电商平台应该分析哪些数据？具体怎么去分析

最重要的就是这几个了：

1 、商品数据分析：电商平台定期都要对商品销售进行分析，比如针对各个不同商品的销量、库存分析、商品评论等。做商品数据分析，可以从时间维度或者从不同商品的类别、价格等多个维度来做分析，这里可以做的数据图表类型很多，比如从时间维度、商品类别、价格维度等；

2、访问流量分析：渠道质量、流量多少、转化率等；

3、订单数据分析：成交额、成交率、客单价等；

4、用户行为分析：新老用户购买情况、复购率、活跃率等；

5、营销活动分析：ROI、活动效果、营销成本等；

以上可视化图表均来自BDP个人版、

本文主要通过构建用户模型来分析拼多多用户的基本属性、认知与行为特征、消费习惯及社交关系等，通过对网购场景与动机的提炼及网购行动链路的拆解来分析用户网购背后的影响要素。

产品简介：拼多多作为新电商开创者，致力于将娱乐社交的元素融入电商运营中，通过“社交+电商”的模式（用户通过发起和朋友、家人、邻居等的拼单，拼多多通过拼单了解消费者，通过机器算法进行精准推荐与匹配），让更多的用户带着乐趣分享实惠，享受全新的共享式购物体验。

体验环境：华为nova3--EMUI900，APP版本4660

笔者在这先与各位看官分享一段小历史。对于中国近代史的开端，想必大家在历史课本中都学到过，鸦片战争敲开了近代中国封闭的大门。它对中国社会形态带来了极大的冲击，自给自足的小农经济在社会化大生产面前不堪一击，它给当时的人们带来了 价格更低廉 ， 种类更繁多 的工业化商品。

历史的车轮不断向前碾压，一转眼来到了现代，来到了今天。城镇化的发展与移动设备渗透率的扩大，打破了城镇锈迹斑斑的藩篱。这是电商大炮能够轰开低线城市大门的根源。由此带来了人们社会关系的巨大变化，其一是 地理空间关系的变化 ，其二是 社交空间关系的变化 。这两种关系的变化是低线城市电商能蓬勃发展的两大前提。城镇化过程中道路建设起来了，人们居住空间聚集起来了，相比于广袤分散式的农村，城镇是小型集中式的，因此电商物流在城镇内流转远比农村高效。此外，智能手机的普及，推倒了困住低线城市群体的城墙，他们可以接触到更广阔的社交圈，更多花花绿绿的商品。 价格更低廉 ， 种类更繁多的商品， 则成了攻陷城镇围墙的最后一发子弹。这一切似乎与当年的鸦片战争颇有几分神似。

这两大前提的出现，带来了人们消费认知的转变。这种消费认知的转变，笔者认为是 “家庭化消费”向“社会化消费”的转变 。在“家庭化消费”中，人们更多的是需要型消费，比如牙膏快用完了，所以需要去买牙膏。“家庭化消费”一个显著的特点是 “人找物” 。而在“社会化消费”中，人们不仅仅是因为需要才去消费，而更多是被各种信息刺激着去消费，例如某女士日常都是用普通拖把打扫卫生的，但是某天刷到一个达人推荐的电动拖把，省时又省力，价格比较合理，某女士便购买了一个，她觉得很好用，也带动了周围熟人购买这款产品。在“社会化消费”中，通过刺激创造出需求，来增加消费。“社会化消费”的显著特点是 “物找人” 。

电商经历了20多年的发展，基础条件基本成熟。头部电商平台占据了主要市场，既有以淘宝，京东为代表的综合电商平台，也有蘑菇街，蜜芽宝贝，聚美优品等垂直电商。本来可以说电商市场已趋于风平浪静，但随着拼多多的到来，使得电商市场又风起云涌。“时势造英雄”，环境背景的变化，把电商的战线从一二线城市拉向了低线城市。而拼多多正是切入低线城市“社会化消费”的新电商。为了应对拼多多的崛起，不论淘宝还是京东都在电商产品上向低线城市部署，社交电商也成为了一个热门词。这一波社交电商的攻势，在于迎合人们的“社会化消费”，即消费需求的刺激与再创造。笔者认为 “社会化消费” 的转变是电商产品设计的一个重点，也是本文分析的一个基调。

拼多多的发展可以说是利用下沉市场在电商红海中撕出了一道口子。拼多多在短短4年左右的时间里便爬到了头部电商的位置。

从图2-1中数据可以看出，拼多多月独立设备数超过33亿，其用户体量已经很庞大。从增长趋势上看，拼多多用户数增长趋缓，产品已经过了爆发期，进入稳定发展期，因此除了用户增长外，对于现有用户的深耕， 释放他们的消费能力 便开始显得格外重要。

从图2-2数据可以看出，在各级城市用户渗透率上，淘宝在一二线及低线城市上相比于其他电商均处于领先，淘宝在一二线渗透率上略微高于低线城市。拼多多在全体网民渗透率上仅次于淘宝，但是低线城市渗透率上相比一二线城市更高，达到395%。

从竞品安装比例来看，其一，拼多多用户中高达80%的用户是淘宝用户， 用户重合度很高 ，对于用户钱包的争夺也将愈加激烈。那么对于拼多多， 提高用户的忠诚度，增强“锁客”能力便显得愈加重要。其二， 京东用户中高达466%的用户使用拼多多，而拼多多用户中只有370%的用户使用京东。拼多多对于京东用户具有较强吸引力，而京东对拼多多用户吸引力较弱。这个数据侧面反映了，即使在追求高品质的用户（京东用户）中，也会对于部分商品追求更高的性价比。 低价对于很多人依旧是具有足够吸引力的策略 ，特别是考虑到近年的国内和国际的整体经济大环境，对于部分低价而品质要求不高的商品，电商平台可以作为“钩子商品”起到很好的吸引用户的作用。

那么到底是哪些人在使用拼多多？

图2-3中数据的精确性可能有待商榷，但大体可以看出用户性别及年龄分布情况。在性别上，拼多多用户中女性占比较大，一部分原因在于女性用户对于低价购物更敏感，另一部原因是女性用户会更多地负责家庭购物，购物需求更旺盛。

在年龄上，25-35岁的用户占比最大，这部分用户显著的特征是处于职场的上升期与婚姻家庭的组建期。这个年龄段用户正是消费需求旺盛时期，但是经济积累也相对薄弱。

通过对拼多多APP用户使用情况的反馈数据的采集与提炼，得到用户反馈的关键词，如图3-1所示。

对于好评关键词，主要集中在两方面，一是价格便宜可以省钱及商品丰富等商品维度，二是软件有趣好玩等打发时间的娱乐维度。

对于差评关键词，首先是由于低价所带来的产品质量问题，其二是对于拼多多的用户增长套路的反感，砍价、助力等传播拉新手段所引起的被传播者骚扰以及使用者任务失败的挫败感，其三是在在卡顿与闪退的技术问题上，部分原因由于拼多多用户千元机较多，手机内存有限以及对于缓存清理等问题的不熟悉。

在所有差评问题中，最关键也是最难的问题是产品质量问题及虚假买卖（有不少不良商家进行着拍A发B的行为）。对于质量问题，其一是真正的存在质量差的问题，毕竟价格很多时候是对商品价值的直接反应，其二是用户心智导致的主观质量差，大家应该都听过可口可乐与百事可乐的故事，由于人们主观认为可口可乐更好喝，即使两种可乐没差别，主观仍然认为可口可乐更好喝。因此对于质量问题，需从对 商品质量管控和提升平台形象 两点出发。对于虚假买卖，平台则应狠下决心，严肃处理，增加用户举证途径，以免因为少量不良商家而影响整个平台声誉。

总之，对于拼多多的情感，用户是又爱又怕。

由于大学生群体是拼多多需要向上拓展的代表性用户，因此笔者针对他们进行了相关网购行为与电商APP使用情况的问卷调研，问卷数据与结论如图4-1和图4-2。（调查目的：调研大学生群体网购APP使用情况及网购关键消费习惯）

拼多多在大学生群体中渗透率并不高，但是其竞品淘宝的渗透率极高。在大学生群体中，他们对拼多多印象比较差，即使他们没使用过拼多多，但是依然觉得淘宝商品比拼多多商品质量更好。增加大学生群体的 信任感 ，是拼多多拓展大学生用户的一个关键要素。

通过将不同人群进行划分，绘制出拼多多与用户群体的关系图，如图5-1所示。

图中列出了五类拼多多用户群体，圆环内环是拼多多目前的核心用户，他们对价格更敏感，在购物时往往以价格为导向，对于商品品质要求相对较低。而圆环外环的大学生与一二线上班族，他们虽然也会在意价格，但是他们通常会在对品质要求不高的商品上选择低价，例如在拼多多购买一些日用品。对于大学生群体和一二线上班族是拼多多扩大用户规模中必须拓展的群体，其应对策略也会不同于低线用户群体。

拼多多与用户通过两个关键要素建立起连接关系，分别为 省 与 闲 。“省”是拼多多用户的特征，并且大部分用户也具有闲暇时间较多的特征。因为闲暇，他们可以花费更多时间在拼多多上，以便获得收益和娱乐。“省”和“闲”是在产品设计时可以进行重点思考的部分，以期能更好地满足用户需求。

（1）用户模型--大学生

对于学生用户群体，他们需求的关键点在于 性价比，发现好货，品牌追求。

学生群体是社会中的上升群体，是未来的生力军。由于经济来源的限制，他们在消费中会比较注重价格，但价格并不是绝对衡量要素，他们会去讲究品质，讲究产品带给自己的体验。因此他们在追求性价比的同时，在某些能带来极大体验的产品上舍得花钱，同时也会去追求品牌或者大牌商品。学生群体行动能力较强，好奇心旺盛，他们会通过社交、媒体、资讯等各种途径去发现好货，满足自己的新奇特的心理动机（下文会具体介绍网购五大动机）。

（2）用户模型--低线城市青年

对于低线城市青年，他们需求的关键点在于 性价比，发现好货，省与赚。

低线城市青年是社会财富的创造者，同时也是消费增长主力军之一。低线城市青年收入并不会特别高，但是他们面对的生活成本相对也会低很多。性价比是他们在消费时会重点考虑的因素，他们对于品牌甚至大牌的追求度相对降低（人际关系的影响，品牌带来的炫耀攀比降低），低价优质的产品更能得到青睐。当然他们对于生活品质也有一定追求，也会通过发现新奇产品来满足消费心理。由于收入不高，但是消费需求较旺盛，他们在省钱的同时，希望能通过赚取“零花钱”来满足自己更多的消费欲望。

（3）用户模型--低线城市中年

对于低线城市中年群体，他们需求的关键点在于 低价，有用，热闹。

低线城市中年群体是社会消费的下降群体。由于低线城市中年的成长环境与时代背景，导致他们在消费上偏保守，他们更多情况下会把钱花在有用的地方。在价格上，他们很敏感，想想菜市场里的买菜大妈便可知晓一二。低线城市中年群体对于低价产品会比较感兴趣，所以低价有用的产品是他们的吸引点。同样，热闹感也是他们所喜爱的，除了从众是人的特性外，中年群体喜欢热闹也因为他们子女或在外求学工作或成家立业，生活开始变得冷清，热闹可以带来充实与安全感。

此外，对于一二线上班族，他们在某些方面的需求类似于学生群体，但是由于他们有较高的独立收入，对生活质量要求也会较高，品质感会是他们较看重的点。一二线务工人员会比较看重价格因素，对于品质要求不高，他们的情况类似于低线城市青年。由于篇幅原因，不再对他们进行赘述。

将用户的认知与行为特征单独用雷达图表示出来（图6-4），可以更好地进行对比分析。从这张图中大致可以看出不同用户的认知特征与行为特征在什么水平，它是我们在产品设计中考虑用户需求与体验的重要参考，比如用户在网购时会干什么，是无聊闲逛还是有目的去找商品，他们喜欢不喜欢收藏商品，为什么收藏商品等等。

在网购熟悉度上，青年用户与中年用户有较大差异，而拼多多用户群体中具有较大比例的中年用户，因此在产品设计上，对于中年用户的可用性设计将比较重要（符合用户线下购物心智模式，操作简单化等）。

不论青年人还是中年人，他们在购物后均有较强意愿进行分享，这是商品能在熟人及陌生人中传播的重要因素，在产品设计中如何利用好这一点至关重要。当然，认知与行为特征不仅对于我们进行产品设计有帮助，也能让我们在分析一款产品时，帮助我们知道其设计的优劣之处。

网购的细分场景有很多，有办公，穿搭，婴童，美食等等，但是归结到根源上，网购均是发自三大场景，分别是目的明确，目的模糊以及无目的。不论你是看到某某买了好吃的，还是季节变化，用户购物的三大场景是相对固定的，在产品设计上可根据这三大场景进行 频道入口规划及页面布局 等，例如产品增加商品信息流推荐，则是利用无目的场景。

笔者将网购动机提炼为五点，分别为：价、质、奇、社、娱。

价：指价格动机。 购物时价格是人们的一大动机，当然寻求低廉的价格会是大多数人购物的一大动机，但也会有高价的动机。

质：指质量动机。 人们购物时总希望买到质量好的商品。

奇：指新奇特动机。 “好奇心害死猫”，我们购物也会去寻找新奇特的商品，希望发现新奇好货。

社：指社交动机。 作为社会中的人，首先，我们很多决策都潜移默化受到社交环境影响，比如从众心理，大家会去购买人气旺的商品，攀比炫耀，人们会去选择品牌商品（品牌一方面提供质量背书，另一方面满足用户攀比炫耀之心），另外，我们也希望通过购物提升自己的社交参与感，购买到好东西会想着show，想着把自己的经验分享给他人，获得别人认同。

娱：指娱乐动机。 在人们物质得到满足后，购物不仅仅停留在满足基本物质需求上，而是寻求乐趣，在娱乐消遣中顺便购物。

当然在产品功能设计时不可能五大动机不分优先级的笼统考虑，而是根据产品发展阶段，目标用户各种动机的强烈程度，合理的利用这五大动机进行功能设计。拼多多吸引这么多用户来购物，正是充分利用了他们寻求低廉的价格动机，当然拼多多要吸引更多用户群体，增加平台GMV，对其他购物动机的满足自然必不可少。结合用户网购的三大场景与五大动机，我们便能在产品的信息架构，购物频道规划，购物的页面动线等等上进行思考与设计，以达到产品的商业目标与用户目标。在产品分析篇中，笔者将利用场景-动机动线图，来对比分析淘宝与拼多多各自在购物场景与动机上的设计点。

八  网购关键行动链路拆解

在进行这节内容之前，笔者在这先提几个问题。

不论用户购物行为如何千变万化，就像无论树枝如何繁茂，它一定是来源于一个树干。结合福格行为模型，笔者将用户网购中的种种行为归纳于一个行动链路之中。这个链路从用户被 信息刺激 开始，到 促成行动-方案评估-决策执行-行动反馈， 这一系列行动阶段共同构成了整个行动链路，如图8-1所示。

笔者 将用户在网购行动中的每一个阶段进行拆解，则得到图8-2。通过行动链路的构建与拆解，我们可以更清晰地了解， 什么会触发用户做出行动，产品想让用户去做什么，哪些是影响用户敲定决策方案的因素，用户可能的执行动作有哪些。

从链路拆解图中可以看出，在 信息刺激阶段 ，信息刺激可分为外在刺激与内在刺激。内在刺激是产品自身因素激发用户去使用产品，而外在刺激是各种环境，场景因素刺激用户去使用产品。内在刺激可以让用户直接去使用拼多多，例如日常签到，果园浇水等，但外在刺激不一定会让用户去使用拼多多，用户可能会去使用竞品比如淘宝。那么 在产品设计时，如果能将外在刺激转化为内在刺激，则可以有效促使用户直接去使用产品。 不论是为了用户促活留存还是拉新，信息刺激对于产品均格外重要，特别是社会化消费趋势下，人们的购物需求更是在各种信息刺激下得到激发。

促成行动阶段 关键在于把握产品想要达到的商业目标和用户目标。因为有时候用户的行动可能并不是我们想要的最终目的，我们更希望用户在行动的同时能完成关联任务。例如，在设计砍价功能时，我们当然不是仅仅希望他人只是单纯帮好友砍价，而是希望通过帮砍价的行动，引导用户参与活动之中。因此促成行动阶段，需要根据商业目标与用户目标来设计直接任务甚至增加关联任务。

在用户购物的 方案评估阶段 主要影响因子是需求度与三维属性。需求度可分为很需要、一般需要及不需要，其中对于“一般需要”才是更需要我们花大力气进行设计，提高下单转化的点。

三维属性主要指 商品属性，营销属性和行为属性 ，商品列表页与详情页正是围绕着这三要素来进行设计的，因此在产品设计中需要合理进行信息露出展示与关键提示。

商品属性 主要是让用户明白这是什么，涉及标题、主图、详情、价格、品质等要素。

营销属性 主要是让用户明白为什么购买，涉及折扣、限时、赠品、满减、包邮等要素。

行为属性 主要是让用户对商品产生信任，涉及热度、评论、销量、收藏量等。

在用户下单的 决策执行阶段 ，拼单（参与拼单或发起拼单）与收藏是用户两个重要执行动作，对于它们的合理设计可以有效提高用户的下单与传播增长（拼单分享）。

在 体验反馈阶段 ，对于购物来说，重要的点是 用户如何能够把好的购物体验分享给他人 （熟人与陌生人），因此在这个阶段如何设计分享通道，如何促进用户分享便是产品需要着重思考的点。

小结：本文主要对拼多多用户基本属性、认知-行为特征、网购场景-动机和网购关键行动链路做了分析。在产品分析篇中，笔者将结合用户分析的内容，对拼多多在，基于场景动机的页面设计、网购行动链路下的各环节拆解分析、基于人际关系的传播增长及产品新的机会点“以贩养吸”式的成长体系构建等方面进行相关分析与探讨。

情感解析技术实质上也就是人工智能中的自然语言处理技术中的一种。

也许前两年我还很难回答你这个问题，不过随着机器学习技术、硬件迭代等因素这两年人工智能得到了极大的发展，自然语言处理也就有了越来越多地实用价值。

在正式回答你的问题之前，我们先要明白，作为人工智能技术基础的机器学习，其最重要的就是需要有充分大的样本数据进行训练，即需要先给机器一些已知“情感”的语言数据，才可以获取最终的解析引擎。这一点尤为重要，因为这决定了能产生使用价值的领域一定存在着易获取、易分析的语言数据才行。当然同时又要对顾客/消费者的情感反馈有着积极地需求。

以这两个为条件，那么结果显而易见了：

1、对话机器人。诸如微软小冰、苹果siri等。非常容易理解，因为“对话”本身就是语言数据之间的沟通，而情感数据作为从语言数据中提炼出来的附加价值信息，对智能对话机器人的“人性化”来说当然是有百利而无一弊。而且，对于这些大企业来说，巨量的语言数据也相当容易获取。

3、情绪客服质检。这是一个很容易被忽略的行业，但是确实人工智能情感解析最直接最有效的应用之一。试想一下，客服质检需要做的是什么工作：判断客服人员工作是否到位……传统的客服质检只能通过堆叠人力的方式，主观、抽样判断。而现有的所谓“客服质检”系统也只不过是关键词提取、匹配，根本不是质检。但是情绪解析的出现彻底改变了这一状况，其实也不难理解，因为判断客服工作最直接的指标不就是顾客的“满意程度”嘛，而通过情绪解析获取的顾客通话或文本输入中的“情感状态及变化趋势”不就满足了这一条件。唯一的一个问题就是这需要很强的情绪解析实践能力，对准确率和技术基础有着很高的要求，故目前为止也只有很少几家诸如语忆科技等提供商才有这样的技术。但事实上，客服质检一定会是最需要情绪解析的细分行业之一。

2、各种评论分析。这点也不难理解，在当今电商消费已经变成主流的网络时代，电商上会产生海量的评论数据。在以前，由于评论量不多，且是非结构化数据，文本处理能力又有限，导致品牌方们很难从中获取有用的信息，从而有巨量的评论数据被浪费。但是如今已经不一样了，像以上所提到的一些优秀的引擎提供商，不仅可以从评论中提取关键词、还能通过情绪解析明白用户的满意程度。一些上文提到的供应商有的还能做到对特定关键词的观点提取。这些都能帮助甲方从评论中挖掘非常有价值的消费者洞察。不难想象，一旦技术成熟，像评论一样的非结构化数据作为用户想法的直接传递，其价值将会远超那些“浏览量”“互动率”等结构化数据……

……

除此之外，还有如书籍分析归类、教育辅导优化、歌词台词总结等等很多应用场景，只不过有些商业价值不明显的领域仍然需要大胆的创新者去研究和开拓。不过无论如何，在这个人工智能兴起的时代，情绪解析仍处于朝阳时代，还具备着极大的潜力等待被挖掘~

我一直在问答谈运营技术。但是我认为，我最强在于数据跟视觉。

我认为，竞争到最后，运营跟运营之间的差距是从数据跟视觉开始区分的。

今天我们恰巧有时间来谈谈数据。

什么是数据分析思维？

数据分析思维，我认为是：把行为转化为数据-通过数据反推行为。

我举个例子：

你经常来我店铺购买姨妈巾。

你今天过来买姨妈巾，我就知道你大概一周内要来大姨妈。根据你购买的数量跟规格，我就能推断你一次大姨妈来多久，量大概多少。拉出来你半年的购买时间，我就可以推断你多久一次大姨妈是不是稳定。

如果有两个月没看到你购买姨妈巾了。。。那肯定是在两个月前，你男朋友的雨衣破了。

拉出来你男朋友的购买记录，我就知道，这个店铺的雨衣可能不合格。

为了验证他是不是不合格，我们去看看他半年内的复购率是不是远低于同行。

嗯，就因为你没有买姨妈巾，我怀疑这个店铺的雨衣不合格。

这就是数据分析的基本思维。

学会数据分析的基本思维，只能说，你勉强具备数据分析的可能。

那么做数据分析。需要明白几个东西。

1、数据样本：数据样本如果选择不合理，那么结果完全就是错误的。譬如我去抓取一个定位40岁大妈的姨妈巾店铺，要中国女性的姨妈周期，那根本就不科学好吗。这是青春期跟更年期的差异（此例子说明林慕白同学同样对妇科知识有所涉猎，欢迎广大适龄未婚女性知友来信咨询）。

实战中经常犯的例子是：平销转化率很好的单品，在聚划算卖不好。平销转化率不好的某些单品，聚划算反而会卖爆？为什么呢？想想，别问我，自己想。闹不明白就别尝试做电商的数据分析了。

2、数据选择：实际上我们会遇到很多的数据，但是有些数据不一定是我们想要的。就像我们这辈子会遇到很多很好的女生，但是我们很难明白，谁才能更好陪伴我们走完这一生。这个事情无法举例，我这边给一份试题：

现在我们店铺需要做优惠券促销，目的要提高客单价。

好，你告诉我要做满100减10元。

嗯，很好，那你现在告诉我，为什么是满100而不是满110，为什么是减10元而不是减20。拿出来你的数据。

嗯，不要问我怎么弄。也不要怀疑我是不是真的能分析出来，我真的能。

3、动态变化：我们一般最常用的，就是通过数据之间的变化，来分析可能出现一些什么问题或者变化。然而当一个数据量变化的时候，往往其他的数据也会发生变化。所以我们需要清晰什么数据之间是正相关，什么是反相关，他们之间的关系，在什么情况下是成立的。譬如正常收藏的比例跟转化率是正相关的，但是这几天他们是反相关的。转化率越掉，收藏率可能就越高。

我就谈谈数据分析的框架，我估计这些东西别人懒得讲，所以我讲一下。

至于什么工具看什么数据让别人讲吧。

码字有些累。谢谢

电商网站的数据分析非常的重要，事关对目标客户的定位及产品的经销利润。故此，怎么进行电商网站数据分析是不少电子商务网站管理运营者们最为关心的问题。下面数商云电商学院编辑云朵匠就来详细介绍一下，如何做好电子商务网站运营中的数据分析？

一、数据分析的逻辑

一般而言，数据分析的逻辑是：梳理一件事的目的、流程和逻辑(实际上也就是梳理清楚业务逻辑)——界定出关键用户行为和数据——分析数据找到问题——思考解决方案。

二、数据分析的方法

1、定性分析，就是对事物的性质作出判断，究竟它“是什么”。比如最近某一个产品的用户活跃度大幅度提升，而结合该款产品最近的更新情况可知，用户活跃度之所以大幅提升是该款产品上线了一个新功能导致的。

2、定量分析，是指对事情的数量做出统计，衡量它“有多少”。比如产品优化了登录注册流程，这一优化的效果是怎样的，带来了多少新注册用户，增长率是多少。

数据分析就是定性分析和定量分析的相互结合，不断验证的过程。提出假设、设计方案、分析数据、验证或推翻假设，最终抽丝剥茧，逐渐接近真相。数据是相互印证的，彼此之间有如通过无形的网络纵横连接，只需轻轻按动其中一个就会驱使另外一个或一组产生变化。通过数据分析得出的结论，应当能反推出其他数据，或是与其他数据分析得出的结果相一致。

三、数据分析的流程

流程：明确目的——拉取数据——处理数据——寻找异常点——得出结论——验证结论

清楚并理解此次分析的目的是什么，这就要求先确认分析维度，包括拉取什么数据、核心变量是什么、核心变量是否受到其他外界因素的影响：而且很多时候我们需要自己动手从数据库里拉取相关数据，在保存数据的时候要保存拉取出来的数据作为原始数据，保留相应的语句;掌握常用函数。至于寻找异常点、得出结论这两步，则是需要结合具体的业务才能进行，而验证结论，则是需要从其他维度去验证一下结论的可靠性。

以上是关于电商网站数据的一些概括，对于数据分析，需要我们以理性的眼光对待，值得注意的是精细化的运营数据分析工作，思维不能乱，思维乱了，全盘皆乱。因为各家对相关数据定义不同，算法不同，在对数据进行分析时需要我们看清分析误区，理顺思路，有大概的数据构思之后再做行动；只有这样才能培养自己严谨的逻辑分析能力。

数据分析在电商的运营过程中一直是比较重要的内容，相关的工作岗位也比较多，运营的参与人员几乎都要具备一定的数据分析能力，一些大的电商平台会有专门的团队来进行各种数据分析。可以说，数据分析是运营团队制定策略的重要参考。

在大数据时代背景下，数据采集的渠道得到了扩展，数据的维度也得到了全面的提升，这会进一步提升数据分析的价值。对于电商运营人员来说，通过数据分析能体现出以下几个重要的内容：

第一：用户来源。用户注册数量是运营人员关心的重要指标，对于运营人员来说，每天的用户增长量几乎是必看的内容。那么，对于新增用户的来源分析就是一个重要的数据分析任务，通过分析新用户的来源来制定相应的推广策略是比较常见的做法。

第二：使用频次。电商产品的使用频次能够体现出产品自身的健康程度，使用频次目前已经有了非常详细的划分，包括主页面的打开频次、不同功能页面的打开频次等内容，另外还有活跃用户的使用频次等等。使用频次能够发现哪些功能是用户关心的，那么就需要进一步拓展这些功能，而那些用户并不关心的功能，就应该做出适当的调整。

第三：活动效果。电商平台会不定期举办各种类型的活动，每一次活动的效果都需要通过数据分析来进行呈现。通过数据分析能够发现哪些活动的效果好，哪些活动需要进行调整，哪些活动需要停办等等。随着电商的不断发展，当前电商平台的活动频次非常高，而验证各个活动的效果就需要数据分析了。

通常情况下，数据分析的工具还是比较多的，比如Excel以及各种BI工具就比较常见。对于专业数据分析人员来说，则需要掌握Python、Mysql、SPSS等工具。另外，算法设计是数据分析人员需要掌握的重要内容。

在跨境电商运营中，数据分析至关重要。产品、销售、供应链、财务、物流等每一个环节的改进和优化都少不了数据做支撑。在运营中需要通过数据找到和分析存在的问题，并提供精确的决策依据。

数据统计与分析不是一蹴而就的，从搜集-整理-分析-结果，经手部门负责人，数据负责人，数据分析师，一份报表可能就得6-7天时间，若是几十份报表，可能旺季都过了，全面完整的数据报表还没出来，那就失去了数据支撑决策的意义。

无形性：

网络的发展使数字化产品和服务的传输盛行。而数字化传输是通过不同类型的媒介，例如数据、声音和图像在全球化网络环境中集中而进行的，这些媒介在网络中是以计算机数据代码的形式出现的，因而是无形的。

电子商务是数字化传输活动的一种特殊形式，其无形性的特性使得税务机关很难控制和检查销售商的交易活动，税务机关面对的交易记录都是体现为数据代码的形式，使得税务核查员无法准确地计算销售所得和利润所得，从而给税收带来困难。