很多第一次做電商運營的人都不知道要怎麼做分析，我之前也做過互聯網運營，一開始無非就是看看PV、UV，分許分析流量就完事了，但是很快老闆就會發現我的分析結果根本沒有任何價值！

後來我才知道，不是分析方法和內容不對，而是沒有關注到重點的數據。一、首先，要明白自己企業的商業模式

既然是電商，那麼就先說一下電商的盈利模式，很簡單：

客戶看中了你的產品或者服務，你把產品和服務賣給客戶，一個訂單完成！

電商公司和o2o類公司都是這種模式，公司的收入是由一個個訂單堆積出來，訂單是由用戶購買了相關的商品或服務產生，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。這樣我們將公司收入相關數據拆解爲三大模塊：用戶、商品或服務、訂單。

作爲運營人，我們最主要要關注的就是兩個字——用戶。

我們一般將用戶分爲新用戶和老用戶，如下圖所示：

無論新老用戶，我們都會關心兩塊內容，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。二、引流

一個購物中心，建在荒郊野外，沒人進來，裝飾再奢華也沒什麼卵用。用戶是有限的，我們需要精打細算，實現對每種渠道每種類型的流量來源的最大價值利用。

分析目標：通過對流量的分析，保證流量的穩定性，並通過調整，嘗試提高流量。

分析內容：uv、pv、visits，瀏覽量/訪問次數、總停留時間/總瀏覽量、跳出次數/訪問次數；

分析角度：

1. 觀察流量規律，便於活動安排、服務調整

上面這個圖使用FineReport做的UV分析，一般來說，流量都是以每天中的時段、季節、節假日、星期這樣的規律來分佈的。所以可以將以上幾面統一放到同一頁面中進行觀測，可以全面的瞭解應用的訪問規律。並且通過對渠道、業務的選擇，可以觀測具體的渠道、業務的訪問規律。

2.發現流量異常，分析異常原因並及時調整

通過對上圖的觀察，可以發現異常現象：

3月21日到4月17日到流量圖中，發現流量從4月19日下滑開始，很少突破2000，也就是流量在近一個月有明顯下滑。原因可能是對手購買了競價排名、自己的seo做的不好等等。

一般來說，流量以周爲單位，週期性分佈的情況是比較多的，將視角拉長，一次性多看幾個周的數據，便於發現問題。

3. 觀察流量結構，分析其合理性，並作出調整

流量結構一般可分爲渠道結構、業務結構、地區結構。通過查詢一段時間內的各結構佔比，瞭解流量組成。

如上圖所示，在渠道中，pc佔比相對過大，而app佔比不高，app對於用戶具有更大的黏度，所以應分析app佔比過低原因，並想辦法提高app流量佔比。

4. 追蹤流量情況，衡量活動或者調整效果

對流量的追蹤，一般就是對流量的監控，觀察活動前、活動中、活動後的變化情況，評估活動效果。一般來講，活動期間流量會大幅提升，活動後有一定回落，是一個成功的活動。三、轉化

在完成引流的工作後，下一步需要考慮的就是轉化了，一個嶄新的用戶一路走來到完成交易，中間需要經歷：瀏覽頁面（下載app）->註冊成爲用戶->登陸->添加購物車->下單->付款->完成交易

分析目標：瞭解各環節轉化情況，分析其異常或不合理情況，進行調整，提升轉化率

分析角度：

1.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

上圖所示，傳統漏斗圖只能顯示一條路徑的轉化率情況，稍加修改後，可實現對比功能，例如上圖所示的新老用戶的轉化率的對比。可以根據實際情況中在該圖中加入更多環節，例如註冊、收藏、開工、竣工等。

2. 追蹤轉化率變化，用於異常定位和策略調整效果驗證

除流量外，轉化率也是需要追蹤的，將時間的維度拉開，分析各階段轉化率隨着時間的波動：

如上圖所示，在4月17日到21日中間，轉化率出現下滑趨勢，通過渠道轉化率與業務轉化率兩個圖表的聯動，可以追蹤定位導致轉化率下滑的渠道或業務。常見的原因，公司運營部門投入了某個渠道進行推廣，新的渠道帶來了新的流量，而該渠道所引入的用戶質量卻偏低，拉低了整體的轉化率。

3. 觀察各渠道轉化情況，定義渠道價值，並依此適當調整運營策略

氣泡圖在傳統圖表中信息量涵蓋相對是比較大的，從上圖中可以看出，在右上象限中的渠道價值是比較大的，再綜合考慮ROI，還可以看出渠道性價比情況。

4. 分析各環節轉化週期，分析用戶習慣，爲制定運營策略提供依據

這種場景通用性並不是很強，會和公司業務相關聯，有些業務的交易是分成多個階段來完成，這種情況可以對轉化週期進行分析。

上圖中可以看出，該業務的付款與成交一般在前四周完成，而第五週開始趨於穩定。知道以上信息後，可針對第五週未付款或完成交易的用戶進行詢問，提高轉化率。四、日活/存留

互聯網行業的拉新成本現在都很高，要投入廣告、投入時間，這些都是成本。因此，提高用戶的存留時間，也是提高公司收入，爲公司創造更多價值的重要一環。

分析目標：通過分析用戶的日活/存留，來幫助運營人員發現問題、監控數據，爲調整戰略提供數據支持，達到提高日活/存留的效果。

分析角度：

1.日活監控，觀察用戶活躍數據，分析日活健康度

活躍用戶一般可以分爲以下三類：

有些公司可能不太關注迴流(一定時間內沒有登陸的用戶再次登陸)這部分用戶，我將它列出來，是認爲了解迴流用戶的日活情況在一些場合中是有價值的，例如活動期間、發優惠券測試，是否會對流失用戶的迴流產生了作用。

2.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

存留規律分析應該分開對待，一部分高頻小額訂單(例如外賣)這種互聯網公司，其分析模式類似於遊戲、知乎、SasS平臺，會以日爲單位來分析存留。

如上圖所示，這種用戶登錄頻率較高的應用，可以通過上圖分成三個階段，過濾期、試探期、平穩期。剛開始接觸一個應用的用戶中，有大量的用戶是質量不高的用戶，不可避免的要經歷一個存留率大幅下降的階段，在這一階段過去之後，用戶會對應用進行詳細的試探，是否讓自己滿意，這段期間也會有部分用戶流失。

3.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

如上圖所示，通過對比，發現使用了分享功能和收藏功能的用戶的存留率相對較高。得到這樣一個信息後，可以通過產品上的調整，來鼓勵用戶使用分享、收藏等功能，以此來提高用戶的存留率。注：文中圖表均由finereport報表開發

相關文章