前言

二类电商的特点有两个：第一个首先就是非品牌，不是什么知名品牌；第二个就是短时爆款，包括非标品。从15年做到了16年，直到现在越来越多的团队在操作，这个项目流程比较的简单，不需要特别麻烦的团队管理，中间也没有什么复杂的环节，就是比较简单的投钱买产品，运营得好，月入20万是真的。

一步步教你如何玩转二类电商运营，老司机将逐一为大家解开二类电商运营的奥秘，带你入门。老司机将从如下方面进行分享：

一、 爆品选择方法

二、 落地页设计技巧

三、 信息流广告平台分析

四、 开户渠道选择

五、 创意计划配图技巧

六、 广告投放策略

七、 广告投放优化技巧

八、 账户架构搭建攻略

九、 SEM用户画像数据分析

十、 签订物流

十一、 发货/退货处理

十二、 资金收回及循环启用

十三、 相关工具网站

九、SEM用户画像及数据分析

1）.用户画像的思维导图

用户画像是根据用户社会属性、生活习惯和消费行为等信息而抽象出的一个标签化的用户模型。

构建用户画像的核心工作即是给用户贴“标签”，而标签是通过对用户信息分析而来的高度精炼的特征标识。从而让二类电商运营团队成员在产品选型和落地页设计的过程中能够抛开个人喜好，将焦点关注在目标用户的动机和行为上进行设计。

二类电商的核心就是精准营销，用户画像是二类电商最直接和最有价值的应用，分析产品潜在用户，针对特定群体利用特定的表达等方式进行营销。

2）SEM数据分析主要内容及关键报表

分析数据逻辑：确定分析的目的—>收集数据—>整理数据—>分析数据—>得到一些分析的结果和改进思路

数据分析的常用四种方法：

a、趋势分析方法：有时段趋势、逐日趋势、逐周趋势、逐月趋势、逐季节趋势……这个分析法比较简单，一般通过百度指数、百度统计就能掌握这些趋势。重点是根据自己行业，针对不同时间的趋势进行广告策略调整。

b、比重分析方法：分析部分与总数比例关系。快速掌握企业的核心推广业务、主要推广渠道、主要推广地域等主要比例。

c、TOPN分析法/二八原则：指基于数据的前 N 名汇总，与其余汇总数据进行对比，从而得到最主要的数据所占的比例和数据效果。二八原则，找到消费/效果占比 80%的数据，有效帮助定位问题。

d、四象限分析方法：把数据切割为四个小块，把杂乱无章的数据切割成四个部分，然后针对每一个小块的数据进行针对化的分析。

数据分析主要内容：

a、昨日账户数据的分析:统计账户的消费展现点击点击均价，商务通的有效对话，统计预约系统的预约量和订单量。计算预约率和到站率，然后经常查看和之前的对比和变化，找出问题所在，进行优化。

b、昨日计划消费数据:根据一个一个细分别的小项目进行分类，统计小项目的对话，预约和订单数据，还有计划消费，方便直观看出对话成本，预约成本和到诊成本。

c、单元层级消费数据:查看前一天的消费情况和点击的数据是不是异常，单元结构划分的是不是有不合理的地方。

d、关键词层级数据分析:把关键词报告，搜索词报告，商务通的数据进行合并分析，这样统一分析，既简单又有效。

e、创意报告的数据报表:查看是不是有一些不适合推广的内容，点击率是不是正常，是不是拉低了总点击。

f、预约搜索词报表:一些搜索词产生的预约，在登记的时候除了登记一些订单的基本信息之外还要标注上搜索词，每周进行分析，并在账户进行标注好的。

关键数据报表：

b、搜索词报告:这个报告是作为数据分析与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。

c、关键词报告:关键词是SEM广告投放核心，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。

d、地域报告数据: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地域消费占比调整。

3）、数据分析案例分享

从账户数据表现来看怎样通过数据分析，判断账户的问题及解决思路。以下图数据为例（设定该行业CPC均价为8）:

CTR是关键词点击率=点击数/展示数；

CPC是关键词平均价格=消耗/点击；

从上表可看出“营销”这个词CPC高过8，那么可能存在的原因是什么呢？

1、 行业竞争激烈；

2、 关键词出价高；

3、 关键词质量度低；

4、 创意相关度不高；

5、 排名是否有问题；

“推广”这个词，CPC低，CTR高，有哪些原因？

1、 行业竞争度不高；

2、 排名不高；

3、 匹配方式；

4、 被恶意点击；

我们添加有效客户数据后再分析：

这里有两个计算公式：

客户成本=消耗/有效客户；

客户转化率=有效客户/点击数；

从数据中来看“推广”这个词，从客户转化率来说，非常差，客户数少、客户成本高，这是什么原因呢？一般可以从如下几个维度分析：

1、 客户意向度低；

2、 关键词页面不相关；

3、 竞争度很低；

接着我们用四象分析法来分析：

1、 高成本高产出：“推广”这个词，从ROI(投资回报率)来说，就是很好的词了；

a) 拓这一类的词

b) 抢占排名；

c) 调整关键词链接；

d) 增加消费；

e) 质量度差；

2、 高成本低产出：“营销”这个词，从ROI来说，就是个代表词了；

a) 降低排名；

b) 降消费；

c) 优化创意；

d) 调整关键词链接；

e) 放弃；

3、 低成本低产出：

a) 排名低；

b) 修改匹配方式；

c) 搜索量低；

d) 创意不吸引人；

4、 低成本高产出：

a) 将这部分关键词为核心，拓展关键词；

b) 抢占排名；

c) 增加消费；

从上面的一系列数据来看，如果只有账户数据来进行调整，那么我们的很多词都会出现调整错误，导致最后的ROI不知道哪里出现问题，更不知道该怎么去调整了。

如果有账户数据+有效客户的数据，也是同一个道理，一调整就容易出现：有效客户数很多，ROI降低、甚至出现ROI为负的情况。

下面我们再来讲讲还要结合哪些数据来分析？

1、日报表、周报表、工作日报表、假日报表、半月报表、月报表、周月对比数据，这些都是基本的需要做的（PS：不是做了就算了，需要进行查看对比，找出问题）。

2、关注竞争对手：查看竞争对手投放了哪些词、关键词用的是什么匹配模式、有几个账户、网页的改变、营销活动等等；

3、市场的变化：政策的变化、行业的变化、突发的热点新闻等等；

4、针对不同的地域，建立不同的地域数据，查看哪些地域，成交好、成交一般、成交差；

5、推广时间段：需要做出一个数据来分析不同的时间段转化的效果，最好每天都做；就像下面这种，甚至当时还做过小时的数据；知道哪些时间段效果非常的好，哪些时间段差；如果平时这个时间段效果很好，今天却很差，那就说明有问题了，需要去查看问题；还做了关键词的小时转化数据，来调整时段调整策略；

6、词性数据：来分析哪些词性好，去拓展，去优化，调整；

7、根据每天做的数据找出高成本的词（可以以“有效客户成本”为标准），分成高成本、中成本、低成本、无转化等等。

数据洞察之我见

在数据分析这个行业里，大家经常会谈论未来是大数据的时代，未来的竞争就是数据的竞争。

而麦肯锡的一项对700+家企业的调查显示，许多公司、尤其是传统公司还没有从大数据项目获得预期的结果，或者还没有获得相当高的投资回报率。大数据项目投入后收入平均仅增加了6%。我想一个很大的原因是传统企业大多是业务流程驱动，数据更多是作为一个报表使用。他们很少挖掘数据价值对企业流程的驱动，而是依靠个人经验进行决策。即使在使用数据分析的公司也多是停留在验证假设、监控效果的层面，通过数据分析获得洞察的很少，用分析直接指导行动的案例更是少之又少。Forrester的一项调研报告显示，有74%的公司希望通过数据驱动，但是只有29%把分析结论和运营动作建立了联系。

要从数据中得到价值，首先得弄清楚数据分析和洞察的区别。有很多作者讨论过这个话题，包括刚才上面贴的那篇forbes上面的文章，简言之，数据是没有经过过多的处理的原始信息，数据分析是从这些信息中发现的规律、趋势等，而数据洞察则是通过数据分析得出的价值，包括决策运营、预测机会等。

ConnectedInsight项目由来

作为客户服务及权益保障事业部智能运营中心的数据运营团队，我们的职责是支撑各服务线、智能调度中心及互联网渠道的数据分析。

虽然每条线都有几名数据分析同学做支持，但是由于数据分析需求往往都是由一个或小部分场景出发而提出，并未全局考虑数据和分析结果在整个业务线运营链路中的作用以及能为运营决策带来的影响，导致需求往往零散、冗杂且重复。同学们在不成体系的需求下熬夜跑代码、做报表、写分析报告也很艰难。

车品觉的《决战大数据》一书中写到：“大数据的力量来自触类旁通的关联。我们以前总是用数据来证明或企图说服工作上的盲点，而如今的数据不再是一加一的依据，而是具备了预测和开创新机的能力”。

书中还提到，“把分析的理念和框架变成数据产品，本质上是一个数据泛化的过程。这个过程非常重要，因为数据报告的需求会越来越多，如果没有泛化数据给使用数据的人，分析团队将永远被冗杂和重复的工作所困”。

由此智能运营中心的数据运营团队和平台系统团队一起提出了ConnectedInsight项目，目的是为了从业务描述，业务诊断，业务预测，决策支持等方面，一步步完成从散点数据走到数据洞察。

基于此，我们和CTO 线人工智能部的AI运营团队以及CTO 线数据平台部DeepInsight产品团队做了共建，我们提供业务指标框架和分析思路，产品由AI运营团队主导开发，由DeepInsight提供后台能力，最终呈现在新客服数智产品上。

任重而道远，为了避免闭门造车，写下这篇分享，想吸引更多有相同想法的同学或者团队一起来探讨更好的解决方案。

ConnectedInsight项目“洞察”了什么

下面分别讲讲ConnectedInsight这个数据分析产品的四部分分别实现了或者将要实现的价值：

业务描述：描述业务上发生了什么。

服务线要了解自己的服务做得好不好，首先是需要看描述性的数据，过去我们是靠一张张报表实现这种描述功能的。但是单个的KPI报表是散的，比如我们分别看了一条服务线服务流程各个点上的数据报表，并不能直观的拼成一条链路图来了解整个业务流程的运营情况。基于此，我们开发了可定制化的业务数据流程图和异常高亮及预警功能，让用户能对业务现状一目了然，实现了从“点”延伸到“线面体”。

业务诊断：诊断为什么发生。

服务线看到数据流程图描述出来的某些环节做得不太好，就需要了解原因或者能改善的点。在此需求背景下，我们的产品开发了单指标多维度拆解和多指标相关贡献度拆解，实现了诊断指标异常定位原因，让运营同学能更高效的找到运营点。

业务预测：预测将要发生什么。

服务线要部署人工服务方案，必须提前知道服务量，我们通过预测产品化的方式让运营同学能高效的使用预测功能，合理的分配服务人力资源，同时也大大提升了分析同学预测产出时效。

决策支持：决策要做什么。

目前服务线运营同学在决定下个周期的派单部署方案时仍需靠人工重复、机械的统计历史数据和预测数据进行局部优化的方案选择，而我们的产品将实现用相关因子自动计算出全局最优的派单部署方案，大幅提高运营效率和准确率。

1、业务描述

业务背景

业务描述就像汽车仪表盘，实时告诉你发生了什么，并适时警报提示等。分析师要做的事情就是搭建指标体系，进行各种维度的统计分析。我们过往的大量工作就是做这个，目前市面上很多BI产品也都能够满足这个层次的数据运营需求。

拿客户服务及权益保障事业部的国际线来举例，以往业务线运营同学看到的是拿老版Alisis搭建的各KPI的图表，如下图（图表数据非真实数据，仅用于展示），给出的是业务监控体系里散的“点”，并没有从业务全链路的角度给出用户能一眼看出业务整体有什么异常的大图。

痛点

这么搭建业务监控的结果是什么呢？有没有发现业务看完数据后，经常会基于此提出额外的数据需求？

一般来讲，想看数据的人潜意识里是要成“体”的数据的，只是沟通过程中变成了“点”的需求，因为“点”简单容易讲明白，但是，这次给不了“体”的数据，下次还会围绕“体”的数据提各种“点”的需求，这个时候我们需要延伸一下，提前想需求方之所想，就不用来回往复了。

解决方案

AI运营团队开发了流程图、树图、星环图等个性化分析组件，分析师使用这些组件完成产品内容搭建，并在我们的产品平台上配置各服务线的分析页面。

拿国际服务线举例，服务流程上用户可以拨打95188或者淘海外电话等进入热线人工服务，需要升级的提交工单，用户也可以进入支付宝钱包，英文钱包或PC端自助服务，未解决问题可以接入在线人工服务，需要升级的提交工单。

以往运营同学看的是各个环节的数据点报表，在我们构建的分析产品中，业务同学看到的是随业务流程变化的全链路图，整个链路图可定制、指标节点可设置预警高亮，从用户使用自助服务，到拨打热线电话，进入智能派单环节，再到人工客服接起，转入转出，升级提交工单，整个链路上哪一个节点出现异常一目了然。

一个节点可以配置多个指标，主指标和相关指标。鼠标悬浮于节点可展示主指标及相关指标的趋势图，如果想进一步分析，可点击详情分析进入指标的下钻分析页面。

节点也可以配置堆积柱状图，这种配置在想展示业务占比等场景的时候非常好用。

2、业务诊断

数据之间是存在因果联系的，这些联系有些容易通过业务来解释，而有些恰恰是业务无法直接看到，需要通过数据发现联系。在这个层面，需要数据分析师从整个业务链路和数据之间的联系出发，通过关联分析，波动分析，平衡计分卡等方法，找到数据变动的原因。

痛点

过去我们提供给业务同学报表，用于日常指标的监控和原因分析。但通过报表找原因会存在两方面的问题：

沟通成本高、原因获取效率低：业务同学使用报表在众多指标中寻找原因，过程不熟练，分析师需要花时间和业务同学一起解读数据和寻找原因。

数据的落地性差：业务同学在面对需要立即解决问题的压力与大部分数据具有滞后性矛盾的背景下，往往是选择在没有数据分析结果时，先根据过往的运营经验采取措施，导致数据对实际指导的价值不高。

解决方案

在ConnectedInsight的业务诊断里，我们进行了分析思路产品化。把分析师常用的分析思路和过程沉淀下来，用产品化的形式呈现，避免重复劳动，改善原因定位的时效性；业务同学不需要了解背后复杂的计算逻辑，直接看到分析结果，并且可以指派给专人负责。

在初版产品中包含两种类型的业务诊断分析：单指标多维度型和多指标相关型。

单指标多维度型的业务诊断，我们要找出的是在一个指标能拆分成的多层树状结构中，具体是哪一层的哪一个节点的波动对这个指标的波动贡献度最大。

以服务线FCR（First Call Resolution，首次呼叫解决率，衡量客户服务及权益保障事业部解决客户问题能力的重要指标，一般为24小时内未重复来访的服务量占比）这个指标为例，通过下图所示的树状结构梳理安全服务线的服务量和FCR，拆解成一级业务，二级业务，三级业务的服务量和FCR的波动对整体FCR波动的贡献度，找出导致FCR波动的最主要的业务。如本例中限权咨询业务对当日FCR下降的贡献度为96.3%，运营同学应该着重关注该业务。

（*以下截图为demo，数据也非真实，最终版正在开发。)

多指标相关型的业务诊断，我们要找出的是在一个指标有多个影响它的指标时，具体是哪一个指标的波动对这个指标的波动贡献度最大。这里多指标之间的不是简单的加减关系，而是转换为复杂的影响因子，通过影响因子量化指标之间的贡献度。

比如对热线接通率进行业务诊断，接通率分母是热线流入量，流入量是客户需求通过自助、转人工等，直到流转到热线处理环节的咨询量，因此流入量相关的影响因素有：产品、自助、智能派单、转接等；接通率的分子为热线应答量，应答量和通话时长、排班人数（人员）、现场运营效率（产能）等有关。通过下图把指标之间的关系环状表达出来，当选中某一指标后，该指标相关的影响指标也会高亮。而后台计算出的分析结果会给出指标波动的影响因子和各因子的贡献度。

（*以下截图为demo展示。)

3、业务预测

业务背景

服务线的小二对接了蚂蚁所有业务线的服务量，随着业务不断拓展和复杂度的叠加，需要的咨询和审核小二人数不断增加，此时服务量如果可预测，就能基于现有资源做好排兵布阵，为业务线人员排班、人员招聘、和预算提供决策参考，在保证接通率、工单处理时效、进而提升用户体验的前提下，最大化人力资源利用，降低人力成本。

服务量包括：

咨询服务量，比如话务量，支付宝使用中电话咨询客服小二。

审核服务量，比如工单审核量，账户被冻结要上传身份证、人工审核。

痛点

我们业务线分析师在过去对服务量的人工预测流程如下，需要3个分析师每周20+小时的工作，才能按时的完成预测工作。

以上流程存在一些问题：

效率低：每条业务线的预测都要重复以上流程，这些因素涉及到多团队多部门协同，效率低下。随着公司业务的拓展及业务复杂性的增加，预测的工作量越来越大，铺人的方式解决不了根本问题。

预测标准不统一：预测分析师人肉做出预测，诸多零散个人经验贯穿其中，不同分析师预测结果会有偏差，不利于形成统一的方法和标准。

人工干预信息无法统一沉淀、不利于总结经验：各环节的线下沟通信息无统一沉淀，不利于事后评估产品事件影响、渠道调控，无法为后续预测调优提供指导。

解决方案

我们的ConnectedInsight中的预测功能，把预测融合模型（简单理解，既多个预测模型自动寻优）产品化，通过傻瓜式的点击按钮，让运营的同学可以自己做预测，把分析师的时间解放出来进一步优化模型。这个产品不仅大大的提升了预测产出时效（从1周到5分钟），更提高了预测的稳定性和准确率。

预测模型特征分解和产品框架如下图：

最终的预测产品如下，运营可以选择自己所在的小组（技能组）、和预测时间窗口（常规锁定预测、排班修正预测）。

即可出现如下所示的话务量趋势图，并且可以根据自己掌握的信息对模型结果进行修正，修正后备注原因，便于模型的学习和调优，让后续预测结果更加精准。

4、决策支持

无论是上面讲的业务诊断还是业务预测，都是通过数据，对业务运营做决策支持。在这个环节，我们关注的从洞察到行动的过程，将数据洞察的结论提炼出来，告诉运营同学如何去行动是when、where、who and whom，指导业务的行动方向。例如，在我们通过多指标相关性分析发现影响接通率变化的因素有1. 业务量变化；2. 预测准确率；3.排班准确率。这三个因素都是insights，但是只有第2个和第3个因素是Actionable insights，而第一个因素，业务量的变化，这个更多是受业务发展的影响，并不是我们客户服务及权益保障事业部能够采取行动而改变的。在运营方根据我们的分析结果，做出实际运营动作之后，我们的产品会通过数据回流，进行action前后效果对比，从而形成数据化运营的闭环。

更进一步的决策支持和决策自动化我们已经在规划，细节期待有共同发展方向的团队一起协作探讨。

心得和鸣谢

最后，说一点这些年做数据分析的感悟。数据分析师每天都会被大量的业务需求压得喘不过起来，如果不能做到真正的数据驱动运营，分析师们慢慢的会对手头的工作疲惫而倦怠。而做好数据运营的关�...

分析小程序后台数据,及时调整小程序的运营方向,是每个小程序运营者都需要做的一件事情。

今天,速报君向大家介绍3个小程序后台数据分析的渠道。

懒人目录:

百度统计「小程序数据助手」小程序微信小程序后台1. 百度统计

在2018年7月31日,百度统计平台上线了微信小程序统计数据,微信小程序开发者只需3步即可接入小程序统计。

在该平台上,用户可以查看完整的统计数据,包括:用户分析、使用分析、场景分析、留存分析、转化分析、分享传播六大模块的分析功能,实时分析各场景带来的流量情况、监控每个关键节点的流失和转化等一系列问题

据了解,在百度统计平台上,有一个强大的功能:能够将App、百度小程序、微信小程序多端数据统一查看。

这个功能的出现,大大方便了开发者。

2.「小程序数据助手」小程序

为了让小程序开发者、运营者能够在手机端方便地查看小程序的数据,微信于2017年5月12日上线了「小程序数据助手」。

目前已有如下功能模块:数据概况、访问分析、实时统计、用户画像等,最近又新增了“总添加人数”和“新添加人数”的数据统计。

小程序开发者、运营者在手机端查看小程序的运营数据,随时随地掌握小程序的市场反应情况。

3. 微信小程序后台

自小程序上线以来,在微信小程序后台就已经支持小程序的数据统计分析了,官网地址为:https://mp.weixin.qq/

在功能上,类似于「小程序数据助手」小程序,但微信小程序后台的功能更加完善,同时也支持数据的下载,运营者可以分别下载各个小程序相关数据,合拼到Excel中做每天的数据对比。

通过数据分析,及时调整小程序的运营方向。

第一部分：数据分析框架

为了分析问题的聚焦，我们具体拿互联网电商来举例子说明，至于其他的比如互联网金融、教育、社交等等，可以依此借鉴。

（1）从互联网实体角度分析。我们可以从以下7个角度构建互联网数据分析体系。

买家：基本特征分析、交易行为分析、流量行为分析、售后满意分析等

卖家：基本特征分析、经营效果分析、流量曝光分析、售后满意分析、产品分析等

产品：基本特征分析、交易行为分析、流量曝光分析、售后满意分析等

行业：基本特征分析、经营分析、曝光分析、售后分析、产品分析、买卖家分析等

设备：移动端分析、PC端分析、访问对象分析、cookie分析、session分析等

日志：访问对象URL分析、cookie分析、session分析等

事件：登录、流量、点击、曝光、下单、交易、支付、物流、评价、纠纷、仲裁等分析

这个实体分析方法，可以称得上是万能的数据分析框架，适用于所有的互联网企业。我曾工作过的阿里巴巴、腾讯、随手记等企业，我个人都是按照这个套路去构建互联网的分析体系。

（2）从用户的关键路径进行分析。

关键路径分析方法是一个行之有效的常用分析方法，也是做数据化运营的常用工具。关键路径分析让我们聚焦于核心环节，排除杂音，定位出业务的核心问题，快速的加以解决。在应用关键路径分析时候，我们往往先把可能的结果、以及最关心的结果梳理出来，以结果为导向追溯行为的根本，当然，也可以从行为的初始出发，梳理出所有可能的行为路径，找出关键行为，导向我们最终设计好的结果中去。下面我们举例子说明下：

在电商网站中，我们假设我们运营目标是让用户购买网站上的商品（在这里，我要插说几句，我们的目标有时候不只是购买，在精细化运营中，往往会根据用户的生命周期，确定关键路径的目标，比如对于一个进入期的新买家，我们通常会发一些购物攻略加以指导，针对流失期的买家，关键路径的结果我们可能导向申领我们的优惠劵之类，等等。关于这一部分数据化精细化运营方面，在大数据应用系列的数据化运营小讲，我们会详细加以分享，敬请关注）。刚才谈到，我们假设我们运营目标是让用户购买网站上的商品，那么我们可以把关键路径，也即，用户的购买路径梳理出来：

a.用户登录/注册》搜索关键词》查看商品详情》加入购物车》点击下单》确认付款》确认收货

b.用户搜索关键词》类目和店铺》卖家交流》点击下单》确认付款》确认收货

通过这种关键路径，我们还常常进行漏斗分析，从而进行流量的转化分析，找出影响到达最终结果的关键环节。

（3）从KPI拆解角度分析。

KPI拆解分析方法也是比较常见的互联网分析方法。核心思想是先定一个总体目标，比如今年营收12亿，那么可以把这个指标拆解到各个业务线去，业务线再进行拆分，比如分解为12个月，每个月需要达成营收额，接着，就是达成该营收额，根据流量的转化情况，估算出需要多少的流量，目前平台已有多少流量，需要外拓引流多少流量才能达成目标，这就可以层层的拆解指标，最终或落地到产品团队或部分到运营团队去承担KPI任务。

第二部分：数据分析常用分析方法

常用的数据分析方法有：PEST分析方法、5W2H分析法、4P营销分析法、逻辑树分析法、指标拆分法、对比分析法、漏斗分析法、用户行为分析法、用户生命周期分析法、金字塔分析法等等，下面我们逐个的简单说明下

（1）PEST分析方法

这个方法主要应用于行业研究中。从政治（Political）、经济（Economic）、社会（Social）、技术（Technical），简称PEST角度对一个行业进行比较分析。下面我们举一个例子：我们小讲开始就谈到数据分析行业前景，那么我们在此利用PEST分析下大数据行业前景如何？

（2）5W2H分析法

这个方法主要应用于用户行为研究和专项问题分析，从时间、地点、人物、事情、原因、方式、价格等7个方面对一个问题进行刻画研究。请看如下案例二：

（3）4P营销理论

这个方法主要应用于公司整体经营状况分析，是比较经典的营销分析方法。该方法从产品、价格、渠道、促销等四方面对企业经营状况进行全面分析。请看如下案例三：

（4）逻辑树分析法

这个方法也称作问题树分析方法，主要应用于针对业务存在的问题进行专题分析，是数据分析方法中非常常见的一种分析方法。请看案例四：

（5）指标拆分法

这个方法也是经常适用的方法，特别是为了达成业务目标，我们往往都会先定一个总的目标，然后再初步的拆解指标。下面我们讲讲案例五：

（6）对比分析法

对比分析法是非常常用的基础分析方法，虽然方法特别简单，但几乎所有的分析报告中，都会采取对比分析方法。比如去年同期相比、上个月环比、目标和实际达成相比、各个部门和业务线相比、行业内竞品比较、营销效果对比，等等。这里需要注意的是我们不管是横向比较还是纵向比较，比较的双方一定要有可比性，并且在同一个维度、粒度上去比较，要不是毫无意义的。

（7）漏斗分析法

漏斗分析方法经常应用于产品的转化分析。举个电商的例子：用户登录网站1千万，浏览商品详情页200万，加入购物车80万，下单支付50万，支付成功40万。每一步都是转化率的问题。针对关键路径进行漏斗分析能够帮助我们快速的定位到问题所在。从而能够及时做出决策。

（8）用户行为理论

也称用户的活动周期理论。该分析方法，往往用于对用户的基础研究中。用户行为过程分为认知、熟悉、试用、使用和忠诚5个步骤。

（9）用户生命周期理论

该分析方法，也往往用于用户基础研究中，在互联网领域应用广泛。用户的生命周期分为进入期、成长期、成熟期、衰退期、流失期。每一个阶段用户的行为特征是不一样的，其价值是不一样的，需要精细化的运营。不可急功近利。

（10）金字塔理论

金字塔这个分析方法正好和漏斗分析方法相反，它是基数大，上层小。最初是英国历史学家、政治学家诺斯科特·帕金森(C.Northcote Parkinson)在《帕金森定律》(Parkinson's Law)一书中，论述在行政管理中，行政机构会像金字塔一样不断增多，行政人员不断膨胀，每个人都很忙，但组织效率越来越低下。这条定律又被称为“金字塔上升”现象。后来，人们将这一理论延伸应用，不再只限于本意。大凡是基数大，上层小，符合金字塔特征的研究分析都可以套用到该理论中。所以，金字塔这幅图也常常见于各分析报告中。比如，分析用户群体特征（马斯洛需求层次模型、用户价值模型等等）

综上所述种种数据分析方法，如果在一份分析报告中，能够把这些分析方法都灵活反复体现和应用，那么，这个分析报告一定会比较丰满的。

第三部分：数据分析的流程

数据分析的流程主要分为六步骤，遵循这种方法，一个完整的数据分析项目就出来了。

（1）明确分析目的：我们接到一个分析任务，首先要弄清楚我们分析的对象是什么，要达成怎样的目的，不能陷于为了分析而分析。然后，要熟悉行业和业务，透彻的理解分析的目的，构建起分析的角度和体系。

（2）进行数据准备：我们有哪些数据，通过什么途径可以获取到需要的数据，往往涉及到内部数据和外部数据，内部数据常常是我们的业务库或者基础数据团队建立起来的数据仓库系统，外部数据方面，现在各行各业都有大数据交易源，还有大量的公开市场数据。

（3）进行数据加工处理：主要通过数据清洗工作，对重复值进行去重处理、对异常值错误值进行修正或剔除、对缺失值进行填充修正或删除。如果软件环境为支持大数据量情况下，还需要对数据进行抽样处理。经过这些预处理后，最重要的就是进行数据的计算统计、合并转换，让数据符合目标分析过程。

（4）进行数据分析挖掘：绝大部分的分析目标达成都可以刚才介绍的分析方法外加常见统计分析等达到。主要的分析：整体和组成分析、走势趋势分析、均值方差分析、排序TOP分析、同比环比纵横比较分析、频度频率分析、相关关系分析、数量和比例的双坐标分析、逻辑结构分析、金字塔分析、漏斗图分析、矩阵图分析、指标拆解分析、PEST分析、5W2H分析法、4P营销分析等等。还有一部分分析需要到更高级的数据分析方法才能得到结论。

（5）进行数据结果图表展现：数据分析的目的就是要解决问题的，往往数据分析师不是需求的发起人，那么这就需要数据分析师把分析的数据和结论展现给需求方。最佳的方式就是通过图表，有理有据形象的重点突出且专业的表达出来。根据第（4）步骤的分析，我们可以选取恰当的图标。比如常用的有：折线图、柱形图、条形图、饼图、冒泡图、散点图、矩阵图、雷达图、双坐标图、瀑布图、帕累托图、金字塔图、漏斗图等等。

正如我之前的一篇文章 《图说可视化，报表也能做得如此酷炫！》，讲到帆软报表制作数据可视化的几个关键点。

（6）写出分析报告：数据分析最终的结论全部体现在分析报告中，一个分析师水平如何，只要看他写过的一份分析报告就可以完全清楚了。综合灵活应用这么多的分析方法和各种各样的展示图表，分析报告一定会显得非常丰满。下面一个问题我们再详细和大家讨论数据分析报告的相关事情。

在美国等商业发展较早且更为发达的地区，客流分析统计系统早已深入人心，并得到广泛的普及。为什么要用客流分析统计系统?说白了，客流统计系统就是关于你店铺的大数据系统。对零售商来说，这是他们了解店铺客流、了解顾客购买心理、安排员工工时，安排节假日促销活动的重要工具。同时还能分析他们店铺的经营表现及业绩。本文将从客流统计的应用场景及客流统计的技术发展进行展开，为读者展示服装业、大型商铺和购物中心客流统计的重要性。

购物中心作为一个以零售为主的商业组织形式，需要精细化管理，而精细化管理以事实为依据，用数字说话，决策者、管理者通过对购物中心各个硬软件得出的数字进行分析，并用这些数据为顾客与商户服务。客流量对大型购物中心来说是其核心元素，充足有效的客流才能提升购物中心的盈利能力，客流不仅是定位和招商的基础，更是购物中心是否能成功运营的关键。近几年来，精确地统计进入购物中心的顾客数量成了优化购物中心运营的必要手段。那么，客流统计系统对零售餐饮业的贡献究竟有多大呢。

客流统计分析能做什么？

如果没有准确的客流数据很难做出合理的、令人信服的划分。客流分析作用大体总结如下：

1．顾客画像分析，主要统计客流量总体的年龄段和性别、兴趣偏好、学历、收入水平等进行标签分类管理；

2．商圈消费能力，分析客群消费平均水平决定了商品定价的前提；

3．客流访问路径，汇总出一条或者多条主要顾客购物行为路径优化商场动线；

4．客流增长趋势，掌握客流量每一天变化趋势有利于营销工作的开展和进行；

5．回头客预测分析，及时识别回头客到店趋势，预测经营业绩。

技术发展

当了解客流统计分析的作用后我们首先看一看客流统计技术的技术发展。现在，运用的客流统计技术主要有三种：红外线客流统计、视频客流统计、WIFI探针客流统计，这三种客流统计技术，用哪种比较好?这个只能说，在不同的情况下，有不同的需求。

技术一： 红外线客流统计技术

传统的客流管理主要是总量上的统计，红外线客流统计技术可能更为常用。红外线客流统计技术依据人体的经过阻断红外线之间的对射进行客流量的统计，其统计客流数量方便，数据传输量小，成本较低，安装方便，对于光线要求不高。这种方式简单易实施，但缺点也显而易见，通过人体经过阻断红外线间的对射来测数，导致在多人经过时可能漏数，而不断进出的同一个体则会被重复计数等问题。这样测出来的客流数据存在着较大的偏差。

技术二：Wif探针客流统计技术

Wif探针技术能够根据手机统计出店内消费者的数量情况，还能够根据手机IP进行消费者在店内行动轨迹的追踪。对于手机不离身的现代人来说，这种统计方法已经能够相对精确地了解客流情况，当然，遇到没带手机、关闭无线等情况，这种技术也爱莫能助。

技术三：3d双目客流量统计系统设备

由于人工计数的准确率偏低且无法进行长期统计，红外方式又不能双向统计人流量，更无法统计并排时顾客人数，因此，借助视频分析技术，准确率高达95%的新型客流统计分析系统应运而生。

3d双目客流量统计系统的原理是基于嵌入式摄像镜头采集视频,然后对两个摄像头的视频图像进行视差计算,形成视频中人的3D图像,过对人体的形状和高度为分析目标,通过区域和方向的设定来统计通过人数。通过商场客流量的历史数据的对比，就可知道什么时间段的客流量变少，而在这个时间分析采用哪种营销方式可吸引增多客流量。

客流统计分析应用场景

应用场景一：Wifi探针为大型商铺、购物中心数据赋能

Wif探针技术能够根据手机统计出店内消费者的数量情况，还能够根据手机IP进行消费者在店内行动轨迹的追踪。对于手机不离身的现代人来说，这种统计方法已经能够相对精确地了解客流情况，并且 Wifi探针也是目前线下进行流量识别最好的手段，落地性、数据获取能力都很强。

通过客流统计我们可以对路径、频次和时长三个维度的数据对个体消费者进行识别和判断。比如，系统捕捉到消费者甲每个月要来商场两到三次，每次来了之后都直奔母婴区，而且在那停留很长时间。那么，系统就可以给他打上“母婴”的标签。以此类推，就可以根据消费者的行为习惯赋予其各种各样的标签。

此外，通过Wifi探针的客流统计系统还可以从用户生命周期的维度对消费者进行管理，给消费者打上高、低活跃度，新、老客户，流失客，回流客等标签。后台支持多种标签组合查询和统计分析，比如可以分析母婴类客户的新增和流失客户情况。让商场经营者对自己场内的客流变化一目了然，并有针对性地组织各类营销活动。

过去商场的营销活动都是围绕节假日展开的，缺少针对性。有了通过Wifi探针的客流统计系统，商场就可以更加有的放矢。营销活动结束后还可以根据后台数据分析目标客户的回流情况，评估营销活动的效果，并及时进行调整。甚至能够分析出不同的天气、活动对店铺客流的影响。

应用场景二：客流分析助力购物中心

第一，客流统计系统能够为购物中心确定铺位租金水平。只需在购楼物中心的各个出入口、各层、各通道、各商铺门前安装客流统计系统，就可以获得不同时段的客流分布情况，同一类型店中表现优异的租户立时可见，表现较差的营业区域可立即受到关注，而且从今往后，对于租户组合的调整不再盲目，完全可以通过客流数据来进行科学分析。更为重要的是，客流数据给购物中心的招商部门在确定具体楼层具体区位的铺位租金水平和今后的租金调整，提供了实实在在的数据支持。通过对出入口人流量数据的观测，可以帮助确定广告位定价，合理确定重要广告的摆放位置。

并且将客流统计系统得到的客流数据与租金水平结合，在租赁合同中设定可测量的运行参数，可以优化收入，展示投资者的绩效单。客流量数据还是购物中心资产的附加值，在如今竞争异常激烈的零售业，拥有更多人气的购物中心显然拥有较高的市场价值。

第二，客流统计系统为购物中心有计划地引进顾客分析，并制定合理的活动主题方案。由客流数据的日常统计使营运部门对整个购物中心的运营情况了然于心。其次，根据客流的变化，有效分配和安排物业管理人员、维护人员、安保人员、保洁人员等，合理利用人力资源。在活动期间，客流系统提供准确的人流数据，不但可以直观地对活动效果进行评估，结合其他数据报表亦可分析出营销活动和促销投资的回报情况，此外，结合历史同期活动的客流量数据，对比分析得出人流规律，为今后活动方案的制定提供依据。

第三，客流统计系统可为购物中心提供更详细的分析报表。客流统计系统，不但能够按时按需提供客流数据，将历史客流数据和当前客流信息进行对比分析，还能与购物中心现有的其他系统结合，对购物中心进行全方位多角度的分析，产生更为详尽的业绩报表，为管理人员分析现状、调整经营战术和确定未来经营方向，提供充分、有价值的信息。

应用场景三：视频探头在服装业、精品商铺的应用

通过客流统计系统的引进及双目摄像头的安装就可以统计进出店客流，并通过定制化客流报表来对运营KPI进行分析，为运营战略的调整提供强有力依据。

拿ETRO专卖店举例，ETRO在门店入口处安装22台双目摄像头摄像头进行监测，将进店客流传输至云端服务器，进而生成每日各时段、以及日/周/月汇总对比报表，店长及总部管理者可通过网页版轻松掌握各分店客流量、转化率。精准的客流统计，为门店的选址提供参考，更是改善了门店的管理效率、服务质量，最终促进成单量及客单价的提升。

虽然3d双目客流量统计系统成本远高于红外线客流统计技术和WIFI探针客流统计技术，但针对面向中高档消费群体的精品类商铺，客流量小，但对数据要求精准，此时并不需要安装过多双目摄像头，因此采用视频客流统计会远比其他两项更具优势，从而精准定位消费者，方便CRM管理，增加经营效益。

应用场景四：通过广告推送进行物流分析

实时客流统计分析，统计每日每时的实时客流信息，当用户在广告机前端停留1~2秒后，摄像头会抓拍人脸画像并可以精确统计任意时段内进店驻留人群的性别和年龄，商家使用客流统计用些信息分析出不同人群驻留店面时长、区域统计客流强度，产品关注度、不同人群关注的产品热度。通过大数据分析比对，有利于商家部署最佳的运营模式。

应用场景五：通过客流分析与消费者进行连接实现精准营销

当我们发现，有“女性-母婴亲子-童车童床”标签的客群，在“母婴亲子-辅食”“家居-家具”“家具-厨电耐用”也有不错的消费，后期在推送童车童床offer的同时，也可以同时考虑加上辅食、家具、厨电等活动。同时，我们可以发现，有酒类制品标签的客群，均有“购物-食品”的标签，后期在推送酒类制品offer的同时，也可以向他们推送食品的offer；另外支付的客群也有不错占比，后期也可以将支付融入到相关推送活动中。正是运用了客流统计分析系统实现了相关产品的精准营销。

应用场景六：客流统计是重新构建门店和消费者的连接

在实体门店中应用客流统计是重新构建门店和消费者的连接，运用客流统计系统，先进的人脸识别技术，捕捉进店的数量，并对人像进行分析，统计顾客的性别、年龄、身份等属性，通过后台生成的数据分析报表，呈现顾客的光顾频率和回头客分析，让店员第一时间了解顾客的消费行为习惯，摸清顾客消费偏好和消费心理，做出合适的商品推荐和提供专业的服务。

并与POS机无缝连接，有效计算出提袋率和客单价，让会员通过人脸实现自动积分，打折服务，专业巩固vip客户量和消费群，并预测客流动线，店员针对性调整商品及陈列布向，营造科学合理的消费场景完美实现门店与消费者的互动。

使用客流分析系统可能存在的问题

数据是否可信?可用？

您必须确信获取的数据具有高度的完整性和统计意义。一个值得信赖的数据门户还必须表明数据来源，以便您准确地向您组织内部的利益相关方进行数据汇报。

您的数据看起来像是难懂的数字堆砌，还是如叙事般清晰易懂?您是否能够将数据可视化?有时您仅需要原始数据，其他时候则需要通过高质量的数据可视化以助解读数据。因此，应确保您的分析解决方案两者皆备。

结语：

纵然面对一些问题的存在，客流分析统计系统还是好处诸多，甚至可以在选址落地前通过对顾客群体的了解和分析，从而对店铺面积大小、人员比例、预计成本比例、客单价、库存量有更准确地预估和调整。相信多维度数据的获取，能够为优化品牌商品结构、陈列布置、运营策略提供更多的支持。

会议预告：

中国电子商会商业信息化协会&零售CIO俱乐部 将于9月21-22日在石家庄国际展览中心举办2018第四届中国智慧商业与数字化运营高峰论坛，核心议题：

1、新零售下，重构人货场和新消费场景价值；

2、从经营商品到经营顾客，构建全新的数字化体验和数字化运营体系；

3、顾客数字化、商品数字化、服务数字化、营销数字化、供应链数字化、经营管理数字化，改造经营管理，重塑商业模式；

4、全域消费场景下的会员营销和CRM，构建数字化消费者运营平台；

5、AI、大数据新技术如何以人为本赋能智慧门店的运营管理？如何打造线上新零售智慧门店？

6、如何建设以门店为中心的新零售配送体系？

7、如何打通全渠道数据壁垒，挖掘大数据的核心价值？

8、如何形成一套自己的新零售+科技创新的打法，提升智能化、数字化的运营效益？

一、什么是数据分析？

二、数据分析的分类

数据分析的三大作用：现状分析、原因分析、预测分析。

三、数据分析的六部曲

1.明确目的和思路

首先先明确分析目的，然后梳理分析思路，并搭建分析框架，把分析目的分解成若干个不同的分析要点，即如何具体开展数据分析，需要从哪几个角度进行分析，采用哪些分析指标（各类分析指标需合理搭配使用）。同时，确保分析框架的体系化和逻辑性。

2.数据收集

一般数据来源于四种方式：数据库、第三方数据统计工具、专业的调研机构的统计年鉴或报告、市场调查。

3.数据处理

数据处理主要包括数据清洗、数据转化、数据抽取、数据合并、数据计算等处理方法，将各种原始数据加工成为数据分析所要求的样式。

4.数据分析

常用的数据分析工具，掌握Excel的数据透视表，就能解决大多数的问题。需要的话，可以再有针对性的学习SPSS、R等工具。

数据挖掘是一种高级的数据分析方法，侧重解决四类数据分析问题：分类、聚类、关联和预测，重点在寻找模式与规律。

5.数据展现

一般情况下，数据是通过表格和图形的方式来呈现的。

常用的数据图表包括饼图、柱形图、条形图、折线图、气泡图、散点图、雷达图等。进一步加工整理变成我们需要的图形，如金字塔图、矩阵图、漏斗图、帕雷托图等。

一般能用图说明问题的就不用表格，能用表说明问题的就不用文字。

图表制作的五个步骤：

1、确定要表达主题

2、确定哪种图表最适合

3、选择数据制作图表

4、检查是否真实反映数据

5、检查是否表达观点

常用图表类型和作用：

6.报告撰写

一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂，层次明晰，能够让阅读者一目了然。

结构清晰、主次分明可以使阅读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于阅读者更形象、直观地看清楚问题和结论，从而产生思考。

好的数据分析报告需要有明确的结论、建议或解决方案。

四、数据分析的四大误区

1.分析目的不明确，为了分析而分析，这是菜鸟常常容易出现的问题；

2.缺乏行业、公司业务认知，分析结果偏离实际。数据必须和业务结合才有意义。摸清楚所在产业链的整个结构，对行业的上游和下游的经营情况有大致的了解，再根据业务当前的需要，制定发展计划，归类出需要整理的数据。同时，熟悉业务才能看到数据背后隐藏的信息；

3.为了方法而方法，为了工具而工具，只要能解决问题的方法和工具就是好的方法和工具；

4.数据本身是客观的，但被解读出来的数据是主观的。同样的数据由不同的人分析很可能得出完全相反的结论，所以一定不能提前带着观点去分析。

内容来源：小蚊子数据分析

百家号-【袁帅数据分析运营】运营者：袁帅，互联网数据分析运营实践者。会展业信息化、数字化领域专家。认证数据分析师、网络营销师、SEM搜索引擎营销师、SEO工程师、电子商务职业经理人。

20世纪30年代，宝 洁诞生了第一位产品经理，全权负责一款肥皂的生产、销售以及全流程的成功。

80多年后，随着互联网的蓬勃发展，出现了越来越多的产品以及和产品相关的各种岗位。；围绕产品的思维与工作方式被越来越多的人所认可，产品成功的思维模型被搬上了课堂。

数据报表，作为一个链接IT部门和业务的中间件，承担着信息沟通的作用：数据展示业务信息，为业务决策提供依据；业务产生数据，最终以数据报表的方式呈现。

同样，我们也可以用产品工作的方式来复盘一下搭建报表系统的整个流程，并且和产品的上线流程做一个对比。

产品的上线流程

市场分析——>竞争分析用户分析——>需求（场景）分析——>功能设计——>开发——>发布——>运营——>迭代

互联网产品初期，在初次面向市场的时候，产品往往是一个MVP（最小可用单元），通过种子用户的反馈，分析使用数据，验证产品的可用性，快速迭代，逐渐修正与完善。

报表系统的上线流程

同行业报表项目参考（行业咨询）——>业务部门需求采集分析——>报表设计——>上线——>end

绝大多数的企业在报表上线之后，都忽视了一个关键动作——运营，以致于IT部门陷入了一个怪圈，疲于应付业务人员的需求，天天加班工作却得不到认可。实际上，系统上线不等于终点，被大量使用与认可才是成功的第一步！

产品如何做运营

1、冷启动

冷启动是什么？冷启动是一个产品刚诞生的一个阶段，此阶段的产品面临着以下问题：

缺少用户及相关资源。产品模式未成熟，能否满足用户，迎合市场趋势仍是未知数

因此，在此阶段的主要目标的作用有：

根据数据分析，验证产品是否满足用户需求验证是否能符合市场趋势验证商业模式是否成立

互联网产品怎么做？

种子用户，聚拢一批符合产品目标人群的用户，获取真实的使用数据MVP（最小可用单元）验证，判断产品是否满足了目标用户的最小可用需求存失分析，依据用户的真实使用数据，分析留存的原因（建立产品优势），放弃部分的流失用户，修正产品的定位。

2、高增长

高增长是指在产品通过市场验证，处于快速发展的阶段，通过运营实现产品用户与价值的持续增长

互联网产品怎么做？

持续推广与曝光精细化运营，针对人群、场景、流程做差异化细分运营的运营策略，提升运营动作的效率最大化基于用户数据分析的产品不断迭代优化

报表系统如何运营

帆软的一家互联网行业客户告诉我们，为了让报表系统被业务部门认可，IT部门在上线报表系统的初期以及推广期主要做了4件事：

1、冷启动阶段

a.寻找种子用户

优先挑选了营运部门的管理层作为种子用户，依据需求为其定制了PC、移动端两张营运报表，报表上线后不断关注其访问量趋势，发现移动端模板的活跃度更高，并且用户对模板的评价非常好，随着口碑的传播，分公司的营运部门也提出了类似的需求，IT部门开始重新考量整个营运部门的需求，为其系统化的搭建报表应用

b.简单的用户数据分析

这个阶段的用户数量和模板数量都还处于一个比较小的数量级，只需要通过用户的访问数据，验证报表是否满足种子用户的需求

2、高增长阶段

a.从三个维度和两类应用场景分析用户的使用数据，关注性能与用户体验，促使报表系统不断优化

三个维度：

1、报表系统的整体访问趋势

——把控报表系统的整体运营状态，研究用户的访问习惯，合理分配资源

2、每一位业务人员的访问趋势

——充分掌握哪些业务人员的数据诉求更为强烈，那他们的数据需求被响应的优先级将会更高；那些一个劲提需求，却没有访问量的部门，我们需要重新核算成本，降低他们的需

求优先级

3、每一张报表的访问趋势与性能体验

——每一张报表都是一个产品，同样也有完整的生命周期，不被需求的报表要及时的淘汰，降低运维成本；访问量火热的报表要纳入优化迭代，提升用户访问感知，深挖需求，扩充业务场景

两类应用场景：

数据大屏/移动端报表

——什么样的数据分析场景更加在哪类终端上访问量更高？我们是否需要为其专门打造一张移动端的模板，更美观的样式，更人性化的交互效果？

b.主动推送与推广

——内容推广

伴随着报表系统的不断迭代，每一次为业务人员扩充的应用场景需要通过渠道来推广与宣传，促进用户的使用率，这个渠道可以是企业内部的宣发平台，也可以通过C端市场中的新媒体渠道（微信公众号等）

——报表推送

业务人员常用的报表可以通过帆软提供的推送功能直接触达最终用户，培养其对报表的使用粘性

帆软能提供哪些帮助

1、固化的用户行为数据分析

FS平台为用户提供了常用的运营数据统计功能

访问量数据：包含平台访问次数、模板访问次数、用户数等内容模板热度：不同模板在周期时间内的访问总数用户行为：不同用户在周期时间内的访问总数，并且区分统计出查询、导出、打印等不同的用户行为性能监控：不同模板的平均响应时间、平均内存等内容

注：模板热度、用户行为、性能监控数据统计需要安装“高级系统监控”插件

借助于常用的运营数据统计，我们可以对报表系统做一个整体的评估，对整体的访问量、模板热度、模板性能做到心中有数

2、深入的用户行为数据分析

作为数据分析的先锋，只要有数据源，没有IT做不了的运营数据分析。FR会将用户的访问数据存储至logdb数据库当中，可以直接通过设计器链接数据库定制运营所需分析模板

我们需要关注logdb数据库中的两张表与一个字段

表：PUBLIC.FR_EXERECORD

该数据表是报表正确执行日志表，即如果报表执行成功，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

表：PUBLIC.FR_FSRECORD

该数据表是为了统计一段时间内，系统的使用情况，用于管理员查看在线用户数及用户系统使用情况，因此用户登录决策系统时，将登录信息保存入库，将会在该表中添加一条记录，并在相应字段中填写其对应的信息记录

字段：BROWZER

该字段记录了客户端访问报表所用的浏览器版本以及移动端信息terminal：包含终端类型、app还是h5等信息。例如：“terminal”：{"OS"："app"，"type"："mobile"}

借助于以上内容，我们就可以定制出自己所需的数据分析报表，重新把控报表系统的运营情况，为后续的迭代提供指引

3、主动推送与推广

帆软为每一种报表使用方式与场景都提供了消息推送的服务，包括了：平台消息推送、微信/钉钉消息推送、APP推送、邮件推送等

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

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。