随着新业态、新模式、新技术对传统产业冲击的不断加强,数字化转型已经成为全球企业的共识。

6月23日,观远数据「数据分析实战研习社」开启在线课程首播,蜜芽宝贝技术总监曾昶作为首播嘉宾在线分享了《数据驱动电商行业的理论与实践》。

培养与时俱进的思维方式

当你觉得行业格局比较稳定的时候,新的参与者或商业模式又会横空出世,而唯一不变的就是变化本身。在这种不确定的背景下,想要跟上行业发展,则需要有一套与时俱进的数据思维方式,可以高效地组织有限的资源在艰难的环境中获取更多机会。

好的思维方式也是在不断迭代进化,对于IT从业者来说,不仅需要具备技术思维,还需要掌握产品思维、运营思维、管理思维以及数据思维。

不依赖数据的经营决策,就好比在陌生的小路上蒙着眼向前跑,没有来自眼睛的实时路况数据反馈,随时会摔倒或者掉沟里。但如果数据只是一堆数字,没有足够的信息量,那将毫无意义。所以,企业需要建立完整的数据指标体系来衡量工作成果。比如衡量技术系统高可用性的n个9、各条业务线KPI指标等。

在大数据时代,企业和客户之间的所有接触都会留下数据痕迹,而当业务存在问题时,如果数据能够越快反应问题所在,留给我们解决问题的时间就越多。

从“人货场”视角,搭建电商指标体系

电商业务可以抽象成“人货场”,商品、用户、场景以不同的方式组合在一起往往意味着不同的电商模式。抛开不同模式之间的差异性,重点还是要分析:谁在什么「场景」下「买」了什么「商品」。

1、商品分析

从商品角度,企业最关心的是销售数量和销售金额。具体到数据指标,可以拆解为销售额、毛利额、毛利率、销售件数这几个值,再进一步会追踪每个品类每个品牌每个单品的销售额、毛利。

如何判断这些指标是好是坏,不能光看绝对值,还要跟目标比,看达成率;跟过去比,看趋势;跟同类比,了解自己在大盘中的地位。根据最后数据反馈,就可以不断优化商品结构。

2、用户分析

“买”的动作,背后隐含的主语是用户。所以,在对用户进行分析时,就需要关注购买时间、购买次数、客单价等。进一步会分析这个用户一个月或者一年一共购买了几次,总共花了多少钱。具体到数据指标,可以拆解为购买用户数、客单价(或者ARPU值)以及人均购买次数、单次购买金额这几个指标。

对电商而言,通常都是兼顾新客拉新和老客留存。拉新一般都会有比较可观的拉新费用,用新客在首单或者半年或者一年内贡献的ARPU值比上费用,可以计算出不同维度的ROI,只要ROI合理,新客是多多益善。当新客流入的速度大于老客流失的速度时,假设客单价不变,销售业绩就会越来越好,反之就有陷入衰退的风险。企业需要根据用户数据指标展示出来的问题,快速调整运营策略,加大新客拉新的力度或者老客留存的力度。

3、渠道分析

关于场景,举个例子,当你在刷抖音时看到兔头妈妈甄选这个母婴品牌618的大促广告,你正好想在618囤货,随即点击广告进入到该品牌的天猫旗舰店,并在该品牌旗舰店的直播间买了购物袋里摆在第一个位置的纸尿裤。在这个转化链路里,企业显然会关心在抖音里有多少用户看到和点击了广告,有多少用户进到了天猫旗舰店里并最终购买了什么商品花了多少钱,有多少用户进到了直播间这个场景,并通过直播间里的哪个位置进行了加购。

具体到数据指标,可以简单提炼为流量(主要是UV)、点击率、转化率、客单价等,还可以额外增加一些点赞率、分享率相关的指标。有了这些指标数据,把各个场景按照UV、转化率、客单价进行综合排行,就可以得出哪些渠道哪些场景适合做新客拉新还是老客维护。

商品、用户、渠道是电商数据分析中最核心的要素,当然,他们之间也存在一个等式:

SUM(商品销售额)=购买用户数 * 客单价=UV * 转化率 * 客单价

以这个等式来层层拆解,就会发现更多电商运营中的增长机会。

电商数据中台建设逻辑

数据指标体系提炼好之后,下一步就是想办法实践,也可以通过数据中台的思维逐步落地。具体可以分为四个阶段:数据建模、数据采集、ETL以及数据分析。

数据建模里的模型通常指的是多维模型,包含商品订单模型、商品流量模型。商品模型建立好之后,需要尽快确认上游数据是否存在,在这两个模型里,需要的上游数据主要有订单交易流水、流量日志、商品配置数据、商品成本数据、运营费用数据、渠道配置数据、场景配置数据以及用户画像数据。

找到了上游数据源之后,可以中间添加一些处理层,按照标准的数据仓库建设流程,一般会在中间抽象出两层,ODS层和DW层。ODS层会把各个异构数据源中的相关业务数据都抽取上来,一般不做清洗和转换,以保持与源数据的一致性。在DW层之上再进行汇总和处理,就到了目标数据模型层,这一层一般被叫做DM层或者APP应用层,到了这一层之后,为了方便后续的数据分析,也可以把这一层的数据存储到关系型数据库中。再之后就是数据分析,在数据分析这个环节,就可以借助类似观远数据这样的成熟BI产品。

总结来说,这个四层结构是越往下就越稳健,越往上越灵活可变。尤其在数据分析层,**借助观远数据BI平台,只需极少数的数据分析师,就能够支持业务部门绝大部分的日常数据需求。**维护成本降低后,就可以把数据组从之前繁琐的报表开发工作中解放出来,投入到能产生更大价值的工作中,推动上游数据从源头上加强建设。