電子商務運營數據分析漫談

（廣州市財經商貿職業學校 廣東 廣州 510145）

電子商務企業運營數據是決定運營策略的重要指標，是調整策略的重要根據，數據分析以及如何進行數據分析，并對結果進行總結，是數據分析人員需要理解并掌握的。

一、電子商務數據分析的概念

數據分析是指用適當的統計分析方法對收集來的大量數據進行分析，將它們加以匯總和理解并消化，以求最大化地開發數據的功能，發揮數據的作用。數據分析是為了提取有用信息和形成結論而對數據加以詳細研究和概括總結的過程。電子商務數據分析是商家針對發生在網站或平臺上用戶來訪或購買的記錄，包括地理位置分布、來訪時間、點擊記錄、購買時間、購買商品、購買數量、支付金額等信息，基于運營數據對他們的交易行為進行分析，再制定并執行有針對性的運營策略。

二、電子商務數據分析的重要性與模型

與傳統零售業對比，電子商務獲得數據的方式便捷且全面，可以通過數據化來監控并發現問題，在營銷管理、客戶管理等環節，利用數據分析判斷企業內部、營銷手段、客戶體驗的不足、了解客戶的內在需求等，基于數據分析，總結發展趨勢，為網絡營銷決策提供支持。電子商務行業大數據分析主要是采用以下算法以及模型。

（一）RFM模型

通過分析有購買記錄客戶的購買行為來判斷客戶的價值和創立能力，在（Recency）用戶購買時間、（Frequency）消費頻率、（Monetary）消費金額三個方面進行客戶區分，從而制定針對不同的會員的營銷活動。

（二）Apriori算法

Apriori算法是一個關聯規則挖掘算法。在電子商務中，關聯營銷是較為重要的營銷手段。要做好關聯營銷，就要知道不同商品之間的關聯關系，如衣服和褲子的搭配穿法、客戶的購買經歷等，通過Apriori算法，可以分析哪兩種商品是有關聯性的，從而確定商品的陳列等因素，進而組套銷售。

（三）Spss分析

Spss是“統計產品與服務解決方案”軟件，用于分析運算、數據挖掘、預測分析和決策支持任務。要制定針對客戶的營銷活動，前提是面向營銷活動中客戶、商品等的精細化分析，如對數據庫當中的客戶購買過的商品進行分析，如哪些客戶同時購買過這些商品，篩選出應當優先考慮的促銷名單，對存在重構行為的買家的基本特征進行定位，隨后進一步改善營銷活動的效果。

（四）網站分析

網站分析是針對發生在一段時間內的網站客戶訪問及購買情況。如通過對訪問量、頁面停留、支付金額、轉化率、客單價等數據，分析對經營策略的效果，深入分析存在復購行為的客戶基本特征。做電子商務運營，不能迷茫、不知所措，不能盲目地做，結合數據分析制定有針對性的策略，無論是在優化銷售效果或后期引流操作上出現任何的問題，都可以及時地進行優化。

三、電子商務數據采集指標

電子商務歸根到底是一種商業活動，企業最終還是以盈利來判斷運營的效果。影響企業電子商務活動的重要指標主要有流量、轉化率、客單價、用戶、訂單等。

（一）流量

通常說的網站流量（traffic）是指網站的訪問量，用來描述訪問一個網站的用戶數量以及用戶所瀏覽的網頁數量等指標流量分析，可以從中發現用戶訪問網站的規律，并根據這些規律改進網站設計或營銷策略。分析流量可以從流量數量和流量質量兩個方面進行。流量數量包括UV（獨立訪客數）、PV（訪問量），流量質量包括平均訪問深度，平均停留時間及跳出率。

（二）轉化率

轉化率就是所有到達企業網站并產生購買行為的人數和所有到達你的店鋪的人數的比率。轉化率分析能夠幫助企業監測用戶購買路徑的轉化情況，計算出不同的轉化率和流失率數據，繼而進行產品或頁面的優化。一般轉化率包括靜默轉化率、咨詢轉化率、加購轉化率與支付轉化率。

（三）客單價

客單價是指進入企業網站的每一個顧客平均購買商品的金額。即統計時間內，支付金額、支付買家數，即平均每個支付買家的支付金額。分析客單價能夠了解幫助企業明確用戶定位，以及盈利期望是否合理，繼而優化定價策略，有助于促銷活動的開展。

（四）用戶

分析用戶從類別上來講可以簡單分為新用戶與老用戶；從用戶質量來分可以分為活躍用戶與沉睡用戶、會員用戶等。在用戶分析的時候，要進行復購率的分析，衡量用戶忠誠度，復購率高低影響著企業后續的策略走向。如果復購率不高，說明對新客戶的依賴不大；復購率高，則應將運營重心放在提高客戶忠誠度上。

（五）訂單

訂單分析不單單指要分析支付訂單量，除了引流轉化成功的，企業還需要分析總訂單量、取消訂單量、投訴訂單量，全面分析轉化成功與失敗的原因。

四、電子商務數據采集與分析的一般流程

（一）背景及目的

確定進行數據分析的目的，提供現有的數據與運營背景，依靠數據分析的結果更好地改進營銷策略。如企業想要提高某個時段的客戶的轉化率，就要提供客戶行為數據，分析哪個時間段買家支付數最多，該時段是否轉化率最高，可以采用什么樣的策略進行優化。

（二）數據讀取及處理

根據提供的客戶行為數據分析表，進行支付買家數和支付轉化率分析，利用excel表的圖表將數據圖表化。

表1 客戶行為數據表

圖2 支付買家數和支付轉化率分析圖

圖3 下單支付轉化率和支付轉化率分析圖

（三）分析總結

數據分析對數據集的關鍵指標進行趨勢觀察，暴露出問題的所在或可以改進優化的地方，最終要數據分析的結果進行總結。從以上圖二支付買家數和支付轉化率分析圖可以看出：該企業2019年2月8日－3月8日的支付買家數和支付轉化率整體波動較大，其中支付買家數的最大最小值分別是78、20，差額較大；支付轉化率的最大最小值分別是4.97%、1.20%，差額較大。從每天具體的數據來看，支付買家數較高的日期是2月16日－18日、2月28日－3月1日、3月5日；支付轉化率較高的時間段分別是2月10日、2月16日、2月28日－3月1日、3月5日。

結論：可見在支付買家數較多的時間中，支付轉化率也較高，但是在2月16-2月18日，支付買家數最高的時間段中，支付轉化率不是最高，因此，企業應該分析并制定策略在支付買家最多的時間段，提高支付轉化率。

從圖3下單支付轉化率和支付轉化率分析圖可以看出：該企業2019年2月8日－3月8日的支付轉化率和下單支付轉化率整體波動較大，其中支付轉化率的最大最小值分別是4.97%、1.20%；下單支付轉化率的最大最小值分別是100%、87.23%差額較大。從每天具體的數據來看，支付轉化率較高的時間段分別是2月10日、2月16日、2月28日－3月1日、3月5日；下單轉化率較高的時間段分別是2月13日、2月19日、2月23日。

結論：在下單支付轉化率高的時間段，企業要分析并改進當下的運營策略，思考如何進一步整體提高支付轉化率；另一方面，日下單支付轉化率不能達到100%，企業也要思考如何提高下單支付轉化率，進而提升企業整體銷量。

結束語：

綜上所述，我們要充分了解電子商務數據分析對于企業的重要性，企業要以數據為基礎，為根本進行數據運營，制定分析目標進行數據分析，并隨時通過數據分析，反推或代入到產品運營、活動運營、用戶運營等運營中，不斷提升銷售質效的精確性、指導運營決策、制定驅動業務增長的運營方式。