【电商数据】电子商务数据分析师的经验总结

2008年毕业后，我不自觉地混进了电子商务行业，不自觉地做了三年的数据分析，这正好赶上了互联网电子商务行业发展快的几年，这还不错，毕竟我觉得未来很光明。在过去的三年里，我可以说我从许多同事那里学到了很多。有很多人需要感谢。他们无私地教了我很多。就数据分析行业而言，个人感受对互联网公司来说非常重要，也是能够带来实际效果的东西。例如，通过数据分析对会员进行细分，实现准确营销；通过数据分析发现存在的不足，为客户提供更好的购物体验；通过CRM系统管理会员生命周期，提高会员忠诚度，避免会员流失；会员采购数据用于挖掘会员潜在需求、提供销售、扩大影响力等。刚进入公司时，我在运营部，主要负责运营报表的数据。当时系统很差，数据提取很困难，报告也很困难。所有的数据都被拼凑在一起，然后制成ppt。我记得当时的主要数据是销售、订单数量、毛利、客户单价、单位单价、库存等特殊基础数据。然后我做了一些数据图表。在这个阶段，我们基本上是在做一些数据提取工作。Excel学到了很多技能。这是数据分析的介绍。后来，公司去了数据仓库，那里有大量的原始数据。提取数据非常方便，而且有很多维度。可以根据自己的想法随意组合分析。在那个阶段，主要是针对会员的购物行为进行分析，开始接触一些比较困难的东西，比如数据建模、算法等，也是学习多的时候。我记得当时做了很多分析报告，每周都向总统办公室报告。本文详细介绍了当时使用的一些主要模型和算法：1。RFM模型的定义：在众多的客户关系管理分析模型中，RFM模型被广泛地提到。RFM模型是衡量客户价值和客户盈利能力的重要工具。机械模型通过三个指标来描述客户的价值：客户近的购买行为、购买的总体频率以及客户花费了多少。在RFM模式下，R（近）表示客户上次购买的时间，f（频率）表示客户近一段时间内购买的次数，m（货币）表示客户近一段时间内购买的金额。一般来说，分析型CRM侧重于对客户贡献的分析，而RFM则侧重于通过客户的行为来区分客户。通过RFM分析，可以做到以下几点：⑴建立会员金字塔，区分各级会员，如***会员、中级会员、初级会员，然后实施不同的营销策略，针对不同级别的会员开展不同的营销活动。（2） 如有遗失或休眠的成员，则激活这些成员的市场营销活动。（3） 在短信和EDM推广中，该模型可用于选择***成员。（4） 维护老客户，提高会员忠诚度。使用方法：你可以给三个变量赋予不同的权重，或者按照一定的规则对它们进行分组，然后一起使用它们来划分不同级别的多个成员。2。初的关联分析案例来自沃尔玛的“啤酒和尿布”。从通俗意义上讲，只买商品a的人和买商品B的人很多，那么我们可以认为商品a和商品B之间的关系是比较高的。很多数据挖掘工具都有关联挖掘，主要算法是Apriori算法。在计算过程中，主要考察项目集、置信度和相关性三个结果数据，确定商品之间的相关性。除了Apriori算法外，还有很多其他的关联分析算法，基本上都是从Apriori算法发展而来的，如fpgrowth算法。我从几年的数据分析经验中感觉到，关联分析在零售业中不是很实用。关联度高的产品一般是同类产品或同一品牌的产品，如“啤酒和尿布”，很少。用途：设置销售或相关展示等。零售业聚类分析主要是指对具有相似购物行为的顾客群体进行细分，以支持精细化的营销活动，带来更大的营销效果，节约成本。SPSS中有两种K-均值聚类和系统聚类。在数据仓库中，我们还可以根据客户购买商品的属性对成员进行聚类。在这里，我们不需要算法的支持，只需要根据系统现有的商品对购买了相同商品的客户进行分类。这种方法可能更接近公司的业务。聚类分析是会员精细化管理和营销的基础。做好聚类分析对企业有很大的帮助。用途：客户细分，准确营销。4个。”“智”字分析法这种方法主要有一个非常清晰的成员群体，然后通过对这些成员群体的购买行为的分析，提取出这些购物行为的相似性，再通过这些相似性返回到整个数据中，从中提取出一个较大的成员群体来进行准确的营销。后来，公司又到sap和BW集团做了报表开发，可以获得更多的业务知识。虽然数据挖掘比较少，但数据终是用来指导业务的，所以对我的成长非常有利。在业务方面，我们学到了几个主要部分：1。库存管理-库存管理，主要包括对真实库存、滞销库存、高库存商品等不同类型库存的管理如何定义和管理。例如，在管理供应商的库存时，会根据库存的真实库存、滞销库存和正常周转天数来计算供应商的库存是否处于合理水平，是否采购或减少库存.2条。促销管理-促销管理是一系列计划、组织、领导、控制和协调的管理，旨在吸引和刺激消费者的消费，以增加销售额。从数据上看，主要是根据不同的促销方式计算不同方式的收入。不同的推广方式会带来不同的效果。因此，在使用推广时，要慎重选择，以达到理想的效果。此外，还有财务报表、采购流程等很多东西。如果你和他们接触较少，你就不会写。在BW项目组，我经常帮助网站做一些分析工作。我还自学了两本关于网站数据分析的书，我觉得我学到了一些皮毛。我们来谈谈：1。网站流量分析中比较重要的KPI指标有：浏览量、访问量、独立访客数、跳转率、转化率、页面停留时间、访问页数、流源、流源ROI等，通过这些数据可以反映网站的整体情况。跳转率可以用来衡量页面的质量，流源和转换率可以用来衡量营销和营销工作。在对网站数据进行分析时，需要牢牢把握转化率指标，然后通过该指标的变化来寻找其他相关数据的变化，***找出原因，做相应的对策，改进我们的工作。2。在网站分析和数据分析领域有一种说法——没有分割，或者死亡，足以看出分割对于数据分析的意义。对于网站的数据分析尤其如此。网站的流量数据量很大，整体不会有问题，所以必须细分。例如，营销人员需要看到的转化率必须细分为每个渠道，然后他们可以看到这些渠道成员的点击情况。他们可以看到网页，他们感兴趣的是什么，跳转损失率是多少，浏览时间是多长，终转换是多少，等等，从而看到问题所在。三。在电子商务烧钱的时代，能花多少钱带来真正的利益？在抢占市场的同时，如何实现***率的***化是亟待解决的问题。该公司几乎每天都会发送数万条甚至数条促销短信。短信反馈率基本在2%以下。如何提高转化率？这就需要更准确的用户定位，把钱花在有可能带来效益的方面。因此，网站的短兴趣推广和EDM推广必须建立在会员细分的基础上，既要满足客户的需求，又要挖掘客户的需求。和我在这里写的差不多。我发现在总结之前我对这件事知之甚少。还有很多地方需要学习，比如数学建模方面的知识缺乏，统计软件的使用不足，对商业缺乏深入了解，对整个电子商务行业的发展把握不清。这些都是未来需要加强的地方。近，我在一位数据分析师的前任的博客上看到，他对数据分析师的***要求就是热爱数据。感觉我还不够。我平时对工作的投入不够。我总觉得我是为公司工作，不是为了自己的利益。事实上，一个人每天做的事必须被视为他为自己做的事。