数据分析 业务指标与分析方法
1 业务指标
业务指标是指衡量业务好坏的标准。
1.1 了解业务
- 公司是做什么的，有什么产品、业务和服务对象等；
- 经营情况，了解相关的核心指标去评判经营情况；
- 业务流程，分析每一个环节的数据，确定哪些环节出现问题。
1.2 互联网电商数据常用指标
1.2.1 用户数据
日新增用户数
某产品每日新增的用户数量。
日新增用户数反映了某款商品拉新的能力。
活跃用户数
经常光顾网站并为网站带来一些价值的用户的数量。
活跃用户数用于衡量网站的运营现状。
分类
日活跃用户数（DAU：Daily Active User)）
周活跃用户数（WAU：Week Active User）
月活跃用户数（MAU：Month Active User）
活跃率 = 活跃用户数 / 总用户数
留存率 = 第1天访问应用并且在第N天仍会访问该应用的用户数量 / 第1天访问应用的用户数量
留存率反映了留住用户的能力。
留存率按照时间的不同分为次日留存率，3日留存率，7日留存率，30日留存率。
对于次日留存率，七日留存率，月留存率而言，有个40-20-10法则，
次日留存率=40%，七日留存率=20%，月留存率=10%，
达到这个标准说明公司的留存率达到了行业基本标准。
单位获客成本
在流量推广过程中，广告等活动所需的投放费用与产生的独立访客数的比值。
客单价
订单总额与订单数量的比值。应用场景主要是零售，包括电商平台。
ARPU （Average Revenue Per User）
ARPU = 总收入 / 总用户数
即每用户平均收入，反映的是某时间段内平均每个活跃用户为应用创造的收入。
ARPPU （Average Revenue Per Paying User）
ARPPU = 总收入 / 付费用户数
即平均每付费用户收入，反映的是某段时间内平均每个付费用户为应用创造的收入。
1.2.2 用户行为数据
PV
页面访问量，也叫页面点击量
即通常说的Page View(PV)，用户每次访问电商网站或者移动应用中的一个页面时会被记录访问一次，同一个网页刷新一次也算一次访问。
UV
独立访客数
网站后台的统计系统会在每个访问网站的用户浏览器中做标记，用cookie来标记这个用户。不同的用户使用同一浏览器（cookie有效）在一段时间内多次访问网站时均被网站后台视为同一个用户，只记录一次。
IP
某IP地址的计算机访问网站的次数，如果是局域网使用同一个IP，只记录一次。
平均访问时长
衡量网站的用户体验的指标。访客在一次访问中，打开第一个页面到关闭最后一个页面的时长叫做总访问时长，
平均访问时长 = 总访问时长 / 访问次数
跳出率
跳出率是指访客来到网站后，只访问了一个页面就离开网站的访问次数占总访问次数的百分比。
跳出率 = 只访问一个页面就离开网站的访问次数 / 总访问次数
跳出率是反映网站流量质量的重要指标。
转化率
用户在网站上完成一次期望的行为，就称为一次转化。
转化率 = 转化次数 / 访问次数
例如，电商网站的转化率 = 网站下单的次数 / 网站总访问次数
复购率
复购率 = 购买两次及以上的客户数 / 总购买客户数
1.2.3 产品数据
GMV（Gross Merchandise Volume）
成交总额
指的是零售业中的“流水”。成交总额包括销售额、取消订单金额、拒收订单金额和退货订单金额等。
SKU（Stock Keeping Unit）
库存量单位
库存进出计量的单位，买家购买、商家进货、供应商备货、工厂生产都是依据SKU进行的。
SKU是物理上不可分割的最小存货单元。也就是说一款商品，可以根据SKU来确定具体的货物存量。
SPU（Standard Product Unit）
标准化产品单元
SPU是商品信息聚合的最小单位，是一组可复用、易检索的标准化信息的集合，该集合描述了一个产品的特性。
SPU 是由品牌+型号+关键属性构成的
通俗点讲，属性值、特性相同的商品就可以称为一个SPU。
例如iphone Xs是一个SPU，与颜色、款式、配置等都无关。
而一个特定的iphone Xs，其配置为256G版、4G手机、颜色为金色，则是一个SKU。
ROI （Return On Investment）
投资回报率
是指通过投资而应返回的价值，也就是产生的交易金额与活动投放成本金额的比值。
2 分析方法
2.1 逻辑树分析法
分层罗列一个指标的影响因素，将复杂的数据逐层拆解，用于发现复杂数据中的问题以及机会。
2.2 多维度拆解分析法
数据包含的信息多样化，各种类型之间的数据较大。
多维度拆解分析法用于分析不同类型的数据之间的差异，经常与对比分析法一起使用。
与逻辑树分析法的区别：
多维度拆解法属于结构性拆解，各个部分的数据组合起来等于总体数据。
逻辑树分析法属于关系型拆解，即拆解后的指标是原指标的组成部分，不一定存在计算关系，由拆解后的指标可能无法直接计算出原指标，只是存在一定的关系。
例如：分析销售额下降原因
总体销售额下降，按照产品拆解，是所有产品的销售额都下降了，还是个别产品的问题；
假设是某个产品销售额下降，按照产品拆解，是这个产品下所有的商品的销售额都下降了，还是个别商品的问题。
常见维度
-
从指标构成拆解
例如：用户数 = 新用户数 + 老用户数，某类产品是由多个子商品组成，事业部销售额是由事业部下多个部门的销售额组成 -
从业务流程拆解
分析网站订单转化率
用户进入到网站 => 浏览商品 => 加入购物车 => 下单 => 付款
如果网站订单转化率低，需要分析每个流程的转化率，哪个环节出现了问题。
2.3 对比分析法
使用对比分析法，判断某个数据是好是坏，某几个数据之间的差异。
| 对比主体 | 内容 |
|---|---|
| 时间 | 同比、环比、变化趋势 |
| 空间 | 不同城市或地区、不同产品 |
| 目标 | 年度或月度目标、活动目标 |
| 用户 | 新用户 vs 老用户、注册用户 vs 访客用户 |
| 产品 | 渠道、功能、体验与流程、推广与收入 |
横向对比：在同一时间跟其它事物对比，或同比，与去年同期进行对比。
纵向对比：在时间维度上与自己对比，或环比，与上一个时间周期进行对比。
2.4 假设检验法
针对某项问题，提出假设是这个原因造成的，然后搜集数据来证明自己的假设，最后得出结论，这种方法比较适合业务问题的分析，也叫归因分析。
流程：
提出假设 => 搜集证据 => 得出结论
假设检验法是针对某个问题，根据一些因素大胆提出自己的假设，然后通过搜集数据，去分析证明自己的假设，若成立，则可得出相应的结论，若不成立，则可排除该因素。
使用假设检验法，可以极大的提高我们的逻辑推理能力，主要用于归因分析。我们可以把每个问题当成需要攻克的案件，查到真凶才是真正目的（找到出现问题的根本原因），不断提出假设，不断去层层剖析。
2.5 相关分析法
相关分析在工作中经常用于判断哪些因素是影响某种现象的主要原因。当我们想要研究两个或两个以上的变量有什么关系时就会使用相关分析法。
正相关：一个变量的增长会引起另外一个变量的增长
负相关：一个变量的增长反而会引起另外一个变量的下降
在统计学上是用相关系数r来衡量两种变量的相关程度
相关系数r的取值范围[-1,1]
r = 1 代表完全正相关
r = -1 代表完全负相关
|r|>0.6 代表相关性很强
如果A和B相关，有至少五种可能性：
A导致B
B导致A
C导致A和B
A和B互为因果
小样本引起的巧合
要避免一个误区，相关关系并不一定是因果关系，因此在进行相关分析时除了看相关系数大小外，还要进一步验证，如果其他因素不变，该变量是否能够引起另外一个变量相应的变化。
3 分析模型
3.1 RFM分析模型
R：（Recency）最近一次消费距离当前的时间间隔；
F：（Frequency）最近一段时间内的消费频次；
M：（Money）最近一段时间内的消费金额。
RFM介绍
R 最近一次购买时间间隔
上一次购物时间距今较短的用户，在近期响应营销活动的可能性较大。如果用户较长时间没有购物行为，可能意味着用户已经放弃使用APP，重新唤起用户也需要更多的成本。
F 消费频次
消费频率高意味着这部分用户对产品的满意度高，用户粘性好，忠诚度高。
M 消费金额
消费金额是为公司带来价值的最直接体现，而消费金额较高的用户在用户总体中人数较少，却能创造出较多的价值，是需要重点争取的对象。
RFM模型是目前衡量客户价值和客户创利能力的重要手段。该模型通过目标客户的近期交易行为，交易频率以及交易金额这三项指标来描述目标客户的价值状况，依据这三项指标划分8类客户类型，针对不同类型进行精准营销。
RFM模型能够轻松地解答你业务上的这些问题
谁是我最好的客户？
哪些客户正处于流失的边缘？
谁有可能转化为更有利可图的客户？
谁是你不需要关注的无价值客户？
你必须保留哪些客户？
谁是你的忠实客户？
哪些客户最有可能对当前的营销动作做出回应？
3.2 漏斗分析模型
营销漏斗模型指的是营销过程中，将非潜在客户逐步变为客户的转化量化模型。营销漏斗模型的价值在于量化了营销过程各个环节的效率，帮助找到薄弱环节。
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题。简单来说，就是某事物的实现的一系列操作中，观察每个步骤的转化与流失。
漏斗分析模型是将一个总体按照一定顺序分解成不同的阶段，对于每个阶段的数据进行量化，根据计算的结果来分析发现问题，常用于电商分析用户购物行为转化率的分析。
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
