如何做电商数据分析

目前我也从事数据分析，主要用到的是数据表；主要是提供一些报表供参考。其实我感觉应该用到了5W2H分析法，还跟我说过SWTO矩阵分析法，让我下去仔细研究。

电商公司营销数据_电商平台销售数据

电商公司营销数据_电商平台销售数据

据说数据分析要有以下的一些步骤：明确分析思路，数据收集，收集存储，数据整理，数据分析，数据呈现，报告撰写等。

电商的数据分析，我个人以为，应该至少有销量分析，包括销量，销售额，客户人数，地区分布，top30等，我们公司还有页码分析；仓库分析，包括库存表，库存预警表，销售渠道分析；购买意向性分析，季节性，促销活动等对销售的影响等。具体问题具体分析，我知道的另一家电商分析却采用的是数学模型分析预测的。电商数据分析，往往可以通过这样几个步骤：

1. 建立完整的数据体系

2. 对获取到的数据报表进行分析，找出其中问题

3. 针对从数据中找到的问题提出解决方案，评估解决方案的实现成本，并着手改进

一、首先建立数据体系。

电商网站中比不可少的是网站的点击流数据，这个数据通常可以通过安装数据工具来实现：如Google Analytics， CNZZ等。需要注意的是，电商网站中往往会涉及到网站销售，因此需要对网站数据统计工具进行配置，获得销售订单数据。

除此之外，除了点击流数据还需要其他数据，比如不同的销售渠道会涉及到不同的数据：

1. 搜索引擎优化，搜索引擎站长工具后台数据，其他SEO数据

2. 搜索引擎营销（竞价）竞价后台数据

3. 社交媒体：社交媒体后台数据

4. 展示类广告投放 广告投放平台数据 等

从这些后台中拉出报表，看趋势，按照不同的维度细分，找出问题

三、提出解决方案

根据数据中发现的问题，结合业务需要，给出解决的方法。重要的是需要评估好工作量和成本，不可以做盲目的改动。电商数据积累的越来越多，人工处理分析很苦难，这就要借助大数据分析工具了，大数据可视化分析工具大数据魔镜，有5个版本，云平台版本，免费，基础企业版离线安装使用也是免费的，另外还有标准企业版，高级企业版和hadoop版，可以针对大数据的企业的需求定制解决方案，做的很专业。谢谢采纳也是学徒级别，学习中！经济基础环境（网络可达性、物流可达性、支付可得性）；

市场活跃状况及供需关系（网络活跃度指数、网络消费价格指数、网络经营价格指数、网络融资环境指数）；

经济规模走势（网络消费指数、网络投资指数、网络贸易指数）；

经济总量（电子商务经济增加值、电子商务就业量）

洛阳儒墨科技公司——产业电商经济数据监测、预测与政策模拟平台

电商运营的基本数据指标有哪些

电商运营的基本数据指标四个指标，如下：

个指标：商品集中度，表示的销售额或者销售量之中，占比80%(具体数字可以自行约定)的商品数量或者比例。一般来讲，商品集中度越高越方便下单和追单，也就是补货更加容易，但是同时也暴露优质商品较少，有潜在风险，尤其季节性快消品类目，一旦处于换季边缘，集中度高的商品不给力，整个销售业绩将受到重挫，所以要联系所处品类的行业参考值，合理观察“商品集中度”;

第二个指标：商品动销率，商品动销率=动销品种数店铺经营总品种数，动销品种数：店铺里有销售的商品种类总数；

第三个指标：库销比，库销比=店铺即时库存或期末库存周期内总销售，其中库存和销售可以是数量亦可以是金额；

第四个指标：客户重合度，现在很多电商公司都是实施全网铺货和多品牌的战略(多品牌定位可以使市场覆盖面更广且抵御风险能力更强)，为了使新品牌更快更有效的启动和成长，通常的做法是在初期把成熟品牌的网站流量导入到新品牌，加速其生长，这时候一定要计算新品牌和老品牌之间的客户重合度，以便达到一定的阈值可以使新品牌与老品牌解绑，让其行走。

过早地撤走流量可能致使新品牌发育迟缓甚至发育不良，过晚撤走流量可能致使多品牌同质化，品牌定位无区隔，不能有效产生增量市场。当然，成熟品牌与新品牌重合客户的异和特质只用“重合度”一个指标显然是不够的，我们可以这样来比较两个品牌，设成熟品牌是A，新品牌是B：

(1) 两个品牌的客户重合比例是多少?

(2) 在 (1)的基础上，计算重合客户的重复购买率?

(3) 在 (1)的基础上，计算重合客户自从在B买过商品之后就再也没有回到A购物过的客户比例?

(4) 在 (1)(2)(3)的基础上同时满足，客户的比例是多少?

这里必须着重强调一点：数据指标的统计务必保证的准确性。数据的准确性不仅决定了将来做数据分析丶挖掘和数学建模的深度与广度，更体现了数据的权威性，尤其关键指标的统计倘若经常出现池，会让所有人对数据失去信任，对基于数据得出的结论也随之信心瓦解了。在电商运营中，常见的网店运营指标有如下几个点：

1. 流量类指标 访客数(uv),指访问电商网站的不重复用户数....

2. 订单产生效率指标 总订单数量,即访客完成网上下单的订单数之和.访问到下单的转化率,即电商网站下单的次数与访问该网站的次数之比.

3. 总体销售业绩指标 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....

4. 整体指标 销售毛利,是销售收入与成本的值.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).

电商数据分析所需的数据有哪些？

1.总体运营指标：从流量、订单、总体销售业绩、整体指标进行把控，起码对运营的电商平台有个大致了解，到底运营的怎么样，是亏是赚。

2.网站流量指标：即对访问你网站的访客进行分析，基于这些数据可以对网页进行改进，以及对访客的行为进行分析等等。

3.销售转化指标：分析从下单到支付整个过程的数据，帮助你提升商品转化率。也可以对一些频繁异常的数据展开分析。

4.客户价值指标：这里主要就是分析客户的价值，可以建立RFM价值模型，找出那些有价值的客户，精准营销等等。

5.商品类指标：主要分析商品的种类，那些商品卖得好，库存情况，以及可以建立关联模型，分析那些商品同时销售的几率比较高，而进行捆绑销售，有点像啤酒喝尿布的故事。

6.市场营销活动指标，主要某次活动给电商网站带来的效果，以及广告的投放指标。

7.风控类指标：分析卖家评论，以及投诉情况，发现问题，改正问题

8.市场竞争指标：主要分析市场份额以及网站排名，进一步进行调整。

以上总共从8个方面来阐述如何对电商平台进行数据分析，当然，具体问题具体分析，每个公司的侧重点也有所异，所以如何分析还需因地制宜。

电商数据分析是什么

电商数据分析包括了大行业大平台的数据状况，也可以是小到店铺、单品、sku的某个某个维度详细数据分析。

除了常规的商品型号、商品价格、促销信息、店铺名称等，还可以自定义其他维度、可以说说是做到了全方位展现渠道违规行为，满足多样化的巡检场景需求。

从流量、订单、总体销售业绩、整体指标进行把控，起码对运营的电商平台有个大致了解，到底运营的怎么样，是亏是赚。

电商分析数据方法如下：

一、依据用户画像，洞察需求

用户画像即用户信息标签化，通过收集用户的属性、消费习惯、偏好特征等各个维度的数据，进而对用户或产品特征属性进行刻画，并对这些特征进行分析、统计，挖掘潜在价值信息，从而抽象出用户的信息全貌。

二、依据渠道数据分析用户来源

对电商卖家来说，分析“访客数”重要的是分析“流量来源”。分析不同流量来源的“数量”和“支付转化率”，找出“支付转化率”比较高的流量来源并想办法提高，不仅可以提高“访客数”还可以提高整体的“支付转化率”。

这时利用数据分析工具能为不同渠道的表现提供总览，并给出目标转化率。当涉及到有机搜索时，分析一些像搜索量和排名的指标能帮你获得更多的见解，比如该将广告预算花在哪儿，如何让用户更容易搜索到你等等。

三、店内转化率的数据分析

当用户来到店铺时，我们就要想办法将他们转化成顾客，但众所周知，并不是每个来店里的用户都会点加入购物车按钮。甚至在加入购物车后，也会有改变主意离开网站的可能。所以这一步我们可以用下面的电商转化指标来跟踪和优化线上购物体验：

1、销售转化率 ——已购买的用户和全部来到店铺的用户比值。

2、平均订单价值 —— 用户下单的平均金额。

3、放弃购物车率—— 在所有产生的订单中，未完成订单的占比。

四、提高营销推广的ROI

对店铺来说，如今流量已进入存量时代，营销渠道分散且复杂，更需要卖家依据数字化营销提高推广的RIO，通过数据分析，加强线上营销的精准，拓展线下新的营销场景，利用数据智能完成全场景全链路的布局，以达到高效转化与品效相结合。

五、产品数据分析

1、产品数据分分析

①整体分析：分为两个部分：销售表现和购物行为。销售表现包括各个商品带来的收入，至少购买过一次的用户数，平均订单价格、数量，退款数目等等。购物行为，你可以看到浏览了产品详情页的用户里，加入购物车的人数；或浏览产品详情页后终下单的人数。

②购物行为分析——我们可以依据更多和商品有关的数据，比如商品浏览页访问量、商品详情页访问量、加入/移出购物车的商品，进入结算阶段的商品，以及购买人数来对用户购物行为进行分析。

2、销量数据分析

我们可以从后台数据分析中找到关于收入，税费、运费、退款金额，和卖出的商品数量。其中，总销售额以金额的形式呈现，是衡量我们线上店铺经营状况的“整体主要指标”（OMM）之一，可以用它来衡量业务的整体增长和发展趋势。

六、用户留存数据分析

聪明的商家知道忠诚顾客的价值。能够留住用户给你长期带来收入。永远要记住的是，获取新用户比留住老用户成本大得多。研究显示，用户留存率提升5%就能带来25%到95%的利润。

七、用户数据分析

对卖家来说，我们要识别出哪些用户是你的真爱。他们不仅爱你的产品，也愿意向家人和朋友，他们简直是你的品牌大使。成功的电商企业会密切关注着这一阶段的指标并及时做出反应。

电商销售数据分析案例(Oracle)

数据来源于Kaggle的电商数据集 The UCI Machine Learning Reitory ，英国在线零售商在2010年12月1日到2011年12月9日的在线销售数据，该电商公司主要以销售各类礼品为主，多数客户都是批发商。

使用Oracle 对数据进行处理与清洗，通过RFM模型、复购率、消费生命周期等对用户维度进行分析，利用ABC分类、退货率等维度展开剖析，结合Excel图表进行可视化展示，为精准营销与个性化服务提供支持。

根据分析目的选择字段，数据集共8个字段，如果表格字段较多，视情根据分析目的的需要选择合适的字段。

创建备用表new_ecommerce，将旧表的数据去重添加进备用表。原有数据541909条， 去重后数据536641条，删除重复值5268条。

检查缺失值

CustomerID存在缺失值135037条，Description出现缺失值1454条。数据都很大，不可能全部删除。Description产品描述不是项目分析，不用处理。

在实际工作中，像CustomerID客户ID缺失，首先找业务部门或者数据来源部门确认信息并且补上。本项目只有单一数据，无法找到相关人员确认，暂且把NULL值替换为0。

5.1检查日期是否在范围内（2010年12月1日到2011年12月9日）

交易成功，销量不可能为负值或零值。如果销量为零或者负值情况，那么需要和业务/数据来源部门确认具体的原因。这里设出现负值是客户退货情况。

检查发现交易销量小于0的编号大都是"C”开头的，有部分异常销量小于0但不是以"C"开头，这里做删除处理。

检查发现有单价为0的免费单，共计1174。暂且不分析免费单，直接删除免费单的数据。

检查发现两笔坏账，单价都是负值，故把它删除。

根据分析目的，我们处理InvoDate日期数据。这里只做日期分析，不分析小时分钟，故转换为日期格式。

根据分析目的，本次分析将采用RFM模型

在RFM模式中：

R：近一次消费时间（近一次消费到参考时间的间隔）

F：消费的频率(消费了多少次）

M：消费的金额 （总消费金额）

一般的分析型RFM强调以客户的行为来区分客户。

根据近一次消费与客户数的分析结果显示长的天数是373天，短0天；80%的客户在200天内都有交易记录，说明客户忠诚度不错。

分析显示，10次交易记录以内的客户占绝大部分，说明客户是很认可产品和服务。

在2010年12月1日到2011年12月9日期间，交易金额主要集中在 1000英镑以内和1000-3000英镑这两个范围内。

分析发现，该电商平台总交易客户数4372位。交易客户中，一般发展客户（可以说是新客户）多，占总数的34%，其次是一般挽留客户(流失客户)29%，重要发展客户22%，重要价值客户10%，重要挽留客户5%和重要挽回客户0.16%。

每月新客数量及其占比

每月的新老客户的销售数量与销售金额

用户生命周期 = 近一次购买时间 - 次购买时间

商品退货分析

结合ABC分类进行分析，选取退货率大于均值且为A级的商品（主要是综合上文提及的ABC分类和退货率计算，通过创建view的形式进行联结后筛选，创建退货率视图为view_return_rate，ABC分类视图为view_class），这里筛选出64个商品。

电子商务运营数据一般分析哪些

一、浏览、创建订单，支付订单转化；

二、商品浏览，加入购物车，提交购物车，创建订单，支付等五步转化趋势；

三、商品两个时间区间的销量、金额、客单价对比分析；

四、网站首页、频道页对商品浏览、创建订单，支付订单转化；

五、网站首页、频道页对商品浏览，加入购物车，提交购物车，创建订单，支付等五步转化趋势；

六、网站页面广告位对商品浏览、创建订单，支付订单转化；

七、自定义商品组功能，重点对商品活动、商品类目进行统计分析。流量转化数据，来访ip的到访页面，可以通过第三方工具Topbox电商的来源渠道转化数据；搜索引擎免费/付费关键字转化数据；广告转化数据；以及对EDM，SMS进行和分析。访客量（UV）、页面的浏览量（PV）、转化率

同时还有同期相比，和往日相比。

一般就这五个数据。期它的看不看都没有什么。这个说起来就比较多了。比如说用户细分分析，页面浏览情况分析，营销效果的与分析等等。运营需要做的工作都可以用数据来指导，重点是自己能不能够收集到正确的数据以及发掘数据背后的信息。

电商的基础数据主要有____、____、会员数据、____和____。

传统零售的数据主要是进销存数据、顾客数据和消费数据。电商的数据却复杂得多，数据来源渠道也很多样化，需要的基础数据一般有：

1、营销数据：包括营销费用、覆盖用户数、到达用户数、打开或点击用户数，由此衍生出人均费用、营销到达率、打开率等指标。

2、流量数据：包括浏览量（PV）、访客数（UV）、登陆时间、在线时长等数据。

3、会员数据：包括会员姓名、出生日期、真实性别、网络性别（根据购物行为判断所得）、地址、手机号、微博号、微信号等基础数据，以及登陆记录、交易记录等行为数据。

4、交易及服务数据：包括交易金额、交易数量、交易人数、交易商品、交易场所、交易时间、供应链服务等数据。

5、行业数据：做电商，了解行业数据非常必要，提供行业品牌的搜索、店铺排名、销售、会员等数据查询。

传统零售利用二八法则生存，电商靠长尾理论积累销售。

传统零售是小数据，电商是大数据。

传统零售是“物流”，零售过程就是商品的流动；电商是“信息流”，顾客通过搜索、比较、评论、分享产生信息，达到购买的目的。

传统零售注重体验感，电商注重服务和效率。

传统零售是做加法，电商是做乘法。传统零售是通过一家家店扩大影响力，电商通过资金的投入迅速抢占市场。