电商运营要关注哪些数据？如何获取这些数据？

以天猫平台为例。类目总流量，平均转化率，新客户成本，ARPU,
小到单店的PV、访问深度等等
所有的这些数据哪些是要做好分析的？

数据这块，电商运营还是可以多关注分析本身；关于很基础的产品/用户/商家各场景的分析，可以看我主页其他的回答，今天来聊点不一样的。
不用太看如何获取这些数据；这些都是采购和数据仓库该干的活
Growing IO、魔镜、一面、观远的这些数据服务商，甚至很多内资咨询公司都靠卖数据获利；如果只是个人平常练练手，可以在Kaggle、Euromonitor（欧睿）、甚至是直接搜亚马逊/天猫数据分析，也能拿到很多零售和电商数据


相比于给出找数地图，还是分析框架对大家更有用；市面上那些分析框架都是没用的，列出的每个概念都对，但按图索骥走出来的结果，全都错
第一步：对电商整体要有认知

第一步需要对电商场景有基本理解，否则只会闹正确的笑话；什么叫正确的笑话，说个歪楼的例子，一个小孩找来了紫薇给老板表演心如刀割，这种就是正确的笑话
缺乏理解的发力，往往都是最大的错误，却自以为正确
电商是一个很大的场景，商家借由平台把商品卖给消费者；平台不仅仅是在GMV中抽佣金，还有广告费用；所以这里头，平台按收入类型自然就会分化出了不同的架构，商家内部也会有不同的角色分工


这些整体的认知其实很重要，敲黑板敲黑板！！否则老板问起你这个品类我们要不要做线上的时候，你一脸懵逼
接下来就看看这些整体认知下，能回答哪几类问题
第二步：电商场景里需要回答哪几类问题

1. 品类+平台分布

第一个问题也就是被问得最多的，哪些品类涨得最好，这些品类在哪些平台卖得最好，以及这些品类我们还有没有做的空间呢？
回答这个问题，不同视角的答案完全不一样；比如上面说平台的电商BU，自然是看GMV体量和增速；如果是平台的商业化BU（拿广告的钱），除了看这个品类销量卖得好不好之外，还要看商家有没有钱投广告
是不是奇怪了？电商和广告怎么结合呢，一般就是看两个变量，毛利率和Take-Rate（广告支出在商家利润里的占比）。如果毛利率和Take-Rate很接近了，说明这个品类待发掘的广告空间不多，就是商家没更多钱投广告了


熟悉的同学，肯定发现我们已经聊到了电商的货币率，按理说这非常平台导向，平台的电商收入就在于电商gmv的货币化率；羊毛出在羊身上，这部分收入就是商家支付给平台的佣金或者广告费用，也就是上面利润核算图中的主营业务成本和销售费用之一
没想到吧，电商运营还得会看财报，看财务数据，还得知道每个品类被平台抽佣的佣金率、广告费率；不管是平台侧还是商家侧的电商运营，这个认知就是拉开距离的体现，因为你在品类运营的过程中如果涉及到佣金和广告费用，意味着你在推品的时候已经涉及到和不同团队的勾兑了
说明你已经不仅仅是一个简单的品类/商品运营工具人，而是真真正正地在推一些事情
所有的数据和指标，都是对应到动作的，每个动作都应该落到具体的人身上；看起来这里在讲怎么分析数据，实际上是一种由分析往推动事情的认知转变
有些同学觉得整体的认知一时不好理解，对一些基本的电商概念和分析技能，是需要补齐的；可以参加知乎知学堂的官方数据分析课程，参与就有免费的【Excel秘籍】附赠；以及像题主说的获客成本、转化率、ARPPU、单店访问UV等，这些零散的概念都会整合到思维导图和项目实战中
对于已经掌握基础概念、但尚未需要全局认知的同学，也不要紧，也可以先记住这些公式，先从最基本的分析做起，后面自然就会明白这里在聊什么
看品类趋势：ＧＭＶ = 各品类ＧＭＶ×（１＋环比增速），也常用CAGR
看平台趋势：ＧＭＶ = 各平台ＧＭＶ×（１＋环比增速），也常用CAGR

当然品类和平台交叉也很常见，就是各品类在不同平台中的体量和增速；以及平台内对同一个品类，也经常会由多个部门来负责，所以也会把架构考虑进去

商家品类毛利率 ≥ （平台抽佣率）+（广告费用率）
别小看这些基础公式，一个是绝对金额，一个是占比；绝对金额就是销量和销售额；商家在销售额中需要拿出一部分费用，支付给平台的佣金和广告费；按理说佣金和广告支出得小于商家的毛利，不然商家就做亏本生意了，也就是ROI打不平；所以一个好的电商运营，得了解商家的盈亏结构
当然这是从大面上，相当于是财报视角看平台、品类和商家的销售额规模，具体到日常的判断中，我们要回答得更细，比如转化一个用户得成本，转化一个订单的成本，即流量变现的效率
细心的朋友肯定发现了，上面第一类问题，其实放在线下零售也同样需要关注，到接下来的第二类问题，才真正开始有线上电商特色
2. 订单+用户的转化

想必各位都被问过，这个品类或者产品，一笔订单的转化成本是多少，这个店铺转化一个付费UV（User Visit）的成本是多少
你们猜得没错，这本质上又回到了AARRR模型，老生常谈


查理芒格在今年2月的投资人交流会上，谈到阿里巴巴是他犯过的最严重的错误之一，原话：
”我们被他们（即阿里巴巴）在中国互联网行业中的地位迷住了，但我没有意识到，他们仍然他妈的只是一家该死的零售商“
大佬都发话了。近年阿里进军本地生活做口碑，做线下新零售，都不顺利；近期马爸爸重新提出了”回归淘宝、回归用户、回归互联网“
零售商和电商的区别是啥？大家可以查一查沃尔玛的估值和亚马逊（当然还有AWS加持）、阿里巴巴的估值，一目了然
大家在分析的时候，如果还是过于聚焦上述的第一部分，那必然是有失偏颇的；所以除了用零售的利润视角看GMV外，还得能从流量的视角看GMV
GMV = PV × CTR × CVR × 客单价
请记住这个公式，本质就是AARRR模型的数学化，其中PV就是店铺或者短视频、直播间的访问人次，CTR（Click-Through-Rate）就是用户点击跳转的概率或者比例，CVR（Conversion Rate）是用户跳转后发生付费转化的概率
其中CTR和CVR一般会合为一个指标：GPM。就是每千次曝光带来的GMV
GPM指标很常用了，既是因为指标综合了用户从曝光到支付转化的全链路，也是因为能在各种分析场景下用

• 不同商品/内容载体的GPM比较：店铺货架电商、短视频、直播
  
• 不同商品价位的GPM比较：高中低价位
  
• 不同品牌/品类/商品的GPM比较
  
• 不同服务渠道的GPM比较：服务商、代理商、直营业务
  

当然了，因为篇幅关系，还有很多应用场景无法一一展开了；还没入行或者即将入行的新同学，完全可以先参加一些官方的训练营，能最高效地学习和体验诸多大厂实战案例；已经在业内的电商运营们，更应该多补充日常之外的场景，升职加薪本质就是大家身上经验和能力的变现
<a data-draft-node="block" data-draft-type="edu-card" data-edu-card-id="1657908639460487168">第三步：能理解流量的分配逻辑

上面聊到了GPM、PV、客单价、获客成本、订单转化成本，其实已经到了流量和用户运营的范畴，特别是现在电商里头内容电商（直播电商）的份额也越来越高
所以从平台视角，问题会演化到你的流量应该如何分配，特别是美团这样衣食住行+同城零售+货架电商的平台，用户流量应该怎么分配，一个大主端app如何协调各个入口的优先级，这些都是很有意思的问题
这里头除了收益，还会涉及很多生态问题，比如淘宝要处理白牌/SMB商家“出淘”的趋势，拼多多要不要承接，拼多多要不要做拼多多版的天猫等等，这些生态问题离不开一个核心，即流量有没有变得更”贵“！
先写到这里，等有时间再继续加更

电商运营要关注哪些数据？如何获取这些数据？
其实要解决这两个问题很简单，要关注哪些数据，就看钱跟哪些数据强相关
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。
用户类数据

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。


《电商数据分析平台建设方案》

服务了一百多家知名电商客户，我们总结出了《电商数据监控、分析与实施的最佳实践》这篇干货。
以下将结合实践经验，为大家详细阐述。对于初入行的小朋友可能会有点难理解，建议可以先收藏。
1，很多电商企业都面临如下问题

• 电商企业无法将业务进程量化为指标和可视化看板，并基于分析洞察采取行动
  

每家公司在不同发展阶段，关注的目标是不同的，有的电商平台刚刚起步、核心目标是提升用户数，有些发展比较成熟和平稳，核心目标是提升转化率，有的公司想通过品类的扩张去提升客单价。
衡量特定目标，对应需要监控哪些指标？这些指标的数据如何采集？采集到的数据需要如何可视化监控？监控发现了问题可以从什么维度进行拆解？拆解后的数据如何解读？数据又如何指导业务调整？

• 埋点工程量大，沟通成本高
  

业务人员确定了想要监测的指标，不得不与工程协调资源埋点。因为埋点不是工程团队的优先级，往往会发生扯皮，反复沟通。历时长达几个月的琐碎且漫长的实施周期，才能完成埋点，漫长的等待后也许上线产品早已下线。

• 数据准确性很难快速直观判断
  

埋点完成，业务人员发现数据对不上，（很多公司首次埋点完毕对不上的埋点数据能达到所有埋点数据的一半）和工程人员再次沟通排查。修正正确的数据埋点。数据准确性多种多样，有代码问题，有需求不规范问题，有触发点疏漏问题。
没有指标体系搭建方法论、埋点实施繁杂、数据不准确，导致公司建立不了自己的数据驱动能力。
总结出这样的问题后，我们把我们的数据分析经验，特别是帮助客户落地增长的最佳实践，做成了一款产品，赋能电商企业，让每个电商平台不需要太多学习成本和使用门槛，就能够快速搭建数据监控体系，看到数据，指导运营。

接下来，就一一阐述解决上面三个问题的思路

2，电商的本质是零售

电商的本质是零售。无论产品经理或电商运营，所做的体验优化、运营方案优化，都是围绕“成交”这个核心目标来落地的。
这其中涉及到人、货、场三个概念：

• 人：流量、用户或会员；
  
• 货：商品；
  
• 场：每个人的理解不同，我个人认为，凡是能将人与货匹配，最终完成转化的都可以称之为场。如：搜索，推荐，推送，导航栏，活动，视频，图片，文本，直播等都属于场的范围。
  

而这三个概念组合起来，就是电商核心关注的问题：

2.1， 不同商品需要放置在什么场中卖给用户？
举个例子，口红在搜索、短视频、直播场哪个渠道卖最好？不同商品适合的场是不同的，有巨大区别。比如很多女孩会通过观看短视频购买化妆品，在图片展示区买衣服，如果用错了场，商品的转化率会有明显差异。各位电商从业者是否知道不同的商品在哪些 “场”好卖，哪些难卖吗？如果知道，你会和现在采取不同的方法吗？
2.2， 不同场应该卖什么商品给用户？
导航栏、搜索推荐分别适合卖什么产品、卖什么特征的商品，打折券的 ROI 如何衡量，这些对于成交非常关键的洞察，是可以通过数据分析来判断的。
2.3， 不同用户需要的商品和场有何不同？
对不同用户画像，需要呈现哪类商品和相匹配的场。不同生命周期、不同级别的用户，应该采取什么样的运营手段？你们是否了解新用户首次购买路径？在哪些路径下最高？新用户倾向买什么产品？
3，电商行业分析场景和指标体系



我们将服务过的电商客户最常提出的需求进行抽象总结，如上图所示：

• 关于“人”
  

分为“投放拉新”、“裂变拉新”、“会员运营”，先通过投放来大量拉新；当这种流量获取方式太贵之后，裂变玩法就成为拉新的主力；最后，为了将流量留在平台上，我们还需要踏实地将会员运营起来。

• 关于“货”
  

核心是商品运营：单一商品的浏览量、点击量、加购数、下单数，以及一系列商品的曝光、点击、加购之间的对比或不同维度拆解。通过对这些数据近实时的监测，我们可以快速定位需要流量扶持或流量打压的商品。

• 关于“场”
  

商品与用户的匹配，数据分析可做的事情非常多，如上图可以分为：核心转化监控、站内流量分发效率、内容运营、活动运营、站内流量转化归因等。
我们将这些场景的监控方案进行了产品化，衍生出来一系列这个行业的运营实践与监控方案，并将其产品化。



3.1. 活动运营
可以进一步拆分为优惠券运营、商品推荐、站内推送。特别是优惠券，这是最常见的撬动营收客单价的利器，如何在正确时间、正确位置将正确的优惠券发给正确的用户，并最终撬动了多少成交额、提升了多少客单价，都是需要通过数据分析来判断的。
3.2. 站内流量转化归因
是建立在归因模型基础上的核心数据分析，电商企业不仅需要评估不同功能（如分类页、推送、社区、营销活动、搜索、推荐位等）对订单数据和金额的贡献，还需要判断不同场将不同类型商品转化给客户的能力。通过清晰了解不同商品和场的匹配度，确保在正确的场销售正确的商品。
针对不同场景，GrowingIO 提供的归因模型支持三种不同归因模式：最近归因、首次归因和平均归因。
3.3. 站内流量分发 - 搜索效果评估
很多企业已经在采集“通过搜索带来的订单量”，但这个数据是不够的。对搜索的数据分析可以由浅到深有以下几个层次，大家可以看一下，自己的电商平台现在做到了哪一步：

• 第一步，监控有多少用户使用搜索功能、通过搜索能看到返回结果并进入到商品详情页，进行加购或购买；
  
• 第二步，评估搜索路径的转化率及具体转化步骤流失情况，发现痛点进行优化；
  
• 第三步，评估不同搜索词的引流、加购、购买效果；
  
• 第四步，评估不同搜索方式等带来的搜索效果，如很多电商逐步支持图片搜索，可以用 Instagram 的明星穿搭图片直接搜索；
  
• 第五步，总结高搜索转化的商品特征，并指导选品。
  

以上这些搜索分析场景，可视化的呈现方式见下图：


3.4. 内容社区运营效果分析
社区电商是最近新兴的一种电商模式，如果运营得当，是可以大幅提升转化率与客单价的。
举个我自己的例子，我太太买了一个发卡，只花了 100 块，其实很便宜，但她很喜欢，觉得要为了这个发卡去重新做发型，做了新发型后又需要一套新的衣服来搭配，于是由 100 块的发卡变成了几千块的消费场景。
很多社区电商也在做类似的事情，通过时尚达人推荐等场景化的方式，直接售卖整套衣服+配饰，帮助用户快速找到心仪的商品。
因此，对内容社区，我建议核心关注的指标包括：社区人数与留存率、社区带来的加购与订单数、达人关注人数、帖子的生产量与消费量。
以上指标还可以继续从不同维度拆分。比如电商社区可以粗略分为三类用户，自发的内容生产者、签约的流量大 V，以及普通消费者；社区的帖子也可以分为直播、短视频、图片、纯文本等。从这些维度，将社区带来的加购与订单归因到具体的发帖人和帖子，可以了解到究竟哪个大 V 转化率更高、不同商品更适合用社区哪种形式的帖子带货等。
3.5. 站内流量分发效果分析
电商中有一个“黄金流量位”的概念，每个电商平台的黄金流量位都是有限的，首页前三屏流量会占首页整体流量 40% 以上。因此不同楼层和坑位需要电商平台的精细化运营。在大型促销活动中，我们可以实时关注不同楼层和坑位对应商品的实时加购、成单和库存数据，及时进行调整，确保成交最大化。
比如预热时，某商品加购达到 100 件，但库存就只有 20 件，这件商品就不适合作为主推款，占据“黄金流量位”的一定是库存、加购数据都比较优秀且平衡的商品。
4. 电商数据方案与数据校验自动化

以上这些分析建立在大量数据全面、准确的采集和近实时的呈现，这些数据可以分为以下三类：

• 用户属性变量：通过不同用户标签分析点击、加购、下单、营收
  
• 商品属性变量：通过 SKU 与商品品类分析点击，加购、下单、营收
  
• 场的归因变量：不同功能带来的点击，加购、下单、营收、商品数量情况
  

而这三类数据建议采用双模采集模式，既快又准地实现：
列表页点击，落地页展示、浏览、点击、跳转，活动页分析，商品详情页浏览、点击，产品版本迭代更新等这类需要快速采集、快速反馈并持续调整优化的用户行为数据，建议选择加载 SDK 的无埋点采集；加购、下单、营收等业务数据，建议通过埋点方式来采集，避免数据遗漏。双模采集可以将业务数据和行为数据打通，为搭建数据指标体系奠定基础。


如上所示，当明确核心目标后，GrowingIO 会为你自动生成一份数据方案，包括埋点和无埋点的全部事件与变量。业务同事可以直接将这份报告发给工程同事，以自动化的方式降低双方沟通和理解的成本。



当完成数据方案后，业务同事可以通过“数据校验”功能，实时交互式地自助完成校验，不必协调 QA同事的资源；同时 GrowingIO 自动生成数据质量报告，开发人员可以直接根据报告调整埋点。
关于电商数据监控与分析的最佳实践，就给大家简单分享到这里。其实 GrowingIO “电商行业解决方案”（点击可免费领取）核心解决的，就是演讲开始提到的那三个问题。希望能对大家有帮助。

电商运营主要分为两大类：商品运营、用户运营，而不同的运营类型所关注的数据指标也不完全相同，下面逐一解说：
http://guandata.mikecrm.com/wiHddNz?BIZ=ECOMMERCE&BIZFROM=ORG一、商品运营

商品运营尤其是首页商品，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。我们更需要基于三个关键漏斗转化“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。其次，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。

二、用户运营

用户精细化运营可以从获客渠道、用户留存、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等角度出发。
（1）获客渠道
不同类型的商品，以及商城所处的不同阶段，应该采用不同的获客渠道。常规的获客渠道有：平台广告投放，广告联盟，微信分销渠道，线下渠道等至于哪个获客渠道是自有商品转化较好的，需要大家在推广过程中，进行数据分析，得出适合于自己的最佳获客渠道。
（2）用户留存
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。找到用户留存的关键点，才能形成稳定的客流和资金流。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。
（3）不同用户的活跃度、商品偏好、购买决策阶段都各异，我们需采取差异化运营策略。
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。
如何获取数据并进行分析？

至于如何获取数据，这早就不是什么难事，现在稍具规模的电商平台都有自己的商品管理系统、库存系统、会员系统等，这些系统上都散布了我们想要了解的数据。最大的难点是我们如何高效实时智能地进行分析，并用数据赋能决策。
这里就建议我们企业自建或者采购一套BI系统。如果企业规模不是很大，没有自己的数字化或信息化团队，建议走第三方采购。而BI选型建议从以下几个角度可以考虑：
http://guandata.mikecrm.com/wiHddNz?BIZ=ECOMMERCE&BIZFROM=ORG1）极度敏捷：从IT到DT的时代，零售行业数据分析和决策升级的挑战全面提升，BI系统要做到极度敏捷，并且能够快速响应（亿级数据秒级响应），这也是现在所有数据平台应该具有的基础能力。观远数据整个系统服务集群、部署、配置可在几个小时之内完成，并且支持云端（SaaS部署）和私有化部署，总拥有成本（TCO）低于市场同类产品，以超高的性价比帮助企业灵活应对业务的快速变化。


2）终端要求低：BI要为零售企业赋能，也就是说我们要给用户超低的学习门槛。观远智能BI一个小时就能轻松上手，并且可以选择切换大中小屏和进行业务场景的变更，让BI不再只面向管理层，也为基层管理人员赋能，为基层员工减负。同时让每一个终端能做到使用数据分析平台的用户，不需要安装任何的东西，只要通过浏览器、微信、钉钉、小程序就可以直接接收到数据分析的结果，大大加强了协作办公效率。


3）以用户为中心：传统BI项目，经常是以开发一堆堆最后没人看的报表来含恨而终，所以，新一代智能BI必须以用户为中心，以解决商业问题为目标，来设计每一个分析场景。观远智能BI以数据产品经理的角度来深度理解用户需求，以设计数据产品的理念来开发看板，并且将运营和推广的思路融合其中，让数据分析真正地深入业务当中


4）兼容性强，轻量级：零售企业往往面临系统繁多，历史久，技术杂（来自不同供应商不同时期的产品及实施）等历史遗留问题，观远智能BI平台以“轻、灵、快、易”的显著特点，一直致力于提供最佳的用户体验。平台可对接多数据源，内外数据全量接入，支持现在便利店线上线下的深入融合；可视化的ETL快速完成数据清洗与整理，同时数据秒级响应让决策快人一步。


5)  海量数据处理能力：BI平台不仅要有完成最基础数据分析的能力，还要有空间合成在未来的智能应用。观远数据面向未来AI应用，打造了底层海量特征的处理能力。支持丰富的预测分析、机器学习等算法，并有销售预测、需求预测、智能诊断、智能订货等深度AI应用场景。


http://guandata.mikecrm.com/wiHddNz?BIZ=ECOMMERCE&BIZFROM=ORG希望对你有帮助，成为一个优秀的电商运营，运营好一家优秀的电商平台。

数据问题一直是很多运营人员头疼的问题。之前的回答说了一些，但都没有展开说，我也不知道进阶篇能说到啥程度，但先说着吧。
1 数据的定义
数据，其实就是一堆数值。
但这些数值，是从用户的行为统计而来。用来便于需要使用数据的同学进行研究和分析之用的基础素材。
2 有哪些数据
我们在入门篇的最后，列出了一些核心数据，我用一张脑图来简单的归纳一下，并进入我们这一节的内容：



这张脑图，仅仅简单的展示了可能是通用的部分运营数据，但如果我们仔细去看，会发现三个数据类型，是所有运营都需要具备的：
渠道、成本、收益。
如果要我简化上面这张脑图，我会告诉你，做运营，需要获取的数据，就是这三大类数据：
渠道数据、成本数据、收益数据。
渠道数据，是用来衡量渠道质量、渠道作用的，它由产品本身的定位的客群和产品的特性所决定。我们其实很容易可以推倒，一个理财产品如果投放游戏社区这种渠道，其运营效果可能并不会太好，可如果换成彩票、博彩，可能效果就很好；同理，传奇这一类的游戏的宣传与活动如果投放到女性社区平台，其效果几乎也可以无视，而如果换成一款Q版小游戏，或许效果就很好。
成本数据和收益数据，则会从不同层面反映出运营的效果。
在这里插一句，千万不要相信网上流传的各种《XX高管教你不花钱做运营》这种鸡汤文，运营一定有成本，必然有成本，如果认为运营高手可以不花钱办成事儿，那不如去相信男人可以怀孕生孩子。运营的效率可以通过经验、熟练度、创意等各种手段来提升，但运营的成本是必然存在的，并且和运营效果一般来说是成正比关系的。很简单的一个道理：
两个活动，一个活动送100台iPhone6，一个活动送1台iPhone6，哪个效果会好？
做运营的同学，请一定要认真的去评估每一个运营动作背后的成本。
而所谓“收益”，并不等价于“收入”，获得金钱是收益，获得用户也是

收益，获得口碑同样是收益。
如果我们了解了渠道、成本、收益这三类数据，是指导运营的核心数据，我们就可以根据自身的产品特性去设定需要获取哪些数据。
我们拿最近很火的那个App——足记来举个例子吧。
“足记”因为一个非核心功能火了，但作为这样的应用，它会关注哪些数据呢？
从产品的层面，它会去关注：
1）App每日的打开数
2）各种功能的使用次数和使用频次
3）各种Tab的点击次数和对应页面的打开频次
从运营的层面，它可能会去关注：
1）App每日的活跃用户数
2）每日产生的UGC数量（区分新老用户）
3）每日分享到社会化媒体的UGC数量（同时考虑单位用户的产生内容数）
4）分享出去的UGC带来的回流新装机、新激活用户数
等等。
而我们需要注意的是，这些关注的数据点，并不是一成不变的，它会因为产品的不同阶段而调整，如果我们假设未来足记有盈利模式，那么它关注的核心数据，就会从内容转向收入，这时候，转化率相关数据就会变的重要了。
同样，我们在本篇的第二章举过这样一个例子：
某个旅游网站，发起了老用户邀请新用户加入，老用户和新用户都可以获得100元的代金券，如果活动期间，新用户完成了一笔旅游订单，不论金额大小，作为邀请人的老用户还可以获得100元的代金券。
我们当时分析了活动流程，并针对活动流程做了关键点梳理，这些关键点就是需要获取的数据：
[图片]


我们需要的数据，根据实际的需求来进行设计，并没有一个完全通用的标准，当然，如果你做的越多，你会发现，你的数据感觉在不知不觉中获得了提升，这一点，非常重要。
3 如何获取数据
获取数据的渠道有很多，而方式基本就是自己做和使用外部工具两种方式。
自己做的话，App可以选择“埋点”、log等方式，而Web可以通过log、日志与按钮埋点等方式去做记录。
外部工具，则有很多第三方会提供服务。
获取数据的方式其实各种各样，而关键在于，作为运营人员要了解什么样的数据是重要的，对于这些数据的前后关联，是怎样的，这是一个联动的过程，不是一个单一的行为。

4 如何分析数据
对于数据的解读，每个人都有不同的方式。如果我们要简单的总结，数据分析的方法，无非是：
1）确定数据的准确性
这里包含了选择数据维度的合理性、数据统计的准确性。如果数据维度选择不合理、数据统计结果不精确，我们可能是无法得出正确的分析结果的。这是基础。
2）明确影响数据的因素
一个数据，会收到多种因素的影响，这些因素有内部的，有外部的，运营人员应当尽可能多的了解所有层面的影响因素，以利于我们对于数据的解读是在一个相对正确的范围内。
3）重视长期的数据监测
在运营数据分析中，经常会使用环比和同比方式来对比数据。简单的说，环比是本日与前一日的对比、本月与上月的对比、本季度与上季度的对比；同比是今年当日与去年当日的对比、今年当月与去年当月的对比、今年当季度与去年当季度的对比。环比帮我们看短期的数据波动，而同比帮我们了解大环境下的数据波动。
4）保持客观的视角
数据分析的过程中，客观非常重要，不以物喜不以己悲，做了错误的操作，带来了不利的影响要承认，获得了超出意料的成果要心平气和，切忌挑选有利于自身的结论。这是职业道德的问题，也是职业发展中非常常见的问题。
5）注意剔除干扰项
实际的工作中，我们会碰到很多问题，这些问题是干扰项，例如，在一个相对平稳的曲线中，突然出现了一个点上的强烈波动，这时候我们需要全面的了解个波动产生的原因，如果无法确认原因，就剔除这个波动，否则我们很难去获得一个正确的结论。
关于数据的内容，我个人其实说不出更多有价值的东西，抱着负责任的态度，写到这里，希望对此感兴趣的同学通过专业渠道去认真学习，并在实操中提高水准。