電商-- 數(shù)據(jù)分析

時間：2023-03-15 20:02:01 | 來源：電子商務

時間：2023-03-15 20:02:01 來源：電子商務

概念區(qū)分

許多人喜歡把數(shù)據(jù)分析掛在嘴邊，但是你做的工作到底是不是數(shù)據(jù)分析呢？

數(shù)據(jù)統(tǒng)計，還是數(shù)據(jù)分析呢？

如果，你每天的工作，僅僅只是，調取一些數(shù)據(jù)，統(tǒng)計一些結果，那么你的工作只是，停留在最表層。例如做一些，月度銷售統(tǒng)計表，單品流量凈增表，SKU統(tǒng)計報表。那么，你只是一個報表人，并沒有深入到業(yè)務層面。

我們做數(shù)據(jù)分析，是因為，我們的業(yè)務需要，業(yè)務層面出現(xiàn)問題，我們需要找到這些問題，發(fā)現(xiàn)問題，處理問題，給出切實可行的方法。講究的是追根溯源，一擊必中，切實到業(yè)務問題的核心。這是一種全面的思想，需要我們站在整個業(yè)務層面來看待問題。

一，去往的方向在哪里，電商數(shù)據(jù)分析有多個方向，不同的層面，崗位，關注的數(shù)據(jù)維度是不相同的。

1，機器學習、算法類，商品匹配，推薦物品，價格模型 等。

2，根據(jù)商城自身數(shù)據(jù)來進行分析，海量的用戶數(shù)據(jù)，對用戶商品進行挖掘分析，做精準營銷，用戶畫像 ，商品畫像。偏大數(shù)據(jù)分析。

3，電商運營的數(shù)據(jù)分析，一般在運營部門，做運營數(shù)據(jù)分析。

4，客服 ，商品（SKU），物流等，后臺支撐工作。

5，公司的數(shù)據(jù)部門 。

二，所要達到的目的是什么

電商做數(shù)據(jù)分析，最簡單的理解就是：不斷優(yōu)化，無論是商品，還是購買流程等，通過不斷地優(yōu)化，最終達到，盈利的目的。

目前，數(shù)據(jù)分析在電商中最普遍的應用：

1， 會員的精準化營銷，市場細分領域，利用數(shù)據(jù)分析，細分你的用戶，以做到精準化營銷，達到的效果就是，只要，你點擊進網(wǎng)站，就能夠根據(jù)你以往的瀏覽記錄，購買行為，用戶信息，為你呈現(xiàn)，最適合你的產(chǎn)品。

2，標準化營銷，利用用戶的購買數(shù)據(jù)，挖掘用戶的潛在需求，需求的關聯(lián)化。大數(shù)據(jù)分析，利用龐大的用戶數(shù)據(jù)庫，將需求關聯(lián)模型化，最常見的例子就是 “啤酒與尿布”的例子。你購買了A產(chǎn)品，根據(jù)以往用戶的購買行為需求分析，你對B產(chǎn)品也有需求，那在A頁面也有相應的對B產(chǎn)品的推薦。

3，CRM 傳統(tǒng)的企業(yè)做用戶關系管理，電商企業(yè)更應該做用戶關系，用戶區(qū)分，維護你的忠實用戶，激活你的沉默用戶。有用戶，才有流量，才有市場，才有交易額的提升。

4，電商的運營指標分析，最普遍，最繁瑣的數(shù)據(jù)分析應用，同時也是電商最重要的。

三， 路怎么走的問題

就如，將大象關進冰箱的問題一樣，都是要分步驟的。

第一步，我們需要明確，我們做數(shù)據(jù)分析的目的是什么，你的實際業(yè)務是那些，你所做的是否具有可操作性，你的結果是否可信，最終你要輸出一個什么樣的報告。這就是需要我們第一步所要做的事情，確定你所要解決的問題。

第二步，建立數(shù)據(jù)模型，下面介紹一下常用的數(shù)據(jù)模型

1，RFM模型

以用戶行為來區(qū)分用戶，精細化你的用戶，是客戶關系管理的分析模型，衡量客戶價值和客戶創(chuàng)利能力的重要工具和手段。

R（Recency）,最近一次消費，客戶最近購買行為發(fā)生的時間

F（Frequency）,用戶的消費頻率，某一時期內購買行為發(fā)生的次數(shù)。

M（monetary）,用戶消費的金額 ，某一時期內購買的金額

RFM模型，動態(tài)地顯示了一個用戶的全部購買行為過程。對用戶提供個性化溝通和服務提供依據(jù)。

長期范圍來看，能夠較為精確地判斷該用戶的長期價值，為更多的營銷決策提供支持。

建立用戶行為報告，維系顧客的重要指標。

運用RFM模型一般是為了細分出最有價值的用戶，利用有限的營銷資源重點投入，從而價值產(chǎn)出最大化；

• 構建會員金字塔體系，不同用戶對應不同的營銷策略
• 激活沉默用戶

基于這個目的，我們通常需要將細分出的用戶按照RFM模型給出的分級排序，從最好到最差，然后什么都保持正常的方式，如果一段周期內，業(yè)務結果和你的排序一致，那么說明你的細分能夠相對準確地將有價值的用戶從整體用戶中劃分出來。

用戶行為是持續(xù)變動的，

用戶距上一次購買時間滿一個月之后，在數(shù)據(jù)庫里就成為消費為兩個月的客戶；

同一天，消費為3個月前的客戶作了其下一次的購買，他就成為消費為一天前的顧客，也就有可能在很短的期間內就收到新的營銷信息；

不斷的調整模型劃分人群，然后對比業(yè)務結果，去驗證這套模型的準確性。

模型應用過程中涉及到一種算法和決策樹模型。

K-means算法是硬聚類算法，是典型的基于原型的目標函數(shù)聚類方法的代表，它是數(shù)據(jù)點到原型的某種距離作為優(yōu)化的目標函數(shù)，利用函數(shù)求極值的方法得到迭代運算的調整規(guī)則。

決策樹模型是非常基礎的數(shù)學定律，它決定邏輯推理的過程，并且在現(xiàn)有信息的基礎上，決定各種可能的替代選項的置信度。

2，關聯(lián)分析

關聯(lián)分析 ， 關聯(lián)挖掘

在交易數(shù)據(jù)、關系數(shù)據(jù)、或其他信息載體中，查找存在于項目集合或對象集合之間的頻繁模式、關聯(lián)、相關性或因果結構。

發(fā)現(xiàn)交易數(shù)據(jù)庫中不同商品（項）之間的聯(lián)系。

從大量數(shù)據(jù)中發(fā)現(xiàn)元素之間的關聯(lián)和相關聯(lián)系。

關聯(lián)分析的一個典型例子是購物籃分析。通過發(fā)現(xiàn)顧客放入購物籃中不同商品之間的聯(lián)系，分析顧客的購買習慣。

通過了解哪些商品頻繁地被顧客同時購買，可以幫助零售商制定營銷策略。

沃爾瑪最早做的"啤酒與尿布"的關聯(lián)分析。

例如：只買A商品的人中，又有很多人購買了B商品。那么我們就可以認為，A 、B兩個商品的關聯(lián)性比較高。

關聯(lián)分析的算法：

• Apriori算法
• FP-growth算法

3，聚類分析

顧名思義是一種分類的多元統(tǒng)計分析方法。

按照個體或樣品(individuals, objects or subjects)的特征將它們分類，使同一類別內的個體具有盡可能高的同質性(homogeneity)，而類別之間則應具有盡可能高的異質性(heterogeneity)。

組內同質，組間異質。

即尋找數(shù)據(jù)之間一種內在結構的技術，把全體 數(shù)據(jù)實例 組織成一些相似組，而這些相似組被稱為聚類。

處于相同聚類中的數(shù)據(jù)實例彼此相同，處于不同聚類中的實例彼此不同。

無監(jiān)督學習的一種。在聚類中那些表示數(shù)據(jù)類別的分類或分組信息是沒有的。

將具有相似購物行為的顧客進行群體的細分。

主要應用在市場細分等領域。細分用戶群體，以支持精細化的營銷活動。

更多的使用 spss

• K-means 聚類
• 系統(tǒng)聚類

電商運營，最繁瑣的一塊是運營數(shù)據(jù)分析。

在專門寫一篇關于運營指標數(shù)據(jù)分析的內容。