京公网安备 11010802034615号
经营许可证编号:京B2-20210330
在电子商务过程中你需要使用何种数据来衡量表现
你有一个在线的生意吗?如果你的企业需要衡量表现,不要被蒙在鼓里。
在线商业和传统生意相比主要的优势是每一个单块的数据都可以被衡量。但并不是很多在线零售商多从这一进步当中获利。这不只是说你需要安装网络分析工具,你还需要能够理解这些数据,并且做出可以执行的决策,来让你的在线商业获得成长。
在我们开始之前,你需要掌握的最重要的数据包括:你的商业目标是什么?你在今年,明年,未来三年或者更长时间想要达到的在线商业销售额是多少?如果你对此完全没有线索,你可以用至少十二个月的未来商业成长预测来作为开始。举例说,是环比增长20%还是同比增长25%?
一旦你设立商业目标,而且也明白你有多少预算,你就可以深入观测你数据的主要部分,并且致力于实现你的商业目标,最后当然可以获利。
关键度量
衡量你在线业务的所有数据并不难,每一件事都是用这个黄金公式来开始的。这用来判断在线营收的起源。
在线收入 = 独立访问量 (UV) X 转换率 (CVR) x 平均订购量 (AOV)
对于上面的方程来说很明显,你需要增加流量转化率,以及/或者平均订单量,来增加你的在线销售额。如果你接受线下付款,你还需要把付费率(PR)放到上面的方程中。
我们的推荐方法是,根据营销渠道的不同,来分解这个方程。像这样:
以上是一个例子,你需要包括商业模式当中所有可能的营销渠道,比如关联和参考系等等。你完全可以进一步分解营销渠道,比如比起仅仅分类为社交网络,可以将它们分解到微博、微信等不同的特殊渠道。
丢弃率
如果你的转化率 (CVR)不尽如人意的话,有一个特别重要的衡量标准就是丢弃率(abandonment rate)。
我们在这里并不仅仅谈论把购物车中的东西放弃购买。你需要从着陆页开始就开始测量。这是你的首页,活动专门页面或者其他任何一个消费者可能首次登陆你在线网站的页面。
然后请测量你的着陆页当中的回弹率(bounce rate)。人们在到达你的网站之后是离开了,还是访问站内其他网页?这可能甚至都不包括将产品放入购物车。而且你需要知道为什么发生了这些?这可能是因为你的营销渠道,让着陆之后的用户来到了错误的地方吗?你需要继续优化你的着陆页吗?
自然,衡量购物车丢弃率(shopping cart abandonment rate)是同等重要的,如果十个访问者中有九个人在选购一些东西之后没有付款就走掉了,事情就很糟糕。尤其是如果你投资,希望他们首先能够到达你网站的情况下。
你不仅需要通过购物车检验程序,在技术上优化你的购物车环节,还有一件事也很重要,就是明白什么样的产品具有高的丢弃率。还有,最好给你的顾客打电话,问一问他们为什么离开。
获得消费者的支出
除非你通过搜索引擎优化(SEO)已经能够稳定地获得来自网站的流量——当然不是通过付费搜索,你就需要投入一笔必要的资金来为你的在线商店获得流量。
当然你需要用你喜欢的分析工具来区分新用户和老用户。
对于新用户来说,他们转变成你顾客的比例有多少?这就是我们衡量所谓顾客获得支出(Customer Acquisition Cost (CAC))的办法。简单来说就是你花了多少钱获得了一位顾客。如果你花了100美元来让5个人在你的网站上买东西,你的顾客获得支出就是40美元。
实际上,并不难理解为什么很多的在线零售商提供20美元的折扣券给第一次来的顾客。这实际上是他们顾客获得成本的一部分;还要加上让用户第一次来到他们的在线商店看看的成本。
除了新客户,下一步是衡量你回头客当中的平均保留率( average retention rate)。你需要知道客户们是不是在重复购买?他们回来的频率,以及他们重复购买时一般的行为是什么样的?
千万不要疏忽后一部分。因为让已经过来的顾客来买东西,总比转化新人要简单的多。
顾客的终身价值
实际上这已经在之前衡量保留率的度量标准当中提到过,毫无疑问这将是所有衡量标准当中最重要的一项,这就是顾客终身价值(Customer Lifetime Value (LTV))。
从核心上来说,电子商务是简单的生意,如果终身价值大于顾客的获取成本,那么你就可以赚钱,如果不是的话,你就不赚钱。很简单。
是的,正如上面的这一句语录所说的,如果你不明白这个公式,你最好就不要做电子商务了。
现在我们怎么横量这一指标?很简单,这是你从客户身上获得的投射净利润。如果你从顾客身上获得的净利润比用户获取的花费要低,你就有麻烦了。
我们在这里来做一些计算。假设一个用户花了500美元购买了4样东西,净利润是100美元。这是500美元的20%,同时也是在这个顾客上所获得的终身价值。如果获取这个用户的花费是40美元,你还可以赚到60美元,你的商业模式就是健康的。
简单的说,根据终身价值所测算的净利润,应该高于获取用户的支出。至少从长远来说必须达到这一点。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在 MySQL 实际应用中,“频繁写入同一表” 是常见场景 —— 如实时日志存储(用户操作日志、系统运行日志)、高频交易记录(支付 ...
2025-10-30为帮助教育工作者、研究者科学分析 “班级规模” 与 “平均成绩” 的关联关系,我将从相关系数的核心定义与类型切入,详解 “数 ...
2025-10-30对 CDA(Certified Data Analyst)数据分析师而言,“相关系数” 不是简单的数字计算,而是 “从业务问题出发,量化变量间关联强 ...
2025-10-30在构建前向神经网络(Feedforward Neural Network,简称 FNN)时,“隐藏层数目设多少?每个隐藏层该放多少个神经元?” 是每个 ...
2025-10-29这个问题切中了 Excel 用户的常见困惑 —— 将 “数据可视化工具” 与 “数据挖掘算法” 的功能边界混淆。核心结论是:Excel 透 ...
2025-10-29在 CDA(Certified Data Analyst)数据分析师的工作中,“多组数据差异验证” 是高频需求 —— 例如 “3 家门店的销售额是否有显 ...
2025-10-29在数据分析中,“正态分布” 是许多统计方法(如 t 检验、方差分析、线性回归)的核心假设 —— 数据符合正态分布时,统计检验的 ...
2025-10-28箱线图(Box Plot)作为展示数据分布的核心统计图表,能直观呈现数据的中位数、四分位数、离散程度与异常值,是质量控制、实验分 ...
2025-10-28在 CDA(Certified Data Analyst)数据分析师的工作中,“分类变量关联分析” 是高频需求 —— 例如 “用户性别是否影响支付方式 ...
2025-10-28在数据可视化领域,单一图表往往难以承载多维度信息 —— 力导向图擅长展现节点间的关联结构与空间分布,却无法直观呈现 “流量 ...
2025-10-27这个问题问到了 Tableau 中两个核心行级函数的经典组合,理解它能帮你快速实现 “相对位置占比” 的分析需求。“index ()/size ( ...
2025-10-27对 CDA(Certified Data Analyst)数据分析师而言,“假设检验” 绝非 “套用统计公式的机械操作”,而是 “将模糊的业务猜想转 ...
2025-10-27在数字化运营中,“凭感觉做决策” 早已成为过去式 —— 运营指标作为业务增长的 “晴雨表” 与 “导航仪”,直接决定了运营动作 ...
2025-10-24在卷积神经网络(CNN)的训练中,“卷积层(Conv)后是否添加归一化(如 BN、LN)和激活函数(如 ReLU、GELU)” 是每个开发者都 ...
2025-10-24在数据决策链条中,“统计分析” 是挖掘数据规律的核心,“可视化” 是呈现规律的桥梁 ——CDA(Certified Data Analyst)数据分 ...
2025-10-24在 “神经网络与卡尔曼滤波融合” 的理论基础上,Python 凭借其丰富的科学计算库(NumPy、FilterPy)、深度学习框架(PyTorch、T ...
2025-10-23在工业控制、自动驾驶、机器人导航、气象预测等领域,“状态估计” 是核心任务 —— 即从含噪声的观测数据中,精准推断系统的真 ...
2025-10-23在数据分析全流程中,“数据清洗” 恰似烹饪前的食材处理:若食材(数据)腐烂变质、混杂异物(脏数据),即便拥有精湛的烹饪技 ...
2025-10-23在人工智能领域,“大模型” 已成为近年来的热点标签:从参数超 1750 亿的 GPT-3,到万亿级参数的 PaLM,再到多模态大模型 GPT-4 ...
2025-10-22在 MySQL 数据库的日常运维与开发中,“更新数据是否会影响读数据” 是一个高频疑问。这个问题的答案并非简单的 “是” 或 “否 ...
2025-10-22