
在电子商务过程中你需要使用何种数据来衡量表现
你有一个在线的生意吗?如果你的企业需要衡量表现,不要被蒙在鼓里。
在线商业和传统生意相比主要的优势是每一个单块的数据都可以被衡量。但并不是很多在线零售商多从这一进步当中获利。这不只是说你需要安装网络分析工具,你还需要能够理解这些数据,并且做出可以执行的决策,来让你的在线商业获得成长。
在我们开始之前,你需要掌握的最重要的数据包括:你的商业目标是什么?你在今年,明年,未来三年或者更长时间想要达到的在线商业销售额是多少?如果你对此完全没有线索,你可以用至少十二个月的未来商业成长预测来作为开始。举例说,是环比增长20%还是同比增长25%?
一旦你设立商业目标,而且也明白你有多少预算,你就可以深入观测你数据的主要部分,并且致力于实现你的商业目标,最后当然可以获利。
关键度量
衡量你在线业务的所有数据并不难,每一件事都是用这个黄金公式来开始的。这用来判断在线营收的起源。
在线收入 = 独立访问量 (UV) X 转换率 (CVR) x 平均订购量 (AOV)
对于上面的方程来说很明显,你需要增加流量转化率,以及/或者平均订单量,来增加你的在线销售额。如果你接受线下付款,你还需要把付费率(PR)放到上面的方程中。
我们的推荐方法是,根据营销渠道的不同,来分解这个方程。像这样:
以上是一个例子,你需要包括商业模式当中所有可能的营销渠道,比如关联和参考系等等。你完全可以进一步分解营销渠道,比如比起仅仅分类为社交网络,可以将它们分解到微博、微信等不同的特殊渠道。
丢弃率
如果你的转化率 (CVR)不尽如人意的话,有一个特别重要的衡量标准就是丢弃率(abandonment rate)。
我们在这里并不仅仅谈论把购物车中的东西放弃购买。你需要从着陆页开始就开始测量。这是你的首页,活动专门页面或者其他任何一个消费者可能首次登陆你在线网站的页面。
然后请测量你的着陆页当中的回弹率(bounce rate)。人们在到达你的网站之后是离开了,还是访问站内其他网页?这可能甚至都不包括将产品放入购物车。而且你需要知道为什么发生了这些?这可能是因为你的营销渠道,让着陆之后的用户来到了错误的地方吗?你需要继续优化你的着陆页吗?
自然,衡量购物车丢弃率(shopping cart abandonment rate)是同等重要的,如果十个访问者中有九个人在选购一些东西之后没有付款就走掉了,事情就很糟糕。尤其是如果你投资,希望他们首先能够到达你网站的情况下。
你不仅需要通过购物车检验程序,在技术上优化你的购物车环节,还有一件事也很重要,就是明白什么样的产品具有高的丢弃率。还有,最好给你的顾客打电话,问一问他们为什么离开。
获得消费者的支出
除非你通过搜索引擎优化(SEO)已经能够稳定地获得来自网站的流量——当然不是通过付费搜索,你就需要投入一笔必要的资金来为你的在线商店获得流量。
当然你需要用你喜欢的分析工具来区分新用户和老用户。
对于新用户来说,他们转变成你顾客的比例有多少?这就是我们衡量所谓顾客获得支出(Customer Acquisition Cost (CAC))的办法。简单来说就是你花了多少钱获得了一位顾客。如果你花了100美元来让5个人在你的网站上买东西,你的顾客获得支出就是40美元。
实际上,并不难理解为什么很多的在线零售商提供20美元的折扣券给第一次来的顾客。这实际上是他们顾客获得成本的一部分;还要加上让用户第一次来到他们的在线商店看看的成本。
除了新客户,下一步是衡量你回头客当中的平均保留率( average retention rate)。你需要知道客户们是不是在重复购买?他们回来的频率,以及他们重复购买时一般的行为是什么样的?
千万不要疏忽后一部分。因为让已经过来的顾客来买东西,总比转化新人要简单的多。
顾客的终身价值
实际上这已经在之前衡量保留率的度量标准当中提到过,毫无疑问这将是所有衡量标准当中最重要的一项,这就是顾客终身价值(Customer Lifetime Value (LTV))。
从核心上来说,电子商务是简单的生意,如果终身价值大于顾客的获取成本,那么你就可以赚钱,如果不是的话,你就不赚钱。很简单。
是的,正如上面的这一句语录所说的,如果你不明白这个公式,你最好就不要做电子商务了。
现在我们怎么横量这一指标?很简单,这是你从客户身上获得的投射净利润。如果你从顾客身上获得的净利润比用户获取的花费要低,你就有麻烦了。
我们在这里来做一些计算。假设一个用户花了500美元购买了4样东西,净利润是100美元。这是500美元的20%,同时也是在这个顾客上所获得的终身价值。如果获取这个用户的花费是40美元,你还可以赚到60美元,你的商业模式就是健康的。
简单的说,根据终身价值所测算的净利润,应该高于获取用户的支出。至少从长远来说必须达到这一点。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
从 CDA LEVEL II 考试题型看 Python 数据分析要点 在数据科学领域蓬勃发展的当下,CDA(Certified Data Analyst)认证成为众多从 ...
2025-07-23用 Python 开启数据分析之旅:从基础到实践的完整指南 在数据驱动决策的时代,数据分析已成为各行业不可或缺的核心能力。而 Pyt ...
2025-07-23鸢尾花判别分析:机器学习中的经典实践案例 在机器学习的世界里,有一个经典的数据集如同引路明灯,为无数初学者打开了模式识别 ...
2025-07-23解析 response.text 与 response.content 的核心区别 在网络数据请求与处理的场景中,开发者经常需要从服务器返回的响应中提取数 ...
2025-07-22解析神经网络中 Softmax 函数的核心作用 在神经网络的发展历程中,激活函数扮演着至关重要的角色,它们为网络赋予了非线性能力, ...
2025-07-22CDA数据分析师证书考取全攻略 一、了解 CDA 数据分析师认证 CDA 数据分析师认证是一套科学化、专业化、国际化的人才考核标准, ...
2025-07-22左偏态分布转正态分布:方法、原理与实践 左偏态分布转正态分布:方法、原理与实践 在统计分析、数据建模和科学研究中,正态分 ...
2025-07-22你是不是也经常刷到别人涨粉百万、带货千万,心里痒痒的,想着“我也试试”,结果三个月过去,粉丝不到1000,播放量惨不忍睹? ...
2025-07-21我是陈辉,一个创业十多年的企业主,前半段人生和“文字”紧紧绑在一起。从广告公司文案到品牌策划,再到自己开策划机构,我靠 ...
2025-07-21CDA 数据分析师的职业生涯规划:从入门到卓越的成长之路 在数字经济蓬勃发展的当下,数据已成为企业核心竞争力的重要来源,而 CD ...
2025-07-21MySQL执行计划中rows的计算逻辑:从原理到实践 MySQL 执行计划中 rows 的计算逻辑:从原理到实践 在 MySQL 数据库的查询优化中 ...
2025-07-21在AI渗透率超85%的2025年,企业生存之战就是数据之战,CDA认证已成为决定企业存续的生死线!据麦肯锡全球研究院数据显示,AI驱 ...
2025-07-2035岁焦虑像一把高悬的利刃,裁员潮、晋升无望、技能过时……当职场中年危机与数字化浪潮正面交锋,你是否发现: 简历投了10 ...
2025-07-20CDA 数据分析师报考条件详解与准备指南 在数据驱动决策的时代浪潮下,CDA 数据分析师认证愈发受到瞩目,成为众多有志投身数 ...
2025-07-18刚入职场或是在职场正面临岗位替代、技能更新、人机协作等焦虑的打工人,想要找到一条破解职场焦虑和升职瓶颈的系统化学习提升 ...
2025-07-182025被称为“AI元年”,而AI,与数据密不可分。网易公司创始人丁磊在《AI思维:从数据中创造价值的炼金术 ...
2025-07-18CDA 数据分析师:数据时代的价值挖掘者 在大数据席卷全球的今天,数据已成为企业核心竞争力的重要组成部分。从海量数据中提取有 ...
2025-07-18SPSS 赋值后数据不显示?原因排查与解决指南 在 SPSS( Statistical Package for the Social Sciences)数据分析过程中,变量 ...
2025-07-18在 DBeaver 中利用 MySQL 实现表数据同步操作指南 在数据库管理工作中,将一张表的数据同步到另一张表是常见需求,这有助于 ...
2025-07-18数据分析师的技能图谱:从数据到价值的桥梁 在数据驱动决策的时代,数据分析师如同 “数据翻译官”,将冰冷的数字转化为清晰的 ...
2025-07-17