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

在淘宝开店了以后，想要运营好店铺，是少不了数据分析的，淘宝店铺在进行店铺数据分析的时候，会使用到淘宝大数据分析平台，因为这些平台可以准确的帮您分析出数据，我们来看看淘宝怎么看商品的数据分析吧。

分析平台有以下4种：

1、生意参谋专业版：可以了解所属类目什么宝贝最好卖，了解热卖店铺和热销宝贝，关键词成交分析，宝贝取名等。

2、淘问卷：操作界面简单明了，有问题模板，帮助店主进行营销决策。

3、生意参谋市场行情：查询热卖宝贝行情，比较同类宝贝的价格和销量。

4、生意参谋店铺统计：店铺流量统计分析，店铺计数器等增值服务。

主要分析哪些方面：

总体来说可以分为商品分析、客户分析、地区分析、时间分析四大维度(参考数据雷达的分析思路)。在这里我重点说商品分析。

1、销售状况分析：主要分析本月销售情况、本月销售指标完成情况、与去年(或上月)同期对比情况。通过这组数据的分析可以知道同比销售趋势、实际销售与计划的差距。

2、销售毛利分析：主要分析本月毛利率、毛利额情况，与去年同期对比情况。通过这组数据的分析可以知道同比毛利状况，以及是否在商品毛利方面存在不足。

3、营运可控费用分析：营运可控费用分析就是指的每个月每个项目的费用明细分析，还会和去年的项目进行对比，这里的各项费用是指：员工成本、能耗、物料及办公用品费用、维修费用、存货损耗、日常营运费用(包括电话费、交通费、垃圾费等)。

4、橱窗效率：主要是本月橱窗效率情况、与去年同期对比。“日均橱窗效率”是指“日均每个橱窗平均销售额”，即：日均橱窗商品销售金额/橱窗个数。

感谢大家的耐心观看，在以上的内容中，小编为大家介绍了4种淘宝大数据分析平台，这四种平台一般都是最常用的，大家可以去试试看。

我们都知道环比和同比是对比分析方法中最常用的两种方法，同比是本期与去年同期的对比，环比是本期与上期的比较，这是单纯统计学上的定义，但是在实际业务环境中有时候并没有统计学定义那么简单，这也是环比和同比经常被误用的一个重要原因；

举例2017年的11月13日是个星期天，但是在2017年11月13日却是一个周一，对于零售企业来说，结合周末销售与非周末销售差异，这是一个截然不同的业务场景。所以数据分析必须在具体的业务环境下灵活应用，才能准确的发挥数据的指导意义，特别是零售行业中的销售特点，日销售的分析应该去遵循星期几对星期几的原则，另外一些重要的节假日，如中秋对中秋，除夕对除夕等等，最后还有节假日放假天数的对应，今年国庆第一天对应去年国庆第一天等等。

当然，这并不是说所有的月份或者按照统计学意义的对比就失去了意义，同比或者同期是一种分析方法，只要是符合统计学定义都可以进行比较，只是作为具体的数据分析操作者来说，去了解了对比结果在业务层面上的具体细节，数据的指导意义会显得更加精准和实际！

好多人选择在淘宝创业，主要的原因是因为门槛低，投入的资金少，就算是当下竞争如此激烈的状态下，也还是阻挡不了大家进淘宝创业的热情。开店遇到的问题比较多，对于新手来说面临的第一个问题就是如何选品，在万千产品中选择适合的产品是有依据可循的，对市场行情进行分析是最好的解决办法。接下来就给大家讲解一下如何进行开店选品。

一、市场需求分析

开店之前一定要分析市场行情，客户的需求是什么，需求量大不大，市场行情好不好，能不能做得下去，有没有潜力，这些都需要通过数据来进行分析。迷茫的新手卖家可以通过行业数据来获取市场需求量最大的一个行业，给大家推荐一个非常好用的免费的阿里功能——阿里指数。

图1（图片源于网络，仅供参考）

进入阿里指数的区域指数，假如你想看广东的市场，选择广东省，可以看到行业排名前十的热门类目商品，但是排名第一的商品往往商家竞争比较大，新手卖家不要找竞争力太大的商品，不占任何优势，因为初期你没法跟大卖家去竞争。大家可以选择排名稍稍靠后的类目商品，这样的商品不仅市场需求量大，而且竞争没有很激烈，自带一定的引流效果，方便后期运营，属于蓝海产品，很有发展前景。

图2（图片源于网络，仅供参考）

另外，也有一些不热门但是销量也不错的商品，下面给大家举几个例子：

1、有特色的商品

在淘宝上卖一些特殊的商品是比较有市场的，因为很多人都会局限于自己的生存环境，卖一些很多人接触不到的特色商品，往往能够引起人们的兴趣。比如可以卖一些当地特产，一些在国内买不到的外贸商品，或者独一无二的DIY专属定制品等等。这些产品人们在实际生活的地或是买不到的，所以需求也是很大的，适合在网店中经营。

2、品牌商品

品牌商品也非常适合在淘宝上经营，因为有许多买家对于品牌产品非常忠实，但是因为某些品牌的地域普及度不高，所以在本地上无法购买的。我们也可以看到，在淘宝上品牌店的商品售价即使贵也能卖得出去，所以说品牌商品非常适合在网店销售。

图3（图片源于网络，仅供参考）

3、利润大的商品

我们可以选择一些利润空间大的产品，比如化妆品，衣服等等，从这些大类目中选择市场竞争偏小的商品进行销售。因为利润高的商品相当于卖很多件利润低的商品，相对来说售后问题也会减少，更利于我们去维护店铺。而且利润大的产品，在后期推广时也更好操作。

二、目标人群分析

确定好商品类目之后，我们要对商品进行细化，给店铺定位一个统一的风格，那么，如何进行店铺定位呢，这个要对目标人群进行分析，我们要站在客户的角度思考。

1、风格定位

以服装为例，店铺里的衣服风格不要太多，买衣服的人大多风格比较有标志性，例如淑女风，休闲风，个性风等等。如果一个店铺衣服风格太多，则不利于后续转化，淘宝搜索BF风的女装，出来的衣服都是统一BF风格，如果出现一件甜美淑女的衣服，是不符合消费者购买规律的。

图4（图片源于网络，仅供参考）

2、功能定位

有一些商品是有一些功能上的定位的，例如办公用品，办公用品要的是种类多，这样可以为店铺带来更多的转化，消费者要买一根笔，可能看到了橡皮就会一起买走了。如果清一色的卖计算器或者圆规，这样是行不通的。

3、属性定位

店铺属性定位精准了，搜索人群才会精准，转化成交才会高。比如搜索修身的衣服，进入店铺在一堆修身款衣服里突然看到一个穿着加肥加大衣服的模特，消费者体验会降低，店铺分类乱七八糟，不利于消费者搜索浏览。。

三、价格分析

开店初期商品价格不要太高，打造一个价格偏低的引流产品，因为这是大多数消费者都能接受的一个价格，建议客单价不要超过200元。为什么要做客单价低的产品呢，这是因为前期我们可以为店铺累积销量，收获更多的好评，提升店铺排名。但是大家千万记住，我们做客单价偏低的产品，而不是做品质差的产品，价格非常低的小商品，前期即使流量提升，但会收获很多的中差评，退货率也会越来越高。中差评和退货率会影响店铺的权重，一旦权重受到影响，那么店铺排名也就会一直往下降。你的店铺刚开始做就走下坡路，很可能昙花一现之后就不复存在了。

其次不建议新手卖家做统一价的商品，例如黄金白银之类的商品，市场价格透明，利润低，比较有局限性，新手卖家很难做好。

产品定价也是一门学问，比如我们选择了女装连衣裙，然后在淘宝搜索连衣裙这个关键词，这里大家注意一下，现在手机端的流量比电脑上要大得多，所以用手机去搜索。按人气排序，提取前100名宝贝的价格（包括一口价和促销价）、成交量等数据，分析出哪个价格区间的宝贝是最多的，销量是最好的，其他商家都打了什么折扣。分析出来后你就知道要卖什么价位的商品了，就知道要打多少折才最吸引人。

最后，给大家一个选品方面的建议：做自己熟悉的产品或者类目。比如说你在武夷山附近，对茶业比较了解，而且对周围环境熟悉，那么你寻找货源就会很方便，有稳定的供应商，处于货源的集中地，后期产品做起来不会担心货源问题。其次，你对该类目商品了解透彻，成本掌控明白，规则明确，不用投入过多的学习成本，那么你就有更多的时间来运营店铺。

。

文章为原创，作者新动力电商>

长摁指纹关注我，每天分享爆款实操干货

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

产品的生命周期中各个阶段都伴随着产品数据的变化，产品经理根据这些产品数据来判断产品所在阶段并对后期的产品演进进行合理的规划；在产品需求分析阶段，产品经理可以通过数据分析来鉴别用户需求的真伪；在产品上线后，产品经理可以通过数据验证产品的功能价值并且让数据指导版本迭代。

针对不同的产品的业务形态有所差异，产品的核心数据也有所不同：比如视频产品侧重的是播放类的数据，如播放时长；电商类产品侧重订单量、交易额等。所以我们可以说，产品的数据分析是产品经理日常工作中必不可少的一环。那么产品有哪些数据指标？具体又该如何分析呢？

一、 产品的基础数据

产品的基础数据一般都是与产品APP相关的整体性的数据，用于检测产品的整体趋势，主要的基础数据有以下几项：

APP/APK下载量：针对客户端产品的数据指标，也称为装机量，是指产品客户端被下载到手机、pad等终端的数量，一般以拥有的独立USERKEY/USERID为一个有效的下载。APP/APK激活量：指用户完成有效下载后，点击客户端并首次成功启动软件的用户数量。APP/APK访问量：指一段时间内用户点击进入客户端的次数。APP/APK访问用户数：APP/APK访问量的去重数据，指一段时间内点击进入客户端的不同身份标识的用户数。人均访问时长： 用户在客户端内停留时间的平均值。同时在线人数：实时数据，即在该时间点正在使用产品的用户数，有时也用并发量来表示，用以衡量客户端可承载的同时在线人数。渠道数据：不同的渠道来源的下载量、访问量等，用以评估不同访问路径以及渠道带来的效果差异。

二、 产品的付费数据

产品的付费数据主要是根据用户的付费行为定义的数据指标，付费指标可以看出用户对于产品的认可程度，产品的盈利价值等，主要的付费数据有以下几项：

付费收入金额：某时段内用户付费的总额。付费用户数：某时段内发生付费行为的用户的总数。新付费用户数：某时段内新增的付费用户的数量。付费转化率=付费用户数/XX用户数，根据产品的业务形态，“XX用户数”可以为视频产品的“点播用户数”。付费率=付费用户数/活跃用户数（日、月）。ARPPU值（付费用户的平均付费值）=日付费收入/日付费用户数。ARPU值（活跃用户的平均付费）=日付费收入/日活跃用户数。收入占比=某单项收入/总付费收入。收入曲线：每日、每周、每月的付费曲线，通过观察付费的高峰期，针对性地进行营销活动；付费路径：分付费路径进行付费收入和付费用户数的占比统计，对占比较大的付费入口进行营销活动的露出，占比较小的入口进行产品侧的优化。

三、 产品的页面数据

产品的页面数据主要是根据用户在页面中的行为作出埋点，从而获取的数据；页面数据对产品的功能优化有很大的指导意义，主要的页面数据有以下几项：

PV（page view）：即页面浏览量，针对网站产品而言，，通常是衡量一个网站流量的主要指标；针对客户端产品，则是衡量某个页面的流量的指标。UV：(unique visitor)：即页面独立访问量，有称为独立访问用户，是PV经去重后得到的数据。页面平均停留时长：用户在该页面内停留时间的平均值。人均页读数：用户在进入客户端后到达的页面数的均值。跳出率 ：指用户在只访问了入口页面（例如软件登录页、开机引导页等）就退出客户端的访问量与所产生总访问量的百分比。页面转化率：页面中某个功能的点击量和到达该页面的访问量的百分比，如电商产品的商品详情页中“立即购买”按钮的点击量与商品详情页的访问量的百分比，就是商品详情页-“立即购买”的转化率。

四、 产品的用户数据

产品的用户数据主要是根据用户在各个阶段的角色的不同为维度进行定义的数据，主要的用户数据有以下几项：

注册用户数：指用户下载运行，并且完成注册的用户数。登录用户数：登录应用后至当前时间，至少登录过一次的用户数；活跃用户数：登录用户数-新增用户数；新增用户数：在某个时间段（一般为第一整天）新登录应用的用户数；日活：当日访客/总用户数。周活：7日内访客(去重)/总用户数。月活：30日内访客(去重)/总用户数。流失率 ：是指用户的流失数量与全部用户数量的比例。转化率 ：正式成为用户的数量和未知意向的潜在型客户的数量的比率。二跳率(一跳、二跳、三跳)：漏斗模型，没进入一个层级用户的流失率。留存率=登录用户数/新增用户数*100%（一般统计周期为天）次日留存率：（当天新增的用户中，在第2天还登录的用户数）/第一天新增总用户数第3日留存率：（第一天新增用户中，在往后的第3天还有登录的用户数）/第一天新增总用户数，还可用7天，30为周期计算周留存率和月留存率。LTV（用户生命周期价值）=一段时间内的付费收入/一段时间内的新增用户数；一般指的是3日、5日、7日、14日、30日、60日、90日LTV，即用户首次登录到以上日期所带来的价值。

五、数据分析思路

有了上面提到的这些数据，仅仅是一个基础。更重要的如何利用这些数据，进行分析，从而获取对于产品的指导意义。要让这些数据有意义，首先要建立起产品的数据体系。做好客户端埋点，产品数据定义这些基本工作后，制定日常的数据监测机制。有了周期性的数据监测，才能从数据中发现问题，并深入分析问题，寻找解决问题的方法。

第一步，找到问题所在，我们要发现发生了什么问题？如一段时间内的用户留存率忽然降低。第二步，找到问题发生的原因，寻求为什么会发生这个问题？在用户层发现的问题，就需要下沉至功能层。如用户留存率降低的原因，是不是因为产品的功能无法满足用户的需求或者功能的改版增大了用户的学习成本。这个阶段中，要勇敢猜测，大胆求证。第三步，在可能的问题发生原因的基础上，通过产品或者运营的方式来尝试解决问题。第四步，在采取一定的解决问题的措施之后，要持续数据监测，通过数据观察措施的有效性；并及时调整措施，知道问题得到改善或解决。

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊。

一、初创期

初创期的重点在于验证产品的核心价值，或者说验证产品的假设：通过某种产品或服务可以为特定的人群解决某个问题。这个阶段应当遵循MVP(Minimum Variable Product) 的思想，以最小的成本来验证创业的想法，并根据用户的反馈快速迭代以调整解决方案，最终在数据上得到验证。

案例：

拿之前做的某款国外移动端论坛社交应用为例，产品在idea时期(12,13年左右)发现了论坛用户经常在吐槽从移动端Wap页访问论坛速度慢、广告多、完全没有移动端适配，于是我们提出假设：做一个App，连接论坛系统与用户，让论坛用户在移动端也能享受流畅的论坛访问体验，并且用户愿意为了这种体验付费。

于是在初期，整个产品完全围绕看帖、发帖两个核心场景进行挖掘，在论坛里进行宣传，售价$18，发现有许多用户为之付费，且这些用户的留存率达到60%+(当然与用户付费了有关)，有一半的用户使用时长都超过了70分钟。当时没过多久陆续出来了一些竞品 (Vbulletin团队，当时最大的论坛系统，开发了一个移动端的App，意图解决同样的问题)，但是没过多久都远远落在了我们后面，就是因为整个团队遵循MVP的思想，按用户反馈专心反复打磨看帖、发帖的流畅体验，获得了非常好的用户口碑并领先市场，也获得了某著名硅谷投资机构的投资。

关键数据——目标人群画像

除此之外，初创期可以通过接入一些第三方的应用监测SDK来了解初期用户群体的画像，从侧面验证用户群体与假设的目标用户群体特征是否一致，常见的是人口学属性(性别、年龄、学历、地域)。

案例：

今年4月初在和国内某健身类的APP的产品经理聊到， 该APP最初是一款健身、运动记步的工具App，在产品前期新用户的次日留存处于业内平均水平，在其观察到目标用户群体的画像时，发现女性用户明显比男性用户要多，且女性用户留存明显比男性用户要高。于是决定在产品策略上向女性用户倾斜，主攻女性健身、减脂、美容方向的功能以及内容推荐，产品整体次日留存率相比之前增长近100%。

同样，最近服务了一个鹅厂内部客户，他们开发了一款新产品，意在面向年轻人群体，结果却发现其用户年龄分布以青少年和老年人居多：

这正好与他们的用户渠道相关，原来他们有一款面向青少年和老年人的产品，为了给产品带来第一批用户，他们直接从老的产品将用户引流过来，结果发现他们并非产品的目标用户。

关键数据——留存率

在当前用户符合目标受众特征时，核心关注这些用户的留存率、使用时长/频率、用户的黏性等指标，这里就留存率展开来讲。

留存率的维度分很多种(7日，双周，30日等)，依据产品特征来选择，若产品本身满足的是小众低频需求，留存率则宜选择双周甚至是30日;留存率高，代表用户对产品价值认可并产生依赖，一般来说，假设便能得到验证，通常低于20%的留存会是一个比较危险的信号。

介绍一个以数据为驱动的先行指标模型，可以通过找到先行性指标指导产品设计，从而提升留存率。先看下先行性指标的定义，先行性指标是指新用户在使用产品早期的一种产品行为，这个指标与用户的留存率指标之间存在着非常高的线性相关关系，可以预测用户是否会在产品中留存下来。

用自己总结的公式来描述，大致如下：

积极预测可能性(%)：表示用户执行了该行为，即可预测该用户留存活跃的可能性

消极预测可能性(%) ：表示用户如果不执行该行为，即可预测该用户不留存活跃的可能性

最终，先行性指标的可信度=积极预测可能性 X 消极预测可能性 ，我们直接看案例。

案例

拿之前的论坛社交App为假设，假设“用户在注册前10天内添加好友超过7个”为先行性指标，那么我们计算一组数据：

其中，用户前10天内添加好友超过7个，则其30日留存下来可能性为99%;若添加好友小于7个，则其30日不留存下来(流失)可能性为95%，综合指标可信度为0.9405。

同理，计算以下两个先行性指标可信度：

最终，我们得到对比：

以上只是假设的数据，实际上，我们需要对比十几个甚至是二十几个行为指标才能找出先行性可信度最高的行为。

这个模型中第一条“新用户在注册后的10天内添加好友超过7个”，也就是Facebook一个经典的“aha moments”，所谓”aha moments”即当用户意识到产品的核心价值的时刻，也就是我们的“先行指标”。

(Facebook，Instagram推荐好友截图)

除此之外，先行性指标应当满足以下条件：

二、快速成长期

经过了产品打磨的初始阶段，产品有了较好的留存率了，这个时候产品开始进入自发增长期。自发增长期的产品阶段，仍需要关注用户留存、用户时长、用户画像的变化等数据，但可以将侧重点关注在用户的整个生命周期的管理，其中以新用户的增长、激活、触发“aha moments”到产品稳定活跃用户的整个漏斗分析为主。

新用户的增长和激活

其中新用户的增长和激活一般有两种方式，第一种是构建产品的病毒性传播系数, 让产品自发增长，《精益运营数据分析》书中有提到的几个用户病毒式传播分类很有趣：

原生病毒性，即通过App本身的邀请好友功能而传播吸引的新用户的方式;

口碑病毒性，即通过口碑传播，用户主动通过搜索引擎成为的新用户;

人工病毒性，即通过人工干预，如有奖邀请等激励措施来鼓励用户进行邀请行为。

这里关注的一个指标称之为“病毒式传播系数”，感兴趣的同学可以自行深入了解。

新用户下载->激活->‘Aha Moments’->产品稳定活跃

产品开始进入自发增长期后，需要关注用户从新用户到活跃用户(留存后)、到核心用户的生命周期，并将每个过程的关键指标提炼并精细化。

案例

以之前的论坛社交APP为例，新用户进入产品会看到一个欢迎页(如左下图)，经过注册、登录后会看到产品的首页(如右下图的Feed流页面)，多数App都有类似的流程：

一个新用户从进入App欢迎页到最终成为核心用户大概是以下流程：新用户(探索发现产品价值中)-> 旁观者(逐渐认知产品价值并有一定的参与感)->生产者(认同产品价值并积极参与)：

按大众化的分法，产品的生命周期(PLC, Product Lifetime Cycle)分为初创期、成长期、成熟期、衰退期，在产品的每个阶段，数据分析的工作权重和分析重点有所区别，下面按阶段结合案例来聊聊：

此时，对各个阶段的用户行为进行指标分解：

新用户&探索发现者：

欢迎页跳出率新用户注册率新用户引导流程转化率初始看到Feed页跳出率搜索结果转化率推送权限开通率

旁观者(路过者)：

平均每个用户关注板块数平均每个用户关注其他用户数平均每个活跃用户赞/分享数Feed卡片展示数Feed卡片点击数订阅内容推送点击率

内容生产者：

· 平均每个活跃用户发帖数

· 平均每个活跃用户发照片、视频数

· 平均每个用户在论坛内使用时长

· 活跃用户在论坛内行为分布

精细化的拆分用户生命周期前中期的行为指标，在产品快速增长期帮助了产品不断打磨细节，将用户从新进到成为核心用户体验不断完善。与此同时，在各节点数据提升并稳定后，产品运营的同学则开始进行各种推广、投放的宣传以扩大盘子、占领市场。

三、成熟期

随着用户快速增长，产品不断完善，产品在进入成熟期前后，数据运营关注的重心开始从用户生命周期的前半段(吸引、激活、留存)往后半段(流失、回流)开始偏移。

这里分享一个在增长期和成熟期关注的数据模板 Daily Net Change (应用自John Egan@Pinterest)，区别于只关注DAU、MAU数据，只关注活跃用户数的增减很多时候都是取悦自己，而这个模型能帮助直观地观察到用户增长的因子是什么，或者用户盘子变化的情况，通过一张图展示了产品的新增、回流和留存情况。

其中Net Change = 新增用户 + 回流用户 – 流失用户。

新增用户即当天有多少新用户加入

回流用户即多少老用户连续28天没有使用，今天又开始使用

流失用户即有多少已有用户刚好最后一次使用应用是在28天前

流失与回流

在关注流失回流的过程中，数据会揭示当前用户盘子的一个变化情况，具体分析流失原因则可以参考下方流程：

核心思路即，通过回访定性+数据验证为主要手段，确定流失原因，改变产品运营策略以预防用户流失或拉回用户，促进回流。

除此之外，对于一些稳定的投放渠道，普通的改善方法可能提升转化有限，此时可以进行更精细化的渠道分析来优化提升ROI：

案例：

提升ROI

四、衰退期

最终，产品进入衰退期，一般在进入衰退期前可以采取两种方式：

1、规模化

常出现在零售业中，如开一家按摩养生店，在一定范围内收获好评，那产品成熟的时候则可以开启连锁加盟模式，通过迅速而广泛的扩大市场形成品牌效应，以形成壁垒，此时衰退的风险则被抵御。

2、生态化

在产品增长或接近完善时，单一的产品很容易存在需求过于垂直、用户无法形成依赖的问题，可以开发具有协同能力的新产品以搭建完整的产品生态，使得在当前产品上无法被得到满足或失去兴趣的用户被引流到新产品，作为新产品的新用户;同时新产品的用户也能在新产品上被引流回老产品，产品之间形成互相依赖的链条，最终用户有效流转，形成生态。

对于超市数据分析，其实问题可以主要为两方面，一方面是超市数据分析应该关注哪些指标？另一方面是超市数据分析用什么样的软件会更方便，最好这个软件就直接能解决我分析的困难。

一、使用什么样的软件？

简单的数据分析Excel就可以完成，如果是复杂的分析，可能就需要一些用到一些BI工具。BI分为传统BI和敏捷BI，在敏捷BI中国外做的比较好的有Tableau，国内做的比较好的有 Yonghong BI ，Tableau有很多个人的分析师在用，企业里用 Yonghong 的比较多。

二、应该关注哪些指标？

对于超市来说，需要关注的指标其实蛮多的，针对不同的目的，我们可以有不同的指标体系。我们可以看一下这张图。

我们可以看到有供应链、物流、财务、市场、门店、销售、会员这七个模块，而每个模块中又会有具体的分析内容。我们说几个比较常用的

1.用户分析

用户分析主要是对顾客群体的购买行为的分析。

通过对用户的年龄、人均购买次数、购买总金额、消费地区、购买途径等数据进行分析，深入洞察消费者购物行为和偏好，寻找到高价值客户的消费规律，通过精准营销，提升销售额。

2.门店分析

实体门店仰赖营业额作为绩效指标，但对于营业额不佳的门店，却难以有更进一层的数字观察与改进。通过数据分析，进行门店客流追踪，不仅能根据日、周、月、年等做周期分析、跨门店分析，还能结合POS营业额等销售数据做整合分析，进而预测下一周期的营运绩效，助力零售商达到经营效益最大化。

3.商品分析

商品分析的主要数据来自销售数据和商品基础数据。

主要分析商品的类别结构、品牌结构、价格结构、毛利结构、结算方式结构、产地结构等，从而产生商品广度、商品深度、商品淘汰率、商品引进率、商品置换率、重点商品、畅销商品、滞销商品、季节商品等多种指标。通过对这些指标的分析来指导企业商品结构的调整，加强所营商品的竞争能力和合理配置。

4.渠道分析

如果企业同时运营着线上渠道和线下渠道，需要对加盟商的情况做到心里有数，因为库存和缺货是所有的零售迫切解决的一个难题。

如果零售商对用户的需求没有进行精准的预测，则会导致供需失衡，造成高库存或者是缺货状态，最终将造成成本上的浪费。通过对渠道数据进行分析，可以对供需平衡进行高效管控，降低成本。

这里分享一个711便利店做超市数据分析的案例。

711便利店的收银台键盘区域有这样几个键：男、女，年龄20-30、30-50、50-70（大概这样一个区间），然后在每次你付款结束后，他会很快地建立出一个用户画像出来。比如你今天买了一本《男人装》的杂志，在收银台后端的数据就会显示为，20-30岁女性，购买商品为xx杂志。通过对每一个用户数据的记录，711的这个店铺就能很快知道，我这个店周围的用户群体大致的一个画像，是年轻人多，还是老年人多，他们主要都喜欢购买哪些商品，主要集中在哪个时间段。

有了这些数据，711就能以此调整自己的商品供应，实现了相对精准的营销。所以你表面上看所有的711便利店都是一样的，其实里面卖的商品品类是根据这个店周围的用户属性进行过微调的。

其实这个案例就是以上有提到的用户分析、门店分析、商品分析的一个最简单的方式。通过数据分析就可以解释：WHO——购买和使用产品的消费者是谁、WHEN——在什么时候购买、WHERE——在什么地方购买、WHAT——消费者购买了什么产品、WHY——消费者为什么购买。

这样超市就可以知道顾客消费偏好，提高营销决策水平，实现销售额的高速增长了。

希望以上内容对你做超市的数据分析有所帮助。

商品运营师必须要知道

的数据分析精髓！！！

NICK微课堂

现在有越来越多的同学们在问，究竟大数据分析我们应该关注那些

维度，天天在看数据做分析，但就是做不出最优质的商品运营方案和

商品促销规划方案，今天的分享中就和大家一起来探讨商品运营中必须要知道的运营指标和指标分析后要做的事情。

商品运营的核心就是大数据，而企业的信息数据都是要经过沉淀与过滤才能使用，这个过程就必须要我们商品运营人员懂得帮企业去养

自己的数据，在这个部分，我们首先要做的就是必须把数据中的商品

属性统一起来，不能爱那那样，第二点，就必须要控制好信息系统中进、销、存各部分流程的数据规范化录入，不然就会发生我们经常面对到的负库存啦，没库存但有销售等等情况。

就像现在服饰行业中经常听到的：

"没有商品运营之前，市场都是盲目操作的，有了商品运营后就是洞察市场的企业啦。"

商品运营是一个体系化的工程，它可以帮助企业搭建商品进销存结构化的系统，这个系统能通过对企业的大数据分析，找出需求痛点解决运营问题。下面是作为运营，你必须知道的数据指标及指标背后你应该做的事情。

一、以下就是商品运营要经常关注的数据运营指标

我们在做实体店商品运营的时候要分析很多数据标注，售罄率，毛利率，货品成本，连带率，roi，费销比，合理销售额，合理备货率等，如下：

二、客户生命周期管理是运营的开始，而品牌的客户获取是有一个

结构化思维的

品牌客户再发生消费时就会产生动态的消费数据，也是客户RFM数据分析的过程，在客户的动态数据中我们就可以分析出客户的生命周期，从消费动态数据产生的是从客户进店-客户开卡-客户试衣-客户消费的动态过程中，我们就可以分析及制定对应的营销活动刺激客户活跃度和复购率。

客户生命周期要关注的数据指标

我们从用户生命周期图的每一个时期来进行指标分析

引入期：我们较为关注的是在某一个会员增长活动中的新增会员数

期间新增会员数/期初有效会员数，成交量及转化率我们可以在往后一个时间看，在该阶段我们要对会员增长活动用这个指标来做活动成功率分析

成长期：在会员成长期阶段，我们则较为关注期间有效会员的回购率及复购率，在该阶段，客单价及连带率我们可以留待下一个阶段来考核，重点要看的是品牌新增会员对品牌的粘度

成熟期：在会员成熟期，这个阶段不同品牌有不同的定义，通常用

会员开卡时间，或者品牌会员的年龄，不同的定义也会有一个基本维度就是时间，在该阶段，我们则较为关注期间有效会员的客单价，连率及复购率啦，但这3个指标也会受品牌

商品战略规划的影响，也就是品牌大商品企划的影响啦

休眠期及流失期：在该阶段，我们就可以使用RFM会员指标分析啦

该套指标是一个对比指标，围绕各个会员的统计期消费频次

，消费金额，最近消费天数来做KPI指标评分，该阶段我们

要缩定休眠会员或者有机率流失的会员做唤醒活动，比如

大型会员PARTY，大型会员日，或者老客换新卡送礼品等

刺激老客回购活动

三、当我们了解到会员生命周期管理的数据分析指标后，我们就要做商品生命周期的指标分析了

商品生命周期是指市场上的的商品周转期，有严格的标准划分，要经历导入、成长、畅销、衰退这样的周期。就商品而言，也就要经历：研发、导入、成长、畅销、衰退的阶段。

大家通过这个图片也可以很清晰的看出，商品生命周期与客户生命周期的过程是非常相似的，而它们的运营管理方法也是非常雷同

商品导入期：较为关注的各个商控波段的新品试销

在该阶段我们会把各个波段的新品提前投放在品牌各种业务渠道，如微商城，天猫电商或者战略门店，它的核心分析指标是浏览率，加购率及门店的预购数，我们可以通过这些指标了解到每波段新品可能会出现的关键爆品，从而提前操作快反补货（这也是快反商品管理品牌的一个提前预售测算的手法）

商品成长期：较为关注的各个商控波段的新品试销分析/滞销品定位

在商品生命周期第二阶段我们会对该波段商品及下期的合理库存进行复盘，从而较准确的通过近期单品销售趋势分析出畅销款及滞销款，

如果品牌的供应链管理良好，生产速度快速，则可在此阶段才进行爆品补货，而该阶段的分析核心，则是目标售罄率，首单售罄率及预测出每款商品到期末的合理剩余库存，通过这3个指标，我们就可以对各款商品进行快反补货了

商品畅销期：该阶段是每款商品的核心销售期，我们要重点分析出滞销款及制定衰退期时的单品促销规划

在商品生命周期第三阶段尤其是快销品牌，在该时间段中，应为商品上市时间已经有15天，三周，我们可以很清晰的知道每款商品的销售表现，通过复盘分析，我们就可以为销售衰退期要进行降价出清的商品制定促销规划，该阶段我们也要操作商品门店调拨，该阶段的分析核心，目标售罄率，损益售罄率，毛利率及竞品的商品运营活动及品类价格结构带

商品衰退期：这是商品生命周期的最后一个阶段，我们重点关注的是商品促销，该波段商品重组（可延伸到下波段的商品），下波段商品上新

在商品生命周期的最后阶段，是我们波段商品的大促期及退市期，

更要操作下波新品上市试销，这是一个结构化流程，每个波段都要循环操作下去，该阶段的分析核心，商品促销增长率，波段毛利率，波段备货率复盘，波段合理库存复盘。

通过今天的分享，我简单的与大家分享了商品运营师在客户生命周期及商品生命周期各个阶段的销售数据分析维度及指标使用方法，做商品运营管理，最简单粗暴的做法就是分客户管理及商品管理，并且在各个商品运营阶段要设定好操作时间节点，并且在波段开始时制定好商品运营战略大表，预则立，不预则废！！！

只因有你的关注，我们将为做得更好！