电商行业

一、电商相关企业

2019年的电商产业，吸引了中国互联网领域最多的明星企业在这个广袤的战场展开角逐，上演了一场教科书式的商战案例。阿里巴巴作为领先者，为了捍卫自己的领先优势严防死守;京东作为挑战者，在正面战场持续进攻;拼多多利用微信社交网络与“五环外市场”的无争地带，从侧翼包抄进入主战场;苏宁线上、线下结合，使尽浑身解数留在核心竞争者的位置;网易严选、云集与小红书们则避开巨头优势，分别在精选电商、会员电商与社区电商等细分市场抢得一块阵地。而唯品会与当当等昔日的明星电商企业们，则在新的竞争环境下束手无策，逐渐沉沦。

在著名的商战理论中，战争分为进攻战、防守战、侧翼战与游击战四种类型。其中，进攻战与防守战是行业领先者在正面战场的核心战略，侧翼战则是正面战场之外竞争者采取的创新战略。侧翼战的第一条原则就是“最佳的侧击行动应该在无争地带进行”。

二、电商数据分析

1、 RFM模型

模型定义：在众多的客户关系管理的分析模式中，RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。在RFM模式中，R(Recency)表示客户最近一次购买的时间有多远，F(Frequency)表示客户在最近一段时间内购买的次数，M (Monetary)表示客户在最近一段时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析，RFM则强调以客户的行为来区分客户。利用 RFM分析，我们可以做以下几件事情：

⑴ 建立会员金字塔，区分各个级别的会员，如高级会员、中级会员、低级会员，然后针对不同级别的会员施行不同的营销策略，制定不同的营销活动。
⑵ 发现流失及休眠会员，通过对流失及休眠会员的及时发现，采取营销活动，激活这些会员。
⑶ 在短信、EDM促销中，可以利用模型，选取最优会员。
⑷ 维系老客户，提高会员的忠诚度。
使用方法：可以给三个变量不同的权重或按一定的规则进行分组，然后组合使用，即可分出很多不同级别的会员。

2、关联分析

关联分析最原始的案例来自于沃尔玛的“啤酒与尿布”。通俗意义上讲，就是只买了A商品的人，又有很多人买了B商品，那么我们就可以认为A、B两个商品的关联性比较高。很多数据挖掘工具都有关联挖掘，主要使用的算法是Apriori算法，在计算的过程中会主要考察项集、置信度、相关性这三个结果数据，以最终确定商品之间的相关性。除了Apriori算法外，还有许多其他的关联分析的算法，基本上也都是从Apriori发展而来，比如FPgrowth。本人从几年的数据分析经验感觉，关联分析在零售业中并不太实用，挖掘出来的关联度比较高的商品一般都是同类商品或者同品牌的商品，像“啤酒与尿布”这种，很少能够有。

使用方法：组套销售或者相关陈列等。

3、聚类分析

零售行业的聚类分析主要是指将具有相似购物行为的顾客进行群体的细分，以支持精细化的营销活动，带来更大的营销效果，节省成本。Spss里面的聚类分析主要有两种K-means聚类和系统聚类。也可以在数据仓库中根据顾客购买的商品属性进行会员的聚类分析，这里就不需要算法的支持，只需要根据系统的已经有的商品分类，把购买过相同商品类别的顾客划分到一起。这种方法可能与公司的业务更加贴近。聚类分析是进行会员精细化管理，精细化营销的基础，做好聚类分析，对企业将有很大的益处。

使用方法：对顾客细分，精准化营销。

4、“之”字分析法

该种方法主要是有一种很明确的会员群体，然后通过分析这些会员群体的购买行为，提取这些购物行为的相似点，然后再通过这些相似点返回到整个数据里面，从中抽取更大的会员群体，以制定精准的营销。

再后来，公司又上了SAP，又去BW组去做报表开发，做报表开发这一块能够接触到更多的业务方面的知识，虽然做数据挖掘比较少了，但是数据最终是要指导业务的，所以这对我的成长也算是非常有利的。业务方面主要了解到了几大块：

1、库存管理-库存管理这块主要有正品库存的管理，滞销库存，高库存商品等各种不同类型的库存该怎么定义以及该如何去管理。比如去管理供应商的库存的时候会根据正品库存及滞销库存和库存正常的周转天数来计算该供应商的库存是否在合理的水平，是否该进货还是要减少库存。
2、促销管理-促销管理是以提高销售额为目的，吸引、刺激消费者消费的一系列计划、组织、领导、控制和协调管理的工作。数据方面来说主要是针对不同的促销方式来计算不同的方式收益情况，不同的促销方式可以带来不同的效果，因此在使用促销的时候要审慎的选择，以达到理想的效果。
另外，还有财务报表、采购流程等很多方面的东西，这些接触的比较少就不写啦。

在BW项目组的时候，也经常会帮网站做一些分析工作，自己也自学了两本关于网站数据分析方面的书，感觉学到了一些皮毛，下面说一下吧：

1、网站流量分析

网站流量的比较重要的KPI指标有浏览量、访问量、独立访客数、跳失率、转化率、页面停留时间、访问页面数、流量来源、流量来源ROI等等。通过这些数据可以全面的反映网站的整体情况。其中跳失率可以用来衡量页面的质量，流量来源及转化率可以衡量市场及营销的工作情况。进行网站数据分析的时候，需要牢牢的把握转化率这一指标，然后由这一指标的变化来寻找其他相关数据的变化，最终找出原因，做相对应的策略，改进我们的工作。

2、网站分析细分

数据分析行业有句话-无细分，毋宁死，足矣看出细分对数据分析意义。对于网站的数据分析尤其是如此。网站的流量数据量非常大，从整体上看根本都看不出那里会出现问题，所以必须要细分。比如说营销人员需要看的转化率，必须就要细分到每个渠道里面，然后再看到这些渠道来的会员的点击情况，他们都看过那些网页，对什么感兴趣，跳失率是多少，浏览时间多长，最终转化的是多少等等，这样才能看出问题。

3、网站的短信促销及EDM

在这个电子商务普遍烧钱的时代，花出去的钱到底能有多少能够带来实际的收益呢？在抢占市场的同时，怎么才能做到ROI最大化这个问题急需要解决。公司每天几乎都要发几万条甚至几十万条的促销的短信，短信的反馈率基本上都在2%下，怎么才能提高转化率，这就需要更精准的用户定位，把钱花到最有可能带来收益的地方。因此网站的短信促销及EDM促销，必须要依据会员的精细化细分，不但要满足客户的需求，更要挖掘出他们的需求。

1.运营模块

1.1流量分析：通过分析流量规律、结构，监控异常情况，来支撑活动安排，维持流量的稳定和增长。
1.2转化率分析：了解各环节转化情况，分析异常或不合理情况并进行调整以提升各环节转化率。
1.3存留分析：通过分析用户的日活/存留规律，来帮助运营人员发现问题、监控数据，为调整策略提供数据支持，达到提高日活/存留的效果。
1.4复购分析：通过对复购的监控分析，发现问题、细化原因，为运营策略调整提供支持，辅助达到稳定、提高复购率的效果。
1.5流失分析：监督流失情况、分析流失用户结构从而了解公司的流失状况，尽量进行调整。
1.6价格管理：可以通过爬虫技术获取行业价格，对行业价格进行分析，从而实现价格有效调控。
1.7市场分析：获取分析行业情况、竞争对手情况、品牌情况，从而实现公司、产品的有效定位。

2.销售模块

2.1指标跟踪：销售模块中有大量的指标，包括同环比、完成率、销售排行、重点商品占比、平台占比等等，可以从人、货、场三个视角进行分析跟踪。
2.2店铺分析：具有小b级用户，或者入驻平台式，需要针对各店铺经营指标进行分析，包括各店铺效率指标、完成率指标、业绩指标、客单价等，实现店铺价值评定分析。
2.3销售活动管理：线上销售中，活动是非常重要的一块，从事前、事中、事后三个层面实现销售活动的闭环分析，其中包括事前投入分析、目标预测；事中用户参与度、客流分析、销售单分析；事后目标完成情况、活动对比、费销比、活动衰减度、活动爆发度等。

3.商品模块

3.1采购管理：包括供应商数据分析、采购匹配度分析等。
3.2供应链环节管理：供应链服务情况分析（响应周期、交货及时率、订单执行率）、管理指标分析（物资成本占比、客户投诉率等）。
3.3库存管理：商品库存天数、存销比、有效库存比、库存周转率等数据分析。
3.4重要指标分析：分析包括货龄、动销率、缺货率、结构指标、价格体系、关联分析、、畅滞销等分析指标，评判商品价值，辅助调整商品策略。
3.5异常商品分析：包括对退货率、残损率、异常商品等数据进行分析，发现异常商品，及时处理。

4.用户模块

4.1重点指标分析：包括新增用户数、增长率、流失率、有效会员占比、存留率情况等。
4.2用户价值分析：根据rfm模型，再融入其他个性化参数，对用户进行价值的划分，并针对各等级用户进一步的分析。
4.3用户画像：根据固有属性、行为属性、交易属性、兴趣爱好等维度，来为用户添加标签与权重，设计用户画像，提供精准营销参考依据。

5.主题分析

5.1实时监控：主题活动的实时数据监控、重点指标集成，包括订单情况、用户在线情况、商品库存情况等。
5.2主题价值分析：对主题活动价值进行评定分析，包括活动业绩分析、投入产出分析、商品、用户参与情况分析等。

6.风控模块

6.1用户评价分析：分析评价、好评、差评、投诉等数据，对商铺、商品经营情况进行判断，提早发现风险并及时处理。
6.2异常订单分析：划定正常订单范围，不满足正常订单属性的划分为异常订单，来有效控制刷单等异常情况出现。

三、产业电商