1. 网站数据
IP丶PV丶平均浏览页数丶在线时间丶访问深度比率丶访问时间比率。这是最基本的，每项数据提高都不容易，这意味着要不断改进每一个发现问题的细节，需要不断去完善购物体验。
2. 运营数据
总订单丶有效订单丶订单有效率丶总销售额丶客单价丶毛利润丶毛利率丶下单转化率丶付款转化率丶退货;每日数据汇总，每周的数据一定是稳定的，主要比对于上上周的数据，重点分析内部的工作，如产品引导丶定价策略丶促销策略丶包邮策略等。
有关于这方面的需要可以直接联系任拓数据科技（上海）有限公司，该公司通过海量电商大数据分析，提供行业深度观察，产出行业趋势报告，累积行业洞察能量，在多种商业场景中为客户提供数据的价值，，帮助客户公司持续创新和成功。
1.对比分析
横向对比：简单的说就是和谁对比 假如说我们上个月店铺的成交额增长了30%，那么我们是不是应该开心呢
这里我们还要参考竞争对手的成交额，数据时代，我们可以很轻易的拿到竞争对手的相关数据。
纵向对比：我们可以把近15天的成交额以线条的形式显示出来，这样就可以很清楚的看到近期的成交额是否达到预期，有没有下降趋势，当然我们也可以以季度、月或周为单位。
2.转化分析
这里牵涉到一个问题，评判一家电商企业需要用到的一些日常统计指标：
店铺的目标用户数量：一家店铺的成交量，反映的是这家店铺对于市场的影响以及用户对于产品的满意度。
平均消费金额：店铺每年平均每位用户消费了多少，以此来定位目标人群，确定是否达到盈利的指标。
用户的复购率：判别产品满意度，假如用户购买过一次后，还会购买第二次，说明用户对于你的产品还是很满意的，这样既节省了市场推广费用，用户也会推荐给更多朋友来够买。
3.留存分析
我们通过活动等形式把用户引流到我们的流量池里，但是经过一段时间后，用户可能就会慢慢的流失了。那些留下来或者经常访问我们店铺的用户称之为留存。
我们常常用到的日活跃用户量、月活跃用户量、季度活跃用户量，来检测我们店铺的流量。有的时候可能会看到我们的日活，在一段时期内都是逐渐增加的，以为是非常好的现象，但是如果没有做留存分析的话，这个结果很可能是一个错误的。
留存是产品的核心，用户只有留下来，我们的产品才能不断增长。如果我们什么都不做的话，用户很快的就流失了。
4.产品比价
大部分电商公司会频繁搞促销，一般来说每次打的旗帜无非是全网最低，但是如何才能确定是全网最低呢
这时候需要我们去搭建一个比价系统，这个比价系统的目的主要是为了去抓取各大电商平台商品的价格。通过各大电商平台的价格以及优惠额，来制定你自己的策略。
关于电商数据分析常用方法有哪些，青藤小编就和您分享到这里了。如果你对大数据工程有浓厚的兴趣，希望这篇文章能够对你有所帮助。如果您还想了解更多数据分析师、大数据工程师的技巧及素材等内容，可以点击本站的其他文章进行学习。
电商平台的数据分析可以按业务逻辑，以前、中、后台进行区分，在电商平台的数据分析中，线上、线下店铺管理为前台、全服务管理为中台，培训招聘等为后台支持。
前台：面向客户
中台：对面向客户的部门进行支持
后台：财务、法务、招聘、培训
按这样的框架分配之后，就能知道单个部门进行的动作对于整体的影响是什么。
1.流量分析什么样的流量能够带来转化？
什么影响了流量的转化？
什么样的流量转化金额比较大，选择什么样的渠道？
比如我有1000万，我要知道如何进行投入产出是最高的。针对这样的问题，可以进行以下三类分析：
推广分析：分析不同流量来源、渠道及获客成本 。
内容分析：分析各内容的流量来源及相关运营效果（主要针对手淘中的内容、达人直播等）。
页面分析：特别是单独活动的落地页，需要分析当前页面的流量来源及去向分布，关注页面热力重点，为店铺装修指导提供依据。
2.销售分析当用户进店之后，把用户进行的每个详细的步骤拆分出来，去看哪些过程影响了销售订单的转化。
对于该公司来讲，他们的核心指标是发货，只有到发货环节的订单，才能算作业绩。所以在发货前的所有环节都需要进行分析，比如商品详情页、客户咨询环节、支付环节等。
3.商品分析其实对于淘宝店家来说，需要知道有哪些商品？怎样搭配契合对应的活动？
之前是零零散散的状态，新品研发进度、上架商品的表现、滞销产品的去库存，这些其实都是需要有一个完整的掌握的，这样才能更好地去配合活动。
很多淘宝店铺的销售是需要围绕活动进行的，所有的业绩其实是拆分在很多个活动里的。只要活动选得好，一个活动产生的效果可能会大于其他营销方式的总和。
所以活动的选品就成了重点需要去关注的。在选品的时候，除了要考虑商品的历史表现，还要考虑如何备货、备货周期是多久，能不能保证活动期间的发货。
所以，通过数据分析我们可以知道三个部分：
一、 目前的产品结构及产品情况
二、 针对本次活动需要达成的目标，选品的逻辑是什么，应该看哪些数据。
三、 爆款的备货，如果要把一个商品作为活动的爆款，我需要这件商品在7天内就能发货。
备货如何验证商品销售、活动预测精准度？
4.活动分析活动分析其实是非常重要的一部分。比如这家淘宝店去年的销售额是50个亿，仅双十一单个活动销售额就达到了8亿。所以他们对于活动有严格的计划表，于是我们会把活动单独列一个主题进行分析。
他们在活动前期策划的时候，历史数据能够指导他做出比较好的决策。
而在活动进行中，可以通过数据监控整体的流量变化、销售情况变化。比如这次活动的某几个页面跳出率高，我通过数据发现之后，就要作出相应的调整优化，提高从流量到销量的转化率。或者说，活动过程中发现爆款商品的库存已经无法满足现状了，我需要考虑是否要把原来7天的发货期改为15天，还是说我可以推其他的产品。这些都可以凭借数据来提供决策的依据。
活动复盘环节，从整体上我可以知道活动投入和产出的金额，衡量这次活动的价值，从细节上，可以看到不同商品的销售情况，还可以分析这次活动中哪些环节是可以做的更好的。比如这次活动中，因为一些优惠券的规则设置不合理，导致大量退货，那在下次活动就要避免这样的失误。
以上为永洪科技为某行业Top1电商客户做的案例部分内容分享。
一.电商数据分析架构
首先需要承认的是，数据分析架构模型的前置是需要对业务的日常工作场景及需求有充足的理解，并能提出具有建议的数据分析方法，以释放业务人员在数据分析环节的时效。
二.线上店铺管理分析
对于一家店铺的用户而言，一个完整的购买流程：看到广告-进入店铺-浏览商品-咨询购买-下单支付。对于店铺运营人员应该如何对各个环节的用户进行流量分析和管理呢？针对此，下面将分别从流量分析、销售分析、商品分析、活动分析四方面进行详细解析。
三.线下门店管理分析
对于电商企业而言，过去是以线上店铺为主，随着业务的扩张，现在这些企业通过不断拓展线下门店，弥补线上用户体验的缺失，融合线上线下，从而扩大用户规模。为此，永洪咨询专家设计出线下门店管理分析体系，通过线下门店拓展分析、店铺选址分析，帮助电商企业选择最合适的店铺以及对店铺实现高效管理。
电商数据分析的常用方法有：逻辑树分析法；PEST分析法；多维度拆解法；对比分析法；假设检验分析法。
1、逻辑树分析：逻辑树分析法的目的是把复杂的问题变简单，即把一个问题当成树干，然后找出所有充当树枝的子问题，并以此类推，逐步找到一个个具体而直接的子问题，从而找到解决复杂问题的方法。
2、PEST分析法：用于做行业分析，是通过政治Politics，经济Economy，社会Society和技术Technology四个因素来分析宏观环境的方法，其应用领域有公司战略规划，市场经营规划，产品发展规划，撰写研究报告等。
3、多维度拆解法：目的是从多个维度思考问题，即从多个角度出发，把一个复杂问题拆解成多个简单的子问题去解决，其把问题整体拆解成多个部分，通过对比可以看出不同整体之间部分的差异。
4、对比分析法：通过对比找差异，从而追踪业务是否存在问题的方法。使用对比分析法，要搞清楚两个问题，一是和谁比，二是如何比。
5、假设检验分析法：归因分析，即分析问题发生的原因，其底层逻辑是逻辑推理，分为3个步骤，分别是：提出假设，收集证据，得出结论。
此文是对最近学习的电商相关知识点做一个巩固
传统零售利用二八法则生存，电商靠长尾理论积累销售。
传统零售是小数据，电商是大数据。
传统零售是“物流”，零售过程就是商品的流动；电商是“信息流”，顾客通过搜索、比较、评论、分享产生信息，达到购买的目的。
传统零售注重体验感，电商注重服务和效率。
传统零售是做加法，电商是做乘法。传统零售是通过一家家店扩大影响力，电商通过资金的投入迅速抢占市场。
传统零售的主要成本是房租和人工成本，电商的主要成本是物流和营销成本。
总结：电商和传统零售虽有千万种差别，但总归都是零售，融合是二者注定的趋势，即现在火热的新零售。
传统零售的数据主要是进销存数据、顾客数据和消费数据。电商的数据却复杂得多，数据来源渠道也很多样化
电商数据来源广泛，常规的流量数据、交易数据、会员数据在品牌的交易平台都有提供。一些第三方网站也提供数据源及分析功能。
1、百度统计：包括流量相关的网站统计、推广统计、移动统计三部分内容。分析内容包括趋势分析、来源分析、页面分析、访客分析、定制分析和优化分析。
2、谷歌分析：包括流量分析工具、内容分析、社交分析、移动分析、转化分析、广告分析几部分内容。
3、Crazy egg热力图：主要特色是对页面热点追踪分析的热力图。
4、CNZZ数据专家（友盟）：包括站长统计、全景统计、手机客户端、云推荐、广告管家、广告效果分析和数据中心等。
还有一些无需埋点监测数据的产品，如GrowingIO、神策数据、诸葛io等。
以下为用思维导图进行梳理的电商数据分析指标，总共包括六大类
对访问你网站的访客进行分析，基于这些数据指标可以网页进行改进
这里需要注意两个点
1）影响因素不同：UV 价值更受流量质量的影响；而客单价更受卖的货的影响；
2）使用场景不同：UV 价值可以用来评估页面 / 模块的创造价值的潜力；客单价可以用来比较品类和商品特征，但一个页面客单价高，并不代表它创造价值的能力强，只能得出这个页面的品类更趋近于是卖高价格品类的。
如果网站是为了帮助客户尽快完成他们的任务（比如：购买，答疑解惑），那么在线时长应当是越短越好；如果希望客户一同参与到网站的互动中来，那么时间越久会越好。所以，分析在线时长是否越长越好，要根据产品定位来具体分析
从注册到成交整个过程的数据，帮助提升商品转化率。
对于一个新电商来说，积累数据，找准营运方向比卖多少货，赚多少钱更重要。这个阶段主要 关注流量指标 ，指标如下：
对于已经经营一段时间的电商，通过数据分析 提高店铺销量 就是首要任务。此阶段的重点指标是 流量和销售指标 ，指标如下：
对于已经有规模的电商，利用数据分析 提升整体营运水平 就很关键。重点指标如下：
数据指标分为追踪指标、分析指标和营运指标，营运指标就是绩效考核指标。一个团队的销售额首先是追踪出来的，其次是分析出来的，最后才是绩效考核出来的。销售追踪自然是按天、按时段说话，分析一般是以周和月为单位，绩效考核常常是以月为主、以年为辅。
执行人员侧重过程指标，管理层侧重结果指标。对于数据分分析人员来说要学会根据职位提供不同的数据。
1、无流量不电商，对于流量分析，我们常用漏斗图来做分析，几乎每个流量的细分都可以用到漏斗图。
2、漏斗图就是一个细分和溯源的过程，通过不同的层次分解从而找到转化的逻辑。
3、漏斗图的弱点，就是反应一条转化路径的形态，我们可以稍加修改实现漏斗图的对比功能。
1、流量的质量分为质和量两方面，只有质没有量的流量是没有多少实际价值的，流量的质体现在不同的营销目的上，例如获得点击、注册、收藏、购买或者获取利润的目的。
2、可以通过四象限分析图来对比分析流量的质量。下图是针对购买的转化率和流量的四象限图，其中第一象限的流量应该是高质量的，流量和转化率均高于平均值；第二象限渠道的流量转化率高，但量不大，通过搜索来的流量大部分属于此类；第四象限流量属于质低量高，站外购买的流量这种情况比较多；第三象限属于质低量低的双低流量，不用特别维护，任其发展即可。
3、图中的Y轴可以根据具体的分析目的替换成点击率、注册率、收藏率、ROI（单元产出）等进行对比分析。
四象限分析图中，X轴、Y轴、分析对象都可以根据不同的目的进行替换。
4、散点图的四象限分析可以结合趋势，或者演变成四象限气泡图，气泡图的大小为ROI，这种四象限图信息量更大。
1、电商的销售针对比传统零售复杂很多，主要复杂在流量的多层次多渠道上，互联网的好处是几乎能将用户的每个动作记录下来，然后我们从中找到关键点进行诊断即可。下图，是一个类似杜邦分析的图，从值（图中红色）和率（图中蓝色）两个方面，订单、新客、老客三个维度将销售额拆成五个层次，每个层次间具有加或乘的逻辑关系。
2、销售额是一个结果指标，图中的20个指标是过程指标，每个指标的变化都会影响最终的销售额，基本都是正相关。（折扣和销售额的关联会稍微复杂一些）
3、通过上图，使用对比、细分的原则分析可以判断出哪儿些指标变化对销售额产生了影响。
参考书籍为《数据化管理——洞悉零售及电子商务运营》
1、市场分析
有市场需求的产品，即使产品品质很好也是没有前(钱)途的。虽然目前淘系电商推广渠道多样化了，但是到目前为止绝大多数客户仍然是通过搜索关键词找到需要的产品。所以如果你产品相关的关键词在淘宝上搜索量过少，至少说明当下是不太适合在淘宝上销售。
2、同行分析
做生意是一定要研究对手数据的，可以这么说，在当下电商运营中，同行的信息应该是最有价值的。这也是很多运营必须要做的事 其实在监控和分析同行的店铺。
3、分析自己店铺
数据是店铺问题诊断的基础，当我们的店铺出现问题，比如说流量下滑、转化率下滑，这肯定是有原因的，绝大多数原因我们能够通过逻辑分析去判断出个大概，我们所有的分析和判断都必须要通过数据去进行一个验证和分析，如果不经过这一步，你只是主观上分析的话，很容易出错。
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
大家在关注
