1月的第4场直播我们邀请到了京东资深数据产品@少东老师，对数据分析、数据产品领域有丰富实践经验。曾创新性打造余额宝情绪指数，成为业界衡量金融用户情绪的标杆；并用数据模型指导基金流动性的安排，提升余额宝收益率。对于电商领域的用户增长、营销产品，有着丰富产品落地案例。本文为直播内容整理，内容有删改。

大家好，我是少东，目前在京东做数据产品经理，之前在余额宝做过很长一段时间的数据分析师。

本次分享主要分为三部分；第一部分是电商数据分析的基础介绍；第二部分是详细介绍常用的电商数据分析方法；第三部分是通过具体案例做实践层面的介绍。

一、电商数据分析的基础介绍

数据分析落地步骤主要有三个：

第一是描述现状，通过可视化的指标呈现，深入阐述生意现状是好是坏，好或不好体现在哪？

第二是分析背后原因，比如生意发展不是特别好的原因或发展比较好的原因，只有知道背后存在的原因，才能更好改善业务，实现业务的增长；

第三是对业务发展提出建议，作为分析人员或业务人员做数据分析的最终落脚点一定是提出专业的意见和建议。

1. 描述现状

描述现状是做数据分析的第一步，也是比较消耗精力的一步，需用到很多工具，比如常用的数据提取、数据分析工具：SQL、数据库、Excel等。作为专业数据分析师必须熟练掌握这些工具，作为业务同学可以着重掌握Excel，掌握后也可以足够应对数据的处理加工，所以描述现状的第一步是获取数据，做数据处理、加工、清洗等。

做完数据处理、加工、清洗后，第二步是确定指标体系，如果生意现状用生意发展比较好来描述显然不是很数学化或统计化，所以可以用成交额或下单金额等来描述生意发展好，不同口径的指标描述也完全不一样，所以在描述现状里非常重要的一步就是梳理用怎样的指标体系去描述现状。

搭建合理的指标体系有以下步骤：

第一步是确定北极星指标，北极星指标是指业务发展的最核心指标，如GMV是电商业务的核心指标；用户在APP的停留时长是抖音平台的核心指标等，不同业务的北极星指标也不一样，但北极星指标通常只有一个，平台需要把所有精力都聚焦在北极星指标的发展上；

第二步是确定子指标，当确定北极星指标后，需要对其进行拆解，比如把 GMV 拆解成新客GMV 加老客GMV或者把GMV 拆解为成交用户数乘以客单价，具体怎么拆解要根据具体业务进行;

第三步是把子指标拆分为过程指标，比如新客GMV可以基于不同渠道来源拆分为广告、网站等。
通过以上三个步骤，将北极星指标层层往下拆解成多指标体系，有比较完备、科学的指标体系才可以更好描述生意发展的现状。

描述现状里另一个重要环节是数据可视化，数据通过图表的形式表达会更加直观、清晰，而不同情景下使用的图表也不一样，比如做总体比例拆分的描述时用表图；分析随着时间变化的内容时用趋势图；做对比时用条形图、柱状图等，不同场景具体用哪个图表才能更科学、准确描述可以参考上图。

2. 分析原因

数据通过提取、清洗、指标体系，再通过可视化方法的几个维度后，就可以把生意现状较清晰描述出来，描述出来后就需要分析数据好或不好的原因，这对分析人员的逻辑性与业务理解要求比较高，如果对业务理解不深入，分析的思路可能会有偏差，分析出来的结果也不受认可。

分析背后原因主要分三个方面：

第一个是对所在行业、公司业务有较深入的理解与沉淀，这是最基础的；

第二个是套用行业比较成熟、典型的分析模型，比如RFM、留存分析等；

第三个是需要了解数据背后反映的问题、代表的真实含义以及数据的生产过程，比如指标如何从买点流转到数据库？在途中做了怎样的加工等，这个要求也比较高，但如果有能力要尽可能达到要求，因为对指标的口径定义流转不清晰很有可能在分析时会走弯路。

如果以上三个方面做得好，分析原因环节就可以做好。

3. 提出建议

很多新手分析或运营同学都会忽略：做完分析后要提出专业性的意见和建议，经常有新手前面做了很多酷炫的数据表格、各种各样的维度分析和拆解后，忽略了最后一步：提出意见和建议，如果没有这一步，整个分析报告的价值会大打折扣，因为所有内容最终都是要落脚到业务的发展上，如果只是分析了数据背后的原因，却没有落脚到最终建议上，运营或业务也不知道该怎么做，这个报告的价值就没有完全发挥出来。

要想提出比较有价值的建议：需要依赖对业务的深入理解，可以通过走进业务、了解业务慢慢进行积累，有了业务敏感度后，才能提出对业务发展比较好的建议，这个需要慢慢沉淀。

二、详解常用的电商数据分析方法

电商常用的数据分析模型和方法主要有五种：RFM分析、留存分析、漏斗分析、路径分析、归因分析。

1. RFM分析

RFM三个英文字母代表三个具体维度：

• R代表用户最近一次的消费时间，比如A用户最近一次在平台上发生购买是1月1号，离现在的时间是24天，该指标衡量的是用户近期消费热度的数据，如果最近一次消费时间离现在已经过了好几年，大概率该用户已经流失；
• F代表的是用户在一段时间内在平台上的消费频率，通常用户消费频率越高，用户越忠诚；
• M代表的是用户在一段时间内在平台上的消费金额，该指标代表用户的购买力，比如有的用户购买频率非常高，但总消费金额一共只花了一百块钱，说明消费率可能有问题，通过这三个维度可以对用户进行划分。

通常也会对每个维度设定一个阈值，把高于或低于阈值的用户划分成两个群体，所以整个用户群体可以划分成八个细分人群（上图左边所示），而阈值的设定通常会用平均值或其他更科学的方式，比如B用户在消费时间、频率和金额上都比阈值高，说明该用户是一个重要的价值客户。

这八个细分人群也有不同的运营策略，该流失召回的召回，该做保持的保持，该发展潜力的发展潜力等。

RFM分析具体过程如下：

第一，做RFM分析需要用到数据表，这张表指订单交易表，核心字段是用户ID 、消费时间和消费金额，有订单交易表即可进行RFM分析；

第二，在订单交易表的基础上，进行三个维度数据的加工，字段是用户ID、最近一次消费时间间隔、消费频率、消费金额，这样即可对每个用户进行加工生成比较详细的RFM加工表；

第三，进行阈值划分，常见方式是直接求均值，还有比较特殊的如阶段打分等；

第四，对阈值划分后就可以判定用户属于八个细分人群里的哪种，然后对用户进行打标识，属于重要发展客户还是维系客户等。

RFM分析的优缺点：

RFM分析的优点主要有两个：第一个是数据的获取性好，主要用订单交易表即可，只要有成交数据，即可进行RFM分析，这是最大优势；第二个是模型的分层可解释性强，此模型是直接基于逻辑进行分解，因为有很多模型如算法模型等分析很难对业务解释清楚，但通过RFM分析模型划分成八个用户类别的解释性很强。

缺点：第一个是滞后性，因为其分析的是购买行为，只有用户发生购买后才能进行分析；第二个是不同行业应用起来有差别，比如耐消品冰箱，用户购买后可能十年内都不会再复购，这种情况下，RFM分析就丧失分析的价值和意义。

2. 留存分析

留存分析在电商里非常常见，常用于分析用户在获取后的一段时间内，在网站或APP的留存情况，这里需注意的是留存分析一定要加上日期，比如很多网站留存率50%的数据没有参考性，是因为其并没有说明是次日留存还是30日留存，这是有明显差别的，网站一年后的留存率肯定比网站一个月的留存率或次留存率含量更低，时间越长留存越少是很正常的，如果只提留存率高低，而不提时间，这个留存是没有任何对比分析意义的。

留存分析还需要关注开始行为和结束行为，比如通常网站分析留存是用户第一次登录后在多长时间内再次登录；或者开始行为定义为用户第一次注册后在多长时间内再次登录，不同的开始结束行为定义对留存分析也完全不一样，如果把开始行为定义成第一次购买，结束行为就可以定义为复购。

还需关注分析周期也就是时间力度的问题，比如统计的是天利率还是月利率，这是有明显差异的。

3. 漏斗分析

4. 路径分析

5. 归因分析

三、电商数据分析案例实践

在接下来的部分，少东老师分别讲解了漏斗分析、路径分析、归因分析以及分享了电商数据分析案例实践。

囿于篇幅有限，想要观看完整视频的朋友可扫描下方海报的二维码添加会员学习顾问@betty老师的微信，并备注“少东”，即可获得观看链接。

四、本月直播回顾

本次会员直播课程，少东老师为大家详细讲解了电商业务数据分析实践指南，希望大家都能有所收获~

每周三/四晚上8点，起点课堂会员平台都会邀请一线的互联网产品、运营实战派专家，与大家分享最新的产品行业动态、运营玩法和干货知识。

每个月的会员直播都有月度主题，每周直播围绕月度主题展开。本月主题如下：