电商平台数据分析

时间：2023-03-15 20:26:01 | 来源：电子商务

时间：2023-03-15 20:26:01 来源：电子商务

数据分析的作用是通过发现数据所展现出的规律，指导业务的发展。对于电商平台，寻找赢利点、业务突破点，风险管控是电商数据分析存在的意义。

在2c的电商业务中，平台利润率较低低，所以需要保证一定利润率的同时，获取更多流量，简单来说，当下更重要的问题是如何让用户参与进来并能保持长期互动。和过去开店选址一样，哪里的人流量大，潜在的需求量就会较高。

一、运营和指标：

对一般的应用，客流量（注册/激活）大了以后，进店的人（活跃）会有多少，觉得平台产品不错的人（留存）有多少，愿意办会员卡的人（付费）有多少，愿意给亲朋好友介绍的客户（传播）有多少，这五个数字就代表了应用生命周期的五个核心，也就是常用的AARRR模型。

对于电商平台，以上五个数据指标依旧非常重要，此处进一步拆分为：

1. 激活：激活或者说注册，是平台用户增长的基础；
2. 活跃：活跃是指一段时间内的访问用户数量，一般情况下又进一步分为DAU（日活跃），WAU（周活跃），MAU（月活跃）三种。活跃度越高，能带来的潜在收益就越高。同时又可以通过DAU/MAU的比值来评价平台用户的粘性，也就是平台对用户的价值；
3. 转化：对电商的各种场景，每一处都存在转化，比如某个banner位对于商品点击、浏览、购买的每一步的影响转化，都是要考察的指标；
4. 留存：留存指标常用的有次日留存，三日留存，七日留存以及月留存。通过留存率和平台用户的增长的速度可以大致判断未来平台的规模增速；
5. 复购：复购的指标一般有复购比例，复购数量和复购金额比例，通过复购也可以判断平台对用户的价值点，是判断增长点的重要指标；
6. GMV：一定时间内的交易额是电商平台非常重要的指标，对大多数平台的运营来说，这个指标使我们最终目的，GMV = UV * 转化率 * 客单价，提升GMV就要从各个细分目标下手。
7. 裂变：裂变又可称作自增长，是目前电商比较火的概念，电商平台加入了人的感性因素，口口相传的信任在一定程度上促进平台的激活数量。

电商平台的运营主要分两大块：商品运营和用户运营，这两者是我们达到数据指标的手段，也是整个产品运营的核心。

总体来说，电商平台要依靠商品运营和用户运营来达到我们用数据搭建的目标，同时通过数据反馈来调整平台建设，调节整个产品运营的规划。

二、盈利/亏损点分析

无论是盈利还是亏损，在经济学里，都是意外的发生。每当发生意外，我们就重新调整资源的未来估值，而资源的使用成本，就要按照这个新的估值重新计算。重新估值不难，难的是找出盈利或者亏损的原因，因为现实中各种各样的资源都是捆绑在一起使用的。

1、异常点分析

如上图所示，某平台四个月以来的复购率情况，8月份的复购率很高，9月份的复购率很低（当时12月未结束）。接下来根据普通用户和会员用户属性拆分一下：

可以判断出平台九月份的低复购很可能是平台的某种缺陷导致：商品不受欢迎，或者用户体验出了问题。接着把平台的每月各个重要指标列出（已脱敏处理）：

可以看到订单量，购买人数，MAU，注册量都在提升，销售额也是上升状况，但有一个例外：退款金额比例。其他月份都在3%左右，而9月份的只有1.4%。结合业务来看：由于是新的平台，业务逻辑功能未能全面实现，在9月份之前还没有线上售后功能，也就是说：对商品不满意的顾客对于退换货的需求不能满足，导致用户流失。而8月的顾客多数是从平台其他app引流过来的忠诚度较高的群体，因此8月的高留存也可以解释。

影响业务的潜在因素有很多，当所有数据都列出来的时候借助分析工具很快就可以找到问题点，真正困难的是如何把这些潜在的因素找到，并得到相应准确的数据支持。当然，分析工具也有很多，不管是excel，tableau，python还是机器学习模型，此处就是利用的重点。

2、突破点分析

电商平台的商品品类很多，常用的大致可以分为：引流产品，高利润产品，潜力股产品。

引流产品的利润低，但是购买量大。如纸巾湿巾等商品，属于实用，保质期长的产品，此类产品市场需求量大。但是此类产品所产生的流量，一定要利用好，比如产品商详页的其他产品推送，购买完成页的爆款推送等。

高利润产品是GMV主要贡献的部分，也是应该重点培养的产品，比如平台自营类和自主产权类产品，引流之后要多增加此类商品的曝光量。

潜力股产品是指平台未突出推送、非特卖，但用户反映较好，走量可观的产品。此类商品需要在数据分析中仔细观察，他们转化往往较好。

以某平台某次活动为例：

商品方面（已脱敏处理）：

食品生鲜、美妆个护、居家百货、母婴用品四个类目的spu占了全部商品的很大比重，其中食品生鲜和居家百货的GMV贡献达到了26.55%和15.01%，比较可观，而美妆个护和母婴用品则只贡献了8%的GMV，而且动销占比也比较低。

而根据特卖商品的排布（此处详细商品不方便放出来），这四类商品的特卖spu数量相当。所以大概能得出食品和居家类目商品并没有吸引到平台用户，此类商品应考虑更新或者缩减招商。

黑马品类则是女装，以不到4%的spu数量赢得了23.6%的GMV，而且动销5件以上的商品也较多，对于之后的主打商品有一定的启发作用。

优惠券方面（已脱敏处理）：

从使用数量来看，新用户福利券（面额为5的）最多；49-12和99-25券的小面额通用券使用多于大面额；可大致判断小面额通用券可用于以后的大促活动的引流通道。

从ROI（销售额/优惠成本）的数字来看，ROI在6以上的券，使用率不到5%；门槛在30~100之间的优惠券，大多数使用率良好，且带来了大部分成交额，这部分券的额ROI普遍在3~6之间。对于之后的活动，可根据不同的目的场景来设定不同的ROI优惠券进行推进。

除此之外，还有许多细节来研究平台经营情况，此处不再一一列举。

三、数据分析优化产品

数据分析不仅要对商品和用户进行分析，对产品的分析同样重要。

通常情况下用户的购买行为有多种路径：

1. 首页——商品列表——商详——订单；
2. 首页——搜索——商品列表——商详——订单；
3. 首页——banner——活动页——商详——订单；
4. 首页——活动商品——商详——订单。

以上只是列出几种购买行为路径，在此每一步都对应有转化率的问题，尤其是列出的后两个，我们的产品UI情况和操作复杂度都会影响到每一步的转化效率，在每一步都做到较高的转化率才能得到最终的高GMV。

针对每一步，要确定一个心理位的转化率，然后再改进优化产品时可以通过A/B-test来确认方案的可行性。（A/B-test可参考我的其他文章）