第一篇：電商數據分析主要的指標（范文）

電商數據分析主要的指標

1、網站使用：PV/UV、在線時間、跳失率、訪問深度、轉化率等；

2、流量來源分析：各渠道轉化率、ROI、自然流量比重趨勢等；

3、運營數據：總銷售額、訂單數、客單價、人均消費、單均商品數、訂單轉化率、退貨率等；

4、用戶分析：會員的地區分布、年齡分布、重復購買率、注冊時長。

第二篇：99click：電商數據分析的sap當之無愧

電商數據分析的”sap”99click當之無愧 相關數據顯示，2009年中國網絡購物市場交易規模達2483.5億元，占社會消費品零售總額1.98%，同比增長93.7%，預計2013年網購交易規模有望突破1萬億元。面對如此大的利潤誘惑，電商行業如雨后春筍般勢頭迅猛發展，中國的電商行業正在進入大數據分析時代，作為獨立的第三方網絡分析服務商99click 也面臨著前所未有有的機遇和挑戰。

當前中國電商行業的發展勢頭已經超過了國外，但是對數據分析的滲透卻少之又少。而電商行業正需要這樣一種力量來推動產業的升級。99click作為國內領先的互聯網營銷分析服務商致力于數據分析領域已有八年之久，其獨有的siteflow系統采用最先進的SaaS模式，憑借其先進的技術優勢，數據的準確穩定，積極的本土化思考，贏得了業界客戶的青睞。99click正是致力于成為中國電子商務數據分析的第三方力量，推動電商行業的迅速發展。Siteflow系統主要為電商企業開辟，圍繞著電子商務業務的方方面面，來幫助企業提高生產率，節約成本，開發消費者價值。不僅為B2C網站提供了網站流量、IP點擊等基礎數據，還將展現出瀏覽者的訪問路徑、產品偏好、用戶流失原因和B2C網站的結構內容偏差等多方面內容。通過多維度分析，幫助B2C電子商務網站改善用戶體驗或不符合瀏覽行為的部分，逐步將大量的瀏覽者轉化成消費者，把流量變為銷量，真正提高B2C電子商務網站的營銷能力。

目前，99click已經與超過1000家的主流電商企業建立起了合作關系，其系統提供超過600個指標的分析服務。每天對約1億次用戶行為進行跟蹤記錄，幫助企業提高銷售額近百億元。正如SAP 堅持30年只研究一種產品，成為全世界排名第一的ERP軟件，99click在業內也以專注著稱。其創立8年時間始終專注于SiteFlow系列產品的研發創新，推出了具有多項獨家專利技術的系列 SiteFlow產品。

總之，99click憑借先天的技術優勢、龐大的后續團隊服務以及多年的經驗積累，成為當之無愧的電商數據“SAP”.

第三篇：大數據分析時代,99click致力于成為電商數據分析領域的”sap”

99click：致力于大數據時代電商數據分析領域的“SAP”

近年來，大數據分析越來越為各行業人士所熱議，被認為是能給企業業務帶來革命性轉變的技術。電商行業作為網絡時代的核心產業，基于互聯網的數據能力，更是其核心競爭力，使其在與實體企業的競爭中，能夠迅速全面的獲取用戶行為信息和需求，更快做出反應。現在中國的電子商務正在面臨著新一輪競爭與考驗，企業對于數據分析的需求與日俱增。在此需求下，第三方數據服務應運而生。作為中國最早專注于電商領域的數據監測分析的服務商, 99click公司已經與超過1000家主流商務網站建立了合作，其獨樹一幟的數據分析技術為業界所追捧。

致力于成為電子商務數據分析領域的“SAP”

SAP公司，作為世界500強背后的管理大師，是全球最大的企業ERP系統和商務智能解決方案供應商。30年來，SAP持續不斷向全球各行業企業提供廣泛的業務管理解決方案。同為軟件公司，成立9年的99click雖然與SAP領域不同，但是同樣立志于幫助企業高效的解決業務問題。99click通過其應用軟件、服務與支持，通過提供全面的企業級互聯網數據解決方案，幫助各種規模、行業的企業更卓效地運營，致力于成為電子商務數據分析領域的“SAP”。

99click的創業故事與SAP有著驚人的相似

正如SAP敏銳預見ERP將成為推動全球產業發展升級的IT力量一樣，99click的創立基于同樣的商業洞察和預見：電子商務將成為時代潮流，在企業互聯網化的過程中，通過網絡獲取數據以更快作出反應，將成為企業在競爭中獲勝的關鍵。

于是，早在2005年，憑借著在硅谷多年的技術視野和研發水平，99click率先將領先的技術理念應用于電子商務領域，推出了第一個幫助企業開展互聯網業務的全能數據系統（采集、管理、處理、分析）SiteFlow?。

至此開始，99click將與數百家主流電子商務網站并肩工作的經驗總結，不斷融入SiteFlow?，形成了完整清晰的數據框架與實用的功能構成，以及一整套關于網絡商務數據的，出色的分析方法和解決方案。

又如SAP 堅持30年只專注研究一種產品，由此成就了全世界排名第一的ERP軟件，99click在業內也以專注著稱。其創立9年時間，始終專注于SiteFlow?一個系列產品的研發創新，推出了多項獨家專利技術。9年時間內，所有用戶一共加起來，累計故障時間還不到2小時。這在世界領域內，都絕對一流。

SiteFlow?從浩瀚的互聯網數據中挖掘出了“抓住用戶、留住用戶”的密碼。通過99click出色的數據分析技術，企業可以分析用戶從何處進入網站起，到站內搜索、行走路徑、瀏覽頁面等各種行為，從而掌握客戶的消費習慣；從導航結構、消費流程、頁面內容布局的合理性等多方面來優化網站結構和營銷方案、最終提高網站轉化率、提升用戶黏性，促進銷售。

99click和SAP一樣都相信數據是企業的核心資源和發展動力。SiteFlow?自推出以來，迅速獲得了行業認可，成了企業開展電子商務首屈一指的軟件品牌和標準配置，連續9年保持市場第一。能在納斯達克上市的幾家中國電商企業，背后都有99click的身影。

當然99click與sap也有著不同之處

1.價格不同

不同于SAP管理軟件的天價收費，99click立足于本土市場，提供完全實用、費用合理的解決方案。99click堅持高性價比的產品理念，給用戶提供免費的基礎服務和升級服務，每年升級次數15次以上，保證所有客戶享受最新功能。

2.服務模式不同

“客戶需要的是能以最低成本在最短時間內創造出最高價值的解決方案?！?99click一直堅持這樣的理念。因此，99click摒棄了軟件套裝銷售的方式，而是采用高度靈活的SAAS模式，企業購買軟件后能馬上使用，不需要再做硬件的投入，企業的運維成本因此大大降低；同時也降低了軟件的應用門檻，用戶只需在web上注冊登錄，即可使用。

3.服務對象不同

只要客戶擁有自己的網站，能在網上開展業務，哪怕是簡單的網絡推廣和優化，或者單獨的網絡廣告投放，或者更直接在線銷售商品，都可以成為99click服務的對象。99click可以幫助客戶采集一切在網絡上生成的數據：廣告、訪客、產品、訂單??。99click的數據是

基于網絡的實時更新數據，采用的技術手段也是基于網絡；而SAP管理的是歷史數據，而且大部分是離線的?！?/p>

99click的產品對于中國電子商務的發展意義，與當年SAP發明ERP推動管理革新一樣，都是通過超越行業水平的產品，給客戶創造非凡價值。未來，電子商務發展無論是“燒錢圈地”還是“理性發展”，都需要依托第三方數據分析的“智囊團”來制定快速高效的決策。而以99click為領軍的第三方數據分析服務，勢必會扮演重要角色。

第四篇：電商企業如何做好數據分析

電商企業如何做好數據分析

關于數據，很多電商企業在做網絡營銷的時候都知道分析數據的重要性，卻不清楚要如何做好數據分析。有兩種情況是常見的。一種是數據太多，不知道怎么分析;而另一種就是數據少得可憐，沒有辦法進行分析。這兩種情況都很極端，那么，電商企業如何做好數據分析呢?答案是：需要想清楚以下3個問題。

1、我為什么要看數據?

看數據的理由有很多，有不少PM看數據純粹為了在吵架中能占上風，也有的人是為了炫技，還有一些人是因為老板要他們這樣做。但實際上，看數據最好的理由是“你真的渴望持續改進自己的產品，而數據能給你客觀的建議”。如果你沒有這個渴望，覺得“我已經做的很好了，沒有幾個人能比我做得更好”，不但可以不看數據，連用戶都可以不要。

2、數據由哪些成分組成?這些成分會發生什么變化?

分析數據的構成可以更精確的知道是哪些產品、運營方案在發揮著作用，數據的變化可以知道某個方案起了多大的作用。

拿PV來說，分析PV的地域結構，可以知道適合的推廣渠道;分析用戶的年齡結構可以知道活動策劃偏向什么主題;分析用戶的職業結構可以知道用戶的使用習慣。

3、這些數據為什么發生了這些變化?

分析數據為什么變化，可以找到關鍵的原因，或者洞悉用戶真正的需求，最終形成產品的改進。

拿微博來說，假如某一天，微博的轉發數量比前一天下降了20%。

如果不找出變化的原因，PM給出的解決方案極可能是：放大轉發按鈕，鼓勵用戶多轉發。

如果換個思路，找變化的原因，PM也許就可以發現到：登陸用戶比前一天下降了30%，為什么登陸用戶下降了這么多呢?因為首頁改版了。那么PM解決問題的方向是：首頁哪些方面沒改好才導致用戶活躍度下降，找到原因之后再實施改進方案。

分析數據的時候，每天問自己這3個問題，持續一段時間之后，將會意想不到的驚喜在等著你。

第五篇：一個電商數據分析師的經驗總結

一個電商數據分析師的經驗總結

king 發表于 2013-07-27 20:54 來源：賈鵬

08年畢業，不知不覺的混進了電子商務行業，又不知不覺的做了三年數據分析，恰好又趕上了互聯網電子商務行業發展最快的幾年，也算是不錯吧，畢竟感覺前途還是很光明的。三年來，可以說跟很多同事學到了不少東西，需要感謝的人很多，他們無私的教給了我很多東西。

就數據分析職業來說，個人感覺這對互聯網公司來說是非常重要的，也是確實能夠帶來實際效果的東西。比如說利用數據分析做會員的細分以進行精準化營銷；利用數據分析來發現現有的不足，以作改進，讓顧客有更好的購物體驗；利用CRM系統來管理會員的生命周期，提高會員的忠誠度，避免會員流失；利用會員的購買數據，挖掘會員的潛在需求，提供銷售，擴大影響力等等。

最開始進公司的時候是在運營部，主要是負責運營報表的數據，當時的系統還很差，提取數據很困難，做報表也很難，都是東拼西湊一些數據，然后做成PPT，記得當時主要的數據就是銷售額、訂單量、毛利額、客單價、每單價、庫存等一些特別基礎的數據，然后用這些數據作出一些圖表來。在這個階段基本上就是做一些數據的提取工作，Excel的技巧倒是學到了不少，算是數據分析入門了吧。

后來公司上了數據倉庫，里面就有了大量的原始數據，提取數據非常方便了，而且維度也多，可以按照自己的想法隨意的組合分析，那個階段主要就是針對會員購物行為的分析，開始接觸數據建模，算法等一些比較難的東西，也是學到東西最多的時候。記得當時做了很多分析報告，每周還要給總裁辦匯報這些報告，下面詳細說一下當時使用的一些主要的模型及算法：

1、RFM模型 模型定義：在眾多的客戶關系管理的分析模式中，RFM模型是被廣泛提到的。RFM模型是衡量客戶價值和客戶創利能力的重要工具和手段。該機械模型通過一個客戶的近期購買行為、購買的總體頻率以及花了多少錢三項指標來描述該客戶的價值狀況。在RFM模式中，R(Recency)表示客戶最近一次購買的時間有多遠，F(Frequency)表示客戶在最近一段時間內購買的次數，M(Monetary)表示客戶在最近一段時間內購買的金額。一般的分析型CRM著重在對于客戶貢獻度的分析，RFM則強調以客戶的行為來區分客戶。利用RFM分析，我們可以做以下幾件事情：

⑴ 建立會員金字塔，區分各個級別的會員，如高級會員、中級會員、低級會員，然后針對不同級別的會員施行不同的營銷策略，制定不同的營銷活動。

⑵ 發現流失及休眠會員，通過對流失及休眠會員的及時發現，采取營銷活動，激活這些會員。

⑶ 在短信、EDM促銷中，可以利用模型，選取最優會員。⑷ 維系老客戶，提高會員的忠誠度。

使用方法：可以給三個變量不同的權重或按一定的規則進行分組，然后組合使用，即可分出很多不同級別的會員。

2、關聯分析

關聯分析最原始的案例來自于沃爾瑪的“啤酒與尿布”。通俗意義上講，就是只買了A商品的人，又有很多人買了B商品，那么我們就可以認為A、B兩個商品的關聯性比較高。很多數據挖掘工具都有關聯挖掘，主要使用的算法是Apriori算法，在計算的過程中會主要考察項集、置信度、相關性這三個結果數據，以最終確定商品之間的相關性。除了Apriori算法外，還有許多其他的關聯分析的算法，基本上也都是從Apriori發展而來，比如FPgrowth。本人從幾年的數據分析經驗感覺，關聯分析在零售業中并不太實用，挖掘出來的關聯度比較高的商品一般都是同類商品或者同品牌的商品，像“啤酒與尿布”這種，很少能夠有。使用方法：組套銷售或者相關陳列等。

3、聚類分析

零售行業的聚類分析主要是指將具有相似購物行為的顧客進行群體的細分，以支持精細化的營銷活動，帶來更大的營銷效果，節省成本。Spss里面的聚類分析主要有兩種K-means聚類和系統聚類。也可以在數據倉庫中根據顧客購買的商品屬性進行會員的聚類分析，這里就不需要算法的支持，只需要根據系統的已經有的商品分類，把購買過相同商品類別的顧客劃分到一起。這種方法可能與公司的業務更加貼近。聚類分析是進行會員精細化管理，精細化營銷的基礎，做好聚類分析，對企業將有很大的益處。使用方法：對顧客細分，精準化營銷。

4、“之”字分析法

該種方法主要是有一種很明確的會員群體，然后通過分析這些會員群體的購買行為，提取這些購物行為的相似點，然后再通過這些相似點返回到整個數據里面，從中抽取更大的會員群體，以制定精準的營銷。

再后來，公司又上了SAP，又去BW組去做報表開發，做報表開發這一塊能夠接觸到更多的業務方面的知識，雖然做數據挖掘比較少了，但是數據最終是要指導業務的，所以這對我的成長也算是非常有利的。業務方面主要了解到了幾大塊：

1、庫存管理-庫存管理這塊主要有正品庫存的管理，滯銷庫存，高庫存商品等各種不同類型的庫存該怎么定義以及該如何去管理。比如去管理供應商的庫存的時候會根據正品庫存及滯銷庫存和庫存正常的周轉天數來計算該供應商的庫存是否在合理的水平，是否該進貨還是要減少庫存。

2、促銷管理-促銷管理是以提高銷售額為目的，吸引、刺激消費者消費的一系列計劃、組織、領導、控制和協調管理的工作。數據方面來說主要是針對不同的促銷方式來計算不同的方式收益情況，不同的促銷方式可以帶來不同的效果，因此在使用促銷的時候要審慎的選擇，以達到理想的效果。

另外，還有財務報表、采購流程等很多方面的東西，這些接觸的比較少就不寫啦。

在BW項目組的時候，也經常會幫網站做一些分析工作，自己也自學了兩本關于網站數據分析方面的書，感覺學到了一些皮毛，下面說一下吧：

1、網站流量分析

網站流量的比較重要的KPI指標有瀏覽量、訪問量、獨立訪客數、跳失率、轉化率、頁面停留時間、訪問頁面數、流量來源、流量來源ROI等等。通過這些數據可以全面的反映網站的整體情況。其中跳失率可以用來衡量頁面的質量，流量來源及轉化率可以衡量市場及營銷的工作情況。進行網站數據分析的時候，需要牢牢的把握轉化率這一指標，然后由這一指標的變化來尋找其他相關數據的變化，最終找出原因，做相對應的策略，改進我們的工作。

2、網站分析細分

數據分析行業有句話-無細分，毋寧死，足矣看出細分對數據分析意義。對于網站的數據分析尤其是如此。網站的流量數據量非常大，從整體上看根本都看不出那里會出現問題，所以必須要細分。比如說營銷人員需要看的轉化率，必須就要細分到每個渠道里面，然后再看到這些渠道來的會員的點擊情況，他們都看過那些網頁，對什么感興趣，跳失率是多少，瀏覽時間多長，最終轉化的是多少等等，這樣才能看出問題。

3、網站的短信促銷及EDM

在這個電子商務普遍燒錢的時代，花出去的錢到底能有多少能夠帶來實際的收益呢？在搶占市場的同時，怎么才能做到ROI最大化這個問題急需要解決。公司每天幾乎都要發幾萬條甚至幾十萬條的促銷的短信，短信的反饋率基本上都在2%一下，怎么才能提高轉化率，這就需要更精準的用戶定位，把錢花到最有可能帶來收益的地方。因此網站的短息促銷及EDM促銷，必須要依據會員的精細化細分，不但要滿足客戶的需求，更要挖掘出他們的需求。

寫到這里基本上寫的差不多，通過總結才發覺自己原來很是知道的很少，還有很多需要學習的地方，比如說數學建模方面的知識不夠，統計學軟件使用不夠好，業務了解的不夠深入，對整個電子商務行業的發展把握不清晰，這些都是需要以后加強的地方。最近在一個數據分析師的前輩的博客上看到他對數據分析師的要求只有一點，就是要熱愛數據。感覺自己還不夠，平時工作的時候還不夠投入，總覺得是在為公司工作，不是在為自己的興趣工作，其實一個人每天做的事，一定要都當做是為自己做才行，就算真的不是為自己做，也要從中學到一些東西來變成自己的東西，為自己服務。