京公网安备 11010802034615号
经营许可证编号:京B2-20210330
电商新趋势下的数据分析实践与思考
潮流趋势总是不断在改变,电商市场也是如此。新趋势带来新机遇,同时也带来了新的挑战。移动购物的崛起、多渠道购物、自动化营销、闪购模式、优质的配送等等形式的出现,使得电商市场越来越多元化。
电商新趋势
从2015年开始移动电商大幅度崛起,电商整体上升趋势减缓,移动电商崛起,原有PC端流量减少,指标下降。新形势下用户与商品之间的关系包括:数据关系、技术问题、算法策略、产品形态、平台策略。
用一张小图说明思路:移动端是一艘大船,量在变大、变快,PC相当于一条小船,在不断萎缩。领航员基本上是算法分析师或者数据分析师,想在数据变现的过程中少走弯路,船上拉的货物:数据,就是变现的重要一部分。整个船在萎缩,通过数据分析已经不大可能从大的程度上提升,这时候怎么办?整个船是产品,所以应该从产品的角度考虑。
首先是数据层面,商品数据的特点是种类变得多了,呈现出多媒体化和电子化。用户数据则有年龄增长的特点,并且更偏向移动化。对于用户,首先要找出重点用户,逐个分析原因,进行回访。对于商品,纸质图书、电子图书、3D图书、多媒体图书等等都有很多,当当采用过赠送电子书,书籍预售等方式进行个性化判定,进而总结当前的应对策略、基本路线、发展目标。
技术层面。由于做AB测试过于复杂,作业流程过长,还会有数据延迟、数据误差、AB的误差、数据埋点的误差等等。作为一个数据分析师,本身就应该了解,当数据出现问题的时候,经过分析就应该知道问题是出在前端,还是出在中间环节,或者计算环节,这时候要对这个算法工程师做出指导。此外,不能把服务端的请求数据当做曝光数据。
算法层面。举个例子,加入算法峰值,第一年是10%,第二年3%,那么第三年是否还要投入,投入多少,最终的解决方法是算法突破,找一位高级算法工程师突破这个算法,但是代价太高。此时,不能纠结在算法层面,应该从大局着手,看产品形态,如果原来的产品比较单一,这时就要改变产品形式,用改变产品形态和表现形式来吸引用户,可能一个好的产品形态上的改变相当于一个算法工程师工作三年所提升的概率。用户在购买书的过程中,要把用户购买的历程、学习的里程,包括如果用户喜欢看视频,是否能给他推荐出一些教材,还有一些名人书单,是不是要给他赠送电子书,这些小的细节也在产品形态中表现出来。
平台策略。程序员或者工作人员最爱吐槽的:公司在走下坡路,团队也在走下坡路,或者行业正在变成传统行业,所以利润不高了等等,其实在平台这方面的吐槽是最多的。对于当当来说,用户不爱读书了,因为大多数用户去看视频了,这时候对喜欢看视频的人继续做一些个人性分析,因为看视频的人还是需要一本教材的,可能关系比较好的情侣共用一个账号,单独地去打性别或者属性就不太合适了。
在分析了以上几点策略后,对整个团队提出了总体的方向。
首先是守住已有的成果,比如做推荐,不要一味地去突破、创新,因为太难了,整个PC在下降,做创新可能得不偿失。PC上有很多已经成熟的技术要进行拓展,想在技术水平上继续成长,基本上已经长不高了,但是可以长胖,原来可能只在这个页面或这个业务方向上有推荐,现在可以拓展到其他方向,比如百货、图书。原来只有图书现在扩展到百货,扩展到母婴。
第二,在用户数据上做精准化分析,比如现在收集用户已经很多年了,对用户的行为已经比较精确了,这时候就不要再推一些特别粗糙的数据。在产品形态上还是要多样化,主要依赖产品,多想一些好的创新思路,毕竟PC的展示页面比较大,开发PC技术成本比较小,比较成熟,所以可以多做一些尝试和主题。在技术层面尽量减少延迟和误差,算法层面如果遇到困境,就不要再做大难度的突破。在平台层面,尽量用技术团队的分析去影响公司和平台层面的一些决策,能够给公司提供一些好的思路和好的发展方向,这样,基本上就做到了一个合格开发人员的本职。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
逻辑回归是数据分析、机器学习、统计建模中应用最广泛的二分类预测模型,常用于风险判断、行为预测、归因分析等场景。在SPSS、Py ...
2026-06-02数字经济时代,市场竞争日趋同质化,用户消费需求愈发个性化、多元化,传统依托经验、粗放式、广撒网的营销模式弊端日益凸显。长 ...
2026-06-02 很多数据分析师做过按月份的销售额趋势图,画过按天的流量折线图,但当被问到“时间序列和普通数据有什么本质区别”“季节性 ...
2026-06-02在市场竞争日趋饱和、用户需求不断细分的当下,企业创业创新、产品迭代与市场拓展不再依赖经验决策,而是需要系统化、工具化的商 ...
2026-06-01【核心关键词】调度、岗位、数据库、企业、报表、培训、程序、数据分析、数据加工、业务部门、企业数据、调度工具、业务指标、 ...
2026-06-01 很多数据分析师能熟练地计算指标、搭建标签体系,但当被问到“画像到底在解决什么问题”“画像和标签是什么关系”“画像如何 ...
2026-06-01在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25