第5章 移动电子商务数据分析（教案）《移动电子商务》（电子工业出版社）

第5章 移动电子商务数据分析 教学内容 1.移动电子商务数据分析基础知识。 2.移动电子商务数据分析指标与工具。 3.移动电子商务数据分析方法。 4.移动网店常用数据分析。 教学要求 【知识目标】 1.了解移动电子商务数据分析的定义。 2.熟悉移动电子商务数据分析的作用。 3.理解移动电子商务数据分析的流程。 4.理解移动电子商务数据分析指标。 5.掌握移动电子商务数据分析工具。 6.掌握对比分析法。 7.掌握分组分析法和结构分析法。 8.熟悉平均分析法和矩阵关联分析法。 9.了解聚类分析法和时间序列分析法。 10.理解回归分析法和相关分析法。 11.熟悉商品销量分析。 12.掌握商品关联分析。 13.了解单品流量分析。 14.掌握客户分析。 【技能目标】 1.能够说出移动电子商务数据分析的作用。 2.能够说出移动电子商务数据分析的流程。 3.能够说出移动电子商务数据分析指标有哪些。 4.能够使用移动电子商务数据分析工具进行数据分析。 5.能够应用各种分析方法对移动电子商务数据进行分析。 6.能够进行移动网店的常用数据分析。 教学重点 1.移动电子商务数据分析基础知识。 2.移动电子商务数据分析指标与工具。 3.移动电子商务数据分析方法。 教学难点 移动网店常用数据分析。 教学方法 讲授法、案例法、任务驱动法、演示法 课时数 8课时 教学内容 5.1 移动电子商务数据分析基础知识 5.1.1 移动电子商务数据分析的定义 数据分析是指用适当的统计分析方法对收集来的大量第一手数据资料进行分析，以求最大化地开发数据资料的功能，充分发挥数据资料的作用，是为了提取有用的信息和形成结论，从而详细研究和概括总结数据资料的过程。移动电子商务数据分析就是指通过数据分析得到有助于移动电子商务发展的相关资料。 5.1.2 移动电子商务数据分析的作用 移动电子商务数据分析在企业的日常经营分析中，具有以下3个方面的作用。 （1）现状分析。分析企业现阶段整体运营情况，以及企业各项业务的构成情况，包括各项业务的发展及变动情况。 （2）原因分析。发现企业现有问题的原因，并依据原因制定相应的解决方案。 （3）预测分析。对企业的发展趋势做出预测，以便企业制订运营计划。 5.1.3 移动电子商务数据分析的流程 1.收集数据 在做数据分析之前，先要做的是收集数据，尽量获得完整、真实、准确的数据，并做好数据的预处理工作，以便开展量化分析工作。收集数据示例如表5-1 所示。 2.量化分析 量化分析不是对数据的简单统计描述，而是从表面的数据中发现问题的本质，然后针对确定的主题进行归纳和总结。常用的量化分析方法有以下4 种。 （1）趋势分析。趋势分析是将实际结果与不同时期报表中同类指标的历史数据进行比较，从而确定变化趋势和变化规律，具体包括定比和环比两种方法。定比是以某时期为基数，其他各时期均与该时期进行比较；环比是分别以上一时期为基数，下一时期与上一时期进行比较。 （2）对比分析。对比分析是把两个相互联系的指标数据进行比较，从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢，以及各种关系是否协调。在对比分析中，选择合适的对比标准是十分关键的步骤，只有选择合适，才能做出客观的评价，反之可能得出错误的结论。 （3）关联分析。如果两个或多个事物之间存在一定的关联，那么其中一个事物就能够通过其他事物进行预测。它的目的是挖掘隐藏在数据间的事物的相互关系。 （4）因果分析。因果分析是确定某现象变化的原因，主要解决“为什么”的问题。因果分析就是在研究对象的先行情况中，把作为它的原因的现象与其他现象区别开，或者在研究对象的后行情况中，把作为它的结果的现象与其他现象区别开。 3.提出方案 汇总、诊断数据量化分析的结果，并提出最后的解决方案，其流程如图5-1 所示。 图5-1 提出方案的流程 4.优化改进 实施解决方案，及时了解运营数据相应的变化，并不断优化和改进，不仅要治标，还要治本，使同类的问题不再出现；持续监控和反馈，不断寻找能从根本上解决问题的最优方案。 数据分析是一项长期的工作，也是一个循序渐进的过程，需要移动电子商务从业人员实时监测网站运行情况，及时发现问题、分析问题并解决问题，这样才能使网站健康、持续发展。 【要点梳理】 5.2 移动电子商务数据分析指标与工具 5.2.1 移动电子商务数据分析指标 1.流量指标 流量研究是电子商务研究的核心。用户在互联网上的每个动作都可以被记录下来，这也给流量研究提供了便利。常用的流量指标如下。 （1）浏览量。浏览量（Page View，PV）也称访问量，指用户访问页面的总数，用户每访问一个网页就算一个浏览量，同一个页面刷新一次也算一个浏览量。 （2）访客数。访客也称独立访客（Unique Visitor，UV），一台计算机为一个独立访客。一般以“天”为单位来统计24 小时内的UV 总数，一天之内重复访问的只算一次。淘宝对访客数的定义略有不同，它以卖家所选时间段（可能是1 小时、1 天、1 周等）为统计标准，同一访客多次访问会进行去重处理。访客数又分为新访客数和回访客数。 （3）当前在线人数。当前在线人数指15 分钟内在线的UV 数。 （4）平均在线时间。平均在线时间指平均每个UV 访问网页的停留时间长度，这个值越大越好。停留时间是用户打开网站最后一个页面的时间点减去打开第一个页面的时间点，由于只访问一个页面的用户停留时间无法获取，所以这种情况不统计在内。 （5）平均访问量。平均访问量也称平均访问深度，指用户每次浏览的页面平均值，即平均每个UV 访问了多少PV。 （6）日均流量。日均流量有时用到日均UV 数和日均PV 的概念，就是平均每天的流量。 （7）跳失率。跳失率也称跳出率（Bounce Rate），指只浏览了一个页面就离开的访问次数除以该页面的全部访问次数，分为首页跳失率、关键页面跳失率、具体商品页面跳失率等。这些指标用来反映页面内容受欢迎的程度，跳失率越大，说明页面内容越需要进行调整。 2.转化指标 店铺有了流量之后，店铺经营者就希望用户能够按照自己设计好的流程进行动作，如注册、收藏、下单、付款、参与营销活动等，这些动作就是转化。常用的转化指标如下。 （1）转化率。它是电商运营的核心指标，也是用来判断营销效果的重要指标。计算公式为 转化率=（进行了相关动作的访问量÷总访问量）×100% （2）注册转化率。它是一个过程指标。当目标是积累会员总数时，这个指标就很重要了。计算公式为 注册转化率=（注册用户数÷新访客总数）×100% （3）客服转化率。它也是一个过程指标。这个指标类似于线下的试穿率。计算公式为 客服转化率=（咨询客服人员的用户数÷总访客数）×100% （4）收藏转化率。每到“双十一”等大型促销活动前，用户都会大量收藏商品到自己的账户中，以便正式促销时下单购买。计算公式为 收藏转化率=（将商品添加收藏或关注到个人账户的用户数÷该商品的总访客数）×100% （5）添加转化率。这个指标主要针对具体商品。和收藏商品不同，一般将商品添加到购物车不用先登录自己的账户。计算公式为 添加转化率=（将商品添加到购物车的用户数÷该商品的总访客数）×100% （6）成交转化率。通常提到的转化率就是成交转化率。这个指标和传统零售的成交率是一个概念，它和注册转化率、收藏转化率不同，是一个结果指标。对于支持货到付款的电商，买家付款后才算完整的成交过程，不过一般货到付款有滞后期，所以可以将买家的下单视为成交。计算公式为 成交转化率=（成交用户数÷总访客数）×100% 为了更精细地分析，成交转化率还可以细分为全网转化率、类目转化率、品牌转化率、单品转化率、渠道转化率和事件转化率等。 3.营运指标 线上和线下的营运指标差异不大。移动电子商务营运指标主要包括如图5-2 所示的几种。 图5-2 移动电子商务营运指标 4.会员指标 在电商数据分析中，常用的会员指标如下。 （1）注册会员数。注册会员数指曾经在网站上注册过的会员总数，很多电商网站公布的会员总数都是注册会员数。只看这个指标其实没有太大的意义，因为注册会员中有许多是从来没有购买过的用户，也有曾经购买过但现在已经流失的用户，所以就出现了有效会员数，即在一年内有过购买的会员数。 （2）活跃会员数。活跃会员数指在一定时期内有购物消费或登录行为的会员总数，时间周期可以设定为30 天、60 天、90 天等。这个时间周期的确定和商品购买频率有关，快速消费品的时间周期比较短，不过这个时间周期确定后就不能轻易改变了。 （3）活跃会员比率。活跃会员比率指活跃会员数占会员总数的比例。当会员基数比较大时，即便活跃会员比率较低，也意味着活跃会员数较多。 （4）会员复购率。会员复购率指在某个时期内产生两次及两次以上购买的会员占购买会员的总数。 （5）平均购买次数。平均购买次数指在某个时期内每个会员平均购买的次数，即平均购买次数=订单总数/购买用户总数。平均购买次数的最小值为1，复购率高的电商网站平均购买次数也必定很高。 （6）会员回购率。会员回购率指上一期末活跃会员在下一期时间内有购买行为的比率，回购率和流失率是相对的概念。 （7）会员留存率。会员留存率指某时间节点的会员在某个特定时间周期内登录或购买过的比率，即有多少会员留存下来。统计依据可以是登录或消费数据，一般电商用消费数据，游戏和社交网络等用登录数据，时间周期可以是日、周、月、季度和半年等。会员留存率分为新会员留存率和活跃会员留存率。 5.关键指标 由于性质不同、所处阶段不同、行业不同、运营者的关注点不同，关键指标的选择可以概括如下。 （1）阶段不同，需求不同。对于新电商，积累数据、找准营运方向比卖多少商品、赚多少利润更重要。这个阶段的关键指标是流量指标，包括访客数、访客来源、注册用户数、浏览量、浏览深度、商品的浏览量排行、商品的跳失率、顾客评价指数等。 对于已经营运一段时间的电商，通过数据分析增加店铺销量就是首要任务。这个阶段的关键指标是流量和销售指标，包括访客数、浏览量、转化率、新增会员数、流失率、客单价、动销率、库存天数、ROI 和销售额等。 对于已经有一定规模的电商，通过数据分析提升整体营运水平非常关键。这个阶段的关键指标是访客数、浏览量、转化率、复购率、流失率、留存率、客单价、利润率、ROI、新客成本、库存天数、订单满足率和销售额等。会员复购率和会员留存率务必一起来看，因为复购率再高，如果会员留存率大幅下降，也是很危险的。 （2）时间不同，侧重不同。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。从这个角度出发，可以把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。销售追踪按天、按时段进行。分析时一般以“周”和“月”为单位。绩效考核常常以“月”为主，以“年”为辅。 ① 每日追踪指标。每日追踪指标包括访客数、浏览量、浏览深度、跳失率、转化率、件单价、连带率、重点商品的库存天数、订单执行率。这里虽然没有提出单独的销售额指标，但其实是有的，只是被过程化了，因为“销售额=访客数×转化率×件单价×连带率”。 ② 周分析指标。大部分指标都可以按周进行分析，不过可以把侧重点放在重点商品和重点流量的分析上，包括但不限于日均UV 数、日均PV、访问深度、复购率、Top 商品贡献率和Top 库存天数等。 ③ 月绩效考核指标。绩效考核指标在精而不在多，需要根据业务分工来差异化分析。 店铺营运人员关键绩效指标（Key Performance Indicator，KPI）包括访客数、转化率、访问深度、件单价和连带率。店铺推广人员KPI 包括新增访客数、新增购买用户数、新客成本、跳失率和ROI。店铺活动策划人员KPI 包括推广活动的点击率、转化率、活动商品销售比重和ROI。店铺数据分析人员KPI 包括报表准确率、报表及时率、需求满足率、报告数量和被投诉率等。 （3）职位不同，视角不同。执行层侧重过程指标，管理层侧重结果指标。例如，营运执行人员关心流量的来源指标、质量指标，而管理层关注的只是流量这个指标；营运执行人员必须关注转化率、客单价等过程指标，而管理层只需要关注销售额这个结果指标。数据分析人员一定要学会根据不同的受众群体来提供不同的数据。 5.2.2 移动电子商务数据分析工具 1.数据分析常用工具 （1）数据思路类工具。常用工具：思维导图（MindManager）、XMind、FreeMind、Visio。作用：拓展和管理数据分析思路，便于记忆并组织思路。应用：项目分析思路、工作规划、头脑风暴、创意。 （2）数据存储与提取工具。常用数据存储工具：Access、MySQL、SQL Server、Oracle、DB2、Sybase。常用数据提取工具：数据库工具、Navicat（SQL 客户端）、Excel、数据分析与挖掘工具的数据接口。应用：在数据项目的起始阶段，用于原始数据或ETL 数据的存储与提取，并进行初步计算和筛选，如计数、汇总、求和、排序、过滤等。 （3）数据分析与挖掘工具。入门基本工具：Excel（函数、数据分析模块）。专业应用工具：SPSS、Clementine、SAS。“骨灰级”工具：R、Python。作用：通过模型挖掘数据关系和深层数据价值。应用：在数据项目的核心阶段，用于数据挖掘处理。 （4）数据可视化工具。入门展示工具：Excel（PowerPivot）、PPT（PowerPoint）。专业可视化工具：Tableau、Qlik、水晶易表。其他工具：Google Chart。作用：展现数据结果。应用：在数据项目的结尾，通过数据展现提升沟通效果。 （5）商业智能（Business Intelligence，BI）类工具。内涵：数据仓库、联机分析处理（Online Analytical Processing，OLAP）、数据挖掘。内容：数据仓库、数据抽取、OLAP、数据可视化、数据集成。常用工具：微软SQL Server BI 系列、IBM Cognos、Oracle BIEE、SAP Business Intelligence、Informatica、Microstrategy、SAS。作用：数据综合处理和应用。应用：适用于数据工作的整个流程，尤其是智能应用。 2.网站分析常用工具 （1）Adobe Analytics。Adobe Analytics 是行业领先的解决方案，用于收集、整理、分析和报告客户所做的一切。Adobe Analytics 可整合所有营销数据，为用户提供个性化程度更高的体验；提供专为移动营销人员设计的仪表板和报告，并将应用程序数据与更广泛的营销指标整合起来；随着Web 分析需求的增长，可将Adobe Analytics 与全方位客户视图、强大的预测模型和跨渠道属性相结合。 （2）Webtrekk。Webtrekk 以原始数据为基础，提供从实时分析、社交媒体分析、App应用追踪到线下电视广告效果追踪的全套分析工具和服务。其主要特点如下：①实时，即提供插件处理功能并展示实时数据；②原始数据，即所有分析过程基于原始数据进行；③快速，即提供预设置和缓存功能，提高使用效率。 （3）Google Analytics。Google Analytics 是Google 的一款免费的网站分析工具，功能非常强大，只要在网站的页面上加入一段代码，就可以提供丰富、详尽的图表式报告，提高网站的ROI、转换率，使其获取更多收益。 Google Analytics 可对整个网站的访客进行跟踪，并能持续跟踪营销广告效果，无论是电子邮件广告，还是任何其他广告计划。利用这些信息，可了解哪些关键词真正起作用、哪些广告词最有效、访客在转换过程中从何处退出等。 （4）IBM Coremetrics。IBM Coremetrics 网站分析和营销优化工具能帮助营销人员全面掌握网站访客的情况及行为，并可以提供一套综合、全面的网站会话指标，衡量其在线营销方案的效果，了解社交媒体战略对业务的影响，并自动实现交叉销售和追加销售。此外，网络行为分析洞察服务能够捕获访客在各个营销触点及渠道中的数字化轨迹，营销人员只需要点击数次，便可获得相关信息，并制定个性化的营销方案。Coremetrics 数字营销优化方案能够将从访客档案和网站分析报告中获取的数据和洞察力无缝整合到应用中，然后通过网络、社交和移动渠道轻松地展示广告，执行搜索活动，发送电子邮件，以及提供个性化建议等。 （5）Flurry。作为移动应用统计分析领域的标杆平台，Flurry 拥有非常全面的功能，不仅提供数据统计、分析功能，还提供App Circle 广告、推广平台功能。可以说，Flurry是目前最全面的移动应用统计分析产品之一，除了统计单个应用内的各类数据指标，还可以提供跨应用的转化统计等针对企业级用户的功能。其功能模块设置合理，分析维度全面，分析流程易于理解。单纯从移动应用的数据统计功能来看，Flurry 也处于领先地位。 （6）友盟。友盟是创新工场孵化的项目之一，是目前国内应用开发者最熟悉的移动应用数据统计分析平台之一。在某种层面上看，友盟与Flurry 有很多相似之处。友盟目前支持iOS、Android 等平台。 针对应用数据统计分析，友盟提供的功能比较全面。其模块设计思路，基本上是沿着基本情况、用户情况、设备情况、事件监控、转化分析这一流程不断深入的。统计概况包含基本统计和版本分布，帮助开发者了解基本的数据情况，主要是用户增加情况和应用启动次数等信息。在随后的用户分析中，友盟还加入了活跃用户和留存用户两个新参数。在活跃用户图表中，开发者不仅可以了解应用的日活跃、周活跃、月活跃用户数量趋势，还可以了解周活跃率和月活跃率。而留存用户则用于考察用户忠诚度，简单来说就是新增用户经过一段时间后，仍有多少用户继续使用应用。这个参数比较重要，一方面，可以体现出应用的质量；另一方面，也是考察运营动作、渠道推广、渠道质量的重要参数。例如，开发者可以通过考察某时间点的留存用户情况，对比自身应用推广获得的新增用户情况，用于评估活动推广效果、渠道用户质量等运营细节。 【要点梳理】 5.3 移动电子商务数据分析方法 5.3.1 对比分析法 对比分析法也称比较分析法，是指把客观事物加以比较，以认识事物的本质和规律，并做出正确的评价。对比分析法通常将两个或两个以上有关联的指标数据进行比较，从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢，以及各种关系是否协调。在对比分析中，选择合适的对比标准是十分关键的步骤，只有对比标准合适，才能做出客观评价，对比标准不合适，可能得出错误的结论。对比分析法可以选择不同的维度进行。对比分析法常用的维度如表5-4 所示。 5.3.2 分组分析法 分组分析法是一种重要的数据分析方法，是指根据数据分析对象的特征，并按照一定的标志（指标），把数据分析对象划分为不同的部分或类型进行研究，以揭示其内在的联系和规律性。 分组的目的就是便于对比，把总体中具有不同性质的对象区分开，把性质相同的对象全部合并在一起，保持各组内对象属性的一致性、组与组之间对象属性的差异性，以便进一步运用各种数据分析方法来解构内在的数量关系。因此，分组分析法必须与对比分析法结合运用。 分组分析法的关键是分组。选择不同的分组标志，可以有不同的分组方法。通常可以按属性标志和数量标志等进行分组。 1.属性标志分组分析法 属性标志分组分析法是指按分析数据中的属性标志分组，以分析社会经济现象的各种类型特征，从而找出客观事物规律。 属性标志代表的数据不能进行运算，只用于说明事物的性质、特征，如人的姓名、所在部门、性别、文化程度等标志。 按属性标志分组一般较简单，分组标志一旦确定，组数、组名、组与组之间的界限也就确定了。例如，人口按性别分为男、女两组，具体到每个人应该分在哪组，是一目了然的。 对一些复杂问题的分组称为统计分类。统计分类是相对复杂的属性标志分组方法，需要根据数据分析的目的，统一规定分类标准和分类目录。例如，反映国民经济结构的国家工业部门分类，先把工业分为采掘业和制造业两大部分，再分为大类、中类、小类3 个层次。 2.数量标志分组分析法 数量标志分组分析法是指选择数量标志作为分组依据，将数据总体划分为若干个性质不同的部分，分析数据的分布特征和内部联系。 数量标志代表的数据能够进行加、减、乘、除运算，说明事物的数量特征，如人的年龄、工资水平或企业的资产等。根据分组数量特征，又可分为单项式分组和组距式分组。 （1）单项式分组。单项式分组一般适用于数据值不多、变动范围较小的离散型数据。每个标志值就是一个组，有多少个标志值就分成多少个组，如按商品产量、技术级别、员工工龄等标志分组。 （2）组距式分组。组距式分组是指在数据变化幅度较大的条件下，将数据总体划分为若干个区间，每个区间作为一组，组内数据性质相同，组与组之间的性质相异。分组的关键在于确定组数与组距。在数据分组中，各组之间的取值界限称为组限。一个组的最小值称为下限，最大值称为上限；上限与下限的差值称为组距；上限与下限的平均数称为组中值，它是一组变量值的代表值。组距式分组的步骤如图5-3所示。 图5-3 组距式分组的步骤 5.3.3 结构分析法 结构分析法是指将分析研究的总体内各部分与总体进行对比的分析方法。总体内的各部分占总体的比例属于相对指标，一般某部分所占比例越大，说明其重要程度越高，对总体的影响也就越大。 结构相对指标（比例）的计算公式为 结构相对指标（比例）=（总体某部分的数值÷总体总量）×100% 结构分析法的优点是简单、实用。在实际的企业运营分析中，市场占有率就是一个非常典型的结构分析法的应用。计算公式为 市场占有率=（某种商品销售量÷该种商品市场销售总量）×100% 市场占有率是分析企业在行业中竞争状况的重要指标，也是衡量企业运营状况的综合经济指标。市场占有率高，表明企业运营状况好，竞争能力强，在市场上占据有利地位；反之，则表明企业运营状况差，竞争能力弱，在市场上处于不利地位。 5.3.4 平均分析法 平均分析法是指运用计算平均数的方法反映总体在一定时间、地点、条件下某个数量特征的一般水平。平均指标可用于同类现象在不同地区、不同行业、不同类型单位间的对比，也可用于同一现象在不同历史时期的对比。平均分析法的主要作用有以下两点。 （1）利用平均指标对比同类现象在不同地区、不同行业、不同类型单位等之间的差异程度，比用总量指标对比更具有说服力。 （2）利用平均指标对比同一现象在不同历史时期的变化，更能说明其发展趋势和规律。平均指标有算术平均数、调和平均数、几何平均数、众数和中位数等，其中最常用的是算术平均数，也就是日常所说的平均数或平均值。算术平均数的计算公式为 算术平均数=总体各单位数值的总和÷总体单位个数 平均数是综合指标，它的特点是将总体内各单位的数量差异抽象化，只能代表总体的一般水平，掩盖了平均数背后各单位的差异。 5.3.5 矩阵关联分析法 矩阵关联分析法是指将事物（如商品、服务等）的两个重要属性（指标）作为分析的依据，进行分类关联分析，以解决问题，也称矩阵分析法。 以属性A 为横轴，以属性B 为纵轴，形成一个坐标系，在两个坐标轴上分别按某标准（可取平均值、经验值、行业水平等）进行刻度划分，构成4 个象限，将要分析的每个事物对应投射至这4 个象限内，进行交叉分类分析，直观地将两个属性的关联性表现出来，进而分析每个事物在这两个属性上的表现。因此，矩阵关联分析法也称象限图分析法。第一象限（高度关注区）属于重要性高、满意度也高的象限，第二象限（优先改进区）属于重要性高、满意度低的象限，第三象限（无关紧要区）属于重要性低、满意度也低的象限，第四象限（维持优势区）属于重要性低、满意度高的象限。 矩阵关联分析法在解决问题和分配资源时可为决策者提供重要的参考依据。该方法先解决主要矛盾，再解决次要矛盾，有利于提高工作效率，并将资源分配到最能产生绩效的部门、工作中，有利于管理决策者进行资源优化配置。 矩阵关联分析法非常直观、清晰，使用简便，所以在营销管理活动中应用广泛，对管理起到指导、促进、提高的作用，并且在战略定位、市场定位、商品定位、用户细分、满意度研究等方面都有较多应用。 5.3.6 聚类分析法 聚类分析法是指将物理对象或抽象对象的集合分组，形成由类似的对象组成的多个类。聚类分析法的目标就是在相似的基础上收集数据进行分类。聚类源于很多领域，包括数学、计算机科学、统计学、生物学和经济学等。在不同的应用领域，很多聚类技术都得到了发展，这些技术方法被用于描述数据、衡量不同数据源间的相似性，以及把数据源分到不同的簇中。 聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准。聚类分析能够从样本数据出发，自动进行分类。聚类分析使用的方法不同，常常得到不同的结论。不同研究者对同一组数据进行聚类分析，所得到的聚类数未必一致。 聚类常常与分类在一起讨论。聚类与分类的不同之处在于，聚类要求划分的类是未知的。聚类是将数据分到不同的类或簇的过程。因此，同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。 从统计学的观点来看，聚类分析法是通过数据建模简化数据的一种方法。传统的统计聚类分析法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类法、有重叠聚类法和模糊聚类法等。采用k-均值、k-中心点等算法的聚类分析工具已被加入许多著名的统计分析软件包中，如SPSS、SAS 等。 从实际应用的角度来看，聚类分析是数据挖掘的主要任务之一。聚类分析法能够作为一个独立的工具获得数据的分布状况，观察每簇数据的特征，集中对特定的聚簇集合做进一步分析。聚类分析法还可以作为其他算法（如分类和定性归纳算法）的预处理步骤。 5.3.7 时间序列分析法 时间序列是指按时间顺序进行排列的一组数字序列。时间序列分析法是指应用数理统计方法对相关数列进行处理，以预测事物的发展。时间序列分析法是定量预测方法之一，它的基本原理如下：一是承认事物发展的延续性，应用过去的数据，就能推测事物的发展趋势；二是考虑到事物发展的随机性，任何事物发展都可能受偶然因素的影响，为此要利用统计分析中的加权平均法对历史数据进行处理。该方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。时间序列预测一般反映3 种实际变化规律：趋势变化、周期性变化、随机性变化。 一个时间序列通常由4 种要素组成：趋势、季节变动、循环波动和不规则波动。 （1）趋势。这是指时间序列在一段较长的时期内呈现的持续向上或持续向下的变动状况。 （2）季节变动。这是指时间序列在一年内重复出现的周期性变动。它是受气候条件、生产条件、节假日或人们的风俗习惯等各种因素影响的结果。 （3）循环波动。这是指时间序列呈现的非固定长度的周期性波动。循环波动的周期可能持续一段时间，但与趋势不同，它不是朝着单一方向的持续变动，而是涨落相同的交替波动。 （4）不规则波动。这是指时间序列中除去趋势、季节变动和循环波动之外的随机波动。不规则波动通常夹杂在时间序列中，使时间序列产生一种波浪式或震荡式的波动。不含有不规则波动的序列也称平稳序列。 5.3.8 回归分析法 回归分析（Regression Analysis）法是指研究一个随机变量（Y）对另一个（X）或一组（X1，X2，…，X）变量的相依关系的统计分析方法，运用十分广泛。回归分析法按照涉及的自变量多少，可分为一元回归分析和多元回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。 简单来说，回归分析法就是几个自变量加减乘除后就能得出因变量。例如，想知道活动覆盖率、商品价格、客户薪资水平、客户活跃度等指标与购买量存在何种关系，就可以运用回归分析法，把这些指标及购买量的数据输入系统，运算后即可分别得出这些指标与购买量存在何种关系的结论，以及通过进一步的运算得出相应的购买量。 回归分析工具是一种非常有用的预测工具，既可以对一元线性或多元线性问题进行预测分析，也可以对某些可以转化为线性问题的非线性问题预测其未来的发展趋势。线性回归分析主要有以下5 个步骤：根据预测对象，确定自变量和因变量；制作散点图，确定回归模型类型；估计参数，建立回归模型；检验回归模型；利用回归模型进行预测。利用回归分析法进行预测时，常用的是一元线性回归分析，也称简单线性回归。 5.3.9 相关分析法 相关分析（Correlation Analysis）法是指研究现象之间是否存在某种依存关系，并对具体有依存关系的现象探讨其相关方向及相关程度的统计分析方法。 相关关系是一种非确定性的关系，具有随机性，因为影响现象发生变化的因素不止一个，并且总是围绕某些数值的平均数上下波动的。例如，以X 和Y 分别记录一个人的身高和体重，或者访客数与成交量，则X 与Y 显然有关系，而又没有确切到可由其中的一个精确地决定另一个，这就是相关关系。 相关分析类别中最常用的是直线相关，其中的相关系数是反映变量之间线性关系的强弱程度的指标，一般用r表示。当-1≤r<0时，线性负相关；当1≥r>0时，线性正相关；当r=0时，变量之间无线性关系。 【要点梳理】 5.4 移动网店常用数据分析 5.4.1 商品销量分析 商品销售是一个需要不断完善和优化的过程，商品在不同时期、不同位置、不同价格阶段，其销售量都不一样，经营者需要根据不同情况进行实时调整。 一般来说，网店商品销量主要与拍下件数、拍下笔数、拍下总金额、成交件数、成交笔数、成交金额、成交用户数、客单价、客单价均值、回头率、支付率、成交转化率等因素有关，经营者和客服人员需要针对不同的数据及时提出相应的对策。例如，拍下件数多，但支付率低，则说明客户可能对商品存在质疑，需要客服人员与客户进行沟通，以提高支付率；回头率低，则需要进行一些必要的会员关系管理，做好老客户营销。作为网店经营者，需要对每个商品的销售情况进行了解和跟踪，这样不仅可以持续完善销售计划，促进销量增长，还可以优化库存和供应链体系，提高供应周转效率，从而降低成本。 5.4.2 商品关联分析 1.商品关联分析内容 进行商品关联分析，实际上就是分析客单价和销售额的最大化，有效的商品关联营销可以极大地促进网店的持续发展。 （1）推出促销活动。 （2）网店商品搭配和摆放。 （3）发现潜在目标客户。 2.商品关联分析技巧 （1）进行商品梳理，区分商品等级和层次。 （2）合理搭配商品。 5.4.3 单品流量分析 单品流量分析一般包括来源去向分析、销售分析、访客特征分析、 促销分析等内容。 1．来源去向分析 通过来源去向分析，可以看出引流来源的访客质量、关键词的转化效果、来源商品贡献等，让经营者清楚地看到引流的来源效果。 2．销售分析 通过销售分析，可以清楚商品的变化趋势，从而掌握规律，迎合变化，提高店铺转化率。 3．访客特征分析 通过访客特征分析，可以了解商品访客的潜在需求，从而迎合需求，达到提高销售额的目的。 4．促销分析 通过促销分析，可以量化搭配商品效果，开发和激活店铺流量，增加销售量，提高单价。 5.4.4 客户分析 1.客户购物体验分析 对淘宝网而言，客户购物体验主要体现为卖家服务评价系统（Detail Seller Rating，DSR）评分，即店铺动态评分。店铺动态评分是自然搜索权重的重要影响因素之一，它不仅是店铺形象和综合实力的一种体现，更是获取客户信任的重要依据。如果店铺动态评分高于同行业其他店铺，则更容易获取客户的信任，反之则容易引起客户的质疑和流失。同时，店铺动态评分也是淘宝网官方活动要求的基本指标之一，如果店铺动态评分不达标，则淘宝网提供的很多推广活动都无法参与。 要提高店铺动态评分，需要严格把控商品质量和店铺服务质量，在此基础上再进行一些个性化服务，才可以获得更好的效果。 （1）保证商品质量。商品质量是客户对商品最基本的要求，质量好的商品才能得到客户的一致认可。同时，价格作为客户偏重的购物因素之一，也是卖家需要重视的问题。店铺商品必须定价合理，保持较高的性价比，不为性价比较低的商品设置虚高价格。 （2）保持良好的服务态度。无论是在售前、售中还是在售后，都必须保持良好的服务态度。要做到这一点，需要对客服人员进行培训，避免客户因对店铺服务态度产生不满而给出差评和低分。 （3）提高发货速度。物流速度是客户网上购物非常看重的一个指标，物流速度慢，容易导致中差评和低分。卖家要尽量选择速度快、服务好的物流公司。 （4）设置个性化提醒。为了给客户留下良好的服务体验，卖家可以设置一些个性化的物流发货提醒、物流信息提醒等，免去客户反复登录淘宝网查询物流信息的麻烦。 （5）提供个性化包装和赠品。在商品外包装盒上添加贴心提示，是获取客户好感的有效方式，如“快递小哥，这位客户对我们非常重要，请您加快配送速度哟！”，可以给予客户被重视的感觉。此外，在寄送商品时，可以赠送一些个性化的小礼品，如方便打开包裹的小物件、方便商品使用的小物件等。 （6）进行售后跟踪。在商品质量、服务质量、个性化服务均表现良好的基础上，卖家需要实时对售后服务进行跟进，如评价跟进、物流跟进等，可通过给予一些优惠的形式请求客户给予好评和高分。 2.客户数据分析 客户是网店销售额的来源，客户数据也是销售数据的一种直接体现。在分析网店客户数据时，销售额、销售额与新客户比率、销售额与老客户比率、新老客户比例等都是需要重点关注的数据类型。 3.客户特征分析 网店的经营范围和经营对象比较广泛，客户通常分布于不同地域、不同职业和不同阶层，但很多商品都有较固定的目标客户群。即使相同的商品、相同的营销手段，在针对同一地域的不同职业或同一职业的不同地域时，都会呈现不同的营销效果。因此，需要对不同地域、不同职业的客户特征进行分析，制定不同的营销方案。 （1）地域分析。对客户进行地域分析主要是指对不同地域的客户数量、回购率、销售额、客单价、市场规模等进行分析，然后根据分析结果制定不同的营销策略。 （2）职业分析。很多商品都具有一定的职业趋向性，即主要适用于某个职业或某部分职业。如果是职业趋向性比较明显的商品，则应该对客户职业进行简单分析。 4.客户行为分析 客户的购物行为通常受多方面因素的影响，如需求、时间、商品、动机、爱好、地域等。以时间为例，购物时间不同，产生购物行为的客户数量、客单价等都存在一些差异。 （1）RFM 分析。RFM 分析是一种比较简单的客户行为分析方法，包含最近一次消费（Recency）、消费频率（Frequency）和消费金额（Monetary）3 个指标，用于对客户购物行为进行综合分析。 （2）购物时间分析。分析客户的购物时间，主要是指根据商品的特性分析目标客户群的常见购物时间段，从而更准确地制定相应的推广方案，如根据客户购物时间安排商品上架时间、按照客户购物时间加大推广投放力度等。 【要点梳理】 课后实训——学会使用移动电子商务数据分析工具进行相关分析 【实训目的】 （1）掌握阿里指数的使用方法。 （2）掌握生意参谋的使用方法。 【实训内容】 （1）登录阿里指数，利用行业指数功能对白酒行业的搜索词排行、热门类目、买家概况和卖家概况进行分析。 （2）利用生意参谋工具查看流量和品类数据，并进行分析。 【实训步骤】 （1）进入阿里指数的行业指数页面后，选择白酒行业，查看搜索词的排行情况，并 说明不同搜索词搜索量上涨和下降的原因；然后说明热卖、热买地区，买家性别占比、 年龄阶段占比，卖家的经营阶段等数据表明的行业状态。 （2）登录生意参谋工具，查看流量和品类数据，根据流量和品类的分析数据，结合 生意参谋首页的实施情况，说明目前店铺的大体经营状况。 归纳与 提高 通过本章内容的学习，我们实现了下面的目标： （1）熟悉移动电子商务数据分析基础知识。 （2）掌握移动电子商务数据分析的指标与工具的使用。 （3）掌握移动电子商务数据分析方法。 （4）了解移动网店常用数据分析。 学科网（北京）股份有限公司 $$