本文

約3300字

，建議

閱讀8分鐘

資料分析師需要哪些“專業技能”？如果有人建議你去學習R語言、tableau、PowerBI，那麼我建議你不如先從最基礎也是最核心的資料分析方法學起。

在一家年銷售不到10億的電商公司（行業中大部分電商企業年銷售可能都不到1個億），你只要掌握一些基礎的資料分析方法，再配合Excel表格，就足夠你完成各種資料化運營工作了。

本文主要講解日常資料分析中，

最常用的三大資料分析方法

。內容雖然簡單，但是其中

充滿了大量的細節方面的實用技巧

。

01 對比

對比是所有資料分析方法中最基礎，也是大家耳熟能詳的一個。俗話說，無對比，不分析。說的就是對比分析法了。

在實際分析場景中，對比有不同的應用維度。比如有

環比、同比、橫比、縱比、絕對值對比，相對值對比

等。下面我們分別解釋一下它們的不同應用場景。

1. 絕對值對比與相對值對比

從概念上而言，絕對值包含正數、負數和零值。在電商資料分析中，一般是指正數之間的對比較多，如銷售額、退貨額等；相對值對比，則是指轉化率、完成率等這類相對數之間的對比。

2. 環比

環比是指統計週期內的資料與上期資料的比較

，比如2017年6月資料與2017年5月資料的比較。

在電商資料分析中，由於每個自然月之間的銷售差額比較大，如果採用絕對指標，便很難透過對比觀察到業務的變化。

因此，一般會採用相對指標來做環比分析，如2017年6月的銷售達標率是102%，2017年5月的銷售達標率是96%；這樣便很容易知道兩個月度之間轉化率的好壞優劣了。然而，如果我們用絕對值來對比：2017年6月銷售額500萬，2017年5月銷售額300萬，這樣的對比便很難判斷究竟哪個月的銷售額完成得更好。

3. 同比

同比是指統計週期內資料與去年同期資料之間的對比

，比如2017年6月銷售額是500萬，2016年6月銷售額是450萬，同比增加11。1%。

在電商分析中，同比是應用最廣泛的資料分析方法。透過同比，我們能大致判斷店鋪的運營能力在最近一年中，是保持增長還是呈下滑趨勢。

同時，也可以根據同比增長趨勢，來制訂初步的銷售計劃。如表3-4所示，假設現在店鋪流量同比下降8%（流量下降是平臺趨勢），客單價保持不變的情況下，要想實現店鋪銷售業績的上升，唯有提升轉化率。

因此，我們透過表3-4的模擬推算，可以得知，當轉化率提升21%，到達0。35%時（0。35%轉化率被認為是行業的平均值），業績會提升11%。

▼表3-4 店鋪銷售計劃推算模擬表

4. 橫向對比與縱向對比

所謂橫向對比與縱向對比，是指空間與時間兩個不同的維度之間的對比。

橫向對比是空間維度的對比，指同類型的不同物件在統一的標準下進行的資料對比。

如“本店”與“競品”之間的對比；

縱向對比是時間維度的對比，指同一物件在不同時間軸上的對比。

如前面提到的“同比”“環比”都是縱向對比。

5. 份額

嚴格地說，“份額”屬於橫向對比的一種。由於在實際分析場景中它經常會被忽略，因此單獨羅列出來，加以說明。

在某些情況下，資料表格中多一個“份額”，會讓表格清晰明瞭許多。

如表3-5所示，假設我們要分析“某品牌天貓、京東、唯品會三大渠道”的“上衣、下衣、連衣裙和其他”在“Q1～Q4季度”的銷售趨勢和表現。常規的分析方法是，按照表1的表格結構，將各種資料有層次地展現出來。這時，所有的銷售資料在表格中可以層次分明地一覽無餘。

▼表3-5 以份額處理的資料表格

但是，如表1這般的資料卻不能直觀告訴我們每個銷售類別在不同渠道和不同季度的銷售趨勢是什麼。因此，在資料分析中便需要加入表2這樣的“份額”分析表格。如此，

我們便可一目瞭然地掌握每個類別在不同渠道、不同時期的銷售趨勢。

因此也就達到了資料分析的目的。

很多資料分析師往往只是完成了“表1”的分析步驟，卻缺少臨門一腳，沒有把“表2”也同步呈現出來。

02 細分

細分，是一種從概念上理解非常容易，但實際應用起來卻很難的分析方法。

細分分析法，常用於為分析物件找到更深層次的問題根源。

難點在於我們要理解從哪個角度進行“細分”與“深挖”才能達到分析目的。就好像高中課程中解幾何題一樣，如果找對了

“解題思路”

，問題就迎刃而解；如果“解題思路”錯了，勞心費力不說，問題還解決不了。

在實際應用中，細分有許多不同的方法，就如同我們在解題時，有各種不同的“解題思路”一樣。有時候，面對同一個問題，兩個不同的解題思路都可以達到解題的目的；但更多時候，只有唯一正確的解題思路才可以正確地解題。所以，在分析之前，選擇正確的‘細分’方法便非常重要。

下面，我們就具體來看一下，在細分分析中，有哪些解題思路。

1. 分類分析

就是指對所有需要被分析到的資料單元，按照某種標準打上標籤，再根據標籤進行分類，然後使用匯總或者對比的方法來進行分析。

在服裝行業中，常用於做分類分析的標籤有

“類目”“價格帶”“折扣帶”“年份”“季節”

等。

透過從“年份”“季節”的維度來對商品庫存進行細分，我們可以輕鬆地知道有多少貨屬於“庫存”，有多少貨屬於“適銷品”；

透過從“折扣帶”的維度來對銷售流水進行細分，我們可以大致知道店鋪的盈利情況；

透過從“類目”的維度對銷售流水和庫存同時進行細分，我們可以知道統計週期內品類的銷售動態與庫存滿足度。

2. 人—貨—場

“人—貨—場”能夠為人提供宏觀視野的分析。

其原理類似於分類分析，即將所有需要被分析到的資料單元，打上“人”“貨”“場”的標籤，然後再進行相應的資料分析與處理。

在實際應用場景中，“人—貨—場”分析法往往被靈活運用在初步診斷某一競品店鋪時。

如圖3-3所示是利用“人—貨—場”邏輯方法來分析競品店鋪的主流思路。在分析之前，先把“解題思路”用“人—貨—場”的方式羅列出來，把所有能夠想到的有用的“分支”都羅列出來，然後查漏補缺、標註重要與非重要。最後，再按此“解題思路”來進行分析。便可達到事半功倍的分析效果。

▲圖3-3 利用“人—貨—場”細分方法初步分析競品店鋪

3. 杜邦分析法

細分分析方法中，還有一種知名的分析方法，叫“杜邦分析法”。在電商資料分析中，杜邦分析也是常被使用的分析方法之一。

百度百科中對杜邦分析的解釋是：“杜邦分析法（DuPont Analysis）是利用幾種主要財務比率之間的關係來綜合分析企業的財務狀況。具體來說，它是一種用來評價公司盈利能力和股東權益回報水平，從財務角度評價企業績效的一種經典方法。”由此可見，杜邦分析主要是用於企業的財務分析之中。

但是在電商中，

杜邦分析常被用於尋找銷售變化的細小因素之中

。如圖3-4所示，便是根據杜邦分析原理，將所有影響到銷售額的量化指標都統計出來的一種常用分析方法。此種方法，有助於我們從細小的資料顆粒中找到影響銷售變化的元素。

▲圖3-4 銷售變化的原因分析

03 轉化

轉化分析是電商、遊戲等網際網路行業的特定分析方法，在傳統行業的零售分析中並不常見。

轉化分析常用於頁面跳轉分析、使用者流失分析等業務場景。

轉化分析的表現形式一般是選用漏斗模型，如圖3-5所示，便是模擬了某電商店鋪的流量轉化情況，並以漏斗圖的形式展現出來。

▲圖3-5 電商常見的流量轉化漏斗圖

這張圖模擬了從店鋪的瀏覽商品人數到加購人數，然後生成訂單、支付訂單，直到最後支付成功的漏斗示意圖。

從圖3-5的示例中，反推“轉化”分析方法，我們應該得到以下結論：

轉化分析方法的前提，是我們需要首先確定一條“轉化路徑”（如圖3-5左側的路徑所示），這條路徑就是我們的“解題方法”，是決定我們接下來的分析能否達成目標的重要因素。

當“轉化路徑”確定後，我們需要把“路徑”中的各個“節點”羅列出來，並把節點下的重要資料統計出來。

最後，根據路徑把各節點的資料用漏斗圖的形式表達出來。

同時，轉化分析還可用於店鋪微觀方面的“轉化”洞察。譬如在某一次店鋪舉行大促活動時，我們需要分析大促期間“活動二級頁”的流量轉化效果如何。此時，我們便可以參照如圖3-6所示的漏斗模型。

▲圖3-6 活動頁效果分析的漏斗圖

在以上案例中，我們將轉化路徑定義為“活動頁詳情頁支付頁面（下單）支付成功（購買）”四個節點。然後統計每個頁面的流量到達數量，於是得出如圖3-6所示的漏斗圖。

透過此圖，可以清晰明確地診斷出此次活動二級頁在“下單付款”環節轉化率僅40%，存在一定問題。在支付介面的流量跳失，很可能是價格過高所致。

劉振華

，電商行業專家，擁有超過10年的女裝行業的資料分析和資料化運營經驗，對電商的資料分析和資料化運營有深刻的理解，擅長從關鍵資料中提煉出業務改進點，以及傳統品牌的電商業務戰略規劃，在業界有較高的度和影響力。

本文摘編自《電商資料分析與資料化運營》，經出版方授權釋出。

編輯：黃繼彥