为什么有的报表好用，有的报表不好用，有的企业会做一堆乱七八糟的报表，最近经常会思考这些问题。

有人说数据分析，为了开源节流，这个没有错，今天我从另外一个角度解读。数据分析，是为了应对风险(说明：风险与机会是一起的。PMI中将其共同列为风险管理，本文所有风险与机会同义)，开源节流的每一次操作每一个节点，也是风险。

企业经营，风里来雨里去，免不了碰到大大小小的机会和风险，抓住机会躲避风险是每个企业以及个人的毕生追求。

PMI中将风险归为以下几类：

已知的已知风险

未知的已知风险

未知的未知风险。

本文将数据分析，也归纳为三层需求

第一层需求：应对已知的已知风险

可以将这一层需求看作为被动使用的数据，拿零售行业的场景举例：

采购员要进行采购，没有数据作为参考，只能进行盲目采购，那商店的缺断货、商品积压的风险一定出现。所以采购员需要通过数据查看各类商品的销售情况、库存情况、可售天数情况进行判断，以此决定采购需求，避免错误的商品采购所导致的商品缺断货、高库存等风险。此为通过数据来应对已知的已知风险。

对于企业之中，这类的应用特别多，多到部分企业会忽略这是一种数据分析的应用。企业中常用的业务系统比如erp等软件系统，也会自带一些简单的数据查看类报表，其作用也是很大程度上来应对这一类风险。

但是，从另一个角度去看，这类风险的应对也有很大的优化空间：

风险应对的效率：提升风险应对的效率，是提升应用标准化的一个体现，当一个应用难以使用时，容易造成人员惰性，取巧而放弃使用，从而提高了风险发生的概率。

复杂的已知的已知风险的应对：绝大部分企业并没有将数据覆盖所有的已知风险，举例：新品的引进，新品的引进为商店带来新的盈利点，但是错误的引进甚至会带来负面效应。大部分企业的新品引进并没有一个很好的方案来应对：通过数据进行品类关联并对比，可以看出本店铺对于市场上销量靠前的商品的缺货情况，本店已有商品的市场占有情况，从而可以优化新品引进的策略。这一类的应用还有很大的空间，这也就是为什么很多企业乐于同行之间的交流，希望彼此可以互通有无，发现类似数据场景的应用。

第二层需求：应对未知的已知风险

这一类数据一般为主动使用的数据，更多的是周期性使用的数据，常见的比如领导们常看的日报表、周报表等。

企业的风险发生的概率是分布在每一天的，但是它每一天都可能发生也可能不发生，例如部分员工的消极怠工、部分商品的质量异常、个别门店突然面临的对手竞争等。这一类风险当然是希望在发生的最短时间内就可以发现并且应对。所以企业中产生了大量的这一类型的报表需求。

这类报表也很常见，但是他们价值的体现不如第一层需求类来的直接，这一类报表经常被浏览，但大部分情况是没有发现风险的，所以有时会产生一种这类报表没什么用的感觉。

在我们所遇到的项目中，这类需求报表占比是很多的，也是争议最大的。领导层所需要看的日/周/月报类报表相对还好，毕竟是每天都会有人看，并且作为企业数据监督和追踪的一种形式。

此外，还会有很多分析类的报表也属于这一层级，比如商品的价格带分析：找到某类商品的价格点，对比销售高点或销量高点，从而发现可能的商品价格分布的不合理或者货架摆放位置的不合理(价格点商品附近陈列丰富的商品可以给顾客带来商品丰富的感觉)。进一步调整商品价格分布以应对商品陈列或者价格分布的风险(机会)。

这类报表的应用难度比较大，因为经验或者知识储备的不同，对风险的认知和识别能力不同。同样以上面的价格带分析报表为例，其目的为应对陈列、商品价格分布、商品引进/采购、目标活动人群选择的风险。但是使用报表的业务人员没有形成对这些风险(机会)的认知，就造成了缺乏对该报表的数据解读能力，该报表便成为了一个花瓶报表，价值无法得到体现。

针对这一类报表，我的建议是场景化，让每一张报表背后都有它的风险机会描述，当自我不能解读的报表，也就不要指望业务可以解读并使用，并不是将一堆的指标都进行展示就能产生价值，它于落地的应用还相隔甚远。

第三层需求：应对未知的未知风险

这类需求近些年来大量出现，大数据概念被大多数人所重视也很大程度上是因为这一类需求。

风险的不可预测性使得大量人群希望通过技术的手段来帮助识别和发现风险。比如很多人希望通过聚类这类算法的应用，来形成用户画像，发现自己之前无法发现的特性，或者通过对商品关联的挖掘，发现未知的商品关联关系，从而调整商品布局以发现巨大的商机，比如“啤酒与尿布”(不知真伪)。

但是这类需求实现难度巨大，目前还属于少数互联网公司的专利，对于大多数企业尤其是传统企业而言，其实现成本是难以接受的，个别数据乙方可能会以此为诱饵进行宣讲，但就我所了解到的还难以形成很好的应用。

但是第三层需要要怎样处理？无论是机器还是算法很多都是对人对模拟，只是拥有更快的速度而已，所以相信通过人的作用可以弥补这一类需求。

同样以商品模块举例：除了我已知的商品价格、布局风险外，通过对商品价格分布那张报表的分析，发现在非价格点的价位(比如是10元)销量比正常值都高，正常情况10元价格商品的销量是价格点商品销量的1/5，但是报表显示这一期间的比例高达了1/3，通过进一步分析，发现是由于某一天活动对该商品进行打折促销，从而该商品销量上升，再进一步分析该商品的销量上升并没有给企业带来业绩的上升，该商品的周边商品销量基本没有变化，也就是该商品的连带率是很低的，同时该商品库存并非临保商品。通过调查发现是店长和供应商的私下协议而采取的促销行为。

以上只是举例，通过人的思考可以发现很多的未知的未知风险。这也就是近些年来bi产品的出现的原因，bi产品希望能够给业务人员一个灵活的数据应用环境，让他们的思考得到延伸和数据上的支持，从而应对未知的未知风险。

当然，理想情况如此，很多企业并没有将bi产品应用成为以上的价值。原因很多，主要的是包括业务人员没有分析意识、没有一个很好的分析入口(不做进一步解读)。

综上：

我将对数据分析的需求分为三层，每一层的使用难度也都有不同，越向后越容易产生“这个报表没什么用”的感觉。现实中，也有很大程度上确实是这个报表没法用，因为很多it人员也并没有理解我做好的报表是为了解决什么样的问题，只知道这个指标有用，我就展示给你看。所以这样的报表可能真的很难用。

我觉得，让数据发挥它的价值，可以尝试将数据与风险相关联，对风险进行数据化的解读，从而来让报表更加落地，更加可用。

ps：一切的文章都是我当时的想法，不能作为知识来解读，大家尽做参考，欢迎交流。

End.

什么是数据分析

数据分析是指用适当的统计分析方法对收集来的大量数据进行分析，提取有用信息和形成结论而对数据加以详细研究和概括总结的过程。这一过程也是管理体系的支持过程。在实用中，数据分析可帮助人们作出判断，以便采取适当行动。

数据分析你做全了吗？

采集

提取

分析（研究、概括、总结）

结论

判断

行动

支持

采集——ERP？！

提取——数据加工（目的、设计、制表、展现）

分析——研究、概括、总结

结论——问题、问题点

判断——是否重点、怎么解决

行动——谁做、做什么、怎么做

商品数据分析的目的

支持

支持什么？

销售？成本？利润？品牌形象？

企划分析（组盘、采买……）

订货分析/采购分析

调整分析（调拨、组合、动作）

商品决策分析（补、折、上、下、甩……）

运营分析（门店、运营、线上、竞品……）

盈利分析（盈亏）

市场分析（现有市场、潜在市场、VIP……）

商品分析框架步骤（3，4，5为初级，6，7，8为高级）

1.分析目的

2.设计表格/制式表格

3.数据采集

4.数据加工

5.制表

6.数据分析

7.分析结论略高

9.操作方案

8.综合判断

10.效果跟踪

2017年双十一过去已经一周之余，不知道大家是不是都已经收到了自己的战利品~今天就为大家分析揭秘双十一的巨额数据背后的秘密，顺便也可感受一下国人对于购物的热情。

首先说一个众所周知的数据：2017年双十一天猫成交额1682亿。

所以今天，从三个角度带你一起去探索1682亿背后的秘密：

1、全网热度分析：双十一活动在全网的热度变化趋势、关注来源、媒体来源以及关联词分析。

2、各平台对比分析：针对“天猫”“京东”“苏宁”等一些电商平台的销售额以及粉丝画像进行对比分析。

3、天猫销售额分析：通过天猫的一些具体销售额进行分析，了解各品类、各地区分布情况以及历年销售额的变化、并对2018年销售总额进行大胆预测。

一、全网热度分析

（1）“双十一”热度

在双十一前后的72小时之内关于“双十一”的讨论热度高达80.21，话题感满满啊，大家都要成为爱吐槽的段子手了。

（2）微博传播趋势

通过微指数对“双十一”的趋势分析，可以看出，前期热度呈波动趋势，但双十一当天迅速飙升至2520K左右，大家对于“剁手”这件事是真的很关注，购买力就更不用多说了吧~

（3）关注来源

从近一个月的PC&移动端趋势走向可以看出全网的关注度来源，移动端大概是PC端的4倍，更是占到总体趋势的80%以上，这说明大部分关注用户是用手机等其他移动设备进行搜索，最高热度值达到2038K。

（4）媒体来源

在双十一中，媒体来源的信息量TOP3依次为微博、网站和论坛。

（5）关联词

通过对双十一的相关信息进行分析，与核心词关联度最高的词语依次是“包装”、“纸箱”、“电商”。话说，你的快递都收到了么？

（6）头条关键词热度趋势

根据头条指数的热词分析，“马云爸爸”果然不出意料的获得了第一名，在双十一期间他也有借用自己的电影《功守道》来提高自己的曝光率，指数值高达240万以上~

（7）百度指数热度趋势

通过百度指数近7天的热词趋势，我们可以看出，在本次“双11”开始前，大家对于各电商平台的讨论热度居高不下，呈直线飙升趋势，在“双11”当天达到最高值。其中“淘宝”、“京东”、“唯品会”等电商平台一度成为大众关注的焦点。

（8）微信指数热度趋势

如图所示，微信指数近7日热度最高的是“双十一”，其次是“快递”，“淘宝”位居第三。看来，痛快的买买买之后，大家还是比较关心什么时候可以收到剁手的产物啊，有快递在路上的日子，一切都有了盼头~

二、各平台对比分析

（1）各平台总销售额对比

以上是某数据对20家B2C电商平台的监测结果，在双十一销售额方面，天猫销售额稳居全网第一，占比66.23%，京东占比21.41%，苏宁易购占比4.34%，亚马逊占比1.95%，唯品会占比3.43%，其他电商平台占比2.64%。

如此显赫的数据，直接体现了“双11”线上人群强大的购买力，同时也代表着中国新零售能量的爆发。嘿！咱们又为建设美好的社会主义国家贡献了自己的一份力！

（2）各平台海外购销售额占比

根据上图，能够很清晰地看出2017年双11各平台海外购销售额占比情况，亚马逊为7.3%稳居第一，天猫为5.4%，京东为4.9%，苏宁为0.6%，唯品会为3.7%。

原来11.11这个节日已经不单单只是亿万国人的狂欢，还有越来越多的海外多个国家的加入，一个个数据体现的是一种新经济和新消费模式。

（3）粉丝画像对比

针对淘宝和京东两家粉丝进行了对比，可以看出淘宝的女性粉丝是远多于男性的，京东的男女比例分布比较平均，这与京东最初主打数码家电行业有密不可分的关系。

而两家粉丝的年龄分布相差不多，都集中在年轻人这里，看来50岁以上的人群还是待开发的用户群啊~

根据微舆情的情绪地图可以看出在双十一之后用户通过微博展现出来的情绪，最显著的就是：喜悦。其中最“喜悦”的是广东地区用户，大概是因为他们的快递正在路上，抑制不住内心的兴奋吧，哈哈~

三、天猫销售额分析

（1）天猫历年“双11”销售额

2009年之前，天猫还叫淘宝商城，“双11”销售额是5200万，27个品牌参与了活动;

2010年，“双11”的成交额以惊人的速度增长，总成交额9.36亿；

2011年，“双11”总成交额达到了33.6亿。“双11”这个在大家的概念里原本只是光棍节的日子彻底火了；

2012年，淘宝商城正式更名为天猫，“双11”线上总成交额达到191亿，“双11”热潮从线上覆盖到线下，成为一个全民总动员的节日；

2013年，天猫“双11”交易总额达到362亿元，交易额大幅提升；

2014年，双11趋势呈现全球化，全天交易额达571亿元；

2015年，双11的最终交易额达到912.17亿元，覆盖了232个国家和地区；

2016年，天猫双11全球狂欢节全天总交易额达到1207亿元；

2017年，“双11”天猫交易额总计达1682亿，各项数据仍然不断刷新前几年的记录。

（2）2017年&2016年天猫“双11”成交额

盘点今年双11交易额重要数据，从11日0时开始销售额一直不断上升至11月12日0时，天猫“双11”指挥中心大屏幕上的数据最终停留在1682亿元。看了上图终于知道为什么购物车里的商品分分钟就不见了！！这是在跟几亿人作斗争啊！

（3）2017天猫“双11”各地区销售额

在这场全民剁手热潮中，广东人民消费力杠杠滴，位居全国第一，浙江、江苏人民也贡献了不俗的“战绩”！北、上的人民怎么甘愿落后呢，这销量也是紧随其后啊！据统计，2017年“双11”共产生包裹13.8亿个，快递小哥正在努力将你的包裹送到手中哟。

（4）天猫全网成交额产品类别排名

2017年“双11”所有成交产品中，产品品类排名前几分别是：大家电销售额占比15.2%，手机销售额占比8.7%，个人护理品占比5.6%，母婴用品占比3.6%，生活电器占比2.8%，彩妆占比2.5%。

其中销售量Top1的大家电排名如下：在大家电品牌中，海尔销量稳居第一，美的、夏普其次，之后依次是：西门子、格力、海信、小米、TCL、小天鹅、奥克斯。

2018年预测

最后让我们根据以往的数据大胆预测一下，2018年天猫“双11”全球购物狂欢节的成交总额：2146亿元！让我们记住这个数字，看看国人的购买力会不会超过机器预估能力~

数据来源：网络整理

涉及工具：BDP个人版、微舆情、微指数、wordart

道家强调四个字，叫“道、法、术、器”。

层次区别：

“器”是指物品或工具，在数据分析领域指的就是数据分析的产品或工具，“工欲善其事，必先利其器”；

“术”是指操作技术，是技能的高低、效率的高下，如对分析工具使用的技术（比如用Excel进行数据分析的水平）；

“法”是指选择的方法，有句话说“选择比努力重要”；

“道”是指方向，是指导思想，是战略。

在数据分析和产品、运营优化方面，数据分析方法是其核心，属于“法”和“术”的层次。

那么如何做好数据分析呢，今天我们来讲讲互联网运营中的十大数据分析方法。

01 细分分析

细分分析是分析的基础，单一维度下的指标数据的信息价值很低。

细分方法可以分为两类， 一类逐步分析， 比如：来北京市的访客可分为朝阳，海淀等区； 另一类是维度交叉， 如：来自付费SEM的新访客。

细分用于解决所有问题。

比如漏斗转化，实际上就是把转化过程按照步骤进行细分，流量渠道的分析和评估也需要大量用到细分的方法。

02 对比分析

对比分析主要是指将两个相互联系的指标数据进行比较，从数量上展示和说明研究对象的规模大小，水平高低，速度快慢等相对数值， 通过相同维度下的指标对比，可以发现，找出业务在不同阶段的问题。

常见的对比方法包括： 时间对比，空间对比，标准对比。

时间对比有三种： 同比，环比，定基比。

例如： 本周和上周进行对比就是环比；本月第一周和上月第一周对比就是同比；所有数据同今年的第一周对比则为定基比。通过三种方式，可以分析业务增长水平，速度等信息。

03 漏斗分析

转化漏斗分析是业务分析的基本模型， 最常见的是把最终的转化设置为某种目的的实现，最典型的就是完成交易。但也可以是其他任何目的的实现，比如一次使用app的时间超过10分钟。

漏斗帮助我们解决两方面的问题：

在一个过程中是否发生泄漏，如果有泄漏，我们能在漏斗中看到，并且能够通过进一步的分析堵住这个泄漏点。

在一个过程中是否出现了其他不应该出现的过程，造成转化主进程收到损害。

04 同期群分析

同期群（cohort）分析在数据运营领域十分重要，互联网运营特别需要仔细洞察留存情况。 通过对性质完全一样的可对比群体的留存情况的比较，来分析哪些因素影响用户的留存。

同期群分析深受欢迎的重要原因是十分简单，但却十分直观。 同期群只用简单的一个图表，直接描述了用户在一段时间周期（甚至是整个LTV）的留存或流失变化情况。

以前留存分析只要用户有回访即定义为留存，这会导致留存指标虚高。

05 聚类分析

聚类分析具有简单，直观的特征， 网站分析中的聚类主要分为：用户，页面或内容，来源。

用户聚类主要体现为用户分群，用户标签法；页面聚类则主要是相似，相关页面分组法；来源聚类主要包括渠道，关键词等。

例如： 在页面分析中，经常存在带？参数的页面。 比如： 资讯详情页面，商品页面等，都属于同一类页面。简单的分析容易造成跳出率，退出率等指标不准确的问题，通过聚类分析可以获取同类页面的准确数据用于分析场景。

06 AB测试

增长黑客的一个主要思想之一，是不要做一个大而全的东西，而是不断做出能够快速验证的小而精的东西。 快速验证，那如何验证呢？主要方法就是AB测试。

比如： 你发现漏斗转化中中间有漏洞，假设一定是商品价格问题导致了流失，你看到了问题-漏斗，也想出了主意-改变定价。但主意是否正确，要看真实的用户反应，于是采用AB测试，一部分用户还是看到老价格，一部分用户看到新价格，若你的主意真的管用，新价格就应该有更好的转化，若真如此，新价格就应该确定下来，如此反复优化。

07 埋点分析

只有采集了足够的基础数据，才能通过各种分析方法得到需要的分析结果。

通过分析用户行为，并细分为：浏览行为，轻度交互，重度交互，交易行为，对于浏览行为和轻度交互行为的点击按钮等事件，因其使用频繁，数据简单，采用无埋点技术实现自助埋点，即可以提高数据分析的实效性，需要的数据可立即提取，又大量减少技术人员的工作量，需要采集更丰富信息的行为。

如： 重度交互（注册，邀请好友等）和交易事件（加购物车，下订单等）则通过SDK批量埋点的方式来实施。

08 来源分析

流量红利消失，我们对获客来源的重视度极高，如何有效的标注用户来源，至关重要。

传统分析工具，渠道分析仅有单一维度，要深入分析不同渠道不同阶段效果，SEM付费搜索等来源渠道和用户所在地区进行交叉分析，得出不同区域的获客详细信息，维度越细，分析结果也越有价值。

09 用户分析

用户分析是互联网运营的核心， 常用的分析方法包括：活跃分析，留存分析，用户分群，用户画像，用户细查等。

可将用户活跃细分为浏览活跃，互动活跃，交易活跃等，通过活跃行为的细分，掌握关键行为指标；通过用户行为事件序列，用户属性进行分群，观察分群用户的访问，浏览，注册，互动，交易等行为，从而真正把握不同用户类型的特点，提供有针对性的产品和服务。

用户画像基于自动标签系统将用户完整的画像描绘清晰，更有力的支撑运营决策。

10 表单分析

填写表单是每个平台与用户交互的必备环节，优秀的表单设计，对转化率的提升起到重要作用。

用户从进入表单页面之时起，就产生了微漏斗，从进入总人数到最终完成并成功提交表单人数，这个过程之中，有多少人开始填写表单，填写表单时，遇到了什么困难导致无法完成表单，都影响最终的转化效果。

以上是常见的数据分析方法，更多应用方法需要根据业务场景灵活应用。

老帮主：超市帮副总经理、联合创始人

普遍现状：生鲜部主要目的是吸引客流，为了达到这个目的，大多数企业都会拿蔬菜、水果、猪肉作为敲门砖去敲顾客这道门，于是乎大量的蔬菜、水果低价促销，大量的猪肉负毛利促销，目的只是为了吸引顾客。

所以得出的结果的，大多数的生鲜是经而不营，生意热热火火，毛利一塌糊涂。当领导的一到毛利核算时就愁眉苦脸、大发雷霆，但销售还得做吧，客流还得去吸引吧，于是毛利还得去牺牲吧。我想这是所有做过生鲜的或者管理过标准超市的管理人的共同心病。就拿猪肉来说，似乎还未看到多少家超市在猪肉经营上有利可图的（当然也有赚上钱的，但大部分是做联营，真正自营赚钱的就确实是高手所为了）

观点:

我们是不是该对生鲜部门各大组的经营作出重新定位呢。

蔬菜组：吸客、聚客、赚毛利、做销售；

肉品组：保毛利、保销售；

水产组：吸客、做毛利；

熟食组：吸客、聚客、赚毛利、做销售；

日配组：吸客、聚客、赚毛利、做销售。

为什么我会作出如上的定位？

通过数据总结、分析及收银台的“站岗”，得出：猪肉并不能真正的带来客流，带来的只是大量的负毛利，为了弥补猪肉造成的负毛利，我们需要负出更多的努力，甚至不一定能使得整个肉品组保持正利润。而且猪肉的负毛利并不见得就能对整个大组、整个全店的销售及来客提升有多大的帮助（这个观点在后面的数据表中会有数据支持）

下面我根据各个大组谈一些具体思路：

前提是超市的商品定位为中高档

一.蔬果组

首先我们看蔬菜，大家都知道蔬菜是民生必需品，而且是民生必需品的必备品，他的价格波动会严重影响到消费者的购物情绪，所以这一个品类得保持低价形象，至少要有30%的商品要保持绝对价格优势（这是与同业态的竞争对手价格作对比）；

中高档商品配置：净菜、配菜，品种要丰富，同时要保证质量，净菜、配菜的开发，一方面可以减少“祼菜”—常规销售的蔬菜的数量损耗，另一方面这些商品不只是简单的为了减少损耗而做，应该当成一个重要的商品分类来经营，不只是把工作人员捡剩的商品简单加工做成净菜、配菜，在销售量保证的情况下，也考虑把新鲜蔬菜做成净菜、配菜。

目前很多超市的生鲜商品在早上从新鲜度、货量等方面都还是不错的，但到下午后，由于担心损耗，都会减少商品的陈列量，到下午5点过后，像蔬菜、猪肉、熟食等商品基本上是不再补货，同时商品的新鲜度也不如早上，这使得很多的消费者不喜欢晚上到超市购买生鲜商品，因为他知道来了也挑选不到好的商品。

净菜、配菜的加工从货量上要保证量的需求，保证下午买晚饭菜的顾客及下班后的工薪族能够买到，特别是工薪族（这部分人大多是“懒人”，上了一天班谁还想回去后洗刷蒸煮搞到晚8点才吃饭）巴不得你把菜给他洗好、切好甚至配好调料，他拿回去直接下锅OK，所以净菜和配菜价格一定不要定的太低，低了是浪费，有钱人和懒人一般是不太计较价格多个几毛一块钱的。

下面给大家看一下某个门店的净菜、配菜及猪肉精加工方面的销售数据，（销售单位：万元）

备注：蔬菜组为净菜、配菜；肉品组为猪肉、禽类精加工

再给一组从2013年5月开始大量做净菜、配菜以来蔬菜组销售、来客的数据：

从上面的数据表看出：净菜、配菜的销售增长率远远高于大组销售增长；表二看出：由于增加了净菜、配菜、同时配合蔬菜的低价形象吸客功能，从2013年5月开始，日均销售及日均来客均稳中有升。

这一方面是因为12年的基数低，但最主要原因还是经营定位问题，我们把商品定位于一定要做中高收入顾客群的生意，那么商品选择就朝着这个方向开发，结果是很成功的，在14年竞争很激烈的时候，由于有这部分商品的存在，保证同竞争店的差异化经营，也保持了蔬菜销售的高增长。

蔬菜我给他的定位是；吸客（低价吸客）、聚客（净菜、配菜聚客）、保毛利（净菜、配菜的功劳）

其次水果，对于水果的经营一定要保证品种的全，当然这个全不是说你要把市场上所有的商品都弄进来，这没必要也不现实。全就全在应季商品要全，价格一定要低，这是树立价格形象的东西；其次是品质要鲜，没人会买只烂苹果还啃得津津有味的。

所以水果我给他的定位是：吸客（低价吸客）、聚客（鲜度、品种齐全聚客）同时保证销售量。

五谷杂粮，那注定就是低毛利的东西，除非你不想消费者买你的商品，但其销售量是显而易见的大，我给他的定位是：保毛利（别亏本）、做销售；

南北干货，那就是赚钱的，你不赚钱那是傻子，因为这个品类的商品销售量一般是很低的，顾客对商品的敏感程度也很低，就算比竞争对手高5%也没人会计较。所以他的定位是赚毛利。

其他的干果、蜜饯等品类，我想做自营的超市并不会很多，既然联营的扣率那是固定了的，所以销售越高利润就越高，所以这二个品类我们一定要想方设法提高销售。

二.肉品组

猪肉毛利极低这是不争的事实，但如果整个大组都出现负毛利那是不容乐观的，目前大多数超市都把猪肉定位于低价吸客的功能，其实这是一种误区，猪肉固然价格低了会吸引很多顾客来店抢购，但大家如果有心去收银台蹲点的话，你会发现很多顾客手中只是提了一袋猪肉就结帐去了（如果你其它组/分类未做超低特价的话），试问这对我们来客提升多少呢，有没有达到吸客的目的呢？

显然没有。因为做猪肉主管的人都知道，你每天做的就只是那么几个量大的部位肉，比如前腿肉、后腿肉、五花肉或者排骨，这些部位肉的数量是很有限的，能够享受到特价价格的顾客也不会很多，你不可能为了做特价而进大量的白条猪（或者红条猪）吧，当然能在肉联厂进到部位肉那又另当别论。所以你吸引的顾客其实是不多的，最多增加几十人而已，但增加几十人的来客对于一个大超市来说那就等于没有增加。

再给一组数据：

从上表中看到，猪肉销售急剧上升。期间我们也做了大量的猪肉特价，但来客数据显示我们的来客数并没有什么大的变化，基本上一条水平线上下。所以结论是：猪肉的负毛利并不一定能吸引到我们的顾客，反而是让来购物的顾客捡了个便宜，同时我们牺牲了毛利。

所以我给猪肉的定位是：保毛利（保证毛利不要太低，就算负毛利也不要太离谱），保销售（保证销售不要下降）、减少销售占比（不是通过减少销售缩小占比，而是通过扩大大组其它品类销售来缩小占比）禽类、冻品的定位是：扩大销售（目的是减小猪肉销售占比），保毛利（要是这个品类都负毛利或者毛利很低了，那你整个肉品组就完了）

重点说一下加工肉类，加工肉类有二种：一种是把鲜/冻肉经过简单加工包装进行销售，另一种就是腌腊制品这样的加工肉类，我们主要说第一种，加工肉类主要是指将鲜猪肉、鲜禽类/冻禽肉经过简单加工包装进行销售，目的就如上面分析的净菜、配菜的功能一样，为懒人和有钱人准备的。

但说是简单加工也是很有学问的，首先是包装量，如果我们加工商品的定位是三口或四口之家，那么要计划三口、四口之家一顿饭肉量大概是多少，0.2kg、0.3kg或者更多，包装太多一顿吃不完，所以包装要适量；其次要从包装盒、商品摆放等方面下功夫，包装盒尽量用黑色（黑色可以更好的反衬鲜肉的本色），同时在盒底放置一层吸水纸（避免商品渗水加快商品变色），摆放要漂亮，不是乱糟糟的堆放里面就行，有钱人是很讲究所购商品的外观的。

至于品种嘛：前腿肉片/肉丁、红烧肉丁、里脊肉丝/片丁、梅花肉片、烧烤牛肉片、琵琶腿等，只要你想到的都可以拿出来做。记住毛利一定要在15-18%之间（是以该商品原部位肉售价计算的）。所以加工商品的定位是赚毛利、同时要扩大销售（在上面蔬果组加工商品表格里有数据可证明）

三．水产组

水产组主要经营鲜活水产、冰鲜水产、冷冻水产，我给的定位是：吸客、做毛利，由于区域差异，大部分内陆地区与沿海城市相比，水产品的销售量不可能太高（春节除外，春节的时候销售最好的还是那些虾、蟹、墨鱼干），同时大部分内陆地区消费者不习惯海鲜味道，平时就算我们价格做得低，不见得会有多少顾客购买，所以平时还是要保证毛利的获取。

同时在吸客这个功能上，要求水产的经营一定要品项齐全，普通的活鱼、活虾、活蟹得有，冰鲜大带鱼、冰鲜大黄花鱼、海参得有，冷冻的鱼虾蟹要有，其它的稀奇古怪的都搞一点，这是区别于农贸市场的最显著特点，也是各大超市差异化经营的显著特点，有的水产品由于保藏条件的限制，农贸市场不可能进行经营，这正是超市与农贸市场实行差异化的最好切入点，品种全了，顾客在想购买时才会潜意识的想到你超市，所以说水产组的一个定位是吸客。

下面是水产组2013年4月开始，经过品项丰富，价格调整后的销售及来客数对比表：

从表中看出，虽然来客数没有多大增长，但销售额增长却很大，相应的毛利增长也很明显（水产组为全联营）。

四.熟食组

熟食组的功能定位是：吸客、聚客、赚毛利、做销售；

吸客：要求品种丰富、卫生

——面点商品品种多样，口味齐全；

——熟食制品口味丰富，广味的、川味的、滇味、闽味都有一点，同时地方特色商品一定要有，满足不同口味顾客的需要；

——面包房品种要丰富，同时现场售卖气氛一定要热烈，灯光效果要适宜，有条件可搞点现烤，加工房墙壁做成玻璃的，让顾客看到里面的加工场景。

——不管是面点、面包还是熟食都要求色香味齐全，这也是顾客选择购买与不购买的标准。

——吸客最根本的就是卫生（环境的卫生、工作人员的卫生、商品的卫生），熟食组商品都是直接入口的商品，消费者对于卫生的要求特别严格，哪怕是一小点不卫生的地方都可能导致顾客放弃购买。

聚客：留住顾客最好的措施就是服务、环境、卫生、还有商品的口味，为什么百年老店有众多的回头客，最根本的就是那据称为“独家秘方”的东西——也就是我们所说的味道。

赚毛利这个功能就不用说了，由于熟食制品的特殊性，超市大部分是采用联营形式，扣点高，决定了熟食组的毛利肯定是整个生鲜部毛利最高的大组。

下面是2013年4月开始熟食组经过调整过后的客流数据：

从表中看出，经过调整后，日均销售及日均来客变化很大。

五.日配组

日配组主要经营：蛋类、牛奶类、冷冻冰品类、冷藏熟食类

“日配”从字面上理解就是：日常配理，日常料理的意思，所以日配组的商品是提供给消费者用以改善日常生活水平的，但他不是生活的必需品。随着现在居民收入水平的提高，消费水平也随之提高，生活水平得到极大改善，人们在解决温饱问题后，更多考虑的是如何改善生活质量，所以日配组的很多商品也逐渐变成人们生活的必备品了，如鸡蛋，牛奶。

首先，鸡蛋价格变得非常敏感，所以鸡蛋基本上不要想去赚多少钱，价格一定是市场最低价，作为超市的低价形象商品，吸客

牛奶能改善人们的身体体质，这是科学证明的结果，所以越来越多的人家里都会备牛奶，纯牛奶、早餐奶，晚餐奶、带各种口味的奶饮料，这二年又出了比纯奶更好的低温奶。

——鸡蛋、常温牛奶作为低价形象起到吸客作用；

——低温牛奶保证销售增长要跟得上市场增长率，同时毛利不能太低；

——冰品（汤圆、水饺、冰激凌等）、冷藏熟食做毛利，同时扩大销售。

总的来说，不管是生鲜经营还是其它部门的经营，最关键的是找到问题的根本，即是经营思路问题。

建议：不做无价值顾客的生意，不管你的经营面积是多大、多小，也不要去管你商场所处商圈如何，不做无价值顾客的生意，记住不是每个顾客都创造价值，也不是超市经营的人气越高越好；20%的顾客会给我们创造80%的利润，但20%的顾客会给我们带来负利润；这些所产生的利润必须要另外60%的顾客创造的利润去弥补，所以最终你得到的将只是20%的顾客创造的利润，为什么我们不把这20%无价值的顾客减少到只有10%或更少？

老帮主是谁：

老帮主就是一个糟老头

一个从业19年的营采男

呵呵

还有：开店整改就找这个糟老头

1场线下沙龙聚会

全年365天问题研讨

每周抽奖互动

每天现场答疑

《超市帮学习沙龙--天赋群》

用请朋友吃顿大餐的钱、

参加培训班的零头、

和洗脸刷牙的碎片时间，系统学到最系统的营采专业知识

来自：数据观 https://shujuguan

DT时代，我们每天都会收获来自各种渠道的海量数据，它们是对我们上一步行动的反馈，但人脑消化数据的能力却是有限的——如何及时洞察数据中的涵义，就需要数据可视化工具的帮助了。然而，图表的类型非常丰富，如何做出正确的选择，达到“一图胜千言”的效果呢？

［数据的五种关系］

首先，我们需要了解，数据通常包含五种相关关系：构成、比较、趋势、分布及联系。

构成

主要关注每个部分所占整体的百分比，如果你想表达的信息包括：“份额”、“百分比”以及“预计将达到百分之多少”，这时候可以用到饼图。

比较

可以展示事物的排列顺序——是差不多，还是一个比另一个更多或更少呢？“大于”、“小于”或者“大致相当”都是比较相对关系中的关键词，这时候会首选条图。

趋势

是最常见的一种时间序列关系，关心数据如何随着时间变化而变化，每周、每月、每年的变化趋势是增长、减少、上下波动或基本不变，这时候使用线图更好地表现指标随时间呈现的趋势。

分布

是关心各数值范围内各包含了多少项目，典型的信息会包含：“集中”、“频率”与“分布”等，这时候使用柱图；同时，还可以根据地理位置数据，通过地图展示不同分布特征。

联系

主要查看两个变量之间是否表达出我们预期所要证明的模式关系，比如预期销售额可能随着折扣幅度的增长而增长，这时候可以用气泡图来展示，用于表达“与……有关”、“随……而增长”、“随……而不同”变量间的关系。

对信息中包含的5种关系，可以简单归纳如下：

构成：占总体的百分比

比较：项目的排名

趋势：如何随着时间变化

分布：项目的频率情况

联系：变量之间的关系

［图表的具体适用场景］

下面，我们具体来看一下图表特点及适用场景：

以下图表均制作于数据观

条图

条图表达比较关系，按照强调的方式可以排列任何顺序，适用于高亮Top3或Top5数据，如在零售行业中统计畅销品的销售情况就是很好的应用。它是最通用的一种图表，应在所有的图集使用中占到25%。

柱图

柱图用高度反映数据差异，用来展示有多少项目（频率）会落入一个具有一定特征的数据段中，比如分析公司人员构成是否存在老龄化现象，可以通过柱图看到25岁以下的员工有多少，25岁到35岁之间员工有多少等这种年龄的分布情况。同时，柱图还可以用来表示含有较少数据值的趋势变化关系。

分析图形有单指标柱图、多指标柱图以及堆叠柱图类型。

（1）、单指标柱图

（2）、多指标柱图

（3）、堆叠柱图

线图

线图可用来反映随时间变化而变化的关系，尤其是在趋势比单个数据点更重要的场合。

在柱图与线图的选择过程中，可以考虑数据的本质。柱图强调的是数量的级别，它更适合于表现在一小段时间里发生的事件，产量的数据很适合这个领域。线图强调的是角度的运动及图像的变换，因此展示数据的发展趋势时最好使用它，存货量就是一个很好的例子。柱图和线图的使用应占到图集看板的50%左右。

线图类型中可以有单线图，还可以在图中进行多指标趋势性比较。

（1）、单线图

（2）、多指标趋势性比较

饼图

构成比例关系时，最好使用饼图，给人一种整体的形象，可以展示每一部分所占全部的百分比，比如产品A预计销售额占到所有产品销售额的最大份额。

为了使饼图尽量发挥作用，在使用中不宜多于6种成分。人的眼睛比较习惯于按顺时针方向进行观察，所以应该讲最重要的部分放在紧靠12点钟的位置，如果没有哪一个部分比其他部分更加重要，那么就应该考虑让它们从大到小的顺序排列。

数据观除了有标准饼图，还提供中空饼图和环形饼图两种类型。

（1）、标准饼图

（2）、中空饼图

（3）、环形饼图

Attention！不适用饼图的情况

饼图是通过面积呈现数据的变化，当各指标所占比例接近时，无法直观的判断面积的大小，此时选择条图来呈现，规律就更加清晰。饼图是应最少使用的图表，在所有的陈述和报告中其使用率应少于5%。

错误的图表类型：

正确的图表类型：

气泡图

气泡图判断两个变量之间是否存在某种关系，可反映五维数据。每个气泡的不同颜色或标签，以及气泡点大小，都可以反映一个维度。一般使用率为10%。

KPI图

最直接显示结果，适用于高亮关注指标值或者差异，可以通过主要指标和次要指标进行体现。信息量避免过多，越直观越好。

面积图

与折线图较为类似，面积图强调变量随时间而变化的程度，也可用于引起人们对总值趋势的注意。用填充了颜色或图案的面积来显示数据，面积片数不宜超过5片。

漏斗图

漏斗图用来表示逐层分析的过程，从一个总值（最顶端），不断除去不关心的部分，最终得到关心的值的过程。

多用于业务流程比较规范、周期长、环节多的流程分析，通过比较各个环节宽窄大小，能够直观地发现和说明问题所在。常见应用场景：电商网站、营销推广、CRM等。

1）电商网站：通过转化率比较能充分展示用户从进入网站到实现购买的最终转化率。2）营销推广：反映搜索营销的各个环节的转化，从展现、点击、访问、咨询，直到生成订单过程中的客户数量及流失。

3）CRM：销售漏斗图用来展示客户各个阶段转化比较。

金字塔图

金字塔图用于展示类似金字塔的层级结构和数据量。例如某个国家的收入分配，金字塔顶部显示高收入类别，逐渐降低到代表低收入的底部。

雷达图

雷达图可以用来表现一个周期数值的变化，也可以用来表现特定对象主要参数的相对关系。

雷达图多用于在财务分析中，用来分析企业负债能力、运营能力、盈利和发展能力等指标。

地图

地图是信息密度最大的数据可视化方式，人们在日常生活中就使用地图，所以能直观理解地图。

数据观基于不同的视觉化原理提供三种地图：区域地图、散点地图和热力地图。

（1）、区域地图

区域地图是按照国家、省市行政区划分，用来展现地理信息，以及与地理位置有关的信息，指标的多少可以用颜色深浅区分。

（2）、散点地图

散点地图基于高德地图实现，通过定位经纬度，用散点来表示所在位置的信息指标。

（3）、热力地图

热力地图以特殊高亮的形式显示访客所在的地理区域的图示，不同颜色反映不同区域密度的分布。

表格

表格可以通过拖拽所关心的指标，如通过一级、二级分类，了解更加明细的数据，起到数据透视表功能。

综合使用

饼图、柱图、条图、线图、气泡图可以组成可视化报告90%图形，其他视觉化展示可以将图表组合起来综合使用。

以上就是为大家提供的图表基本使用原则，适用于日常工作中大多数的图表制作。

最后，希望大家都可以需要根据自己想要表达的信息选择合适的图表，让数据可视化帮助我们的大脑减负，替我们的数据说话。

如果你作为一名SEMer，每天80%的工作时间是打开后台，监控核心关键词的排名，每天去调整价格，调整移动比例，否定一些垃圾流量的话，那么我会觉得，你与一名优秀的SEMer人员之间，还有很大的提升空间。

因为一名优秀的SEMer，每天应该有80%的工作时间在做数据分析，20%的工作时间是最后将数据分析出的结果进行后台操作。有人问过我，你认为SEM推广的核心是什么？我以多年的经验总结出两个因素：“行业市场分析”与“数据分析”。

数据分析基于推广数据的筛选与总结。数据报表也分为两种：一种是 后台数据报表（账户报告、关键词报告、地域数据报告、搜索词数据报告等等），这些报表可以后台直接下载筛选使用；

还有一种是 基于第三方统计平台与代码标记的数据报表（关键词跟踪报表、url转化报表、各平台流量占比数据报表等等）。接下来我就给大家分享一下如何筛选适合自己推广数据报表以及如何筛选数据有价值信息。

一、账户报告

数据分析重要程度：★★★★

阐述：账户报告是推广数据分析最基本数据报告，账户报告可以清楚显示出账户推广的展现量、点击量、消费量、点击率、平均点击价格。做日报表或周报表可以做出环比数据值，可以清楚分析整体账户推广情况。

要根据自己账户推广设定限值，当环比数据达到限值得时候，就要重点关注分析。即使环比数据是正向发展，也可以分析出来原因，这样也可以明确效果提升的原因。

例如：推广账户数据环比展现量限值5%，既展现量环比增长5%还是降低5%都要明确分析，如发现今天账户推广数据环比昨天降低7%，既触发限值，结合实际调整操作可分析得知，昨天核心词有调整匹配方式，有4%的长尾关键词昨日没有置左展现，所以根据数据可以清楚知道账户环比降低原因。

根据原因作出相应正向调整即可。而且账户报告，每天的PC与移动的消费占比也一定重视，账户的效果波动可能也多数与PC与移动消费占比有关。

二、搜索词报告

数据分析重要程度：★★★★★

阐述：搜索词报告是作为数据分析与sem优化最为重要的数据报告之一。推广流量精准度与否都可以利用这个搜索词报告一目了然。

但是搜索词报告大部分人都是基于后台搜索词报告直接进行否词操作，而且有很多人都是看见一个不相关的搜索词马上否定掉。最后会发现我们计划否词数或者单元否词数不够用了。

其实 对于搜索词报告我们一般都是将每天搜索词报告做一份excel透视报表，可以透视清楚哪些搜索词垃圾流量触发点击数最多的，超过2次以上点击垃圾流量进行否定处理。触发一次搜索垃圾流量一周集中累计再集中做出透视数据分析，最后看出那些单次点击一周内累计垃圾流量多次触发的搜索词再进行否定关键词。

搜索词报告另外一个数据作用，将有检索搜索词有效添加到投放关键词中。这个也是拓展有效关键词最有效的数据支持。

三、关键词报告

数据分析重要程度：★★★★★

阐述：关键词是sem推广投放核心，关键词数据报告也是所有关键词报告数据分析的最重要的参考数据。但是关键词报告一定是要结合其他数据报告一起分析，才能筛选出我们有效的数据，下面就给大家分析几种比较实用的数据报告结合分析组合。

1）关键词报告与搜索词报告：根据搜索词报告可以 拓展有检索关键词；其次搜索词报告匹配出垃圾流量，不一定要做否定关键词，有部分单次点击垃圾搜索词可以结合关键词报告数据，对于关键词进行匹配方式调整。

2）关键词报告与咨询转化报表：每天结合咨询平台中有效咨询所触发的关键词报表与搜索词报表进行 核算每个关键词转化成本，这样我们可以集中投放高转化关键词，控制高消费低转化关键词消费。

3）关键词报告与账户报告：关键词报告与账户报告关系是包含于关系。即账户数据异常要排查到关键词报表中关键词，所以 账户报告要与关键词报告对应查看与分析。

四、地域报告数据

数据分析重要程度：★★★

阐述：地域数据报表主要作用是明确各地域消费占比与各个地域推广数据。如果对于此数据调整，可以结合后端转化数据进行调整。

调整各个地域消费占比依据：

1、根据后端转化效果进行地域消费占比调整；

2、根据业务地域需求度，进行地域消费占比调整。

五、url跟踪转化代码数据

数据分析重要程度：★★★★★

阐述：url跟踪转化代码数据是定制型数据报表，适用于多平台推广及转化统计。

这类代码与url部署后数据优点：

1、各个平台转化有区分；

2、url部署有利于监控着落页表现；

3、关键词转化id可以直接统计转化词。

4、如果推广有项目区分，可以另行标记区分。

这样统计出来数据可以区分：

1、关键词转化监控

2、地域转化监控

3、项目转化监控

4、平台推广转化

最后，想说跟大家分享了这些比较常用数据报表与数据的分析方式，只是比较 有代表性与实用性的数据报表。SEM 数据分析还有很多需要大家深入研究与专研的。我个人也给予大家几点 SEM 数据分析注意事项：

1、所有数据报表要坚持多维度相结合进行分析处理；

2、数据分析一定要作为日常优化流程，不要账户出现问题才进行数据分析排查问题，日数据异常要积极分析与调整，才能让账户推广效果稳定；

3、数据筛选是数据分析的基础，大量的数据要筛选出有效的价值，依据有大量数据的分类、筛选、过滤等环节进行数据提炼，这个最好要有良好的Excel技能支撑才会高效的进行。

数据分析是我们SEM推广调整的支撑，如果你是一名好的数据分析师，那么还会玩转不了SEM推广吗？

|来源：艾奇学院

百家号-【袁帅数据分析运营】：袁帅，互联网数据分析运营实践者，会点网事业合伙人，运营负责人。CEAC国家信息化计算机教育认证：网络营销师，SEM搜索引擎营销师，SEO工程师。数据分析师，永洪数据科学研究院MVP。中国电子商务协会认证：中国电子商务职业经理人，畅销书《互联网销售宝典》联合出品人之一。中国国际贸易促进委员会:今日会展会员联盟VIP个人会员，全经联园区委秘书处成员，中国低碳智慧园区联盟理事，周五咖啡媒体人俱乐部发起合伙人。百度VIP认证站长，百度文库认证作者，百度经验签约作者，百家号/一点资讯/大鱼号/搜狐号/头条号/知乎专栏/艾瑞专栏等媒体平台入驻作者，互联网数据官（iCDO）原创作者，互联网营销官CMO原创作者。

产品运营三大核心指标：拉新、活跃、留存。相信每一个小伙伴都不陌生。

不同的产品阶段可能运营策略重心会有所不同，但肯定对于各种拉新活动并不陌生，例如H5活动、广告投放、软文扩散、渠道换量等。

每一轮的投放活动都需要衡量投入产出比ROI，每一次活动结束都需要进行复盘讨论，每一轮迭代投放都可能在验证一些猜想。

我们的目标是：用合理的投入成本，通过各类途径优化，最大化效果产出。

但实际的运营投放中，往往会遇到各式各样的投放方式：

这个渠道说，我们不能实现不了直接跳转下载；

那个渠道又说，我们是做品牌的，高曝光才是我们的优势，转化不关我事；

还有的时候，一个渠道上，就有3个不同的位置x3种素材x3种跳转方式，跳转应用市场之后到底下载了木有，打开APP了木有，效果怎么衡量，头有点晕……

但其实，我们关心的是以下几个方向：合理投入、优化路径、最大化产出。简而言之，我们关心的是：投入产出比。

（在不同的渠道进行拉新）

如何找到最大化的投入产出比，这是每一个负责拉新业务的小伙伴都曾经或者正在头疼的事情。

从上图的流程上看，我们可以优化的就是几个环节：产品是否吸引人、渠道是否优质、投放的方式是否高效、效果是否符合预期。

这里暂时不讨论产品定位，我们只讨论丰富多彩的渠道投放的效果优化。

我有100种投放姿势，就问你敢不敢试~

这里，我们虽然是以APP拉新为例，讨论的是一种多渠道效果数据分析体系，但其实适用于每一个就算不是APP产品，或者你的拉新不是以增加APP用户为核心，都可以复用这套数据分析框架。

设定预期目标

首先，对于任何一次投放活动，我们都必须界定它的目标产出。只有在清晰的效果衡量体系下，渠道数据的对比才有意义，多渠道的ROI才有可比性。

对于APP拉新的投放活动来说，常见的预期效果可能是：

提高对APP的认知（以传播广泛为目的）

成为APP用户（APP下载并激活）

在APP内完成特定行为（如购买、身份验证或者领取礼包）

我们以常见的拉新——“APP下载并激活”为例，先搭建一个数据漏斗，看看我们效果环节上需要观察哪些数据。

如果我们希望监控的是上述内容中③的效果数据，我们就在激活之后继续添加下一层级的漏斗，统计例如加入购物车、确认下单、付款这样的流程。

在这样的漏斗流程之上，我们可以搭建监控指标，有时候监控的数据可能无法实现理想的统计指标，我们可能会需要补充其他监控指标，有时候也无需如此精确的数据粒度。

我们最后监控的数据指标如下（表1）：

而效果数据部分，则可以通过MTA的新增报表——安装来源分析实现。

为什么这里增加了“下载所用网络占比”？

原因是在下载完成到安装，这两个事件属于APP应用市场的原生事件，开发者无法主动采集，但我们依然关心这其中的转化步骤，主要是担心用户如果处于较差网络环境下，下载行为可能会被终止，因此这里用了“所用网络占比”这样的辅助字段数据。

这里的辅助字段数据主要是为了优化转化效果所做的准备。确定了目标，我们第二步就可以做投放过程的数据记录了。

投放过程记录

做这一部分的数据记录，主要的目的，一是为了复盘的时候方便做分析对比，二是为了优化迭代的时候更有方向。

根据埃里克·莱斯的《精益创业》中的观点：每一次的实验迭代，其实都是为了得到一个经证实的认知。

应用在推广投放体系下，每一次投放策略的设计，都是为了验证一个投放策略的有效性，是为了提升效果产出。

这个环节是一个多路分支，我们需要做一些版本记录，以便更好的定位问题。过程图大致如下：

记录过程表2为：

（表2 广告投放策略记录）

*根据投放方式的不同，可能记录的方式也会略有不同

**具体的策略信息可以在详表中展开记录

然后把表1的效果数据映射在表2之后，得到一条投放活动的完整记录。然后就可以通过数据来验证具体的投放策略的有效性了。

验证目标是怎样的投放策略，这一点需要在投放开始前就规划好，这样数据分析的时候才能得到有效的结论。

分析与优化效果

对于搜集到的众多详细数据，我们接下来就可以做一些数据上的结果分析了。

首先，我们可能想验证的是投放素材对渠道1的banner-1的影响，那么，我们把表2中渠道1单独拿出来，可以得到如下表格：

（表3.投放素材对渠道1的banner-1的影响）

如果我们想比较渠道1上Banner和Feeds流的差别，我们可以得到：

我们也可以针对人群定向投放效果、不同的投放时间，乃至渠道效果质量对比等多个维度进行数据分析，通过数据来验证我们的策略，优化投入产出比。

所以，虽然说投放的姿势有千千万，但效果路径总是相似的。

如果你有丰富多彩的投放策略，不用急，不要慌，把路径理出来，控制策略的版本，采用A/B TEST等加快验证迭代速度，最终得到有效的投放策略与最大化的ROI效果。

以上是关于投放效果上的数据指标体系分享，相似的分析思路可以复用在不同需求的投放方案中，包括一些线上、线下的运营活动，其实也可以复用这个框架。

来源：pm28

今天为大家分享一个数据分析的方法，大家可以打开店铺后台，看着步骤来操作。

很多电商人都知道数据分析的重要性，但是真正做起来却发现无从下手，而且即使是看到数据之后，也不知道怎么分析，往往是看着一个连接“莫名奇妙”的爆了，又“莫名其妙”的死了。

其实每个链接的起爆和衰落都是有原因的，只要掌握今天的数据分析方法，在以后的操作过程中才能真正看清数据，掌握数据

首先，打开生意参谋，商品-商品效果-选择日期，在选择日期时，建议大家往前倒推15天的时间，比如今天是30号，那么，就从这个月的15号开始，选择好日期之后，点击下载。

下载好15号的数据之后，再选择16号，继续下载，把最近15的的数据下载下来以后是这样的。

这是我们店铺所有链接在过去15天的所有数据，而且非常详细，可以说，过去15天的店铺的起落兴衰内在原因都在这里了，接下来我们开始将这些数据重新组合整理，以便于更直观的看到所有链接的详细数据，从而进行数据对比，分析，得出结论，打开第一个表格是这样的。

这是所有的链接在10.10日的数据，第一个链接是主打款，是主要分析目标，所以把这一排全部复制下来，放在一个新的表格里。

然后把10.11之后的所有数据全部复制下来，放在一个表格里，把无关紧要的数据删掉，以免影响我们的专注力。

ps：在删无关紧要的数据时要注意看数据浮动大不大，比如平均停留时长这一项，如果这一项波动特别大就不要删掉，波动不大的话就删掉，因为它只是次要数据，不是核心数据，最后留下来的核心数据，见下图：

这个是我已经做好的表格，最后的收藏率和加购率是手动加上去的，因为官方没有提供这两个数据，但是官方提供了收藏人数和访客数，所以我们就可以手动算出来。

在收藏率下输入公式：‘=收藏人数/访客数’然后回车，就会得到这个链接的收藏率，把这一列拖下来即可得到所有日期的收藏率，加购率也是一样操作即可

为了方便观察数据，我们把所属终端这一行改成日期，见下图：

这样是不是一目了然了？哈哈哈，是不是感觉所有原因都自动跳出来了！

重点看流量暴涨的10.19号--22号这4天数据：

访客数暴涨的同时，搜索引导的访客数也在暴涨，而且直通车并没有加大投入，所以接下来我们着重看搜索数据，我们知道，现在所有的数据，都是结果，是上一个周期的数据浮动才导致的结果。

所以接下来我们看上一个周期发生了什么。

发现什么秘密没有？

每次流量大涨之前的一天，搜索支付转化率都是超过5%的！记住这个数字。

10.17号和10.18号，连续两天都超过了5%，然后导致10.19号访客数直接翻翻！

所以也就是说，在这个类目，这个客单价下，我们的搜索支付转化率不能低于5%，这是一个系统云计算得出的数据，只要能够稳住这个数值，理论上来说，这个链接是必爆无疑的！

当然，除了数据之外，还有很多其他方面的权重值也很重要，比如客服回复时长，动销率，发货速度，好评率，dsr，等等，我们今天只分析数据，其他方面有空再详解。

还有一点值得注意的是：

有些类目权重计算核心并不是支付转化率！

有些类目权重计算核心并不是支付转化率！

有些类目权重计算核心并不是支付转化率！

但是大部分类目都逃不过这个表格里的所有数据，有了这个表格基本都能够计算出来类目权重算法，目前最核心的数据有：支付转化率，uv价值，收藏率，加购率。

只要能够找出自己类目的核心权重，然后维护好这个数据，在产品没问题的情况下，想不爆，太难了！

客单价69左右的女裤类目的核心权重是转化率，客单价129左右的天猫女鞋核心权重是uv价值，这一点很难复制，只能用自己的店铺数据去推断，找出这个潜在规律即可。

免责声明：本文使用图文及视频等作品部分源于网络，我们尊重著作权所有人的合法权益，如涉及版权争议，请著作权人告知我方删除

作者：数据观 来自：数据观 https://shujuguan/?from=

［摘要］：看似复杂的库存体系，可以通过简明的数据可视化还原全貌！

［主文］：一直以来，库存管理都是影响企业盈利能力的重要因素之一。对库存管理不当可导致货品大量积压，占用现金流，延误生产计划与销售订单。使用数据观对库存进行可视化分析，可以实现：1、分析现有的库存体系，还原库存体系原貌，为决策提供数据支持；2、通过对问题的挖掘分析，对现有的库存体系进行优化；3、衡量、传递合理库存信息，保障采购、生产、销售的正常运行。

所需数据：

以上数据是基本的仓储数据，一般的连锁门店都有；为避免储存数据的方式不同，我们还为您列出了所需全部字段：

除了两个标红的指标需要我们处理一下之外，其它字段都是现有的。为什么要额外计算这两个指标呢？因为，累计出仓金额占比（累计出仓金额／总金额）可以帮助我们审视商品SKU是否符合“二八贡献结构“，即80%的销售额是由20%的商品带来的。

数据处理：

如何计算“累计出仓金额”？听起来像要对每种SKU的销售额做求和，然后要按照降序排列，最后还要加上上一个项目的金额，不算小的工作量！不过，使用数据观的在线ETL工具，可以很迅速地对繁琐的数据进行排列计算。首先，将两个“输入”按钮拖入中央画布，并分别选择为“商品报表”与“销售列表”，将其关联起来，并通过“选择列”剔除无关信息，就得到每件商品的销售状况了。选择“分组聚合”，统计出每件商品的销售额。接下来，使用“排序和累计”，让商品销售额按照降序排列，且累加销售额。此时，我们已经有了“累计出仓金额”（且按照降序排列），再添加一个“常量列”，将值设置为总销售额，就可以计算“累计出仓金额占比”了！

ETL流程示意图

可视化分析：

现在，我们已经有了充足的字段和干净的数据，允许我们从以下四个角度来分析库存状况：

商品概况库存情况库存周转及安全库存库存盘点

（一）、商品概况：

指标说明：SKU数为商品编号，不重复计数，可计算出本店一共有多少个SKU；类别数为类别，不重复计数。从以上两个KPI可以看出，库存中的商品一共8类，总共28个SKU。而下面的“柱＋面积”组合图，就是我们说的“二八贡献图”了。每条柱子代表每个SKU的出仓金额，柱子越高表示出仓金额越高；而面积图则使用的“累计出仓金额占比”（即累计出仓金额／总金额），面积图上的80%点位应当出现在柱图的前20%最佳。通过分析我们看到，库存商品的累计出货金额贡献比例和“二八贡献结构”有一定差距，TOP1商品突出，但TOP2至最差出货额商品差别不大。

（二）、库存情况：

指标说明：以上各指标的金额计算都为“数量*成本价”得出的成本金额；平均库金额为（期初库存金额+期末库存金额）/2。两个分组柱图，主要看的是各类商品的期初、期末库存金额，与进仓、出仓金额分布。而分组条图，除了可以看到库存排名之外，还可以看平均库存占比（蓝条）与出仓金额占比（褐条）是否相当。从库存结构对比出货结构上看，各类商品的比例相当，表面库存比例结构合理。

（三）、库存周转及安全库存：

指标说明：本期周期为一个月，周转天数为周转次数*30天（请根据店铺实际情况进行调整）；根据设置的最佳周转天数（60~90天）可看出耳机类和充电宝类不在最佳周转天数内，图中已标红；根据设置的安全库存，图中显示电脑耗材类中有2个SKU，充电宝类1个SKU处于安全库存值以下，需进行进货。具体低于安全库存值多少、是什么型号的商品需要进货，可以通过下钻来查询。

（四）、库存盘点：

指标说明：盘点金额计算方式为误差数量*零售价。期初的盘点盈亏金额总计为盘盈202.5元，通过条图我们可以看到，各类商品的盈亏金额都在正负500元内，差异主要出自U盘、电脑耗材和耳机类。通过气泡图，我们可以看到，28个SKU中无差异的有4个（蓝色表示），盘亏的有15个（红色表示），剩余9个盘盈（黄色表示），鼠标移动其上还可显示商品的具体编号与盈亏数量。就这样，本来各自分散的库存数据，变成了一份领导能读懂、合作伙伴也能读懂的看板。赏心悦目之余，各种问题水落石出，大大提升了日常管理效率，为企业的高效运转添薪加火。