新媒体营销效果分析-漏斗数据分析

1. 什么是漏斗分析

用一个简单的例子来说明，假如有1000人访问某企业网站，有300人点击注册，有100人注册成功。这个过程共有三步，第一步到第二步的转化率为30%，流失率为70%，第二步到第三步转化率为33%，流失率67%；整个过程的转化率为10%，流失率为90%。 该模型就是经典的漏斗模型。

2. 漏斗分析应用场景

通过漏斗您可以分析用户行为路径在每一步的转化和流失，对流失较多路径进行细化多维度分析，找出漏点提升转化。应用场景：用户注册转化分析、企业用户分析转化

3. 漏斗分析解决方案

a. 转化率：根据流量入口及用户行为特征自定义转化漏斗；

b、流失率：流失率过高，分析每个环节的流失数据；（通用化妆品的转化率为15%，）b. 漏斗对比分析：通过事件、属性、时间进行对比分析，找出漏点事件；

（每个推广的地域，时间，促销等分析，对比分析，每天，环比分析）c. 事件多维分析：基于漏点事件，找出问题维度指标；d. 用户行为分析：通过用户行为及表单分析，优化产品，解决问题。

4. 如何进行漏斗分析

漏斗分析系统可以满足所有的漏斗分析需求，并配有筛选、时间分析，地域，人群等对维度进行数据分析、可直观展示多维度多步骤漏斗分析转换过程。以下为漏斗分析操作步骤。

a.在转化分析-漏斗分析中，选择注册会员漏斗模型。比如，我们选择上一步设置好的“首页转化漏斗”，

b.漏斗分析可以根据按（昨日，7日，30日）时间粒度分析，也支持按照（用户属性、会话属性、渠道属性、推广属性）用户属性进行漏斗细分分析。

c.按照时间维度对比分析漏斗

e.按照属性维度对比分析漏斗，比如按照访客类型（回访访客、新访客）进行漏斗细分。

f、按照用户画像对比进行漏斗分析。用户的年龄，受教育程度，婚姻，收入状况等。

感谢关注天善智能，走好数据之路↑↑↑

欢迎关注天善智能，我们是专注于商业智能BI，大数据，数据分析领域的垂直社区，学习，问答、求职一站式搞定！

每周2-3场免费数据领域公开课，每月线下活动，欢迎关注！

这是陈老师《做一个人见人爱的数据分析师》长篇连载第一篇

FBI Warning

——本文会引起某些数据分析师的不适——

——2年以下经验的新兵请在家长陪同下观看——

坐

好

扶

稳

飙

车

开

始

数据分析师1：日报显示昨天业绩没达标

销售部门：早知道了*1

数据分析师2：周报显示昨天业绩没达标

销售部门：早知道了*2

数据分析师3：月报显示昨天业绩没达标

销售部门：早知道了*3

数据分析师4：月度分析表明不达标是因为客户到店少

销售部门：早知道了*4

数据分析师5：所以我们要加强客户到店

销售部门：早知道了*5

销售部门：你丫废话不废话啊！老子天天守在门店啊！到店人多不多我看不到啊！你当我是瞎子吗！加强到店，说的轻巧，你给老子加强个试试看啊！

数据分析师6：可以推出爆款产品吸引客户，你看XXX就卖的很好

销售部门：早知道了*6

销售部门：卖的好我当然知道啊，调货都调不到啊，库存不够你倒是帮老子想想办法啊！

数据分析师7：那客户数少，客单价提起来也行，你们可以推XX+XX组合

销售部门：早知道了*7

销售部门：但是对谁推啊！我们能促成一单已经很不容易了好吧！还TM推大单，用你的直筒子脑袋想想，单价上去了，成交率肯定会往下跌啊，还作分析的呢！

数据分析师8：从数据上看，性别女（58%），年龄25-30（42%）推成功率最高（58%）

销售部门：扯淡！

销售部门：你到门店看看，有几个性别女且年龄25-30的会买这个。况且我们怎么知道人家年龄25-30，我还查户口啊！

数据分析师9：你们没有数据思维！怎么能做到精准销售！都给我收集数据去！客户基本资料必须补完！做不到扣钱！

销售部门：哦，知道了

销售部门：那好办，今天谁的业绩最低，谁受处罚，就罚填这些顾客信息表，随便填填满为止，哈哈哈

数据分析师10：o(╯□╰)o，填回来的顾客全叫丁一，王二，算了算了，认真填有奖励！每份给20块！

销售部门：哦，知道了，大家填起来！

销售部门：呦呦，切克闹，管他成交不成交，资料先得来一套！七大姑啊八大姨，各个都得往上交，20块钱不会少，轻轻松松捞到饱啊，捞！到！饱！

——正经讨论的分割线——

上边这些事情估计做过销售日报月报季度报的同学都经历过。我们常说数据驱动业绩，分析提升效益。可以在最能直接驱动业绩，提升效益的销售领域，数据反而显得最无能为力。大部分时候我们给出的结论不是被说成：“早知道了”就是被视为：“站着说话不腰疼”。至于日报月报没人看，专题分析被人喷，对经验不足的分析师则是家常便饭的事。特别在线下销售企业和B2B类销售企业，这种现象更常见。

导致这个问题的有三大原因：

一：因果倒置

我们看到的数据大部分是结果。客户已经成单以后，我们可以看到交易记录，顾客信息，但是这是已经成交的情况。成交的过程是什么样子？为了促成交易销售做了哪些动作？不深入一线，只是就数论数的话，根本猜不到原因。而销售们往往对真实情况了如指掌，当然看不起只靠用户数*活跃率*付费率*付费金额这种简单公式推测出的分析结果。

二：指向不明

我们习惯性给概率，平均值，而销售最讨厌的就是这些。因为没有一个客户叫比例，也没有客户叫平均。他们需要的是很明确的：到底要做谁！要理解这些销售的心情，他们可不是坐在办公室吹着空调喝着咖啡打着ppt的市场部策划。他们要做大量基础销售动作，还要承担丢单的挫折感，哪有闲工夫听理论。

三：行动不清

我们习惯性给建议，而销售们需要的是动作。一个具体的销售动作，由迎客+询问+引导+FAB+促销推荐+促单至少5步完成。B2B类销售还需要至少6次持续跟进。在这个复杂的链条里，单纯的说“提高客单价”“增加交叉销售”这种空话是没有意义的，销售们需要的是具体的我可以说什么，我可以做什么。

归根到底，是因为业绩是做出来的，不是算出来的。如果仅仅是给一个数字，就无法体现数据分析师的意义，上一套自动BI就可以炒了你们全组人。如果不想只给数字，就得深入到业务中，理解销售的工作特点，输出可以帮助到他们的结论。

这就需要分析师们不能沉迷于自己的数字游戏，沉迷于加减乘除算法模型之间，而是要设身处地的思考：

1. 如何发现机会，提示方向；

2. 如何找到标杆，提炼经验；

3. 如何量化行为，清晰考核；

把那些Ace级销售的行为标准化，武装给销售团队的每一个人；

把那些习以为常中忽视的问题暴漏出来，及时纠正方向，提升效率。

真正让数据分析起到分析应用的作用，而不是简单跑个数了事

陈老师会在后续文章中逐步展示具体做法，敬请期待哦！

当然，这里也有成体系的攻略，戳：https://edu.hellobi/course/179 看销售，市场，产品，营运四大部门如何利用数据，看领导们如何基于数据分析做决策

然而，你觉得这些和身处基层的自己隔得太远，戳：https://edu.hellobi/course/216 看基层专员如何突破障碍，快速积累经验

本文作者：天善智能社区专家陈文。8年经验数据分析师，资深业务顾问。观客CRM数据运营总监，在金融，零售，家居，美容等行业有丰富经验。负责超过25个数据运营，CRM，精准营销项目落地，参与5个以上数据产品设计与运营。在业务部门最懂数据，在数据部门最懂业务，在数据业务两个交叉领域吐槽最凶猛。

原文链接：https://ask.hellobi/blog/chenwen/9498

天善学院svip正限时特惠火爆报名中！包含业务知识一站通、Excel BI商业智能、七周成为数据分析师、对话大数据系列技术、R语言15案例、Python3网络爬虫实战案例、Python机器学习、Python数据科学家精华实战课程、深度学习模型和实战课程、数据分析报告共10套课程，其他课程只需五折即可，欢迎大家关注报名。https://hellobi/svip

门店的数据报表，包括各部门每周/每月的销售额、毛利、毛利率、日比、周比、同期比、销售占比、日平均销售额、通路费用、各项数据指标、达成率及行动计划等，对于门店管理来说是至关重要的。而往往最能直接暴露门店经营问题的，就是门店经营数据了，面对门店的一张张报表，如何从繁琐的数据中，合理的得出对门店日常经营管理的各项措施和办法，即如何做好门店数据分析，这对当下企业的门店管理来讲，是一门生意经。

基于此，帆软FineBI商业智能产品提供了企业级的门店智能数据分析的解决方案：通过鼠标点击和拖拽就能够轻松掌握门店分时段营业分析、门店综合营业分析、门店报废商品分析、门店综合管理驾驶舱等等一系列的数据，在经营和管理门店运营的过程中真正做到数据在手，胸有成竹。

方案内容

企业门店智能数据分析干货内容：

1.企业如何快速搭建门店智能数据分析平台？

2.如何让门店管理人员直接对接门店数据库快速完成基础数据分析？

3.如何让门店管理人员直接对接门店数据库快速完成综合数据分析？

4.如何让门店领导直接对接门店数据库快速完成即席数据分析？

5.如何让企业门店智能数据分析成果实现团队协作共享？

方案效果及实现说明

1.企业如何快速搭建门店智能数据分析平台？

这部分工作属于企业IT部门的前期数据准备工作，需要IT部门在FineBI的数据配置-数据连接管理中新建好数据连接，保证数据连接测试成功。然后添加人事管理业务包，将相关数据表加入并且建好立表间关联关系即可（如果是FineIndex类型的业务包需要更新好FineIndex数据）。分配好对应数据权限之后，用户即可直接在浏览器前端来对这些人事数据进行即席的多维探索分析。

以本方案为例，如上图所示，我们在人事管理业务包中添加好门店主档信息表、综合营业分析表、日期信息表、小时维度表、报废商品数据表、营业日数据源表等数据，并且建立好维度表和事实表之间的数据关联关系。

最后在数据配置-权限配置管理界面中将建立好的门店管理业务包的权限分配给门店部门相关人员，并且在管理系统-用户管理中将门店部门人员加入到BI编辑用户的已授权列表中。

2.如何让门店管理人员直接对接门店数据库快速完成基础数据分析？

a.门店分时段营业对比分析

门店经营的第一项基础且重要的工作，就是门店管理者需要对日常时间范围内的销售情况进行把控，熟悉各个时间段门店的销量状态。特别是对于特定的一些节假日举行的促销活动，我们更需要进行及时关注和跟踪，这样才能根据以往的经验更好地去策划未来的活动，取得更好地活动效果。

如上图所示的门店分时段营业对比分析，我们可以通过FineBI的时间控件进行任意日期的内的门店经营效果比对，追踪各个门店的实时经营状态。除了小时的粒度之外，针对不同星期的门店经营业绩进行分析对比（上图所示，周一的门店经营整体状态明显由于其他星期），以便优先选择活动效果最佳的时间。

b.门店报废商品分析

为了更好地对各个门店的销售商品进行优化，我们需要对报废商品进行一些数据分析。如上图所示，我们可以通过仪表盘合计出时间区间内的报废总金额，同时用对比柱状图过滤出报废商品Top10的商品，重点观察和监督。营业部方面，试用饼图统计出各个营业部的报废金额分布情况，着力对报废商品问题严重门店进行商品整改和优化。

c.门店信息查询

对于门店的信息查询，我们可以试用FineBI内置的地图进行基于地理位置的数据分布统计，另外通过明细表组件展示各个门店开设的详细信息（门店名称、大区名称、中区名称、小区名称、门店地址等）。

3.如何让门店管理人员直接对接门店数据库快速完成综合数据分析？

a.门店综合营业分析

接下来我们来进行门店的综合营业数据分析，如上图所示，我们使用仪表盘组件合计总的营业净额，使用柱状图降序统计各个门店的营业额数据情况。对于日期区间范围内各门店营业净额的数据，我们使用堆积柱状图进行统计，以对比分析每天各个门店的营业净额数据。销售结构（销售毛额、营业净额、折扣金额）和销售品类（一般商品销售金额、饮料销售毛额、食品销售毛额）的分析，我们使用折线图进行基于每天的数据对比分析即可。

b.门店经营目标达成分析

如上图所示，我们再来做企业各大区门店经营目标达成的数据分析。由于我们的门店营业部有三级分类，那么这边选择多层饼图来进行三级营业部下的目标达成率分析最合适不过了。各个门店的营业净额方面，使用组合图的对比柱状图分析各个门店的目标金额和营业净额数据，使用组合图的折线图分析各个门店的目标达成率（目标达成率=营业净额/目标金额）。

4.如何让门店领导直接对接门店数据库快速完成即席数据分析？

除了以上给大家介绍的制作一些企业常用的门店数据分析之外，FineBI最大的特性就是随时满足业务人员或者企业领导的数据即席分析需求了，通过轻松的托拖拽拽操作，就能生成丰富多样的数据分析可视化统计结果。

我们以上图的每日交易数量和销售毛额折线图统计场景为例，只需要将交易日期字段拖拽到分类轴，将销售毛额、交易数量拖拽到左右值轴，即可自动完成分组统计，真正做到想看数据“不求人”！

5.如何让企业门店智能数据分析成果实现团队协作共享？

企业的各项工作，主要由各部门团队分工协作完成，彼此之间需要很好地进行沟通和配合，那么FineBI是如何帮助企业将门店智能数据分析成果实现团队协作共享的呢？

以上图所示的门店管理中心驾驶舱为例，展示了企业的产品销售种类统计、门店毛利统计、地区销售额统计、月度销售额/毛利额统计等等多个核心的门店管理分析指标。那么门店管理人员通过FineBI做好的一个门店管理里中心驾驶舱之后，其实在FineBI中可以非常便捷地将它分享给相关部门或者指定人员的。

例如我这边想把它分享给企业的领导人员，那么可以在FineBI的仪表板中将做好的门店管理中心驾驶舱模板点击分享给领导部门的Tom，然后点击确定即可。这样一来，领导部门的Tom登录之后就能收到门店管理人员给他分享的门店管理中心驾驶舱了。

电商运营技巧：如何进行数据分析?济南优就业IT培训的小编给大家讲一下：

(一)日常性数据分析

1.流量相关数据：IP丶PV丶在线时间丶老用户比例丶新用户比例。

2.订单相关数据：总订单丶有效订单丶订单有效率丶总销售额丶客单价丶毛利率。

3.转化率相关数据：下单转化率丶付款转化率。

(二)每周数据分析

用户下单和付款不一定会在同一天完成，但一周的数据相对是精准的，所以我们把每周数据作为比对的参考对象，主要的用途在于，比对上周与上上周数据间的差别，运营做了某方面的工作，产品做出了某种调整，相对应的数据也会有一定的变化，如果没有提高，说明方法有问题或者本身的问题并在与此。

1、网站数据

IP丶PV丶平均浏览页数丶在线时间丶访问深度比率丶访问时间比率。这是最基本的，每项数据提高都不容易，这意味着要不断改进每一个发现问题的细节，需要不断去完善购物体验

2、运营数据

总订单丶有效订单丶订单有效率丶总销售额丶客单价丶毛利润丶毛利率丶下单转化率丶付款转化率丶退货;每日数据汇总，每周的数据一定是稳定的，主要比对于上上周的数据，重点分析内部的工作，如产品引导丶定价策略丶促销策略丶包邮策略等。

分析时大家思考三个问题：

1：对比数据，为什么订单数减少了?但销售额增加了?这是否是好事?

2：对比数据，为什么客单价提高了?但利润率降低了?这是否是好事?

3：对比数据，能否做到：销售额增长，利润率提高，订单数增加?

(三)：用户分析

会员分析数据：会员总数丶所有会员购物比率(新会员，老会员)

1.会员复购率

2.转化率

(四)：流量来源分析

流量分析是为运营和推广部门指导发展方向的，除了关注转化率，还有像浏览页数丶在线时间，访问深度等都是评估渠道价值的指标。

(五)：内容分析

主要的两项指标：首页装修和宝贝详情页的购买率。

1.查看哪款产品的销售差，哪个产品的销售好，基本会说明有些问题，然后全体团队重点讨论，发现问题，给出意见，然后依次进行改进。

2.首页肯定要与热点内容相符合，学会看新闻，学会看天气，分析消费者最关注什么，喜欢什么产品丶查看同行店铺的促销手段极其装修等等，从他人处学到精华，学会应用。

近几年电商行业的各大网站纷纷通过降价、促销等方式来吸引用户，KPCB 的调查报告显示，2009 年到 2015 年全球移动端新用户的增长率持续下滑，可以预计在 2016 年这一增速将继续放缓。这意味人口增长带来的流量红利正在逐渐消退，用户增长将更加乏力，那么，通过单纯的价格战来吸引新用户的方式还可行吗？

严峻的市场市场形势让我们思考：

1）通过降价促销来带订单数的增长，但是这样的活动吸引来的真是你的目标用户吗？

2）现在很多电商运营团队缺少精细化运营和数据驱动的经验和意识，依靠价格战这种野蛮生长的方式，一旦团队面临增长困境，又该如何应对？

Part 1 电商行业需要关注的五大关键指标

在众多的互联网细分行业中，电商行业起步早，发展时间长，行业特征显著：

1）商品品类及 SKU 多，用户覆盖面广，运营难度大；

2）总体上客单价低（除旅游、奢侈品等外），强调留存与复购；

3）电商产品设计相对成熟，优化运营是重中之重；

4）电商行业竞争白热化，精细化运营是冲出重围的必备技能。 要想实现精细化运营，数据是必不可少的一个环节。

要想实现精细化运营，数据是必不可少的一个环节，电商网站要提高运营效率，至少需要五大关键指标：活跃用户量、转化率、留存、复购和 GMV 。

1）活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次；

2）转化是一个非常重要的指标，电商运营需要关注主路径、次路径甚至精细到每一个品类 SKU 的转化率；

3）留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存；

4）复购则要从 3 个角度去看，复购用户量、复购率和复购金额比；

5）GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV 转化率客单价

Part2商品运营：流量优化和品类优化

前面提到电商行业的一大特点是商品品类或者 SKU 非常多，那么如此多的商品该如何运营呢？

这是三个电商 APP 的首页界面（各家 Web 端布局也比较相似）：前两个是京东和国美，属于平台型的电商；第三个是生鲜水果平台，属于垂直型电商。不难发现电商的产品在设计上非常类似，首页上面呈现的是轮播的 Banner ，下面是活动专区。

在商品运营中，尤其是首页商品更新速度快，我们要格外重视转化，甚至要精确到不同时间区间、不同位置、不同商品的转化率。然后根据转化率，结合业务经验，不断调整运营策略。然而目前，即使是大型的电商网站，也没有很好地做到这一点，对于每个商品品类 SKU 的转化率的分析仍存在一定的空缺。

商品运营有一个非常大的优势：投入低，见效快，效果明显，商品运营的本质是通过不同坑位、不同活动、不同商品的分析来提高我们的转化率和 GMV 。

下图展示了一个电商购买流程的主路径：首页——活动页——商品详情页——支付完成。从精细化分析的角度出发，我们关注转化路径每一步的转化率；通过分析不难发现最后一步“支付完成”的转化率偏低。

我们更需要基于三个关键转化“UV-点击”、“点击-加入购物车”、“购物车-支付成功”，对不同的商品进行比较分析，从而及时调整运营策略，下图就是各个步骤的转化率：

电商网站的运营节奏非常快，尤其是活动专区的“秒杀”、“抢购”等活动，需要实时监测 SKU 的更新变化。上图中，某电商平台进行了一次微信上的促销活动，通过实时监测到对应的平台访问情况，便于运营人员及时调整运营策略。

GrowingIO实时分析功能电商网站上的商品品类非常多，每一个品类都应该有明确的定位，不同定位的品类应该有不同的运营策略。根据商品品类的利润率、转化率等表现，我们将商品品类分成 4 种：导流型品类、高利润品类、高转化品类、未来明星型品类。

1）导流型品类：利润非常低，但是购买量大、市场需求大，目的在于导流。

2）高利润型品类：利润率高，希望用户更多购买此类商品。

3）高转化品类：带量。

4）未来明星型品类：这是电商平台的潜力股，虽然曝光量很低，但是转化率极高。

明确了商品的品类后，我们就可以针对性地展开运营。

这是新型的波士顿矩阵，横坐标代表商品的曝光量，纵坐标是商品的转化率，图中的每一个圆圈代表一个品类的商品。右上角的商品品类曝光量大、转化率高，是现金流的重要业务；而左上角的商品虽然曝光率非常低，但是转化率极高，属于我们上面提到的未来明星型品类，对于这一类商品，我们在后期的运营中可以增加其曝光量。

Part 3 怎样进行用户运营？

正如开头提到的，随着互联网用户增长速度的放缓，用户体验愈发重要，之前无目的的短信推送、APP 通知有可能使用户厌烦，破坏用户的体验；甚至可能导致用户退订、卸载。

精细化运营的情况下，做好用户运营主要从两个角度出发：一是找到用户留存的关键点；二是采取差异化的运营策略，区分不同的用户群体，对不同群体采取差异化的运营方式。

1. 找到用户增长的“魔法数字”留住一个客户的成本远远小于重新获取一个客户的成本，所以留存至关重要，它关系着一个平台能否持续健康发展。

留存曲线分成三个周期，开始是震荡期和选择期，经过这两个周期，如果用户能够留下来，就会进入一个相对平稳期。

在硅谷流向的 growth hacking 中，经常提到 magic number（魔法数字）。

那么作为一个电商平台，你的平台的魔法数字是什么？

以某电商平台为例，在该网站上 7 天内完成 3 次购买的用户的留存度（红色）是一般用户（绿色）的 4 倍左右，因此在一周内让用户完成 3 次购买就是他的魔法数字。

2. 差异化的运营策略

不同用户的活跃度、商品偏好、购买决策阶段都各异，我们需要采取差异化的运营策略。差异化的运营策略主要从3个角度出发：基于用户的活跃度、基于用户对不同商品的偏好、基于用户所处的决策阶段。

基于用户的活跃程度，我们可以将用户大致分成“流失用户”、“低频活跃用户”和“高频活跃用户”。一般情况下，一个用户 30 天甚至更久没有登录你的平台，我们基本可以认为该用户流失了。对于流失客户，是否要考虑采取召回策略。30 天内活跃 10 天以上的高度活跃用户，我们是否可以向其推荐更多精准的商品。

其次基于用户对不同商品的偏好，我们采用用户分群，将用户区分成“美妆类”、“鞋帽类”、“数码类”、“书籍类”等不同群体，然后精准推送新品。

最后，基于用户购买决策的不同阶段。一个标准的购买流程，先后经历“首页浏览搜索——浏览商品详情页——商品对比——加入购物车——支付成功”等几个环节，用户在每一个节点都处于不同的决策阶段。我们从维度（属性数据）和指标（行为数据）出发，对用户分群，如“领取了优惠券，但是未使用”的用户，采取精准的推送。我们从 GrowingIO 提供的 API 导出这些用户的 ID 和属性，然后对接企业内容的 CRM 或者 EDM 进行精准的推送和提醒，刺激用户的转化。

Part 4 优化产品的转化效率

目前电商产品的设计总体成熟、界面布局类似，我们主要结合用户的使用情况去优化产品。我们的思路主要是：优化产品不同路径的转化率，注重用户点评的管理。

1.优化产品

从转化做起一个购买行为可能有多种转化路径：

1）首页——商品——订单转化

2）首页——商品列表——详情页——订单转化

3）首页——搜索——商品列表——详情页——订单转化

4）首页——单坑位Banner——活动页——详情页——订单转化

除了不同路径的转化率，我们还关注转化的每一步：

上图利用 GrowingIO漏斗功能展示了一个用户的购买流程及每一步的转化率，我们发现“加入购物车”到“支付成功”的转化率不到 13，偏低，需要排查具体的问题出在哪里。

一旦觉察到问题可能存在，我们就需要层层下钻，直接抵达问题的核心。我们通过用户分群，将“提交订单，但是未支付完成”的用户全部筛选出来。然后抽出 3-5 个符合条件的用户，借助“用户细查”仔细观看每个用户的操作流程，一般就能发现问题了。

2. 用户评价的重要性

越注重用户体验的商品，用户评价的管理就越重要，例如旅游类商品、生鲜类商品、鞋服类商品等。

借助转化漏斗，我们发现观看过“商品评价图片”的用户的购买转化率是一般用户的 4 倍，但是其数量只占总体的 110。如果我们能引导用户参与点评，将优质点评展示给更多的新用户，那么我们的总体购买转化率将会有更大的提升。

更多电商数据分析内容进入：otpub

文 | 帆软数据应用研究院 任敏

一、为什么要做竞品分析？

以笔者比较了解的加点、3C产品厂商为例，企业在信息化建设过程中会选择做内部数据分析，例如销售、生产、库存等，这对企业了解自身整体运营情况非常有用，但是这些信息对把握市场动态、了解客户需求来说作用十分有限，而对外部数据的分析工作可以帮我们很好的弥补这些不足。

竞品分析是外部数据分析中非常重要的一个模块，尤其是对一些家电、3C产品为主的企业，会有大部分的营销渠道是通过B2C的方式在电商平台上完成的。如果能将这部分数据包括竞争品牌的经营数据拿到，采取对比、关联、趋势、因果等方法进行分析，会给企业经营带来意想不到的好处，总结如下：

电商数据自动分析处理，更高频、更准确，避免传统人工采集带来的信息延迟、错漏、耗时等问题；

了解自己品牌产品的市场份额及竞争力，有助于及时调整营销策略；

对比竞品的价格分布，规划自己品牌的价格带，有利于渗透市场；

分析促销的频度、深度和效果，制定适当的促销策略，抢占市场；

分析品牌特征，加速主流产品的资源倾斜，最大化市场占有率；

了解客户评价，反馈引导产品及服务改良或创新。

二、品类品牌分析

竞品分析第一步要做的是找到分析对象，这个对象指的就是竞争对手，家电和3C产品在国内市场中的品牌很多，竞争也相当激烈，按照市场区域分布及产品类别很容易找到对应的竞争企业及品牌。

参考市场主流分类方法，按照产品外观、功能、性能等角度，将竞品品类进行细分，并与自身的产品品类结构进行对比，找出缺失和多余的细分品类清单，再分析这些品类目前的销售趋势：

如果缺失的品类市场趋势利好，则考虑产品引入，抢占市场；

如果多余的品类市场趋势低靡，则考虑放弃该品类，及时释放资源。

有助于企业调整自身产品品类结构，跟随市场方向、避免资源浪费。

三、市场份额分析

品类结构梳理出来之后，接下来就是对不同品类的市场份额的分析。

同一品牌不同品类销量销售额对比分析，了解不同品牌的主流产品类别、结合成本，分析毛利率和净利率，得出不同品类对销售盈利的贡献程度。

同一品类不同品牌销量销售额占比分析，了解自己所占的市场份额。

按时间维度做走势分析，了解销量占比的变化情况，对于连续下降的情况进行分析，可能是竞品提前做了促销宣传或是拉低价格等手段，避免打破品牌战略的平衡状态，导致市场重新洗牌，到时候就非常被动了。

四、价格渗透分析

某一品类的销量高并不代表该品类的销售额一定高，同理，某一品类的价格高也并不一定代表该品类盈利多，对于关键产品参数相似的品类，价格往往决定市场走向，所以如何在最大化单品盈利和市场接受程度两者平衡中找到属于自己品牌的价格区间显得尤为重要。

就单一品类来说，不同企业对于产品研发生产的投入是不一样的，简单的可分为高端、中端、低端产品三种定位，不同定位也有不同的成本和对应的价格，做不同品牌价格区间与销量的对比分析图，如果某一品牌在高端产品有着绝对的市场占有率和竞争力，而低端产品市场品牌混杂收益不高，那么可以选择中端定位来主推产品。

在同一定位层，如果在某一价格区间竞争激烈，在成本可接受范围内，可以考虑下降一个价格区间，避开锋芒进行产品定价，对于新产品的投放和市场渗透来说是非常有帮助的。

价格带分析可以帮助企业了解自身所处的定位区间，及时调整价格策略，避免价格带留有太大空白，导致竞品垄断。

五、促销活动分析

电商平台上会经常根据季节变化、节假日或集体性活动来开展促销活动，例如五一、双十一、夏季空调促销等。

对竞品价格和销量的监控可以有效识别出其是否有促销活动，可以针对性的制定应对措施，防止市场大面积流失；

对往年促销活动开始时间点、持续时间、次数的分析，得出促销的频度，以此制定今年的促销策略；

对促销过程中价格和销量的走势分析，再做同比、环比分析，可以看出其促销的深度和效果，再和竞品的促销效果做对比，对后续的促销工作有指导意义。

六、客户评价分析

对电商数据分析中比较重要的一个模块是客户评价分析。

根据产品SKU获取客户的评价内容，分析其好评率和差评率，得出其客户评价的整体情况，同时也可以和竞品做对比分析。

对具体的评价信息进行关键词检索，可以统计出企业关注的一些产品或服务问题，例如空调的制冷效果、噪音大小、安装乱收费等，找出不同品类中最突出的问题，反馈至产品进行设计改良，或者找竞品中问题较少的产品，拆解分析参考改良。

客户的评价是对产品在实际使用中的反馈之声，能够帮助企业真切的认识到产品外观、功能、性能上的不足，而针对这些不足的改善也是最能够把握住客户把握住市场的地方。

七、营销趋势分析

通过对自身数据或竞品数据的长期监控，可以进行营销趋势的相关分析。

根据相对稳定的销售额年增长率情况以及季节、节假日等相对规律的周期性质的变动情况，来提前预测下一个时间节点的市场需求量，及时调整企业自身的采购计划、生产计划等，避免货物大量积压或缺货断货现象的发生；

根据不同品类的销售走势情况，确定主流产品，及时资源倾斜，最大化利益，对没有市场竞争力的老旧产品及时清仓淘汰；

分析竞品的营销趋势，掌握竞争对手的营销方向，根据情况及时调整自身的营销策略。

本文以品牌商的角度从市场层面进行分析，并未涉及到店铺维度的分析，所以没有讲解客流量、转化率、订单等指标。

如有对以上内容的数据获取、实施落地感兴趣的可直接留言，联系笔者。

首席信息官正在利用数据分析来提高效率和促进增长，但并不是每一次努力都会产生结果。以下讲述了优秀的首席信息官是如何成功地利用数据分析和机器学习技术来增加收益或降低成本的。

如果把数据比作新的石油，那么掌握如何将其提炼为可使用的情报就是发挥其潜力的关键。为此，首席信息官正在使用预测分析工具，设计机器学习算法和对其他解决方案进行测试，以追求企业的效率和以新的方式为客户服务。

胡椒博士集团(Dr.PepperSnappleGroup)将机器学习技术用于语境相关性工作中

多年来，胡椒博士集团的销售路线员工一直是抓着一本厚厚的活页夹，里面装满了客户数据、销售和促销说明，然后去吸引一些零售客户，如沃尔玛和塔吉特百货公司(Target)等。今天，销售人员不再使用这种活页夹，而是配备了能告诉他们需要拜访哪家商店的iPad，而且还会告诉销售人员该为这些零售商提供何种优惠，以及其他关键指标。胡椒博士集团的首席信息官汤姆·法拉(TomFarrah)表示：“他们都是接订单的销售人员，为此他们感到很骄傲。现在他们配备了信息资料来帮助其实现目标，使他们成为智能的销售人员。”

该MyDPS平台配有机器学习和其他分析工具，可在工作人员加载应用程序时向其提供建议和日常操作记分卡。这些算法向员工显示他们是如何按照预期计划进行工作的，包括他们是否按照自己的计划工作，或是落后于计划，以及给他们提供见解，让他们清楚如何纠正他们的工作。法拉说：“如果我要让某人获得成功，我必须确保他们拥有哪些信息是与工作内容相关的。”

经验教训：为了测试验证MyDPS平台的概念，法拉将该软件分给了一个分公司的四个人，并让业务总裁去拜访他们。他们透露，自从上个月使用MyDPS之后，执行销售额已经提高了50%，这一表现让他批准了该项目。法拉说：“他获得了结果，这就是销售所需要的，这不仅仅是为了项目的商业赞助，而且这也是他们希望得到的结果，这一点非常重要。”

凭借机器学习技术，RRD公司走上新业务之路

营销传播公司R.H.Donnelley公司为RRD公司的前身，几年前，RRD公司设立了物流部门，向消费者和企业配送它的印刷材料。为了支持这项业务，公司自己管理运营，并代表其合作伙伴配送各种物品，包括洗衣机、狗粮等等，最终成长为价值10亿美元的一个企业。这是一个挑战吗?在联邦快递和UPS成为无可争议的霸主的天下，找到一个最优的运费。

诸如天气、地域、司机和政治局面等因素都是业务上的成本。RRD公司的首席信息官肯奥布莱恩(KenO'Brien)表示，随着迫切需要对费率变量进行预测，RRD公司转向了机器学习和数据分析。公司聘请员工和与大学合作来帮助编写算法，在700条路线上测试数千个场景，直到能够以99%的准确率提前7天实时预计运费。奥布莱恩说：“该项目在不到一年的时间就完成了，我们现在仍然看到业务的增长与运费有关。”该公司预计，在2017年，其卡车货运代理业务将从400万美元增长到1600万美元，营收将增长1200万美元，业务规模达6亿美元。

经验教训：新企业需要高水平的全心投入，尽管奥布莱恩承认，他的一些业务同行已准备好在业务的不同环节上认输。该业务并不相信那些通常以感觉和猜测来完成一个流程的技术。RRD公司建立了一个协作环境，业务和IT共同合作来推进结果。“你会遇到困难，你会遇到挑战，但要耐心，”奥布莱恩说。

孟山都公司(Monsanto)利用机器学习技术，实现最佳种植计划

农民永远为要种植何种作物，种植面积，在哪里种植及何时种植而苦恼。种子行业巨人孟山都公司正在研究这项工作，利用数据科学为农业种植提供规范性建议。数学和统计学模型会绘制出雄性作物和雌性作物的最佳种植时间，以及在何处种植，在理想状态下，这就最大限度地提高产量并减少土地使用。孟山都公司全球IT分析主管艾德里安·卡地亚(AdrianCartier)表示，其机器学习算法在数天内完成了超过900亿的数据点，而不是几周或几个月。这是商业利益吗?在2016年，孟山都公司节省了600万美元，其供应链足迹减少了4%。卡地亚说：“北美地区的土地利用率下降了4%，相当于不去使用大面积的土地，这节省了大量资金。”

经验教训：孟山都公司成功的关键是在信息技术与供应链业务之间建立了一个“自始至终”的合作。卡地亚说：“他们具有农业和供应链角度的专业知识，而我们具有数学和统计领域的专业知识，两者结合起来，就创造了我们能够提供的价值。”卡地亚说道，他还寻求在供应链业务中“改变领导者和倡导者”，以形成对反对者一种健康的平衡。

柏克德公司(Bechtel)以卓越的大数据中心来颠覆自己

一个鲜为人知的事实：柏克德公司首席信息官CarolZierhoffer说，与建筑有关的支出占GDP的13%，但整个行业在过去二十年中只有1%的生产率增长。专家表示，通过重新制定合同、提高工人技能以及改进现场执行工作等方式，该行业可以提高50%至60%的生产率。柏克德公司建造了胡佛水坝、英吉利海峡隧道和其他大型设施，已经开始在业务各个环节的数据中挖掘洞察力。

Zierhoffer在沃尔玛、波音和洛克希德马丁公司会见了业内同行，以获得有关如何向前发展的见解。柏克德公司建立了一个先进的大型数据中心，其中包含5千万亿字节数据的数据湖，并开始了概念验证。该数据中心使用照片识别技术，并代表客户来检查和标记各个地点的照片，这节省了200万美元。自然语言处理(NLP)工具可解析索赔、提案请求(RFP)和合同。过去需要几天和几周的评估和计划工作现在只需要数小时。柏克德公司还扩大了分析工作范围，以了解员工的流失率情况，包括试图预测员工将何时离职。Zierhoffer说：“我们相信我们正在敲开解决生产率难题的大门。”

经验教训：数据仓库和质量是支柱。尽管柏克德公司可以分析大量的数据，但在整个业务各环节的数据质量必须提高。“我们不得不颠覆自己，了解我们是如何工作的，并且将数据仓库进行连接。”

数据分析帮助辛辛那提动物园提高客户满意度

辛辛那提动植物园成立于1873年，是世界上著名的动植物园之一，以其物种保护和保存以及高成活率繁殖饲养计划享有极高声誉。它占地面积71英亩，园内有500种动物和3000多种植物，是国内游客人数最多的动植物园之一，曾荣获Zagat十佳动物园，并被《父母》（Parent）杂志评为最受儿童喜欢的动物园，每年接待游客130多万人。

辛辛那提动植物园是一个非营利性组织，是俄亥州同时也是美国国内享受公共补贴最低的动植物园，除去政府补贴，2600万美元年度预算中，自筹资金部分达到三分之二以上。为此，需要不断地寻求增加收入。而要做到这一点，最好办法是为工作人员和游客提供更好的服务，提高游览率。从而实现动植物园与客户和纳税人的双赢。

借助于该方案强大的收集和处理能力、互联能力、分析能力以及随之带来的洞察力，在部署后，企业实现了以下各方面的受益：

-帮助动植物园了解每个客户浏览、使用和消费模式，根据时间和地理分布情况采取相应的措施改善游客体验，同时实现营业收入最大化。

在日益疯狂、惨烈的消费品市场竞争的今天，许多企业更聚焦短期业绩的策略，更重视可以短期内极大提升销量的促销促销，花对钱、用对促销手段等，从而为市场占有率、短期财务报表增色不少。

然而，企业在管理促销时“无章法可循、无数据可依”的局面并没有改变。

如何全面、客观评价一个促销活动的优劣？当前有多少低效促销？如何识别促销活动的成功要素并应用于未来？如何流程化、制度化基于数据洞察的促销管理，而非经验导向？

我们知道，利用大数据分析工具可以有效帮助企业进行精准促销，不仅通过减少低效促销投入来“节流”，更重要的是可以通过优化促销设计来“开源”，可谓一举两得。

下面我们就来用连锁便利店行业圣诞节的精准促销为例，与大家一起分析、交流。

在做圣诞节促销活动方案时，品牌市场部在销售额、毛利额、客流量、新增会员数等方面都设定了目标值，那么活动结束后我们首先要对目标达成完成率情况进行统计分析，从而对圣诞节促销的促销效果能先有个整体的评估，然后我们再对圣诞节期间所做的具体促销活动进行深入分析：

满减活动谁不能玩？

圣诞活动当然少不了满减。当时活动设定规则为微信支付满60减30，单笔小票只要购物满60元，在付款的时候采用微信支付，就可以立减30元。

通过对活动期间目标鲜食品类的销售同期增长情况来看，鲜食目标品类的销售增长没有达到预期，但是香烟品类增长超出预期。

通过实地商业洞察我们发现顾客在参加活动时往往通过购买高单价香烟类商品来凑单，满足60元的活动门槛，因此造成明显的香烟品类销售上升。所以，我们在做类似促销活动方案时需要剔除香烟品类。

同时我们也需要关注我们重点粘客商品（关东煮、面包、冰淇淋等）的销售情况，他们的增长表现也可以从侧面体现促销活动的成效性。

加价购加什么？

加价购活动也一直是便利店的常规促销活动，既指定购买指定商品或品类满多少钱，就可以较少的金额购买另一件商品。

促销本身就是一种商品，只有先把促销方案卖给顾客从而获得顾客的认同，才能使顾客最大化的产生消费，因此我们需要考核促销活动的门店参活率。

例如昨日某门店成交笔数为300笔的情况下，我们得统计分析参加了加价购活动的小票占比多少，参活率显示出我们促销活动实际执行的达成情况。

同时，我们也需要分析公司旗下所有门店加价购促销活动参活率的实际达成分布情况。我们可以找出最好的5家门店和最差的5家门店来进行对比分析，从而找出参活率差的门店在方案落地执行层面上所存在的问题。

此外，通过事后购物篮四项限分析我们也可以确认指定满额消费门槛商品是否落在人气商品区间，这也是促销效果综合表现的一方面，因此我们在做加价购活动方案时应挑选人气偏高的商品来作为满额消费门槛商品，这样的活动方案才更容易被顾客接受。

直接打折会不会打骨折？

直接打折算是比较简单粗暴的促销活动了。圣诞节我们选择巧克力做75折活动，那么促销期间巧克力商品的毛利贡献度一般都偏低，这时它更多承担的是吸客的角色。

我们在做活动方案时就会规划促销期间我们的毛利支撑商品来进行关联陈列销售，从而带动门店整体毛利额的提升。

因此促销活动结束后，我们就很有必要分析目标品类是否起到他们本身定义的角色所属作用，通过巧克力商品关联销售分析来看，我们发现原先设计作为毛利支撑的计生用品的销售提升没有达到预期目标。

意外的是，我们发现盒装酸奶的销售却得到了大幅度的提升，这说明促销期间巧克力商品对于盒装酸奶有很强的关联度，即同时购买巧克力和酸奶的人数占购买巧克力的人数比例很高。下次再做类似促销时，巧克力商品的货架旁边可以放置一些盒装酸奶，从而方便顾客的选购，从而极大提升客单价。

通过促销期间门店实际消费洞察来看，圣诞节期间对于巧克力和计生用品进行了礼盒装捆绑销售，由于目的性太强等因素反而不利于顾客的选购，应该只做关联陈列即可，没必要捆绑礼盒销售。

随着互联网和电商的飞速发展，未来在“线上”和“线下”的促销竞争也会愈演愈烈、促销与购物者体验的创新也会层出不穷。企业惟有练好促销管理的内功，才能以不变应万变；而大数据作为网络经济的标签之一，将在促销管理中发挥难以量化的商业价值。

现在合肥各街区纷纷开起了24小时便利店，连网红罗森便利店都落户合肥。不知道在时间上、地理位置上都更便利顾客的各色便利店鳞次栉比，会不会让超市生态圈出现危机感呢？

无论是以前还是现在，我们几乎每次去逛超市，都会发现有不少类目的商品在打折。如果遇到节假日，更是推出纷呈的大减价、大促销。这个时候阿姨党、奶奶党就会双眼放光，感觉此时不买更待何时！

但是同学们有没有想过为什么超市会经常打折促销呢？难道不会亏本吗？永远都是薄利多销的吗？

这个现象让码字酱有了关于大数据分析的些许思考。

超市为什么经常打折、大减价？真相是……

大型商超进行促销的方案其实都是经过大数据分析制定的。特价商品时常变动，或者固定某一天为打折促销日，从而提升客流量，加大促销商品的销量。或随机将某种蔬菜价格上涨，会使得注意到价格差别的这部分顾客转而购买其他品类，没注意到涨价的顾客便奉献了这部分溢价。

另一方面，有些顾客在货架前挑选、比较，很久才出手购买，有些顾客则相反。所以，对商超来说，最好是用高价套住忠诚的（或懒惰的）顾客，再用低价吸引住便宜货买家。中间价位往往没有好处，因为价格不够高，无法从忠诚顾客那里多赚钱；价格不够低，无法吸引便宜货买家。但这还不是问题的全部。因为如果价格保持稳定，那么即使对价格最不敏感的顾客，也知道在哪里能买到较为便宜的商品。所以，从这个角度来说，商品的价格不应始终坚持高价或低价，而应在两个极端之间有所跳动。

价格定位策略之所以有效，是因为顾客一次购物跑两家超市比较麻烦，故顾客常定一家商超作为日常购物的根据地；而超市的特价商品总是在变动之中，逆向思考“大减价”的行为，即把商品平时的价格看作折扣价的溢价，而非根据平时价格对照大减价时的折扣价。因此通过调整价格的溢价，往往能够实现意外的盈利。

另外，超市常使用心理学上的“晕轮效应”，将食品、日杂等生活必需品的价格定低一些，经常有买一送一等促销活动，让顾客在视觉上获得满足感，让你形成这家超市比较便宜的印象。同时，很多消费者会有“买得多比买得少实惠”的惯性思维。其实，很多商品的大包装价格都比小包装贵。这种情况大多存在于休闲食品中，如饮料、薯片等。更有部分商家悄悄提高商品价格后再附送赠品，当然还有许多超市常将快过期的商品与正品捆绑销售，使得消费者往往忽略它的生产日期。

经过大量的数据采集，消费者的习惯都可以通过数据模型来表现，这一切策略都能够被大数据所控制。比如这个令我们不置可否的结论：在你触手可及的地方的商品销量往往是最好的。总而言之，当大数据分析运用于零售市场，消费者往往就被套路啦。

这些只是关于大数据分析最浅显的应用思考。学好专业的大数据分析，成为优秀的大数据分析师，能够适应更多领域的发展。