电商运营数据分析常用分析指标--概述及流量指标

电玩女神 2022-11-01 13:44 439阅读 0赞

# 电商运营数据分析常用分析指标–概述及流量指标 #

此篇文章阅读适用人群为新入行电商，对电商日常监控数据内容存在疑惑的数据分析师/数据运营，要开始着手数据监控与分析但是缺乏思路，或者想转行、对数据有浓烈兴趣，想要了解电商日常使用数据指标的伙伴。

### 文章目录 ###

*  电商运营数据分析常用分析指标--概述及流量指标
 *   *  一、概述
     *  二、电商运营人员常用指标框架
     *  三、流量模块
     *   *  3.1 流量概况
         *   *  访客数
         *  3.2 流量来源
         *   *   *  主要分析指标
                 *  来源渠道
                 *  关键字（词）
         *  3.3 动线分析
         *   *   *  页面分析相关指标

## 一、概述 ##

数据分析对于电商运营来说十分重要，它就像航海中的指南针，越精确的数据细度能反映不同运营手段对应的不同效果。数据指标常用于评价产品业务的好坏，通过对数据指标的拆解能够得出产品、策略、运营等各方面目前存在的问题，从而得出优化方向。数据指标体系是一切分析的基础，有了一个好的指标体系，分析效率会成倍提高。

--------------------

## 二、电商运营人员常用指标框架 ##

电商运营人员日常关注点可分为 **流量、品类、交易、内容、服务、营销、物流、（财务）、市场** 等几大模块。大致内容如下图所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70]  
在接下来的系列文章中，我将对上诉几大模块所涉及到的数据指标进行详细说明。

--------------------

## 三、流量模块 ##

### 3.1 流量概况 ###

对流量的监测分析，主要关注指标有：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 1]

*  访客数（UV)
 *  浏览量 (PV)
 *  人均浏览量
 *  关注店铺人数
 *  流量来源

#### 访客数 ####

其中访客数可拆分为：

*  店铺访客数
 *  商品访客数
 *  老访客数
 *  新访客数
 *  直播间访客数
 *  短视频访客数
 *  图文访客数
 *  店铺页面访客数等

--------------------

### 3.2 流量来源 ###

流量来源分析主要来源入口可分为店铺来源、商品来源、内容来源三部分，另外还需着重关注关键字（词）带来的流量与流量来源的渠道。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70_pic_center]

##### 主要分析指标 #####

> 访客数
> 
>  *  访客数-UV价值
>  *  访客数-支付转化率
> 
> 下单买家数
> 
>  *  支付买家数-客单价
> 
> 下单转化率
> 
> 新访客数
> 
> 关注店铺人数
> 
> 商品收藏人数
> 
> 加购人数
> 
> 下单金额
> 
> 支付金额
> 
> 支付买家数
> 
> 加购商品-支付买家数

##### 来源渠道 #####

流量来源途径较多，不同平台来源渠道不尽相同，但是大体都可分为 付费流量、免费流量、自主访问三大版块。  
这儿列举出了淘系与京东的部分流量来源渠道（可能不全），供参考。

京东渠道：  
![京东流量入口列举][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 2]

淘宝渠道：

![淘宝流量入口渠道列举][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70_pic_center 1]

##### 关键字（词） #####

> 引流搜索关键词 （竞店搜索关键词、 行业相关搜索词）
> 
>  *  搜索词 长尾词 品牌词 品类词 修饰词

> 相关指标
> 
>  *  带来的访客数
>  *  带来的浏览量
>  *  引导下单买家数
>  *  引导下单转化率
>  *  跳失率
>  *  引导支付金额
>  *  引导支付件数

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 3]

--------------------

### 3.3 动线分析 ###

在了解了流量的来源情况后，还需要进一步关注流量的动线情况。其中包括 **店内路径、 流量去向 及 页面分析** 三部分。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70_pic_center 2]

##### 页面分析相关指标 #####

*  流量相关

> 浏览量  
> 访客数  
> 点击次数  
> 点击人数  
> 点击率  
> 跳失率  
> 平均停留时长

*  转化相关

> 引导下单金额  
> 引导下单买家数  
> 引导下单转化率  
> 引导支付金额  
> 引导支付买家数  
> 引导支付转化率

--------------------

> 往期指引
> 
>  *  [《利用python进行用户行为分析》][python]
>  *  [《利用python进行零售商品数据分析》][python 1]
>  *  [《数据分析思维 – 第三步：打开分析视角》][Link 1]
>  *  [《如何写一份具有业务价值的分析报告》][Link 2]
>  *  [《机器学习笔记–2、回归分析及python实现》][2_python]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70]: /images/20221024/addd67e577164c47a24e433ec2319a92.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 1]: /images/20221024/46e1a7cc607b45c684ccb2a4c17fa893.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70_pic_center]: /images/20221024/139c40ae7a85470ca630e538c01ca328.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 2]: /images/20221024/2fc4f0f314f14efda09b27a85b68204f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20221024/861a71c9b2284610bdc5537ec304de76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70 3]: /images/20221024/00ab9d6ae89d4d6f9ee5996a62f7406f.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80NDM5MDQ2Mg_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20221024/435243c6615f4c40ac3f81d6dc751410.png
[python]: https://blog.csdn.net/weixin_44390462/article/details/105678576
[python 1]: https://blog.csdn.net/weixin_44390462/article/details/105622413
[Link 1]: https://blog.csdn.net/weixin_44390462/article/details/106043963
[Link 2]: https://blog.csdn.net/weixin_44390462/article/details/105690856
[2_python]: https://blog.csdn.net/weixin_44390462/article/details/105795689