《电商运营的业务分析逻辑总结》的学习和个人理解
1 核心指标
分析电商业务，都分析什么呢？
分析的是各种各样的指标，以 统计数量 占比 时长周期 排名 来量化指标。
整个电商都是围绕流量所展开的活动，如何去获取这些流量，进一步如何高效地获取精准的流量。获取了流量后，怎么让他们进行付费，又如何留住流量，不断产生新的流量。
总之，电商运营的核心是用户的吸收、留存与复购，最终体现在GMV上，那么核心的指标就是 ：
- 活跃用户：DAU、MAU、WAU
- 用户留存：次日留存、3日留存、7日留存、30日留存等
- 用户转化：各个环节，细化到不同群体、不同品类的转化率
- 用户复购：复购率、复购金额
- 销售额：GMV(一定时间段内的销售总额)、客单价
2 分析方法
如何分析电商的业务呢？通常有四种分析角度来分析指标：
- 对比：横向、纵向，判断指标的合理性。
- 细分：通过公式拆解指标，定位问题。
把一个指标拆解成多个指标，即某个指标是在其他指标的基础上计算的。 - 转化：一种从业务链条的角度定位问题的分析方法。
如果某个环节的转化率大幅下降，那么这个环节可能有问题，需要调整。 - 分类：RFM模型，聚类算法等，是一种精细化运营的思想.
建立一个维度，按照一定的标准给分析对象分类。
3 分析对象（维度）
电商内容是由人 货 场三部分组成的。
3.1 人：用户 客户 消费者
首先谈谈人
电商中的人主要定义为消费者，消费者的属性与偏好也是现代营销理论中最重要的环节之一。
传统的营销思路是4P营销：产品 ( Product )、价格( Price )、促销( Promotion)、渠道（Place )。是以产品渠道为导向，制定标准化产品。
现在转型为4C营销：客户满意度，成本，便利，沟通。以消费者的需求为导向，制定个性化产品。
那么针对人的分析逻辑有哪些呢？
3.1.1 用户画像
用户画像通过标签体系量化群体特征，达到快速了解分析对象，分层精准运营的目的。
用户画像从业务维度的标签划分举例如下：
| 基本属性 | 社会属性 | 消费习惯 | 价值属性 | 生命周期 | 风险控制 |
|---|---|---|---|---|---|
| 性别 | 社会角色 | 类目偏好 | 活跃度 | 新客期 | 黄牛用户 |
| 年龄 | 职业 | 品牌偏好 | 客单价 | 熟客期 | 积分异常 |
| 地域 | 薪资 | 下单时间 | 积分等级 | 衰退期 | 小号用户 |
| 兴趣 | 下单频率 | 信用等级 | 流失期 | ||
| 退货占比 | |||||
| 促销敏感度 |
用户画像可以帮助使用者快速了解群体这几个维度的分布特征，为拉新、留存、提高转化率、风险控制等运营阶段提供指导。具体到不同的业务问题中，还需要结合实时的销售数据进行分析。
给用户分类，对每类人群进行差异化营销：认知渠道（广告、无品牌倾向搜索<手机设备、浏览器、搜索引擎>）、消费习惯（看广告购买、粉丝互动、店铺浏览、关注/收藏/加购）
3.1.2 RFM模型（分类）
- Recency 最近一次消费时间；
- Frequency 一段时间内消费次数；
- Money 消费金额
通过分类创建用户价值维：用户价值的分层分析（排列组合后可分为8类），精准营销，挽留高价值客户，引入潜在客户。
| R | F | M |
|---|---|---|
| 价值 发展 | 价值 保持 | 重要 |
| 保持 挽留 | 发展 挽留 | 一般 |
最理想的客户是重要价值用户，即最近经常来，每次消费数额都很大的客户。
最不值的客户是一般挽留用户，即很久没来，来的次数也少，每次消费金额很低的客户。
3.2 货：商品
其次谈谈货。
商品分析一般基于进销存的框架，指标涵盖采购环节、供应链环节、销售环节、售后环节。
商品分析的常用指标
- 采购环节：商品种类数量以及各类商品的库存数和铺货率
- 供应链环节：订单、库存比
- 销售环节：货龄、售罄率、价位段占比、正价销售占比、销售额排名
- 售后环节：退货率、特殊服务率、残损率
3.3 场：网页
最后谈谈场，就是网页。
促销页、广告页、商品详情页、下单页、支付页 等等。
4 应用举例
业务链条（转化）–用户行为漏斗
- AARRR用户生命周期理论：人+场
获取app—激活注册—留存—转化—传播 - 电商消费的全链路分析：人+货+场
首页—浏览搜索—查看详情—加购—下单—支付—复购，以及在此基础上衍生的链路结构。
差异化运营
- 从用户的活跃度（人）、商品偏好（货）、用户购买决策的不同阶段（场）进行差异化运营
《电商数仓》
ADS 数据应用层
用户行为数据仓库 人
- 活跃用户的各项指标
- 每日活跃设备明细 – 每日活跃设备数 DAU
- 每周活跃设备明细 – 每周活跃设备数 WAU
- 每月活跃设备明细 – 每月活跃设备数 MAU
- 每日新增设备明细 – 每日新增设备数（当日DAU join 次日DAU）
DAU2 left join DAU1 on day2 = date_add(day1,1) where DAU1.uid is null
- 用户留存的各项指标
- 留存用户数（count(每日活跃设备明细-每日新增设备明细)）
- 留存用户比率（次日留存用户数/当日DAU）
- 新增用户比率（每日新增设备数/DAU）
业务数据仓库 人货场
- 用户转化的各项指标 这次仅举例计算下单率和支付率
支付流水、订单 – 用户行为宽表（各个维度<环节>的用户总数）
- 用户行为漏斗分析（用户行为宽表/DAU）
- 用户复购的各项指标
订单详情、商品–用户购买商品明细
- 商品复购率（用户购买商品明细：统计用户维和商品维–>用户复购商品N次以上的情况有几种/用户购买商品的情况有几种）
- 销售额的各项指标
- GMV一段时间内的成交总额（用户行为宽表中 以时间为粒度 计算 订单和支付的总数和总金额）