出问题理解数据数据清洗构建模型 ...
电商数据分析--用户行为分析
电商数据分析–用户行为分析数据分析流程: 明确目的获取数据数据探索和预处理分析数据得出结论验证结论结果展现用户行为是指用户在产品上产生的行为.(登陆.浏览.购买.加入购物车) 用户行为 ...
电商数据分析指标体系
数据分析的五大思维方式. 首先,我们要知道,什么叫数据分析.其实从数据到信息的这个过程,就是数据分析.数据本身并没有什么价值,有价值的是我们从数据中提取出来的信息. 然而,我们还要搞清楚数据分析的目的 ...
python电商_电商数据分析（python）
一.背景及目的从多维度对某平台2016年电商数据进行分析,总结销售规律,为来年销售计划做准备,指导之后的产品销售. 二.理解数据三.提出分析思路四.数据清洗此部分请见我之前写的文章:电商数据分 ...
淘宝电商数据分析-Tableau
基于上篇文章淘宝电商数据分析-Python做的可视化. 1.分析的目标 1.1每天的PV 1.2每天的UV 1.3每小时的PV 1.4每小时的UV 1.5用户行为转化率和转化漏斗 1.6销售量前10的 ...
Olist巴西电商数据分析（二）
Olist巴西电商数据分析上篇指路:https://blog.csdn.net/jlycd/article/details/113887419 文章目录 Olist巴西电商数据分析项目背景分析目 ...
电商数据分析--常见的数据采集工具及方法
大家好,我是小五电商数据分析中,常见的数据采集工具及方法有下面几种: 火车采集器:可以做数据抓取,数据清洗.分析.挖掘.可视化等. 搜集客:采集数据,所有爬虫需要在自己电脑上跑. 八爪鱼:免费版.付 ...
【Spark】Spark电商数据分析
Spark电商数据分析数据展示与分析需求:Top10 热门品类需求分析实现方法一实现方法二实现方法三实现方法四需求:Top10 热门品类中每个品类的 Top10 活跃 Session ...

精读3：关于电商数据分析，你知道多少

用数据分析解决问题

明确问题

分析原因

提出建议

国内电商行业

业务指标

案例：回购率下降分析

跨境电商行业

业务指标

案例：会员分析

精读3：关于电商数据分析，你知道多少相关推荐

最新文章

热门文章