电子商务商业数据分析实践指南

徐靖雯 26分钟前 182210

在1月份的第四期直播中，我们邀请到了JD.COM资深数据产品@邵东，他在数据分析和数据产品方面有着丰富的实践经验。他创新性地创造了余额宝情绪指数，成为业界衡量金融用户情绪的标杆；并利用数据模型指导资金流动性的安排，提高余额宝的收益率。电商领域有丰富的用户增长和营销产品的产品落地案例。本文为直播内容整理，内容已删除。

大家好，我是邵东，目前在JD.COM做数据产品经理，之前在余额宝做过很长一段时间的数据分析师。

这个分享主要分为三个部分；第一部分是电子商务数据分析的基本介绍；第二部分详细介绍了常用的电子商务数据分析方法；第三部分是通过具体案例介绍实践层面。

一、电商数据分析的基础介绍

数据分析落地主要有三个步骤:

首先是描述现状，通过直观的指标，深入说明目前的经营状况是好是坏，体现在哪里？

二是分析背后的原因，比如业务发展不是特别好或者发展比较好。只有了解背后的原因，才能更好地改善业务，实现业务增长；

三是为业务发展出谋划策。作为一个分析师或者业务人员，数据分析的最终目的一定是提出专业的意见和建议。

1. 描述现状

描述现状是数据分析的第一步，也是耗费精力的一步。需要很多工具，比如常用的数据抽取和数据分析工具:SQL、数据库、Excel等。作为一名专业的数据分析师，你必须熟练掌握这些工具。作为商科学生，你可以掌握Excel，掌握之后，你就可以处理数据处理了。所以描述现状的第一步是获取数据，做数据处理，加工，清洗等等。

经过数据处理、加工和清洗，第二步是确定指标体系。如果用业务发展好来描述目前的经营状况，显然不是很数学或者统计，所以可以用营业额或者订单金额来描述，不同口径的指标描述完全不同。因此，描述现状的一个很重要的步骤就是梳理出用哪种指标体系来描述现状。

构建合理的指标体系有以下几个步骤:

第一步，确定北极星指数，北极星指数是指业务发展的核心指数，比如GMV是电商业务的核心指数；用户在APP的停留时间是Tik Tok平台的核心指标，不同业务的北极星指标也不一样，但北极星指标通常只有一个，平台需要把全部精力放在北极星指标的开发上；

第二步是确定分项指标。北极星指标确定后需要拆解，比如把GMV拆解成新客户GMV加老客户GMV或者把GMV拆解成交易用户数乘以客户单价。具体怎么拆，要看具体业务；

第三步，将子指标拆分成流程指标。比如，新客户的GMV可以拆分为广告、网站等。基于不同的渠道。通过以上三个步骤，将北极星指标逐层拆解为多指标体系，一个相对完整、科学的指标体系才能更好地描述业务发展现状。

现状描述的另一个重要环节是数据可视化。数据可以用图表的形式更加直观清晰的表达出来，不同场景下使用的图表也不一样，比如用表格和图表来描述整体的比例拆分；分析随时间变化的内容时使用趋势图；做对比的时候，用柱状图，直方图等。，并参考上图哪个图表可以更科学准确的描述不同的场景。

2. 分析原因

通过数据提取、清洗、指标体系和几个维度的可视化方法，我们可以清晰地描述当前的业务状况。描述完之后，我们需要分析数据好坏的原因，这就需要分析师很高的逻辑和业务理解能力。如果不深入了解业务，分析思路可能会有偏差，分析结果也不会被认可。

分析背后的原因主要分为三个方面:

首先是对行业和公司业务有更深入的了解和沉淀，这是最基本的；

二是应用行业成熟典型的分析模型，如RFM、留存分析等。

三是了解数据背后反映的问题，表象的真实含义，数据的生产过程，比如指标如何从购买点转移到数据库。途中做了什么样的处理等。，这个要求也是比较高的，但是如果有能力的话，还是尽量满足要求，因为很有可能因为指标的口径定义不明确，在分析中走弯路。

以上三个方面做好了，原因分析就可以做好了。

3. 提出建议

很多新手分析或者操作的同学都会忽略:分析完后要提出专业的意见和建议。往往新手在做了很多很酷的数据表格，各种维度分析，拆解之后，忽略了最后一步:提出意见和建议。如果没有这一步，整个分析报告的价值就会大打折扣，因为所有的内容最终都会落脚在业务的发展上。如果只分析数据背后的原因，并不会在最终的建议上落定，运营或业务也会有所损失。

想要提出更有价值的建议，需要依靠对业务的深入了解，可以通过走进业务，了解业务来慢慢积累。只有具备业务敏感度，才能对业务发展提出更好的建议，这需要慢慢沉淀。

二、详解常用的电商数据分析方法

电子商务常用的数据分析模型和方法有五种:RFM分析、留存分析、漏斗分析、路径分析和归因分析。

1. RFM分析

RFM的三个英文字母代表了三个特定的维度:

R代表用户最近一次的消费时间，比如A用户最近一次在平台上发生购买是1月1号，离现在的时间是24天，该指标衡量的是用户近期消费热度的数据，如果最近一次消费时间离现在已经过了好几年，大概率该用户已经流失；F代表的是用户在一段时间内在平台上的消费频率，通常用户消费频率越高，用户越忠诚；M代表的是用户在一段时间内在平台上的消费金额，该指标代表用户的购买力，比如有的用户购买频率非常高，但总消费金额一共只花了一百块钱，说明消费率可能有问题，通过这三个维度可以对用户进行划分。

通常每个维度设置一个阈值，高于或低于阈值的用户分为两组，这样整个用户群又可以分为八个子群(如上图左侧所示)，阈值的设置通常采用平均或其他更科学的方法，比如用户B在消费时间、频率、金额上都高于阈值，说明用户B是一个重要的价值客户。

这八个细分领域也有不同的运营策略，如流失召回的召回、流失召回的维护、开发潜力的开发潜力等。

RFM分析的具体过程如下:

首先，RFM分析需要数据表。此表指的是订单交易表。核心字段是用户ID、消费时间和消费金额。可以使用订单交易表进行RFM分析。

其次，在订单交易表的基础上，对三个维度的数据进行处理，字段为用户ID、上次消费时间间隔、消费频率、消费金额，这样可以对每个用户进行处理，生成更详细的RFM处理表；

三、阈值划分常见的方法是直接求平均值，也有一些特殊的如阶段评分。

第四，划分阈值后，可以确定用户属于八个细分市场中的哪一个，然后对用户进行标记，是属于重要发展客户还是维护客户等。

RFM分析的优点和缺点:

RFM分析的优势主要有两个:一是数据采集好，主要是利用订单交易表，只要有交易数据就可以进行RFM分析，这是最大的优势；第二，该模型在层次上具有高度的可解释性。这个模型是基于逻辑直接分解的，因为算法模型等很多模型很难解释清楚业务，但是RFM分析模型对八个用户类别的划分具有很强的可解释性。

缺点:第一个是滞后性，因为它分析的是购买行为，只有在用户购买后才能分析；其次，不同行业的应用存在差异，比如耐消费冰箱，购买后十年内用户不一定会回购。在这种情况下，RFM分析就失去了分析的价值和意义。

2. 留存分析

留存分析在电子商务中非常常见，常用于分析网站或app在获取后一定时间内的用户留存情况。这里应该注意的是，保留分析必须注明日期。比如很多网站50%留存率的数据，因为没有注明是第二天留存还是30天留存，所以不具有参考性，这是明显不同的。网站一年后的留存率肯定低于一个月或一个月以下的网站，留存率越长越少。