哈嘍，大家好，今天是精讀《數據分析思維：分析方法和業務知識》的第三篇文章，對應這本書的第345章，主要講用數據分析解決問題的流程以及兩個實戰案例：國內和跨境電商行業的業務知識、指標和案例。

這一章的內容實際上是告訴我們要將前一章單獨的分析方法結合起來運用。

通過觀察現象，把問題定義清楚，要明確數據來源和準確性，通常可以從時間、地點和數據來源上進行確認。

其次對業務指標進行充分的理解，包括指標和含義，以及和誰對比的問題。

比如某店鋪上半年完成的利潤，與年初制定的月平均盈利500萬的目標還有很大差距，領導要求找到沒有達標的原因。

首先要確認數據的準確性，明確是哪個部門提供的，每個月的數據是什么，數據是否核對清楚無誤？

然后理解其中的指標，利潤是如何定義的等，和上半年相比出現了差距。

注：避免主觀臆斷

分析原因要搞清楚兩個問題：

• 哪里出了問題
• 為什么會出現這個問題

首先分析關鍵因素，運用多維度拆解分析法，對每個指標進行拆解，如銷售=銷售收入-銷售成本-營業外支出，銷售收入還可以拆解為客單價X用戶數，至于拆解到什么程度，要根據對業務的理解和實際問題靈活把握。

再用假設檢驗分析法，找到具體是哪里出了問題。

找到哪里出了問題后，可以進一步深入分析，如可食用相關分析來分析深層次的原因。

在提出建議這一步，通常可以使用回歸分析、AARRR模型分析的方法。

使用回歸分析，是為了計算出某個原因能夠對目標造成多大程度的影響，如預測銷售收入要達到多少才能實現下半年利潤4000萬的目標。

接下來是實戰部分，講了12個行業的業務知識、常用指標，以及案例分析，先從電商行業開始

4種業務模式：

• B2B：企業賣家——企業買家，如阿里巴巴，訂單量大
• B2C：企業賣家——個人買家，如天貓、亞馬遜、“XX官方旗艦店”
• C2C：個人賣家——個人買家，如淘寶
• O2O：賣家線上——買家線下

電商行業經歷了從流量運營到用戶運營的升級

• 新老用戶數量占比
• 新老用戶金額占比
• 復購率：復購用戶的占比，通常衡量一個較長的時間段，反映用戶忠誠度
• 平均復購周期：用戶重復購買的平均時間間隔
• 回購率：分析短期促銷活動對用戶吸引力的指標

電商常用指標可分為人與貨兩大類，分別是用戶交易和商品管理指標

用戶交易：

• 訪客數UV：商品所在頁面的獨立訪問數
• 加購數：將某款商品假如購物車的用戶數
• 收藏數：收藏某款商品的用戶數

購買階段：

• 成交總額GMV
• 支付轉化率：付款用戶數/訪客數
• 折扣率：GMV/吊牌總額

收退貨：

• 拒退量：拒收和退貨的總量
• 拒退額：拒收和退貨的總金額
• 實銷額：GMV減去拒退額

備貨指標：

• SPU數：款號，如iphone 9就是一個SPU
• SKU數：指某款號的具體貨號，具體到顏色、尺寸，如iphone 9 有3個SKU，分別是黑色、白色和紅色
• 備貨值：吊牌價 X 庫存數

發貨售后：

• 售賣比：售罄率，GMV/備貨值，用來看商品流轉情況，對庫存進行優化
• 動銷率：有銷量的SKU數/在售SKU數

明確問題：發現2019年雙十一用戶回購率下降，分析原因

對比分析發現不管是用戶數還是回購人數較2017、2018年都有增長，但回購率卻下降，這是我們前面說的辛普森悖論，原因應該是回購人數的增長沒有趕得上基數的增長。

運用多維度拆解分析法，先從R值進行拆解，也就是RFM分析中的那個R值，最后一次購買時間間隔，從R<=365和365<R<=730兩個組對比歷年的基數、回購數、回購率，發現19年反而比18年的值都高，說明R值不能定位回購率下降的原因。

接著從F值進行拆解，就是購買頻次，拆解為F=1和F>1，發現僅購買一次的基數用戶回購率下滑較大，造成整體回購率降低，可以從F=1的基數用戶出發，進行更深入的分析

把F=1的用戶再按照R值分成多組，發現90<R<=180這個組的回購率同比下降最大，是造成F=1用戶回購率下降的主要原因，倒推日期，終于找到了原因，2019年“618”大促帶來的新用戶有大量用戶沒有留存下來，這些新用戶主要是平臺的推廣頁的廣告吸引的許多低價嘗新的用戶。

跨境電商是通過跨境物流送達商品、完成交易的國際商業活動。

3種業務模式：

• 平臺型：邀請賣家入駐跨境電商平臺，如天貓國際
• 自營型：跨境電商平臺自己運用，如小紅書、考拉海購
• 混合型：兼有平臺型和自營型，如亞馬遜

廣告方面的業務指標，從漏斗模型上看，有以下指標需要注意：

亞馬遜店鋪會員活動要保證訂單兩日達，后臺數據顯示送達率只有90%，低于標準100%，造成活動失敗。

明確問題：造成會員送達率低于標準的原因是什么？

分析原因：梳理從買家下單到收貨的業務流程，使用對比分析法，分析到底是哪個環節出了問題，通過分析發現，沒有及時發貨是主要原因。

再從倉庫維度拆解，深入分析，發現06和07倉庫訂單異常數較多，是主要癥結。

以上就是本次精讀的全部內容了，感謝閱讀。