做电商如何进行数据分析（你必须懂的10条数据指标）

数据指标是什么？——是一个切入数据的角度。有了数据指标的存在，才能知道需要采集什么数据、需要持续监测什么数据、用什么角度来和历史表现做对比。

数据指标的类型各种各样，有些指标是被广泛使用的，如 DAU、新注册用户数、PV 等；还有些指标，是带有强烈的业务特征的，例如直播平台可能会关注新增主播数量，酒店预订业务更可能关注房间预订量，等等。

那么在电商场景中，应该看哪些数据指标？下文中，笔者会依据工作中的数据分析经验，为你梳理看电商数据的基本逻辑和视角，并详细解读 10 条电商场景里常见的数据指标。

电商中，看数据的基本逻辑

1. 从事情的发生顺序角度看：流量→行为→交易

电商中看数据，首先需要从事情的发生逻辑来去理解它。从事情发生的先后顺序来说，先得有用户过来（流量），然后在这边浏览挑选加购（行为），最后付款（交易）。也就是：流量→行为→交易，这三个大的步骤顺序，构成了一个完整的电商交易事件。

2. 从排查问题的角度看：交易→流量→行为

面对真实业务场景，怎么去看数据最有效率？

就如同你看一棵树长得怎么样，不会把它的所有叶子都扒过来看一遍，而是先从整体长势去看它是否高大繁茂。同理，推荐的分析角度是：从宏观到微观，也就是交易→流量→行为。

先看最终的结果，也就是交易数据。看有没有明显的涨跌，给这个周期 / 这次运营事件的成败定个调。

如果交易数据有明显涨跌的，再进一步判断是否是因为流量数据的涨跌而造成的。因为流量数据是决定了最终交易规模高低的最重要影响因素之一。无论你的运营策略多精妙、商品优惠多高，如果完全没流量进来访问，也就不会有成交的爆发。

最后，如果流量的涨跌没有呈现显著的高低，可以从行为去拆解，看关键行为的数据是否有值得关注的异常。例如，若是研究电商的下单黄金流程是否存在问题，可以拆解为看搜索、商详、加购、订单这几个关键路径的流量漏斗，是否存在某个节点跳出特别高的情况；若是 618 主会场，可以把页面的订单产出拆解为重点楼层订单量、次要楼层订单量，看重点主推楼层的订单量是否达到预期。

以上步骤，可以帮助我们快速建立对于看电商数据的基本视角；但进一步的分析，就需要对指标进行更深的挖掘了。

常见数据指标

1. 交易：终极目标

GMV 和订单量（GMV：订单金额）

在分析之前需要意识到，这两个指标是一个结果的描述。它们可以用以判断交易结果的成败，但同时也存在局限性：它们只是最表层、最宏观的数值，有非常多的变量可以影响和决定它们，因此，它们只能说明结果（好或坏），但无法直接给出造成结果的原因（为什么好或坏）。

因此，我们需要警惕把这些宏观指标与某个原因链接，直接得出因果判断的结论。例如，我们不能看到 GMV 涨了，就直接下判断说，这代表我们的运营策略成功了——这个结果和原因之间缺乏更多的论证，需要进一步溯源。如何避免这种拍脑袋的判断呢？从公式上去推导是比较客观的做法，如下图是数懒里的一个分析功能，可以看出：因为 UV 大幅下降，虽然转化率有较大提升，但仍导致订单量大幅下降，所以最终导致引入订单金额降了。

△ GMV 公式分析，图表来自数懒分析平台

转化率（转化率 = 引入订单量 / 流量）

它描述的是流量的转化效率特征，首先受品类特性影响，例如奢侈品类的转化率，就大概率比消费品低。另一个转化率的影响因素是运营玩法，比如派发更多优惠券，也会令用户更容易转化。还有一个因素，即引入的流量与当前落地页的匹配度，如导入价格敏感型用户进入到新品专题的频道页，就会有导致低转化率的风险。

客单价（客单价 = GMV / 引入订单量）

它描述了每个订单的平均成交金额，具有比较强的品类特征，比如奢侈品类的客单价，天然是比消费品的客单价高的。同时，如果进行了拼单满减等运营策略，也能够刺激用户一单购买更多的商品，进而提升客单价。

UV 价值（UV 价值 = GMV / 流量）

它描述的是每个 UV 产出的平均金额，也能侧面看出流量的质量、流量与业务的匹配程度。试想一个页面，如果它的 UV 价值高，那么也就代表给它引入更多同类的流量，它就能创造更大的 GMV。因此 UV 价值也是一个很重要的指标，和转化率一起综合看，可以用来评估到底哪个业务 / 页面值得投入更多的流量。

思考：UV 价值和客单价有什么不同？

• 影响因素不同：UV 价值更受流量质量的影响；而客单价更受卖的货的影响；
• 使用场景不同：UV 价值可以用来评估页面 / 模块的创造价值的潜力；客单价可以用来比较品类和商品特征，但一个页面客单价高，并不代表它创造价值的能力强，只能得出这个页面的品类更趋近于是卖高价格品类的。

2. 流量：决定成败

UV & PV（页面浏览人数、页面访问次数）

UV 描述了访问的人数，是一个很重要的数据指标，它的多少往往决定了最终 GMV 的高低。UV 源自各种途径，例如站外广告、站内的资源位分配、用户主动回访流量、社交裂变活动的分享引流等。

PV 描述了访问的次数，例如用户一天访问了这个页面3次，这时候会计算为 3 PV 和 1 UV。也就是说，PV 比 UV 多了某段时间内用户多次访问的信息。若要看页面的流量量级，无论看 UV 还是 PV 都是可以的。

人均浏览次数（人均浏览次数 = 页面访问次数 / 页面浏览人数）

这个指标描述了某段时间内，每个用户平均浏览页面的次数。不同的场景会有不同的值，需要根据具体的场景来判断高低。有些情况会出现 PV 高出 UV 很多的场景，如存在需要用户多次回访的玩法、有分时段运营的策略（e.g. 一天三次红包雨）等等，需要具体场景具体分析。

3. 行为：寻根溯源

点击率（点击率 = 模块点击人数 / 页面浏览人数）

用户对此模块的点击人数，在所有进入页面的流量中的百分比。可以看作用户对于模块的需求强烈程度的评判指标之一。与页面流量和页面 GMV 的关系类似，模块的点击率与模块的产出是强相关的（如下图，横轴是各模块）。

△ 各模块的点击率 & 订单金额占比对比，图表来自数懒分析平台

点击率的影响因素有：

• 模块在页面中的位置：若放得越高，则越可能被更多的用户看见，那么点击率高的可能性，就比放置位置低的模块要来得更高。毕竟页面越往下，看到的用户就更少了。
• 模块本身的吸引程度：比如模块本身是个优惠券集合楼层，就比没有利益点的普通模块更吸引人、更容易获得更多点击。此外，模块的样式设计、主题表述的清晰与否、主题对用户的吸引力和潜在用户群大小，这些都会影响到模块的吸引力。

曝光点击率（曝光点击率 = 模块点击人数 / 模块曝光人数）

用户对此模块的点击人数，在所有看到此模块的流量中的百分比。与点击率的公式对比可发现，点击率的分母是所有进入页面的流量，但用户的浏览行为永远是浏览得越深，流量越少的。这也就导致位置越深的模块算点击率就越吃亏，因为相当一部分流量压根就没有看到这个模块，也被算进分母里了。而曝光点击率，就是一个排除了页面位置对模块的影响后，可以用来相对公平地去比较各模块的吸引力的数据指标。

思考：什么场景用点击率，什么场景用曝光点击率呢？

• 当想要单纯评估楼层对用户的吸引力时，可以看曝光点击率；
• 当想要综合评估楼层的整体效果与贡献时，看点击率，毕竟它与楼层 GMV 相关性更高；
• 曝光需要特殊埋点，且可能会影响页面性能，因此很多时候我们没有办法获取到曝光数据，也只能看点击率了。

曝光点击率的使用注意：

首屏内的楼层的曝光点击率，数据可能不准确。首屏的曝光 UV 是最大的，里面包含了各种异常情况，例如一进页面就跳出，也算作曝光。因此导致首屏的曝光点击率往往会偏小（如下图所示），无法与其他楼层比较。若想比较首屏情况，建议与点击率一起综合来看。

△ 各屏的曝光点击率差异，图表来自大促某页面的数据分析

曝光率（曝光率 = 模块曝光人数 / 页面浏览人数）

这个数据可以看出用户在页面上的浏览深度如何，有百分之多少的用户看到了哪一屏。从这个数据中，我们可以发现一些关键的节点。例如，若我们的业务主推是在第二~三屏的位置，但最终发现曝光率在第二屏便暴跌，这便是存在问题的，说不定我们需要把主推内容再往上提一些，或者需要去排查首屏是否有会令用户立即跳转和跳出的内容……这便是曝光率这个数据指标，可以带来的分析价值。

停留时长

这个数据指标很好理解，是描述用户在页面上平均停留多少秒。

思考：曝光率下跌曲线越慢 / 浏览深度越深 / 停留时长越长，就代表我们的页面做得越好吗？

曝光率和停留时长的影响因素比较一致，因此可以合在一起解释。曝光率的下降曲线、停留时长的长与短，影响因素有这些：

人的生理极限：人不是机器，根据研究，「人不受干扰地执行单一操作的时长为 6s ~ 30s 」[注1]，超过这一常数，用户就会走神。可想而知，用户在单一页面上停留的时间是有上限的，不因页面放置入的内容多少而变化。一个反例，是通过利益点来吸引用户在页面上浏览得更深，这不但与生理极限相悖，也把用户自然的浏览行为和目标，硬生生变成了为了追寻更多利益点而进行类似完成任务的操作。除了用利益点交换一个好看的数据以外，这样的做法似乎没能带来更多的产出。

页面定位及内容：在双 11 主会场中，用户的行为模式趋近找优惠和找目标品类，那么他可能不会在这里浏览太多屏数、也不会停留太久——这个时候影响曝光率和停留时长的，就是他有多快能找到感兴趣的优惠，因此，并不能说浏览深度越深、停留时长越长就越好；在 BI（千人千面）商品瀑布流中，用户的行为是闲逛和挑选，这时候他更可能浏览更多的屏数、停留更长时间——因此浏览的商品越多，可以说是对最终效益最好的。

异常情况：例如加载异常、页面崩溃的场景，就会导致停留时长异常低、二屏后曝光异常低。

综上，我们应该根据具体的场景、通过数次历史数据的对比，去设定和校正目标曝光率、目标停留时长。平日看这两个数据，可以当作一个监测异常的数据，在正常范围内的波动不需要过度解读，一旦发现特别异常的情况，再进行具体的分析。

,