电商运营数据六大指标(电商运营数据六大指标英文)

在这种流量见顶，消费者选择权很大的时代，做电商已经不能局限于单一电商平台，自然做电商分析也不能只盯着单个平台的数据了。

如果你只是需要单个平台的数据，那淘系的官方平台生意参谋、字节系的官方平台抖音电商罗盘、阿里妈妈、巨量引擎这类已经完全够用了，具体去深入了解一下各个平台的数据该怎么利用起来吧。

如果你涉及多个平台，对行业数据、业务数据、电商数据都有分析需求，想要用数据分析赋能业务，找到增长点的话，那就很有必要学习一下BI工具。

下面老李给大家讲一下怎么用BI逐个击破电商分析的难题。第一个问题：电商平台没接口，人工下载数据浪费时间，滞后性差。

现在的电商分析需要的数据来源很多，比如行业的数据像淘数据、百度指数数据、魔镜市场情报等，业务系统的数据像旺店通、ERP、OA等，当然还有各大电商渠道的数据像淘宝、抖音、京东等。平时的做法就是人工下载，找个运营花半天时间专门去各个平台下载数据，再进行分析整理，效率低、错误率高。

用Fine BI工具是能够实现全自动取数的，主要使用的手段是RPA+API。可以这么理解，RPA是个机器人，你给它发出一个指令比如：根据提供的商品和竞品的ID清单，进入生意参谋平台竞品分析中下载分析报表，并进行环比计算，它能在半个小时之内给到你想要的数据。机器人可以以100%正确率连续工作，而且比爬虫安全，不至于导致店铺被封。

第二个问题：不同电商平台的指标名称和报表格式不统一，整理难度大。

同样的数据在不同的平台里面的命名方式是不一样的，比如对于“店铺名称”这个字段，有的平台叫“推广渠道名称”，根本匹配不起来。Fine BI则能通过对含义相同但命名方式不同的字段进行关联整合，输出面向投放分析的业务主题包。

第三问题：电商数据要怎么分析，才能找到业务增长点？

前面两个问题都是依靠FineBI本身功能去解决，这里的数据分析是实实在在需要你学习的，下面我通过运营监测场景下的一个案例跟大家分享。

背景：某电商企业在日常的经营过程中，产生了大量的经营数据，这些数据包含了丰富的经营技巧和市场规律。传统分析方式通过报表或报告，只能一次性分析不能持续监测，既费时费力也不及时，还容易出错。于是选择用BI进行数据清理和监测分析。

分析思路：通过日、月、年维度创建三个联动的运营监测平台，各组件间不但能够联动并且模板间也可跳转，建设一个可持续使用的运营监测平台。

N%2B40A%3D” img_ img_ inline=”0″ alt=”不会做电商数据分析，找不到业务增长点，一文教你找到电商引爆点” onerror=”javascript:errorimg.call(this);”>

具体分析过程：

①业务总览

可视化形式：仪表盘+文本图

重点关注指标：销售额（同比、环比、完成率）、毛利额（同比、环比、完成率、毛利率）、订单数、客户数、客单价、连带率等。

以2018年12月30日日累为例，销售额2.9万元完成率超过了95%，并且同比环比都大幅度增长，但毛利额仅610元完成率不到20%，同比环比增长也大幅下滑。通过业绩总览我们发现折扣金额（6千元）和负毛利额（负3千元）偏大，主要原因可能是年底大促销导致毛利额下降。

NkBRkKOzdlXuoE%3D” img_ img_ inline=”0″ alt=”不会做电商数据分析，找不到业务增长点，一文教你找到电商引爆点” onerror=”javascript:errorimg.call(this);”>

②区域业绩分析：

可视化形式：地图

重点关注指标：销售额、毛利率、业绩分布、区域经理业绩排行等。

以2018年12月30日日累为例，首先可以看出当日西南区无销售，华北地区销售额最高1.1万元，同比增长187.9%，其中河北占比最多70.1%。从业绩总览我们得知毛利额低并且负毛利额高，从地图中我们发现华东毛利额-1300元，并且负毛利额接近总负毛利额的一半，华东销售人员可能为了实现年底目标，降价促销。

③近几日/月/年业绩趋势：

可视化形式：折线图、柱状图

重点关注指标：销售额、客流量、客单价、连带率等

以2018年12月30日日累为例，当日销售额超过了平均值，但毛利额低于平均值，主要原因是负毛利额较高，远高于平均值。当日客流是近30日最大客流，但客单价远低于平均值，可能是促销所致。当日退货率不高仅6%，远低于平均值。

NXzWY9Sp1%2FbuwHmg%3D” img_ img_ inline=”0″ alt=”不会做电商数据分析，找不到业务增长点，一文教你找到电商引爆点” onerror=”javascript:errorimg.call(this);”>

④订单及客户分析：

可视化形式：饼图、柱状图

重点关注指标：邮寄方式占比、销售额top10客户占比等

以2018年12月30日日累为例，当日有38.3%的销售额来自500-1000元商品，超过一半的订单以标准级的邮寄方式发货，其中销售额和订单最多的是消费者。前十名中大部分是消费者，消费金额最高的是公司类型的洪强。

⑤会员分析：

可视化形式：RFM模型、波士顿矩阵、饼图、分组表

重点关注指标：客均销售额、会员销售额等

a）RFM分析：

通过矩形树图展示RFM各分类下用户数量及占比，饼图展示各类下销售额及占比，柱状图展示各类客均消费额排行。

通过下图可以看出一般挽留客户数量最多，占比21.1%；重要保持客户销售额最高，占比接近30%；客均销售额最高的是重要保持客户和重要价值客户，分别是4万元和3.9万元。

b）价格敏感度分析：

通过波士顿矩阵分析客户对价格的敏感度（气泡大小展示销售额大小），饼图展现各象限下的销售额和会员数量。第一象限：高折扣高价格第二象限：低折扣高价格第三象限：高折扣低价格第四象限：低折扣低价格

通过下图可以看出第二象限会员数占比最多的，接近40%，销售额占比超过50%。其次是第一象限，会员数占比22.4%，销售额占比25.8%。这两象限共同特点是对高价格商品不敏感，不同之处是第一象限喜欢折扣商品，第二象限对折扣不敏感。销售人员可以根据客户特征制定自己销售策略。

c）会员特征详情：分组表展示会员的主要特征，根据上面的分析结果直接筛选出想要的会员。

⑥品类分析：

可视化形式：矩形数图、饼图、表

重点关注指标：销售额、销售量、毛利率、退货率等

通过矩形树图展示各品类业绩分布情况，饼图展示品类销售额按占比情况，分组表展示销售额Top10商品和退货商品。以2018年12月30日日累为例，办公用品销售额最高1.2万元（42.6%），其中器具占办公用品最高59.6%。销售额前两名的产品分别是Hoover微波炉和三星信号增强器，分别为4313远和3189元。有三个产品出现退货，退货率分别为100%。

NczRiFNE0tcY4g%2Fqu875Lk%3D” img_ img_ inline=”0″ alt=”不会做电商数据分析，找不到业务增长点，一文教你找到电商引爆点” onerror=”javascript:errorimg.call(this);”>