背景
电商行业是当前市场十分火热的行业，也是对数据分析师需求很大的行业，这篇文章可以帮助没有电商行业经验的同学快速了解电商数据分析指标和框架，话不多说，咱们开始吧~
电商业务流程图
在了解电商数据分析指标之前最好先了解电商业务流程大概是怎样进行的，如下图：
电商数据分析指标概览
详细地总结了各个分类的指标，帮助你有一个整体的概念，如下图：
导述
1 数据来源
2 数据分析方法论
3 KPI
4 分析指标
4.1 行业分析
4.2 竞品分析
5 分析方法
5.1 趋势分析
5.2 多维分析
5.3 用户分群
5.4 用户细查
5.5 事件分析
5.6 漏斗分析
5.7 留存分析
5.8 A/B测试与A/A测试
6 搭建数据分析体系思路
6.1 内容定位
6.2 用户画像
6.3 持续监测
6.4 数据分析
7 AARRR模型
7.1 Acquisition 获取用户
7.2 Activation 激发活跃
7.3 Retention 提高留存
7.4 Revenue 增加收入
7.5 Referral 病毒传播
8 三大增长引擎
8.1 粘着式增长引擎
8.2 付费式增长引擎
8.3 爆发式增长引擎
8.4 总结
正文
一、数据来源
从数据的来源来看，可以分为企业外部数据和内部数据。外部数据主要包括社会人口、宏观经济、新闻舆情和市场调研数据；内部数据包括用户行为数据、服务端日志数据、CRM与交易数据。不同数据的获取途径、分析方法、分析目的都不经相同，不同行业、不同企业在实际分析中也都各有偏好。
二、数据分析方法论
1、PEST分析法：从政治（Politics）、经济（Economy）、社会（Society）、技术（Technology）四个方面分析内外环境，适用于宏观分析。
2、SWOT分析法：从优势（Strength）、劣势（Weakness）、机遇（Opportunity）、威胁（Threat）四个方面分析内外环境，适用于宏观分析。
3、5W2H分析法：从Why、When、Where、What、Who、How、How much 7个常见的维度分析问题。
4、4P理论：经典营销理论，认为产品（Product）、价格（Price）、渠道（Place）和促销（Promote）是影响市场的重要因素。
5、AARRR：增长黑客的海盗法则，精益创业的重要框架，从获取（Acquisition）、激活（Activition）、留存（Retention）、变现（Revenue）和推荐（Referral）5个环节增长增长。
三、KPI
不同的分析目的，所需要的KPI数据不一样
对于产品经理来说，一般有三个场景中的数据应用：
1.每日观测的产品运行数据；
2.为了验证某个想法而做的产品实验数据，如A/B测试；
3.发布某个功能后的反馈数据。
不同的产品类型，所需要关注的KPI数据不一样
1.基础数据：下载量、激活量、新增用户量、活跃用户等；
2.社交产品：用户分布、用户留存（次日、3日、7日、次月、3月）等；
3.电商：淘宝指数、转化率、网站流量、跳出率、页面访问深度等；
4.内容类：内容转化率（内容下载量/内容浏览量）、留存量、跳出率；
5.工具类：功能点击量、应用商城排名；
6.其他：竞品数据（下载、激活等）。
不同的产品阶段，所需要关注的KPI数据不一样
1.网站刚上线，比较关注流量、PV、跳出率；
2.网站运营中期，比较关注新注册、转化率、跳出率。
3.网站某次市场活动，比较关注新访客比例、跳出率、新访客的注册转化率、目标达到率等。
具体针对产品目前最需要的KPI数据，需要基于对行业、业务、产品的熟悉
1.了解整个产业链的结构：对行业的上游和下游的经营情况有大致的了解；
2.了解企业业务的发展规划：根据业务当前的需要，制定发展计划，归类出需要整理的数据；
3.熟悉产品框架，全面定义每个数据指标的运营现状；
4.对比同行业数据指标，挖掘隐藏的提升空间。通过对行业、业务、产品的熟悉可以建立一个数据模型，在特定需求下进行KPI数据提取。也可以对核心用户单独进行产品用研与需求挖掘，从而精细化运营。
四、分析指标
4.1 行业分析
4.1.1 行业大盘数据
日期、访问数、搜索人数、搜索点击人数、加购人数、收藏人数、支付金额、支付订单数、支付件数、客单价
4.1.2 行业品类成交概况
品类、支付金额占比、支付金额环比
4.1.3 行业热销趋势
搜索增长单品分析、搜索增长属性分析
4.1.4 行业搜索人群画像
性别、职业、购买力、年龄、省市分布、活动偏好、支付偏好、品牌偏好
4.1.5 行业买家画像
性别、职业、年龄、会员等级、省市分布、搜索词偏好、商品属性偏好、购买力、购买频次
4.2 竞品分析
4.2.1 竞品品牌维度数据
品牌、访客数、转化率、客单价、支付金额、支付商品件数、收藏人数、加购人数、支付价格带、前三支付品类
4.2.2 竞品店铺维度数据
店铺、流量指数、转化率指数、交易指数、收藏人气、加购人气
4.2.3 竞品商品维度数据（价格带、企划主题等等）
店铺、品类、商品总数、价格带1商品数、价格带1动销率
4.2.4 竞品流量结构对比
流量来源、访客数、浏览量、店内跳转人数、跳出本店人数、收藏人数、加购人数、支付买家数、支付转化率
4.2.5 竞品流失分析
未收藏加购流失、加购后购买同类商品流失、收藏后购买同类商品流失、非购买类目流失为竞品流失的分析重点
流失严重商品分析
商品名称、负面评价数、PC围观人数占比、手淘围观人数占比、负面评价关键词
五、分析方法
5.1 趋势分析
趋势分析是最简单、最基础，也是最常见的数据监测与数据分析方法。通常我们在数据分析产品中建立一张数据指标的线图或者柱状图，然后持续观察，重点关注异常值。
在这个过程中，我们要选定第一关键指标（OMTM，One Metric That Metter），而不要被虚荣指标（Vanity Metrics ）所迷惑。
以社交类APP为例，如果我们将下载量作为第一关键指标，可能就会走偏；因为用户下载APP并不代表他使用了你的产品。在这种情况下，建议将DAU（Daily Active Users，日活跃用户）作为第一关键指标，而且是启动并且执行了某个操作的用户才能算上去；这样的指标才有实际意义，运营人员要核心关注这类指标。
5.2 多维分解
多维分解是指从业务需求出发，将指标从多个维度进行拆分；这里的维度包括但不限于浏览器、访问来源、操作系统、广告内容等等。
为什么需要进行多维拆解？有时候一个非常笼统或者最终的指标你是看不出什么问题来的，但是进行拆分之后，很多细节问题就会浮现出来。
5.3 用户分群
用户分群主要有两种分法：维度和行为组合。第一种根据用户的维度进行分群，比如从地区维度分，有北京、上海、广州、杭州等地的用户；从用户登录平台进行分群，有PC端、平板端和手机移动端用户。第二种根据用户行为组合进行分群，比如说每周在社区签到3次的用户与每周在社区签到少于3次的用户的区别
5.4 用户细查
正如前面所说的，用户行为数据也是数据的一种，观察用户在你产品内的行为路径是一种非常直观的分析方法。在用户分群的基础上，一般抽取3-5个用户进行细查，即可覆盖分群用户大部分行为规律。
5.5 事件分析
事件：通过埋点，高效追踪用户行为或业务的过程。注册、启动、登录、点击等，都是常见的事件。
通过事件分析我们可以准确了解 App 内发生的事件量，根据产品特性合理配置追踪，可以轻松回答关于变化趋势、分维度对比等问题，例如：
某个时间段推广页面点击量有多少，对比昨日有多少提升？
某个渠道的累计注册数是多少，第一季度排名前十的注册渠道有哪些？
某个活动页的uv分时走势，安卓和 iOS 占比情况如何？
5.6 漏斗分析
漏斗是用于衡量转化效率的工具，因为从开始到结束的模型类似一个漏斗，因而得名。漏斗分析要注意的两个要点：第一，不但要看总体的转化率，还要关注转化过程每一步的转化率；第二，漏斗分析也需要进行多维度拆解，拆解之后可能会发现不同维度下的转化率也有很大差异。
在漏斗模型中清晰 3 个基本概念，可以借助强大的筛选和分组功能进行深度分析。
步骤：指的用户行为，由事件加筛选条件组成
时间范围：漏斗第一步骤发生的时间范围
转化周期：用户完成漏斗的时间限制，漏斗只统计这个时间范围内，用户从第一步到最后一步的转化。
漏斗分析与事件分析不同的地方在于：漏斗分析是基于用户，或是说基于人来统计某一批用户所发生的行为，不会受到历史浏览页面用户的事件影响，可以更加准确的暴露某一时间段产品存在的问题。
某企业的注册流程采用邮箱方式，注册转化率一直很低，才27%；通过漏斗分析发现，主要流失在【提交验证码】的环节。
5.7 留存分析
留存，顾名思义就是新用户留下来持续使用产品的含义。衡量留存的常见指标有：次日留存率、7日留存率、30日留存率等等。我们可以从两个方面去分析留存，一个是新用户的留存率，另一个是产品功能的留存。
5.7.1留存用户：即用户发生初始行为一段时间后，发生了目标行为，即认定该用户为留存用户。
5.7.2留存行为：某个目标用户完成了起始行为之后，在后续日期完成了特定留存行为，则留存人数 +1。
5.7.3留存率：是指发生“留存行为用户”占发生“初始行为用户”的比例。常见指标有次日留存率、七日留存率、次月留存率等。
5.7.4留存表：留存表中给出了目标用户的留存详情，主要包括以下几个信息：
目标用户：每天完成起始行为的目标用户量，是留存用户的基数；
留存用户：发生留存行为的留存用户量和留存率。
留存曲线图：留存曲线图可以观测随着时间推移，用户留存率的衰减情况。
第一个案例：以社区网站为例，“每周签到3次”的用户留存率明显高于“每周签到少于3次”的用户。签到这一功能在无形中提升了社区的用户的粘性和留存率，这也是很多社群或者社区主推这个功能的原因。
第二个案例：首次注册微博，微博会向你推荐关注10个大V；首次注册LinkedIn，LinkedIn会向你推荐5个同事；申请信用卡时，发卡方会说信用卡消费满4笔即可抽取【无人机】大奖；很多社交产品规定，每周签到5次，用户可以获得双重积分或者虚拟货币。
在这里面“关注10个大V”、“关注5个同事”、“消费4笔”、“签到5次”就是我想说的Magic Number，这些数字都是通过长期的数据分析或者机器学习的方式发现的。实践证明，符合这些特征的用户留存度是最高的；运营人员需要不断去push，激励用户达到这个标准，从而提升留存率。
5.8 A/B测试与A/A测试
A/B测试是为了达到一个目标，采取了两套方案，一组用户采用A方案，一组用户采用B方案。通过实验观察两组方案的数据效果，判断两组方案的好坏。在A/B测试方面，谷歌是不遗余力地尝试；对于搜索结果的显示，谷歌会制定多种不同的方案（包括文案标题，字体大小，颜色等等），不断来优化搜索结果中广告的点击率。
这里需要注意的一点，A/B测试之前最好有A/A测试或者类似准备。什么是A/A测试？A/A测试是评估两个实验组是否是处于相同的水平，这样A/B测试才有意义。其实这和学校里面的控制变量法、实验组与对照组、双盲试验本质一样的。
六、搭建数据分析体系思路
6.1 内容定位
运营需要明确知道自己的目标或者KPI，然后选择一个核心关键指标（OMTM）进行监测。如果是创业公司，初期可能需要拉新，那么核心指标是注册用户数或者新访问用户数。如果是资讯媒体，注重影响力和覆盖面，那么核心指标应该是微信阅读数或者网页PV。
6.2 用户画像
无论是哪一种运营岗位，都需要明确知道自己的（目标）用户是那些人？这些人都有哪些特征，他们的关注点和痛点是什么？如果你的用户是产品经理，那么可以尝试爬虫抓取产品经理网站上有关的问题，然后做文本分析：这是定量层面的分析。
同时，通过调查访问和问卷调研，获取更加深入的用户特征信息：这是从定性层面的分析。
6.3 持续监测
借助数据分析工具，对核心关键指标（OMTM）进行持续监测。对于指标异常情况，我们需要及时分析和改进。
6.4 数据分析
统计和分析过往内容的数据，找出哪些内容、哪些标题、哪些形式、哪些渠道的效果更好，然后朝这方面不断优化。
七、AARRR模型
AARRR 模型是一套适用于移动 App 的分析框架，又称海盗指标，是“增长黑客”中驱动用户增长的核心模型。AARRR 模型把用户行为指标分为了 5 大类，分别为：获取用户，激发活跃，提高留存，增加收入和病毒传播。
以电商业务为例，下图基于AARRR 模型，构建用户生命周期运营全脉络和每个节点需要关注的重点指标：
7.1 Acquisition 获取用户
在获取用户阶段，我们希望让更多潜在用户关注到我们的产品，通过以下基础途径来曝光我们的推广页面：
付费获取：媒体广告、SMS、EDM、流量交易/置换
搜索营销：搜索引擎优化（SEO），搜索引擎营销（SEM）
口碑传播：用户间邀请活动，病毒 H5 传播等
用户访问页面后，可以通过导航、主动搜索、算法推荐来了解到我们的产品。切中当下需求的用户会进行注册行为，算是和用户真正意义上第一次会面。
这时就要重点关注推广页 UV，点击率，注册量，注册率，获客成本等重要指标。
7.2 Activation 激发活跃
用户注册后是否有进一步了解我们的产品？这其中涉及到产品的功能，设计，文案，激励，可信等等。我们需要不断调优，引导用户进行下一步行为，让新用户成为长期的活跃用户：
我们可以通过界面/文案优化，新手引导，优惠激励等手段， 进行用户激活流程的转化提升。监控浏览商品页面，加入购物车，提交订单，完成订单的漏斗转化。
这个过程中，我们要重点关注活跃度，若定义加入购物车为活跃用户，那么就要观察注册至加入购物车漏斗转化率，按维度拆分，分析优质转化漏斗的共有特征/运营策略，提升策略覆盖率，优化整体转化效果。
7.3 Retention 提高留存
用户完成初次购买流程后，是否会继续使用？流失的用户能否继续回来使用我们的产品？
产品缺乏粘性会导致用户的快速流失，我们可以通过搭建生命周期节点营销计划，通过 push、短信、订阅号、邮件、客服跟进等一切适合的方式去提醒用户持续使用我们的产品。并且在此基础上通过积分/等级体系，培养用户忠诚度，提升用户粘性。
重点关注留存率，复购率，人均购买次数，召回率等指标。
7.4 Revenue 增加收入
我们获得每位用户平均需要花费多少钱？每位用户平均能为我们贡献多少价值，能是否从用户的行为，甚至其他方式赚到钱？
电商业务的基础要关注获客成本CAC，顾客终身价值，在此基础上通过运营活动激励用户进行购买，提升用户单价、频次、频率，最终提升用户生命周期贡献价值。
重点关注获客成本，顾客终身价值，营销活动ROI等指标。
7.5 Referral 病毒传播
用户是否会自发的推广我们的产品？通过激励是否能让更多的忠诚用户推广我们的产品？
在社交网络高度发达的今天，我们可以通过各种新奇的方式去进行产品传播：用户邀请的老带新活动，垂直领域的社群运营，H5营销传播，让老用户推广我们的产品，吸引更多的潜在用户。
重点关注邀请发起人数，每个病毒传播周期的新用户量，邀请转化率，传播系数等。
八、3 大增长引擎
精益创业提出一个概念：唯一关键指标（onemetric that matters, OMTM）。
在任何类型产品的任何一个阶段，都需要找到唯一的一个数字，把它放到比其他任何事情都更重要的位置上。在数据分析时，可以抓取许许多多的数据，但必须聚焦在最关键的事情上。同时其也是“增长黑客”中的关键特质：专注目标。
8.1 粘着式增长引擎
粘着式增长引擎以 Retention 留存作为 OMTM 驱动增长
典型案例是游戏类的 App，Facebook 针对游戏提出的“40-20-10”法则，即如果你想让游戏的DAU超过 100 万，那么新用户的次日留存率应该大于 40%，7 日留存率大于 20%，30 日留存率大于 10%。
不使用任何运营激励手段与使用留存激励相比，次日留存相差甚远。
例如游戏中常见的：签到活动，登录奖励，时长奖励等玩法都是基于提升用户留存的目的。
通过提供目的性的目标，制定规则和反馈系统，为玩家带来创造性成就和能力的提高带来的满足感和愉快感，从而提升用户的游戏频率，游戏时长，最终提升用户留存。
好的留存率对于不同的产品而言是不同的，在这里不展开对用户留存率的划分，针对不同类型的产品与用户粘性寻找最适合的留存指标才是正确的。
8.2 付费式增长引擎
付费式增长引擎以 Revenue 营收作为 OMTM 驱动增长。
简单来说，从顾客在产品上贡献的价值大于获取付费客户的成本，就可以一直驱动营收增长。
互联网金融是付费式增长引擎的典型例子，由于产品类型不像游戏和视频资讯类应用，有强大高频使用需求。互金运营考核的核心目标就是促成交易，从用户每一次投资/借贷行为中获得收入，覆盖营销的投入，不断驱动引擎的转动。
这里我们要重点关注2个指标：
CAC（CustomerAqusition Cost）客户获取成本
CLV(Customer Lifetime Value) 客户终生价值
例如：某次月在营销上投入成本 20000 元，新增投资用户 100 人，则获取每位投资用户的成本是 200 元。若人均投资 5 万元，利润率 2%，客户终身价值 CLV=1000 元/人。
当 CLV>CAC ，不计其它成本的基础上，已驱动引擎正常运转了，接下来就要思考如何提供更多曝光，扩大顶端的漏斗，以及尽可能缩短客户盈亏平衡时间。
8.3 爆发式增长引擎
爆发式增长引擎以 Referral 传播作为 OMTM 驱动增长
指标
曝光量：影响多少用户；
点击量：有多少用户尝试了解；
参与量：有多少用户参与；
转发量：有多少用户转发、传播；
新增流量：带来多少新增。
典型案例：基于社交场景的分享，通过瓜分红包，砍价、拼团、秒杀等玩法，不断触达潜在用户。
用户分享到社交网络，即可降低付出的成本，通过为用户省钱的策略，提升用户感知价值，不断刺激价格敏感用户，贡献大量的分享量，点击量，引导潜在用户进行体验/注册。
在爆发式增长引擎中，我们需要关注病毒系数K = I x Conv :
I：Invitation，即每个用户发送的邀请数量，反映了分布密度.
Conv ： Conversionrate，即每个邀请成功的概率，反映了感染强度.
那么如何提升让病毒传播系数，上面活动中常见的 3 种方案：
重点提高接受率：降低接受门槛，且尽量将接受步骤控制在社交场景中，避免二跳降低转化。
缩短单次邀请流程的生命周期：通过限定时间的方法，加快增长进程的同时，提升紧迫感。
试图说服用户去邀请更多的人：头几位受邀用户在砍价中可以砍掉很多金额，让用户初尝甜头后会激励更多的转发量。
8.4 总结
结合多种业务场景，梳理如何通过用户行为进行事件分析、漏斗分析和留存分析，基于 AARRR 模型如何获取用户、激发活跃、提高留存、获取收入和病毒传播，最后通过三大引擎，聚焦 OMTM 驱动增长。
每当产生新的业务问题的时候，通过框架去进行系统化的思考，对问题的解决起着尤为重要的作用。
参考文章：
https://www.jianshu.com/p/89938a3a45cf
http://www.hwsem.com/hw/tgrj/201817628.html
https://www.niaogebiji.com/article-18031-1.html
http://bbs.paidai.com/topic/1224547
https://36kr.com/p/5058187