网约车驾龄,超龄,封号问题,微信:gua561

电子商务该如何做数据分析?如何数据分析入门(从各项指标表象进入)

网约车驾龄,超龄,封号问题,微信:gua561

目录

整理了近万字的理论知识+实践经验,方法论和实际案例都有,先码后看!

做数据分析,要解决的第一个问题就是:分清楚应用场景。

不同场景,对于数据分析的需要程度是不同的,需要的能力各不相同。

第一种:

有一部分人只是需要在一些工作中,分析部分数据,从而指导自己工作,为之后计划做支撑,这种类型的数据分析,薅一些数据分析的皮毛即可。

一、夯实基础常识——建立数据分析概念

在夯基础阶段,你需要学习统计学相关知识,这些知识点一般在一些入门书籍、学习网站就可以get到:

有哪些好的数据分析、大数据、数据挖掘的网站或数据学习网站?

有哪些你看了以后大呼过瘾的数据分析书?

二、了解常用的方法论——形成数据分析的思维

什么是数据分析方法论?方法论是从宏观角度出发,从管理和业务的角度提出的分析框架,指导我们接下来具体分析的方向。

1、SWOT分析法

从优势(Strength)、劣势(Weakness)、机遇(Opportunity)、威胁(Threat)四个方面分析内外环境,适用于宏观分析。运用这种方法,可以对研究对象所处的情景进行全面、系统、准确的研究,从而根据研究结果制定相应的发展战略、计划以及对策等。

2、PEST分析法

PEST 为一种企业所处宏观环境分析模型,从政治(Politics)、经济(Economy)、社会(Society)、技术(Technology)四个方面分析内外环境,适用于宏观分析。PEST分析与外部总体环境的因素互相结合就可归纳出SWOT分析中的机会与威胁。PEST/PESTLE、SWOT 与 SLEPT 可以作为企业与环境分析的基础工具。

3、AARRR海盗模型

一种以用户为中心的着眼于转化率的漏斗型的数据收集测量模型,从获取(Acquisition)、激活(Activition)、留存(Retention)、收益(Revenue)和推荐(Referral)5个环节增长。

三、掌握常用的分析方法——培养数据分析习惯

分享一下常见的5种数据分析方法,引用自李启方的《数据分析入门——数据分析惯用的五种分析方法》

公式法 对比法 象限法 二八法 漏斗法

常常多种结合一起使用。

注:主要偏思维层面的,基于业务问题对数据的探索性分析,不同于专业统计学中的数据处理方法。

一、公式法

所谓公式法就是针对某个指标,用公式层层分解该指标的影响因素,这个我在指标化思维中提到过。

举例:分析某产品的销售额较低的原因,用公式法分解:

某产品销售额=销售量 X 产品单价 销售量=渠道A销售量 + 渠道B销售量 + 渠道C销售量 + … 渠道销售量=点击用户数 X 下单率 点击用户数=曝光量 X 点击率

1)找到产品销售额的影响因素:某产品销售额=销售量 X 产品单价。是销量过低还是价格设置不合理?

2)找到销售量的影响因素:分析各渠道销售量,对比以往,是哪些过低了。

3)分析影响渠道销售量的因素:渠道销售量=点击用户数X 下单率。是点击用户数低了,还是下单量过低。如果是下单量过低,需要看一下该渠道的广告内容针对的人群和产品实际受众符合度高不高。

4)分析影响点击的因素:点击用户数=曝光量X点击率。是曝光量不够还是点击率太低,点击率低需要优化广告创意,曝光量则和投放的渠道有关。

通过对销售额的逐层拆解,细化评估以及分析的粒度。

公式拆解法是针对问题的层级式解析,在拆解时,对因素层层分解,层层剥尽。

二、对比法

对比法就是用两组或两组以上的数据进行比较,是最通用的方法。

我们知道孤立的数据没有意义,有对比才有差异。一些直接描述事物的变量,如长度、数量、高度、宽度等,通过对比得到比率数据,增速、效率、效益等指标,这才是数据分析时常用的。

比如:用于在时间维度上的同比和环比、增长率、定基比,与竞争对手的对比、类别之间的对比、特征和属性对比等。

对比法可以发现数据变化规律,使用频繁,经常和其他方法搭配使用。

静态对比:同一时间条件下对不同总体指标进行比较,如不同部门、不同地区、不同国家的比较,也叫横比。

比如:OPPO(南京)跟踪订货量,将订货量细分为城南、雨花区等各个区域进行对比监控,以便后期销售量复盘时,精细化分析数据支撑下一季度的布局。

上图来源于:进销存管理

动态对比:同一总体条件下对不同时期指标数据的比较,也叫纵比。

三、象限法

通过对两种及以上维度的划分,运用坐标的方式表达出想要的价值。由价值直接转变为策略,从而进行一些落地的推动。

象限法是一种策略驱动的思维,常于产品分析、市场分析、客户管理、商品管理等。

比如:下图是一个广告点击的四象限分布,X轴从左到右表示从低到高,Y轴从下到上表示从低到高。

高点击率高转化的广告——说明人群相对精准,是一个高效率的广告。 高点击率低转化的广告——说明点击进来的人大多被广告吸引了,转化低说明广告内容针对的人群和产品实际受众有些不符。 低点击率高转化的广告——说明广告内容针对的人群和产品实际受众符合程度较高,但需要优化广告内容,吸引更多人点击。 低点击率低转化的广告——可以放弃了。

还有经典的RFM模型,把客户按最近一次消费(Recency)、消费频率(Frequency)、消费金额 (Monetary)三个维度分成八个象限。

1. 象限法的优势

找到问题的共性原因:通过象限分析法,将有相同特征的事件进行归因分析,总结其中的共性原因。例如上面广告的案例中,第一象限的事件可以提炼出有效的推广渠道与推广策略,第三和第四象限可以排除一些无效的推广渠道;

建立分组优化策略:针对投放的象限分析法可以针对不同象限建立优化策略,例如RFM客户管理模型中按照象限将客户分为重点发展客户、重点保持客户、一般发展客户、一般保持客户等不同类型。给重点发展客户倾斜更多的资源,比如VIP服务、个性化服务、附加销售等;给潜力客户销售价值更高的产品,或一些优惠措施来吸引他们回归。

四、二八法/帕累托分析

二八法也可以叫帕累托法则,源于经典的二八法则。比如在个人财富上可以说世界上20%的人掌握着80%的财富。而在数据分析中,则可以理解为20%的数据产生了80%的效果需要围绕这20%的数据进行挖掘。

往往在使用二八法则的时候和排名有关系,排在前20%的才算是有效数据。二八法是抓重点分析,适用于任何行业;找到重点,发现其特征,然后可以思考如何让其余的80%向这20%转化,提高效果。

一般地,会用在产品分类上,去测量并构建ABC模型,比如某零售企业有500个SKU以及这些SKU对应的销售额,那么哪些SKU是重要的呢,这就是在业务运营中分清主次的问题。

常见的做法是将产品SKU作为维度,并将对应的销售额作为基础度量指标,将这些销售额指标从大到小排列,并计算截止当前产品SKU的销售额累计合计占总销售额的百分比。

百分比在 70%(含)以内,划分为 A 类。 百分比在 70~90%(含)以内,划分为 B 类。 百分比在 90~100%(含)以内,划分为 C 类。

以上百分比也可以根据自己的实际情况调整。

ABC分析模型,不光可以用来划分产品和销售额,还可以划分客户及客户交易额等。比如给企业贡献80%利润的客户是哪些,占比多少。假设有20%,那么在资源有限的情况下,就知道要重点维护这20%类客户。

五、漏斗法

漏斗法即是漏斗图,有点像倒金字塔,是一个流程化的思考方式,常用于像新用户的开发、购物转化率这些有变化和一定流程的分析中。

上图是经典的营销漏斗,形象展示了从获取用户到最终转化成购买这整个流程中的一个个子环节。

相邻环节的转化率则就是指用数据指标来量化每一个步骤的表现,所以整个漏斗模型就是先将整个购买流程拆分成一个个步骤,然后用转化率来衡量每一个步骤的表现,最后通过异常的数据指标找出有问题的环节,从而解决问题,优化该步骤,最终达到提升整体购买转化率的目的。

整体漏斗模型的核心思想其实可以归为分解和量化。

比如分析电商的转化,我们要做的就是监控每个层级上的用户转化,寻找每个层级的可优化点;对于没有按照流程操作的用户,专门绘制他们的转化模型,缩短路径提升用户体验。

从下面这幅AARRR模型图中,能够比较明显的看出来整个用户的生命周期是呈现逐渐递减趋势的。通过拆解和量化整个用户生命周期各环节,可以进行数据的横向和纵向对比,从而发现对应的问题,最终进行不断的优化迭代。

不过,单一的漏斗分析是没有用的,不能得出什么结果,要与其它相结合,如与历史数据的对比等。

再补充几个实用的分析方法:

趋势分析法 多维分解法

1、趋势分析

看数字、看趋势是最基础展示数据信息的方式。在数据分析中,我们可以通过直观的数字或趋势图表,迅速了解例如市场的走势、订单的数量、业绩完成的情况等等,从而直观的吸收数据信息,有助于决策的准确性和实时性。

以该模板为例:可视化仪表盘

2、多维分解

多维分解是指从业务需求出发,将指标从多个维度进行拆分。为什么需要进行多维拆解?有时候一个非常笼统或者最终的指标你是看不出什么问题来的,但是进行拆分之后,很多细节问题就会浮现出来。

比如,在分析物料不良率影响因素时,监控各来源渠道的物料不良率:

比如,某品牌服装门店将月度销售数量按照不同类型、不同大小进行拆分统计,监控不同款式的销售效果:

第二种应用场景:

专业的数据分析师能力从以下四个层次展开说:

一、需求层

需求层是最重要的,需求是数据分析的开始,也是你要分析的目标方向。

数据分析需求的来源往往有3种场景:

监控到现有的指标出现了异常情况需要通过数据分析去找原因; 公司要对现有的运营模式或者某个产品进行评估确定是否需要进行调整或者优化; 公司下达了战略目标或短期目标需要通过分析看如何达成。

要确定需求就必须与需求方进行沟通,清楚的确认需求的内容或者自己要分析前必须要清楚你想要的结果是什么方向。

举个简单的例子:年底将近,双十一大促销在即,数据分析师们又到了一年最辛苦,最悲催的时间段。然而,有多少无意义的加班,是因为业务部门不会提需求所导致的。需求提的不合理,业务部门看了不解决问题,就会反反复复的再提需求。导致数据分析师们辛苦加班还不落好,背上一个:分析没深度啊!的坏名声。其实这不能怪需求方不会提需求,而是你作为数据分析人员要用你的经验,你的专业技能,你的沟通技巧去引导,去确定,去达成一致。

所以要做到清晰的确定需求,你需要自身具备:

对业务、产品、需求背景有比较深的了解。了解的足够对你才能去引导去判断这个需求;光了解需求方是还不够的,你需要从获得的需求快速的去结合你所掌握的技能组工具有个初步的分析思路;综合判断后你再决定是否需要分析,应该怎么分析,与需求方沟通确定清楚两方理解是否一致。

如果无法做到就会出现很多无法避免的问题。

理论上数据分析师所从事的工作是给出业务方相应的数据结果,而不是解决方案。虽然也有分析两个字,但是如何设计解决方案是业务部门的事。运营部门就该做活动方案,产品经理就该出产品方案,销售部门就该想东西怎么卖。但是当下专业的数据分析师是需要比业务方更了解业务,你不了解业务下的结论领导或者需求方敢信任吗?所以,一个业务技术双精通的数据分析师,是可以替业务方搞定上边所有问题的,不依赖业务方的判断,因为他自己就是个业务高手,有丰富的实战经验与业务能力。

但这种人是可遇不可求的。大部分数据分析师还是花70%时间处理数据的技术男。

在需求层我总结一下我们所需要具备的能力:

对业务、产品、需求背景有足够的了解,如果不了解说明你在这块应该先去充充电;然后当你无法想到分析方法的时候说明你对现有的数据不够了解。你同样该去了解了解数据的来源,数据的流转,数据的定义。

二、数据层

目标需求确定过后,现在的你就需要开始准备相关的数据了。数据层大致分为:数据获取、数据清洗、数据整理。数据应该从哪来呢?数据来源取决于你分析需求,有通过各统计网站进行数据下载(有哪些好的数据来源或者大数据平台?有哪些「神奇」的数据获取方式?),有通过爬虫技术在互联网进行数据抓取,也有通过企业已经加工好的数据报表、有直接从企业数据库通过SQL进行取数。

通过数据库你能做到excel所无法做到的多样性及细节化,你才能通过这些详细的数据找出数据背后存在的问题。

现在的数据库主要分为关系类型数据,分布式数据库。关系类型数据代表产品为mysql(免费开源的),分布式数据库代表hadoop。两种都是实用sql语言进行数据提取,在数据分析中你将提取出来与分析相关的数据这步就是数据获取。这里你需要具备基础的sql语言能力,要从海量的数据中找到你想要的部分。这个环节你也能对数据进行初步的清理,这里取决于数据库中的数据存储是否完整规范。

当你数据清理好也整理好后就可以开始进行数据分析了。

三、分析层

分析的工具有很多,平民版的分析工具有excel、非专业的专业分析工具有spss、专业资深的分析工作有sas/R/python。

分析的思路一般来说都是由浅到深,分为几个步骤:描述分析——锁定方向——建模分析——模型测试——迭代优化——模型加载——洞察结论。

描述分析是最基本的分析统计方法,在实际工作中也是应用最广的分析方法。分为两大部分:数据描述和指标统计。数据描述:用来对数据进行基本情况的刻画,包括:数据总数、时间跨度、时间粒度、空间范围、空间粒度、数据来源等。如果是建模,那么还要看数据的极值、分布、离散度等内容。 指标统计:用来作报告,分析实际情况的数据指标,可粗略分为四大类:变化、分布、对比、预测。说了太多了,就不展开了。

洞察结论这一步是数据报告的核心,也是最能看出数据分析师水平的部分。一个年轻的分析师和一个年迈的分析师拿到同样的图表,完全有可能解读出不同的内容。

举个例子:

年轻的分析师:2013年1月销售额同比上升60%,迎来开门红。2月销售额有所下降,3月大幅回升,4月持续增长。 年迈的分析师:2013年1月、2月销售额去除春节因素后,1月实际同比上升20%,2月实际同比上升14%,3月、4月销售额持续增长。

看到两者的区别了吗?2013年春节在2月,2012年则在1月,因此需要各去除一周的销售额,再进行比较。如果不考虑这一因素,那么后续得出的所有结论都是错的。挖掘数字变化背后的真正影响因素,才是洞察的目标。

四、输出层

都到这一步了,相信各位对数据报告也不再陌生了。这一步中,需要保证的是数据报告内容的完整性。一个完整的数据报告,应至少包含以下六块内容:报告背景、报告目的、数据来源、数量等基本情况、分页图表内容及本页结论、各部分小结及最终总结、下一步策略或对趋势的预测;

其中,背景和目的决定了你的报告逻辑(解决什么问题);数据基本情况告诉对方你用了什么样的数据,可信度如何;分页内容需要按照一定的逻辑来构建,目标仍然是解决报告目的中的问题;小结及总结必不可少;下一步策略或对趋势的预测能为你的报告加分。

应用案例

给大家找了一个抖音电商数据分析的应用实例,可以参考一下,文章来自:数据蛙的《抖音电商数据分析案例》,原文如下:

最近看到抖音818好物节活动复盘报告数据,活动交易额同比去年增长了4倍,订单量增长了5倍。

我们能够看到处在红利期的抖音电商,正在快速发展,对咱们数据分析小伙伴来说,不研究下在抖音上如何做数据分析,就有些不合适了。

一起来看看吧。

一、抖音电商数据分析场景

这里,我们选择伊利这个品牌作为案例进行分析,在短短的4个月里,从最初每月营收17.07万,到6月份达到了2485.54 万,伊利的牛奶,有点牛!

通过对伊利运营方式的研究,主要有两个方面:

第一个是:日常运营;每天线上直播12个小时以上卖货,日积月累增长营业额。

另一个是:营销活动;有选择的参与抖音平台发布的相关活动,如:618大促、818大促,来实现快速的营收增长。

接下来,咱们对伊利的分析研究,主要围绕着日常直播运营分析和大型的营销活动分析。

二、日常运营分析

日常的直播运营,最重要的分析就是监控每场直播的关键指标,对直播进行复盘,找到不足,进行优化;接下来一起来看伊利直播复盘案例。

开始之前,我们先梳理下,用户从进入直播间,到下单购买的行为路径图。

抖音电商,之所以被品牌青睐,因为它滚雪球式的增长逻辑。

当直播间活跃、用户下单购买时,平台会推荐直播间给更多的新用户,然后再活跃、购买,继续推荐,这就达到了滚雪球的作用。

根据用户路径图,搭建了指标体系,以供分析使用,其中:互动率、UV价值、购买转化率等核心指标,是直接影响直播效果。

根据重要指标,整理成表格,为我们的直播复盘做准备。

根据上面的数据,我们发现6月9日的这场直播,观看人次比6月6日的直播要多30%,但是销售额只有58%;所以展开了对6月9日的复盘,找到问题,进行改进。

这里我们主要看三个指标进行对比,找原因。

其实销售额达不到,主要有两个问题, 第一个是直播不活跃留不住人,这里主要看下互动率,第二个是对商品不感兴趣,不愿意进行购买,主要看下点击转化率、购买转化率。

针对互动率进行对比,发现6月9日互动率才到6月9日的24%。

直播间活跃的办法,一般是发福袋,如:送整箱的牛奶、手机、气泡水让用户领取;参与条件需要在直播间发送相关评论,并且需要10分钟后才能领奖,这样就提高了互动率和互动时间了。

这里我们对比了两场直播的送福袋的次数,在直播时长18小时期间,6月9日送福袋比6月6日的少了50%。

福袋的数量不能直接判断出互动率不高的原因,这里我们再看下大家对福袋的喜爱程度。

在6月9日直播间使用的是植选原豆奶,在6月6日使用的是小黑瓶安慕希酸奶。

我们随机在上午9点半,下午2点半,晚上7点三个时间段统计了福袋参与人数,发现6月9日的参与率整体要比6月6日的少50%-80%。

最后得出,6月9日互动率不高,主要原因是,一个是福袋送的比较少;另一个是大家对福袋的喜爱程度不高,建议在之后的选福袋上进行优化。

接下来,我们对比商品曝光-点击转化率和点击-购买转化率,为了方便展示,我们优化了指标,使用曝光-购买转化率(曝光-点击转化率与点击-购买转化率之积)。

这里我们对比两场直播的TOP3销售额产品,6月9日top1曝光转化率是6月6的30%,6月9top3产品只有10%,看来是选品出现了问题,需要进行优化。

另外,在看6月9号直播间产品的时候,找到了一个被雪藏的产品,由于曝光量少,只带来了1.4W的销售额,但是曝光-购买转化率达到6.65%,这个产品之后可作为一个重点选品。

三、营销活动分析

在进行营销活动分析前,先看看活动流程,然后再一步步落地。

这里选择伊利抖音618活动为例,活动目标主要是提高销售额,但具体的目标值,我们可以分析下,看如何制定。

我们知道,销售额=累计观看人次 * UV价值,这样的话,只要预估出618直播的UV价值和累积观看人次,就可以得出销售额预测值。

对于UV价值预测,可以用618期间的5场直播UV值,进行求平均值,得出1.44。

对于累计观看人次预估,可以用去年双十一期间抖音平台的网络热度指数进行预估;观察到双11当天比11月6日热度多了92%,由于今年平台推广力度加大,可以预估今年618当天热度至少比6月13日多100%。

观察到6月13日进行的直播,累计观看人次达到了395W,本身热度比较高,到618当天累计观察人次,估计会有[0.5,1]倍的提升,因此累计观看人次预估为[592.5W,790W]。

所以,我们预估销售额会在853.2W到1137.6W之间。

对于活动方案,主要考虑选品,以及流量投放前的用户画像。

选品方面,选择6月份期间每场直播top10销售额产品,依据曝光-购买转化率、曝光-点击转化率、点击-购买转化率 这三个指标,由大到小进行选品 ,这里是我们选择的5款产品,可以在活动期间大量曝光。

在广告投放之前,做好用户画像是必要的,这是针对性别和年龄的画像分布。

1. 活动预热

在6月17日晚上21点,伊利发布了一个引流视频,通过预告会在车间直播吸引用户,最后效果还是不错的,引流了74.4W人。

2. 直播进行时

一场直播,开始的前十分钟至关重要,会决定整场直播曝光量,看到伊利直播间的前十分钟,是以每分钟100%以上的速度在增长,这就是广告投放精准用户,快速起量。

在快速起量之后,就要维持直播间的活跃,看到一直送福袋引导用户互动,其中手机都送出了43部,为转化做了充足准备。

并且在6.18直播当天,下午2点的时候,发布了一条视频成功带来了流量38.2W人。

在直播间进行讲解商品的时候,一般进场人数会进行下降,这时候需要广告进行拉升,但是要时刻考虑广告的ROI,进行相关指标监控。

3. 进行活动复盘

目标制定复盘:整体还是不错的,预估销售额是[653.2W , 1137,6W] ,实际是1000.83W ,是预估值区间平均值;UV值比预期低34%,这是因为晚上9点到11点有进场人数增加较高,没有做好承接(后面会详细讲解)。

4. 选品的复盘

在我们预测的5款选品中,其中三个都进入了618直播的TOP5营收榜单,分别带来了101.2W,95.88W,74.56W

另外,我们看下618当天的TOP5销售额产品,发现有个产品曝光-购买转化率在0.85%,比TOP1商品还高0.08%,但是在流量上只有154.6万,不足top1的30%,在以后的直播选品上可以进行调整。

5. 直播间的复盘

我们发现在晚上8点到10点之间,直播间进场流量加大,平均进场人数达到2.2W;但是在线人数在6500左右,没有明显提升

最后我们看了抖音官方报告数据,晚上8-10点整个抖音平台流量明显上升。

但是伊利直播间没有承接的住,在中午12点左右,平均进场人数达2.5W,使用福袋是手机;而在晚上8-10的时候,福袋是乳汽水。

通过查看数据,福袋为手机参与率是17.2%,而福袋为乳汽水的参与率为2.25%,因此在当天晚上8点-10点,应该采取参与率比较高的手机作为福袋,这样可以提高活跃和转化。

其实复盘,总会有些事后诸葛亮,真实的直播是瞬息万变的,最后也看到伊利直播取得了很不错的成绩,达到1000.83万的营收。

注:文中数据分析方法介绍中部分配图来自简道云

分享几个热门模板:

进销存管理|OA管理|人事管理请假审批|会议管理|工作任务管理CRM客户管理|SRM供应商管理|ERP管理绩效管理|工程项目管理|费用申请和报销更多模板:简道云方案中心

关于网约车问题,添加 微信: gua561   备注:备注问题

本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 1304479036@qq.com 举报,一经查实,本站将立刻删除。
如若转载,请注明出处:https://www.didizcw.com/17230.html