
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
机器学习解决实际问题的核心关键:从业务到落地的全流程解析 在人工智能技术落地的浪潮中,机器学习作为核心工具,已广泛应用于 ...
2025-09-09SPSS 编码状态区域中 Unicode 的功能与价值解析 在 SPSS(Statistical Product and Service Solutions,统计产品与服务解决方案 ...
2025-09-09CDA 数据分析师:驾驭商业数据分析流程的核心力量 在商业决策从 “经验驱动” 向 “数据驱动” 转型的过程中,商业数据分析总体 ...
2025-09-09R 语言:数据科学与科研领域的核心工具及优势解析 一、引言 在数据驱动决策的时代,无论是科研人员验证实验假设(如前文中的 T ...
2025-09-08T 检验在假设检验中的应用与实践 一、引言 在科研数据分析、医学实验验证、经济指标对比等领域,常常需要判断 “样本间的差异是 ...
2025-09-08在商业竞争日益激烈的当下,“用数据说话” 已从企业的 “加分项” 变为 “生存必需”。然而,零散的数据分析无法持续为业务赋能 ...
2025-09-08随机森林算法的核心特点:原理、优势与应用解析 在机器学习领域,随机森林(Random Forest)作为集成学习(Ensemble Learning) ...
2025-09-05Excel 区域名定义:从基础到进阶的高效应用指南 在 Excel 数据处理中,频繁引用单元格区域(如A2:A100、B3:D20)不仅容易出错, ...
2025-09-05CDA 数据分析师:以六大分析方法构建数据驱动业务的核心能力 在数据驱动决策成为企业共识的当下,CDA(Certified Data Analyst) ...
2025-09-05SQL 日期截取:从基础方法到业务实战的全维度解析 在数据处理与业务分析中,日期数据是连接 “业务行为” 与 “时间维度” 的核 ...
2025-09-04在卷积神经网络(CNN)的发展历程中,解决 “梯度消失”“特征复用不足”“模型参数冗余” 一直是核心命题。2017 年提出的密集连 ...
2025-09-04CDA 数据分析师:驾驭数据范式,释放数据价值 在数字化转型浪潮席卷全球的当下,数据已成为企业核心生产要素。而 CDA(Certified ...
2025-09-04K-Means 聚类:无监督学习中数据分群的核心算法 在数据分析领域,当我们面对海量无标签数据(如用户行为记录、商品属性数据、图 ...
2025-09-03特征值、特征向量与主成分:数据降维背后的线性代数逻辑 在机器学习、数据分析与信号处理领域,“降维” 是破解高维数据复杂性的 ...
2025-09-03CDA 数据分析师与数据分析:解锁数据价值的关键 在数字经济高速发展的今天,数据已成为企业核心资产与社会发展的重要驱动力。无 ...
2025-09-03解析 loss.backward ():深度学习中梯度汇总与同步的自动触发核心 在深度学习模型训练流程中,loss.backward()是连接 “前向计算 ...
2025-09-02要解答 “画 K-S 图时横轴是等距还是等频” 的问题,需先明确 K-S 图的核心用途(检验样本分布与理论分布的一致性),再结合横轴 ...
2025-09-02CDA 数据分析师:助力企业破解数据需求与数据分析需求难题 在数字化浪潮席卷全球的当下,数据已成为企业核心战略资产。无论是市 ...
2025-09-02Power BI 度量值实战:基于每月收入与税金占比计算累计税金分摊金额 在企业财务分析中,税金分摊是成本核算与利润统计的核心环节 ...
2025-09-01巧用 ALTER TABLE rent ADD INDEX:租房系统数据库性能优化实践 在租房管理系统中,rent表是核心业务表之一,通常存储租赁订单信 ...
2025-09-01