中国的电商经历了 20 年的发展，逐渐呈现出场景化、个性化、国际化、社交化等趋势。一方面，电商由综合网购不断向母婴、跨境、农村等细分领域发展；另一方面，线上线下结合、企业合纵连横、大数据技术的运用，都象征着电子商务走向生态化发展道路。而企业需要不断打通生态入口、耦合零售、物流、支付等场景服务，涉及线上线下多个环节，对自身生态体系内的资源重新整合，来打破行业边界。

打破企业发展经营困局：从粗放式到精细化

近 10 年来，电商行业竞争日趋激烈，已经渐渐从单纯依靠激情和人海战术的粗放式发展逐渐回归理性，越来越多的企业先驱者意识到要逐步提高运营效率和管理能力，如何实现精细化运营是企业生存和发展都面临的严峻挑战，希望解决以下问题：

1、市场营销的 ROI 如何进行有效评估，从而优化整体营销资源，构建营销核心竞争力？

2、如何让大数据连接企业内外部，提升企业生产力和经营效率？

3、如何树立以用户为中心的思维，转变运营思路？

4、如何勾勒用户画像，通过用户喜好与需求实现精准推荐

电商企业数据驱动瓶颈亟待破解

随着大数据时代的到来，很多企业纷纷建立自己的数据平台，以期待实现精细化运营、数据驱动发展的目的。而在实现数据驱动的过程中，电商企业面临重重困境，亟待突破，如下：

1、多端（App、Web、H5 等）数据难以打通，无法在整体平台上统一查看与分析；

2、用户行为数据和业务数据分离，难以打通，行为数据缺乏业务属性；

3、决策者缺乏实时、准确的数据作为决策依据……

电商企业数据驱动实践案例

本文以电商企业 B 为例，企业 B 成立至今，致力于创造简单、值得信赖的购物体验。在大数据时代的浪潮之下，企业 B 的团队一直注重数据在推动业务发展中的积极作用，他们通过大数据分析工具采集了完整的用户行为数据，实现了多端数据打通，用户行为数据和业务数据打通，为整个团队提供实时、准确的数据的支持，不断优化产品迭代和运营推广，为新形势下企业的持续增长打下了基础。企业 B 具体的数据驱动的全过程如下：

一、需求梳理阶段

企业 B 各部门都希望通过从数据中挖掘信息，指导自身业务的发展。总的来说，市场营销部门需要寻找更高质量的渠道流量；运营部门希望对每一次活动了如指掌，通过对每一个细节的改进来提高活动的效果；产品部门希望通过观察用户使用产品的情况，了解用户真实体验结果，了解服务质量，指导产品每一次迭代的改进。经过反复交流沟通，将其需求梳理成以下核心几点：

（一）掌握各渠道引流能力，评估渠道质量

随着互联网流量红利的消失，流量变得越来越贵，如何明确市场推广目标，如何制定分阶段目标，选择什么样的渠道，每个渠道的预算显得至关重要。在需求沟通中，企业 B 十分关注：不同渠道带来的流量分别有多少？不同渠道的流量的注册转化率如何？不同渠道的流量之后的购买转化率如何？不同渠道带来用户的留存如何？不同关键词之间的流量分别有多少？不同的落地页的跳出率如何？等等。

（二）洞悉用户购物体验

在用户的购物过程中，一个影响购买转化的重要因素就是购物体验。而如何提高用户的购买体验，直接关系到产品的发展，是产品开拓市场的前提和基础。企业 B 非常重视这一块数据内容，希望能从产品细节处发现可优化的点，具体关注：产品各个不同的购买路径转化率如何？购买路径中主要的流失点在哪里？产品服务质量如何？用户的反馈是否得到及时的回复？等等。

（三）评估站内运营位效果

站内运营位效果管理是运营管理的重要内容，同时也是运营团队进行资源评估、效果优化和内容审核的重要参考依据。在此之前，企业 B 主要通过业务数据来支持运营效果评估。在接入行为数据后，他们希望了解到：不同运营位的流量点击对比，不同运营位流量的后续转化率，访问商品详情页时长，是否购买等；通过了解不同运营位效果，判断不同位置在今后的运营过程中如何进行资源分配。

（四）洞察商品销售情况

企业 B 所有产品、运营的改进最终还是要回到商品的销售情况上来，那么哪个品类商品再销售更好？什么样的商品页面是购买者经常访问的？用户访问次数最多的商品页面是哪些？这些商品最终是否被购买了？哪些品类、品牌或商品是用户购买转化高的？这些问题也是企业 B 提出的疑问。

二、事件设计阶段

从用户的分析需求出发，企业 B 进行了有针对性的事件设计，部分事件设计简介如下：

第一，针对市场推广的需求，事件包含 App 启动、注册、登录、App 激活、退出 App、Web 端页面浏览事件，以及对应的渠道推广相关属性。

第二，针对用户购物体验的需求，事件包含 App 浏览页面、Web 浏览页面、搜索事件、浏览商品详情页、添加购物车、移出购物车、提交订单、提交订单详情、支付订单、支付订单详情、取消订单、订单发货、订单收货等购买行为路径中的关键事件等。

第三，针对站内运营位效果分析，设计的事件包含各运营位模块内容的曝光 & 点击事件，优惠券的领取 & 激活、活动兑换、直播营销的播放等事件，同时在购物流程关键事件中都带上运营位模块来源信息，可以直接监控各运营位带来的最终购买的转化情况。

第四，针对产品服务质量，设计了商品评价、物流评价、收藏商品、联系客服、问题反馈、产品评分等事件，以及评估服务质量的评分、反馈等待时长等属性。

第五，用户属性方面，记录了用户的昵称、性别、省份、城市、地区、注册事件、VIP 等级等基本信息之外，还设计了用户首次访问来源、首次访问时间、最近一次访问时间、最近一次下单时间、用户标签等信息。

除了以上这些事件本身的采集，还采集事件发生时的其它维度信息，如触发浏览商品事件时，就需要采集商品 ID、商品名称、商品款式、商品价格等，这些维度都反映了用户潜在的购买选择倾向；同时， SDK 自动采集了许多维度信息包含地区信息、是否使用 WIFI、操作系统、操作系统版本、设备型号、设备制造商等信息。结合这些多维度的信息，我们能区分不同地区的访问量、订单量，能跟踪不同地区用户的购买习惯；也能在 App 出现异常时，结合操作系统、设备型号等信息发现定位问题机型；也能通过商品价格分布区分不同用户群体，并对其进行针对性运营活动。

通过以上事件和属性数据全面丰富地采集，企业 B 实现了行为和业务数据的整合，从而为后续在一个界面上，实现快速完整的统计和分析，打下了坚实的基础。

三、数据接入阶段

在接入数据时，企业 B 遵循了几个基本原则：

第一，能在服务端获取的数据，在服务端采集；

第二，页面浏览、点击动作等客户端交互行为在客户端采集；

第三，App 和 H5 混合开发的内容之间互相打通；

第四，服务端采集数据，客户端传递公共属性值给服务端。

为了减少客户端埋点在网络传输过程中可能造成的异常，大部分数据采集在服务端采集，并且使用了本地备份后工具导入的方式，避免了因网络等原因导致数据上报异常问题。

同时服务端采集数据的优势在于不受客户端发布新版本的影响，事件采集中的属性增加，错误修改等可以调整。而我们常见的客户端采集数据的过程中，若发现数据采集异常需要等到下次发版时才能修正，且未更新新版本的用户数据将长期无法修正错误。

企业 B 在数据采集过程中，除了移动端、PC 端数据统一采集、存储、分析外，还将 App 和 H5 之间用户打通，使混合开发的 App 在用户匿名登录时，采用统一的用户 ID，将用户的 App 端、H5 端的匿名行为和登录后行为连接起来，采集更完整的用户行为路径，在提升数据准确性的同时，也提升了数据的价值。

四、应用场景

下面针对企业 B 实际应用场景列举一二。

场景一：破除虚假繁荣，数据驱动拉新

拉新一直是众多活动运营的目标。拉新活动方式有很多，包括“以老带新”客户口碑式的拉新、锁定目标式的地推拉新、宣传合作的线上渠道拉新等。精心策划的线上线下活动，可以快速实现拉新。

企业 B 在向海外业务扩展的过程中，策划了一次长达一月的“ A 计划”拉新活动。活动上线后第一天效果显著：日新增会员数量增加高达 100% - 200%，且活动当日平台的成交额提升 20% - 30%。两个指标的飙升让参与此项目的同学格外兴奋。

而在数据分析领域，“总注册数”、“新增注册数”指标本身是一个虚荣指标，该指标随着活动力度、形式等呈现短期暴增，能够告诉你活动传递并影响了多少“新用户”，这些新用户知道你在做什么，却并不意味你的产品一定对他有价值。显然要结合新用户的留存、转化等情况综合考量。随着活动的持续进展，深度观察下看似美丽的外表暗藏着不少问题。

最为典型的问题是：转化率较低，付费意愿较差。一周后数据统计，与自然流量相比，A 计划新注册会员的留存率与转化率均低于其 50%；从注册到浏览商品详情的转化率低于其 60%；另外，人均支付单数降低 3 倍，人均消费金额仅占自然流量的 25%。下图为活动带来的新会员与自然流量会员的转化情况

图1 一周后新会员总转化率均低于自然流量 50%

这些暴露的问题体现了活动的不完善之处，这是拉新活动急需解决的问题，新人的快速的流失可能由很多原因引起，说明平台对于活动进入的新会员的吸引度不够，或者会员在产品中未能及时获取最关注的内容。针对新用户留存、转化率低问题，活动人员进行了以下改进：

第一，新增新人频道，投其所好促进用户转化；

为了增加新会员粘性，针对新会员新增一个新人频道，以店铺打折信息、精品推荐等形式针对 A 计划进入的新用户推出一系列活动。发现该活动对新用户的转化和留存存在很好的效果，新用户次日留存提升近 40%；

第二，精准推送，用户分群促进会员留存、转化；

活动人员筛选出注册后一周内未交易的会员，这些会员是潜在的准流失会员。选择对该目标人群进行一次短信与站内的推送。如图展示了七天内未支付订单的新会员情况。

图2 了解 7 天内未交易的新会员情况

在完成信息推送后，运营人员进行多维度分析，实时展示推送后效果，评估推送或者产品优化效果。对“流失用户”完成精准推送后，整体转化率高达 24.69%，而未进行推送的人群转化率为 16.34%，说明这是一次较为成功的精准推送，提升活动的整体效果。

场景二：可视化全局点击，优化用户体验

着陆页的主要作用在于吸引用户，促进用户继续发生操作。如何优化用户进入产品的着陆页，提升流量转化率，最大化营销效果是企业 B 想要解答的问题。

在电商网站中，两大落地页是首页和商品详情页，企业 B 结合点击分析功能对着陆页和目标页做了相应优化。

第一，优化新 / 老用户着陆体验；

通过点击分析模块选择只查看首日访问用户，了解到产品首页的点击情况如图。

图3 新用户产品首页点击情况

企业 B 发现大部分新用户在首页的点击行为集中在导航栏及搜索框，而其他区域受到了“冷落”。显然，新用户进入网站，很难快速形成对网站的整体认知，或者带着较强的目的性，直接进行搜索。

因此，为了让新用户产生认知和兴趣，企业 B 考虑增加简洁有力的新手引导，并使用更直接的文案，在首页增加优质 UGC 内容的入口，让当下没有购买需求的用户产生好感。同时优化搜索功能，尽可能让有目的的新用户不会失望而归。

同样，老用户的点击图中发现：相比新用户，老用户的点击元素更多种，行为更密集，多发生在分类专场和个性化推荐版块，而占据最佳位置的 Banner 位点击比例很少。

图4 老用户首页点击情况

对老用户来说，由于对网站情况较为熟悉，在具体操作方面已经形成固有思维，对于 Banner 位——用来做资源置换或硬性推广的位置，兴趣较弱，因此点击率不好也是意料之中。但为了提高整个首页的转化效率，企业 B 优化 Banner 位 UI，引导点击行为的发生。同时在内容方面，提高活动位内容的更新频率，让忠实用户每次访问页面时，都有新鲜的内容可浏览。

从前面的“点击分析”模块的分析，还可以看到老用户在“我的账户”、“购物车”、“心愿单”等按钮的点击率非常高，这意味着，这些用户一般会直接浏览、挑选自己曾经购买过、或加入心愿单及购物车的商品。针对这一点，企业 B 为用户优化体验流程，在历史订单和心愿单版块中增加高质量的个性化推荐，引导老用户购买新商品。

在经过这样一系列优化之后，将用户从着陆页到目标页之间的转化率提升了 11%，同时，新用户的次日留存提升了 14%，老用户的使用频次也有一定程度的提高。

场景三：发现新问题点，搜索贡献增长

企业 B 和大多数电商企业一样，十分注重购买漏斗。漏斗模型针对在一系列封闭路径中，用于衡量整个转化路径的效率和其中每个步骤的转化过程中的效果，适用于某些关键路径的转化率的分析，以确定整个流程的设计是否合理，各步骤的优劣，是否存在优化的空间等。

企业 B 建立了符合购买流程的漏斗，其中有一个是搜索购买转化漏斗，具体步骤为 （搜索 --> 浏览商品详情页 --> 加入购物车 --> 提交订单 --> 支付订单 ）。在漏斗中，企业 B 发现从第一步“搜索”到“浏览商品详情页”两步之间的流失率很高。发现搜索模块到商品详情页的转化率明显低于 Banner、精选等模块，且搜索模块带来的商品详情页访问量只占商品详情页总体访问量的 4.5%。

图5 从搜索到购买的转化漏斗

由于之前企业 B 运营人员一直很注重 Banner 位、精选位等位置的优化，未关注过搜索结果的优化，经过此次发现后，产品和运营人员针对搜索模块进行了以下修改：

优化搜索结果内容默认排序规则，增加切换排序规则的功能按钮；

针对没有搜索结果和结果较少的关键词，进行相近内容的推荐商品；

根据用户可能错误的搜索词，给出搜索错误提示；

在搜索中增加高频推荐词模块；

经过此次针对性优化后，搜索购买转化漏斗第一步转化率得到很明显的提升，总体转化率相比之前提升一倍，同时，商品详情页总体访问量中，由搜索模块带来的流量由原来的 4.5% 提升至 12%。

图5 从搜索到购买的转化漏斗
电商行业作为一个相对成熟的行业，流量金贵，将大数据技术引入行业，企业基于数据驱动可以实现行业边界拓展，只有精细化运营，才能摆脱人海战术高成本低留存带来的竞争力流失。

更多数据分析干货和案例，可以关注“神策数据”公众号了解~