一、电商数据分析的基本指标体系
主要分为8个类指标，即：
1. 总体运营指标：从流量、订单、总体销售业绩、整体指标进行把控，起码对运营的电商平台有个大致了解，到底运营的怎么样，是亏是赚。
2.网站流量指标：即对访问你网站的访客进行分析，基于这些数据可以对网页进行改进，以及对访客的行为进行分析等等。
3. 销售转化指标：分析从下单到支付整个过程的数据，帮助你提升商品转化率。也可以对一些频繁异常的数据展开分析。
4. 客户价值指标：这里主要就是分析客户的价值，可以建立RFM价值模型，找出那些有价值的客户，精准营销等等。
5.商品类指标：主要分析商品的种类，那些商品卖得好，库存情况，以及可以建立关联模型，分析那些商品同时销售的几率比较高，而进行捆绑销售，有点像啤酒喝尿布的故事。
6. 市场营销活动指标，主要监控某次活动给电商网站带来的效果，以及监控广告的投放指标。
8. 市场竞争指标：主要分析市场份额以及网站排名，进一步进行调整
以上总共从8个方面来阐述如何对电商平台进行数据分析，当然，具体问题具体分析，每个公司的侧重点也有所差异，所以如何分析还需因地制宜。
二、电商行业的指标体系图，经典的“人货场”+互联网
1.场景
按照场景，如果是运营经常会分析四类场景：
- 第一种是在突发事件产生，比如流量突然下降之后，考虑到及时描述事件做出的描述分析；
- 第二种是基于产品运营策略上线后，做出全面的原因分析；
- 第三种是在数据管理的过程中，对前后端埋点的校验还有表数据的校验；
- 第四种是基于一定的理论做出的自上而下的分析；
2.指标体系
上述4种场景，前3种是“点”分析，遇到问题了/发生事情了，就通过数据分析的手段来找出原因，监控结果。而如果将运营分析的工作都连接起来，形成一个体系，就是“面”的分析。比较成熟的做法是搭建运营指标体系。
以分析体系最为复杂的互联网电商公司为例，来逐一分解，哪些数据需要分析，怎样分析，分析的价值是什么。
电商类公司的收入是由一个个订单堆出来，由用户购买相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收入下降、增长、异常最终都可以追踪到用户与商品这两大元素上。这样我们将收入相关的数据拆解为三大类：用户、商品和订单。
一）、运营模块
从用户的消费流程来看，可以划分为引流-转化-消费-存留。我们一般将用户分为新老用户，无论新老用户，都会关注两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。
引流
通过分析PV、UV、访问次数、平均访问深度、跳出率等数据来衡量流量质量优劣。目的是保证流量的稳定性，并通过调整，尝试提高流量。
进一步，按照流量结构还可分为渠道结构、业务结构、地区结构。
在渠道中，流量可来自于自主访问、搜索引擎、淘宝付费、京东付费等等。按设备可分为PC渠道和APP渠道；按照付费与否可分为免费流量和付费流量。有人会通过渠道流量占比来分析各渠道的质量。下面的折线图可以对各渠道的流量情况进行追踪，分析占比不合理是短期内出现的，还是长期存在的，辅助问题的分析。仅仅根据流量情况来衡量质量是不全面的，需要配合转化率和roi。
按地区划分，这个很好理解。
按照业务结构，最典型的比如举办一场活动，例如双十一，可定要对活动的流量追踪。观察活动前、活动中、活动后的变化情况，评估活动效果。
转化
完成引流工作后，下一步需要考虑转化，这中间需要经历浏览页面->注册成为用户->登陆->添加购物车->下单->付款->完成交易。每一个环节中都会有用户流失，提高各个环节的转化率，是这一块工作的最核心，转化率的提升，意味着更低的成本，更高的利润。
转化的分析：
1.观察各环节转化率，分析其合理性，针对转化率异常环节进行调整
2.追踪转化率变化，用于异常定位和策略调整效果验证
3.观察各渠道转化情况，定义渠道价值，并依此适当调整运营策略
4.分析各环节转化周期，分析用户习惯，为制定运营策略提供依据
最直接的分析成果就是转化漏斗。
留存
通过各个渠道或者活动把用户吸引过来，但是过一段时间就会有用户流失走掉，当然也会有一部分用户留下来，留下来这部分用户就叫做留存用户。关于留存，这里要关注的就是日活和留存率。
关于留存，无非就是：
1.日活监控，观察用户活跃数据，分析日活健康度
2.观察存留规律，定位存留阶段，辅助市场活动、市场策略定位等
3.对比不同用户、产品功能的存留情况，分析产品价值、辅助产品调整
复购
有调查数据显示，一个满意的用户会带来8笔潜在生意，不满意的用户可能会影响25个人的购买意愿，可见回头客多么重要。
复购率可以分为“用户复购率”和“订单复购率”，此外，“用户回购率”意义与复购率相似，也在此范围内。
用户复购率＝单位时间内：购买两次及以上的用户数/有购买行为的总用户数
订单复购率＝单位时间内：第二次及以上购买的订单个数/总订单数
用户回购率＝单位时间内：有购买行为的老用户数/有购买行为的总用户数
分析复购率的目的：
1.综合指标展示，分析用户黏性，辅助发现复购率问题，制定运营策略。
2.横向维度(商品、用户、渠道)对比分析，细化复购率，辅助问题定位。
流失
流失是无法避免的，但也有可以挽留的。
流失可以分为
- 刚性流失：可以进一步分为新用户水土不服型和老用户兴趣转移型，这部分流失用户是无法挽留的，缘尽于此，花再多的钱也没什么用。
- 体验流失：可能是应用体验、服务体验、交易体验、商品体验等等，总之就是在使用产品\服务的过程中，感到了一丝不爽，正所谓一言不合就流失。
- 竞争流失：也就是用户已经转粉了。可能是竞争对手的体验更好，可能竞争对手推出了什么优惠的政策。我们也需要抓住行业的动态，针对竞争对手的抢粉行为做出相应的行动。
关于流失的定义，各公司定义不同，可能是7天内没有登陆行为，也可以是几个月之内没有交易行为。（回流率＝时间周期内流失的再回访的人数/时间周期内流失的人数）
关于流失的常规数据监控，一般都是和存留一起的，本身两者也是分不开的。单独针对流失的，最多看到如下图样式的监控：
再者，流失率结合存留率也可以评估渠道的价值。
二)、销售模块
1、指标跟踪：销售模块中有大量的指标，包括同环比、完成率、销售排行、重点商品占比、平台占比等等，可以从人、货、场三个视角进行分析跟踪。
2、店铺分析：具有小b级用户，或者入驻平台式，需要针对各店铺经营指标进行分析，包括各店铺效率指标、完成率指标、业绩指标、客单价等，实现店铺价值评定分析。
3、销售活动管理：线上销售中，活动是非常重要的一块，从事前、事中、事后三个层面实现销售活动的闭环分析，其中包括事前投入分析、目标预测；事中用户参与度、客流分析、销售单分析；事后目标完成情况、活动对比、费销比、活动衰减度、活动爆发度等。
三)、商品模块
1、采购管理：包括供应商数据分析、采购匹配度分析等。
2、供应链环节管理：供应链服务情况分析（响应周期、交货及时率、订单执行率）、管理指标分析（物资成本占比、客户投诉率等）。
3、库存管理：商品库存天数、存销比、有效库存比、库存周转率等数据分析。
4、重要指标分析：分析包括货龄、动销率、缺货率、结构指标、价格体系、关联分析、、畅滞销等分析指标，评判商品价值，辅助调整商品策略。
5、异常商品分析：包括对退货率、残损率、异常商品等数据进行分析，发现异常商品，及时处理。
四)、用户模块
1、重点指标分析：包括新增用户数、增长率、流失率、有效会员占比、存留率情况等。
2、用户价值分析：根据rfm模型，再融入其他个性化参数，对用户进行价值的划分，并针对各等级用户进一步的分析。
3、用户画像：根据固有属性、行为属性、交易属性、兴趣爱好等维度，来为用户添加标签与权重，设计用户画像，提供精准营销参考依据。
具体怎么分析:
数据分析的需求可以分为三类：
- 业务常规需求，主要是辅助业务日常工作用，比如常规型的报表。销售日报月报等。
- 指标监控与数据呈现类，比如流量监控，下单监控，一场活动的流量监控。为管理和决策提供支持，也为后面的针对性的挖掘分析提供入口
- 有主题有针对性的挖掘分析，比如用户忠诚度模型。为运营、产品的改善提供数据依据，具有一定的驱动价值
对于第1类和第2类需求，有用开源报表的、有用商用报表的、有用bi的、有写echart的也有用excel的。对于第三类需求，有用sas的、spss、python的、r的甚至有用c++的。
数据报表设计
具体怎么去分析？数据报表的魂在于上述的业务分析思想，跟随分析目标的牵引。
一个数据报表要能讲好一个故事。
背景：产生这样一个数据报表的原因是什么？源于最近一周流量下降的分析？提升交易额的决策探索？或是围绕二八定律筛选优质客户？
那么基于上面一个背景，就开始你的分析。比如分析流量下降，你假设有哪些可能的原因？又是基于哪些事实数据去验证的假设的正确性（注意数据清洗的说明，排除了哪些数据）。结论归因/（寻找）共性，建议和决策是什么？预计的结果是怎样？
做dasnboard，选用正确的图表，注意美观就行（图表的使用网上有一堆），至于动效（联动钻取）都是锦上添花的事。
