|
01 用戶角度 1、總活躍用戶數(shù)、新注冊用戶數(shù)、總PV； 2、一定時間的活躍用戶數(shù)、新注冊用戶數(shù)、總PV； 3、一定時間的轉(zhuǎn)換關(guān)系； 4、不同渠道下，注冊轉(zhuǎn)換情況； 5、不同注冊渠道下，注冊用戶的后續(xù)留存率； 6、一定時間有購買行為的用戶的重復(fù)購買的分布情況。 02 訂單角度 1、今日的訂單總數(shù)、銷售額、訂單單價、有訂單用戶數(shù)、補貼比例； 2、過去一周每天的訂單總數(shù)、銷售額、訂單單價、有訂單用戶數(shù)、補貼比例； 3、過去一周每天的訂單平均送達(dá)時間。 03 商品角度 1、按照商品分組，今日每個商品的瀏覽數(shù)、購買用戶數(shù)、訂單數(shù)、銷售額； 2、按照商品分組，過去一周每天每個商品的瀏覽數(shù)、購買用戶數(shù)、訂單數(shù)、銷售額。 04 品類角度 1、按照商品品類分組，今日每個品類的瀏覽數(shù)、購買用戶數(shù)、訂單數(shù)、銷售額、訂單單價； 2、按照商品品類分組，過去一周每天每個品類的瀏覽數(shù)、購買用戶數(shù)、訂單數(shù)、銷售額、訂單單價。 05 店鋪角度 1、按照店鋪分組，今日每個店鋪的瀏覽數(shù)、購買用戶數(shù)、訂單數(shù)、銷售額、訂單單價； 2、按照店鋪分組，過去一周每個店鋪的瀏覽數(shù)、購買用戶數(shù)、訂單數(shù)、銷售額、訂單單價； 06 數(shù)據(jù)分析 在基于以上指標(biāo)進(jìn)行數(shù)據(jù)的統(tǒng)計，我們再進(jìn)行數(shù)據(jù)分析。 首先數(shù)據(jù)分析建模，我們知道電商類產(chǎn)品模型一般以事件（點擊，瀏覽等）用戶屬性進(jìn)行建模，然后我們進(jìn)行正式的數(shù)據(jù)分析，我們需要知道用戶的一系列用戶行為分析，常指用戶畫像。 方法一：多維度數(shù)據(jù)分析 我們需要定義一些事件，如取消訂單，提交訂單，支付訂單，瀏覽商品，加入購物車等等，然后基于這些事件，我們需要一個指標(biāo)，比如說次數(shù)、總和，可是我們知道光有個數(shù)據(jù)羅盤還不夠，我們需要對數(shù)據(jù)進(jìn)行細(xì)分，這里我們做了事件，指標(biāo)。 所以還需要篩選用戶的屬性了，比如說城市、用的設(shè)備、支付方式、來源渠道。 這個方法，我們常用于用戶畫像，用戶行為分析，數(shù)據(jù)異常排查分析等 方法二：轉(zhuǎn)換率數(shù)據(jù)分析 我們進(jìn)行一場活動，需要進(jìn)行評估，活動注冊了多少人，訂單轉(zhuǎn)換率是多少，支付率是多少，這里我們就需要一個分析方法。 從我剛講的基于事件分析，所以我們就可以定義一個事件，篩選時間，先定義事件（注冊），再次定義事件（提交訂單），再次定義事件（支付訂單），我們可以得到一個轉(zhuǎn)換率。 這個方法，我們常用于轉(zhuǎn)換率分析，也稱漏斗分析。 方法三：留存數(shù)據(jù)分析 留存分析正如字面意思留存，我們需要對一段時間的用戶就像數(shù)據(jù)分析，比如說我們搞了一個活動，需要看那段時間的注冊用戶，提交訂單的情況，第一天有多少提交，第二天有多少人提交，第三天有多少人提交等。 數(shù)據(jù)分析一般為：根據(jù)我們的數(shù)據(jù)模型，首先定義一個事件（如注冊用戶），再次定義一個事件（如提交訂單）得到一定事件的比列。 這個方法，我們常用于觀測一定事件的留存情況 方法四：活躍或回訪數(shù)據(jù)分析 當(dāng)我們需要看一段時間里的一個事件的使用次數(shù)，或者某個地方的用戶使用情況，那該怎么辦呢？ 這里就可以用活躍數(shù)據(jù)分析。 我們首先需要定義一個事件（如注冊用戶），再定義一個事件（如提交訂單）的情況（這里一般為次天數(shù)），然后我們篩選用戶的事件為什么，得到一個數(shù)據(jù)。 這個方法，我們常用于調(diào)查用戶使用情況，也是衡量一個用戶活躍的關(guān)鍵數(shù)據(jù)分析指標(biāo)。 最后 說了這么多，這些數(shù)據(jù)都能干嘛呢？ 1、數(shù)據(jù)異常排查，細(xì)分逐一查看； 2、關(guān)鍵頁面的轉(zhuǎn)換率提升； 3、活動的情況評估，渠道數(shù)據(jù)分析評估； 等等，只要你想要的，都能通過數(shù)據(jù)去找出答案。 |
|
|
