很多人都從PV/UV/用戶數這些數據來切入分析，但是分析之后，做什么措施?以什么樣的目標來驅動?

　　我也做過這樣的分析，這些常規的數據大多只是綁定著個人的KPI，反應這個人工作成績的好壞，并不是一場完整的數據分析。

　　這里我想從更全面的角度來總結互聯網企業的運營體系，精益數據分析。

　　數據分析的目的應該是為了公司的發展，粗暴一點講：是為了公司的盈利和持續的盈利。

　　而互聯網的盈利模式不同，數據指標也不同，大抵可分為三種：一是向用戶出售商品或服務，以電商、社交和O2O平臺為代表; 二是靠廣告來進行盈利，典型的例如Google、百度以及其他平臺類互聯網公司; 三是直接向用戶收取費用，各大游戲公司。

　　以分析體系最為復雜的互聯網電商公司為例，來逐一分解，哪些數據需要分析?怎樣分析?分析的價值是什么?

　　電商類公司的收入是由一個個訂單堆出來，由用戶購買相關的商品或服務產生。

　　可以說用戶和商品或服務為訂單的兩大基本元素，公司收入下降、增長、異常最終都可以追蹤到用戶與商品這兩大元素上。

　　這樣我們將收入相關的數據拆解為三大類：用戶、商品和訂單。 一、運營模塊

　　從用戶的消費流程來看，可以劃分為引流—轉化—消費—存留。

　　我們一般將用戶分為新老用戶，無論新老用戶，都會關注兩塊內容：一個是引流(拉新)，一個是轉化;最終以數據的形式體現出來，就是流量與轉化率。 1. 引流

　　通過分析PV、UV、訪問次數、平均訪問深度、跳出率等數據來衡量流量質量優劣。

　　目的是保證流量的穩定性，并通過調整，嘗試提高流量。

　　圖表皆由FineReport搭建的數據報表產生

　　進一步，按照流量結構還可分為渠道結構、業務結構、地區結構。

　　在渠道中，流量可來自于自主訪問、搜索引擎、淘寶付費、京東付費等等。

　　按設備可分為PC渠道和APP渠道，按照付費與否可分為免費流量和付費流量。

　　有人會通過渠道流量占比來分析各渠道的質量。

　　下面的折線圖可以對各渠道的流量情況進行追蹤，分析占比不合理是短期內出現的，還是長期存在的，輔助問題的分析。僅僅根據流量情況來衡量質量是不全面的，需要配合轉化率和ROI。

　　按地區劃分，這個很好理解。

　　按照業務結構，最典型的比如舉辦一場活動，例如雙十一，肯定要對活動的流量追蹤，觀察活動前、活動中、活動后的變化情況，評估活動效果。 2. 轉化

　　完成引流工作后，下一步需要考慮轉化，這中間需要經歷瀏覽頁面—注冊成為用戶—登陸—添加購物車—下單—付款—完成交易。

　　每一個環節中都會有用戶流失，提高各個環節的轉化率是這一塊工作的最核心——轉化率的提升，意味著更低的成本，更高的利潤。

　　轉化的分析： 觀察各環節轉化率，分析其合理性，針對轉化率異常環節進行調整; 追蹤轉化率變化，用于異常定位和策略調整效果驗證; 觀察各渠道轉化情況，定義渠道價值，并依此適當調整運營策略; 分析各環節轉化周期，分析用戶習慣，為制定運營策略提供依據。

　　最直接的分析成果就是轉化漏斗。 3. 留存

　　通過各個渠道或者活動把用戶吸引過來，但是過一段時間就會有用戶流失走掉，當然也會有一部分用戶留下來，留下來這部分用戶就叫做留存用戶。

　　關于留存，這里要關注的就是日活和留存率。

　　關于留存，無非就是： 日活監控，觀察用戶活躍數據，分析日活健康度; 觀察存留規律，定位存留階段，輔助市場活動、市場策略定位等; 對比不同用戶、產品功能的存留情況，分析產品價值、輔助產品調整。 4. 復購

　　有調查數據顯示：一個滿意的用戶會帶來8筆潛在生意，不滿意的用戶可能會影響25個人的購買意愿，可見回頭客多么重要。

　　復購率可以分為“用戶復購率”和“訂單復購率”，此外，“用戶回購率”意義與復購率相似，也在此范圍內。 用戶復購率=單位時間內：購買兩次及以上的用戶數/有購買行為的總用戶數; 訂單復購率=單位時間內：第二次及以上購買的訂單個數/總訂單數; 用戶回購率=單位時間內：有購買行為的老用戶數/有購買行為的總用戶數。

　　分析復購率的目的： 綜合指標展示，分析用戶黏性，輔助發現復購率問題，制定運營策略。 橫向維度(商品、用戶、渠道)對比分析，細化復購率，輔助問題定位。 5. 流失

　　流失是無法避免的，但也有可以挽留的。

　　流失可以分為： 剛性流失：可以進一步分為新用戶水土不服型和老用戶興趣轉移型，這部分流失用戶是無法挽留的，緣盡于此，花再多的錢也沒什么用。 體驗流失：可能是應用體驗、服務體驗、交易體驗、商品體驗等等，總之就是在使用產品服務的過程中，感到了一絲不爽，正所謂一言不合就流失。 競爭流失：也就是用戶已經轉粉了。可能是競爭對手的體驗更好，可能競爭對手推出了什么優惠的政策。我們也需要抓住行業的動態，針對競爭對手的搶粉行為做出相應的行動。

　　關于流失的定義，各公司定義不同，可能是7天內沒有登陸行為，也可以是幾個月之內沒有交易行為。

　　回流率=時間周期內流失的再回訪的人數/時間周期內流失的人數

　　關于流失的常規數據監控，一般都是和存留一起的，本身兩者也是分不開的。

　　單獨針對流失的，最多看到如下圖樣式的監控：

　　再者，流失率結合存留率也可以評估渠道的價值。 二、銷售模塊

　　指標跟蹤：銷售模塊中有大量的指標，包括同環比、完成率、銷售排行、重點商品占比、平臺占比等等，可以從人、貨、場三個視角進行分析跟蹤。

　　店鋪分析：具有小b級用戶，或者入駐平臺式，需要針對各店鋪經營指標進行分析，包括各店鋪效率指標、完成率指標、業績指標、客單價等，實現店鋪價值評定分析。

　　銷售活動管理：線上銷售中，活動是非常重要的一塊，從事前、事中、事后三個層面實現銷售活動的閉環分析。

　　其中包括： 事前投入分析、目標預測; 事中用戶參與度、客流分析、銷售單分析; 事后目標完成情況、活動對比、費銷比、活動衰減度、活動爆發度等。 三、商品模塊 采購管理：包括供應商數據分析、采購匹配度分析等。 供應鏈環節管理：供應鏈服務情況分析(響應周期、交貨及時率、訂單執行率)、管理指標分析(物資成本占比、客戶投訴率等)。 庫存管理：商品庫存天數、存銷比、有效庫存比、庫存周轉率等數據分析。 重要指標分析：分析包括貨齡、動銷率、缺貨率、結構指標、價格體系、關聯分析、暢滯銷等分析指標，評判商品價值，輔助調整商品策略。 異常商品分析：包括對退貨率、殘損率、異常商品等數據進行分析，發現異常商品，及時處理。 四、用戶模塊 重點指標分析：包括新增用戶數、增長率、流失率、有效會員占比、存留率情況等。 用戶價值分析：根據RMF模型，再融入其他個性化參數，對用戶進行價值的劃分，并針對各等級用戶進一步的分析。 用戶畫像：根據固有屬性、行為屬性、交易屬性、興趣愛好等維度，來為用戶添加標簽與權重，設計用戶畫像，提供精準營銷參考依據。

　　作者：李啟方

　　來源：數據分析不是個事兒
      成都活動策劃公司推薦文章