分享主题《商家大数据下的小运用》，本篇文章内容是在阿里数据先锋竞赛中最后一轮的内容并且增加了案例，希望这些分享让大家真正意识到数据化的价值和意义。

大纲：

第一部分：数据化运营的重要性及在商家的分工

第二部分：数据化运营三大标准

第三部分：数据化运用案例解读《宁静解读数据选款及半年销售2000万市场分析实战应用》

第一部分：数据化运营的重要性及在商家的分工

1.首先我们来用一张图说明数据化运营的重要性

数据化运营并非仅仅是单纯指某个点的分析，它涉及到的是商业完整链条的分析，从上图表中我们可以看到从战略规划到CRM营销，通过获取数据，挖掘数据、到决策管理、效果反馈、调整优化的系列过程，最终实现运营目标。所以数据化运营是渗透于商业每一个环节，正如阿里数据先锋颁奖大会上，阿里副总裁提到的要打造生意参谋数据的商业链条闭环，让数据能够支撑每个节点的决策。

2.企业数据化运营团队

数据化运营团队主要是由市场端-商品端-运营端-客服端-老客户营销端整体链条构成！

其中主要涉及的分析工作如下：

市场端：对市场环境变化和趋势的观察，市场竞争对手的运营数据的监控、活动专场市场竞品的售卖反馈情况等。

商品端：对售卖产品品类结构进行分层剖析，并提供开发建议，同时对商品下游库存问题进行数据监控，新品的表现力和运营节奏做出监督处理。

运营端：对店铺数据的监控，这里重点涉及流量结构层面/活动层面/页面导购分流设计层面/转化率优化/商品销售层级梯队布局/付费投放效果等问题的延伸分析。

客服端：关注询单转化，售前-售中-售后过程的服务态度情况，响应效率情况，以及订单催付效果的跟进。

老客户营销端：这是消费者后续营销的数据分层，从多角度对消费者的消费偏好做出分析，并且延伸出消费者的其他问题规则，如区域人群对产品特性的偏好度、催付时间节点的选择等。

注：大部分的运营其实仅仅只是抓住了运营端部分内容，之所以运营薪资现在越来越低，其实更多是因为运营只是做了推广工作，而这些方面现在已经越来越智能化流程化，因此运营价值越来越低，而数据化运营则需要站在整个链条来做出思考分析。

第二部分：数据化运营三大标准

1.数据运用具备可流程化问题反馈及监管作用；

2.数据运用具备提升工作效率的作用；

3.数据运用可以总结规律，为运营方向提供决策支撑力。

宁静不做无用的数据运营：数据化运营，不是为了数据而做数据分析，而是为了给企业创造更好经营效益。所以不管是做什么分析，都会围绕这三个标准来考量。

接下来我们用10张图例来解析三大标准的运用

1.全店杜邦分析表-以销售额为中心从上而下的核心指标监控（三大标准之流程监管反馈/提升反馈效率）

这个图体现了三大标准其中两个标准，我们可以快速的观察到销售额从上而下的变化因素，比如客单价下滑了，是否是因为客单件引起的，客单件的下滑又是否跟访问深度相关，访问深度又是否跟选择产品的关联搭配相关？

从图表中我们就可以很快的观察出这些影响因素之间的变化，提升问题反馈效率，但是杜邦分析表仅仅只是起到店铺诊断的敲门砖，具体分析可以看下之前文章:

2.多维度趋势分析图-可用于研究指标之间的关联性，挖掘核心问题的根本性优化方向（流程监管反馈/提升反馈效率/规律研究）

这个图三个标准都可以体现到，从上面几条线中，在早期直通车的投放占比是非常高的，这个时候实际是为了创建有价值的数据，让搜索引起兴趣，才会开始快速影响后面的流量飙升，后面随着免费流量增长，直通车也控制在一个正常的比例，提升整体投入产出比。因此合理的直通车投放实际对于早期数据小是可以起到拉数据的作用，前期是拉出来的数据表现是比较好的，如果数据表现太差，则也可以当做是测款作用及时更换别的产品。

从这里面我们可以很明显发现直通车对免费搜索流量的促动作用，这就是指标之间的相关性挖掘作用。

3.店铺商品品类-属性多维结构分层及市场分析监控图（流程监管反馈/提升反馈效率）

注：以上这两张图是一个学生路人甲完成的作业，大家有时间可以看下他的文章：揭秘直通车

以上两张图主要也是用于监控反馈的效果，这里面主要是从商品分层角度来对于销售进行解析，从入店引流的产品了解入店的人群，然后再根据产品的销售属性寻找跟入店人群的吻合度，在结合市场需求数据反馈，从而更合理的调整产品开发属性。具体的分析值得大家借鉴：

4.产品属性词根切割分析监控图（流程监管反馈/提升反馈效率）

上面这个分析也是三大标准之一流程化监控的体现，其起到的作用在于能够协助我们日常运营监控产品的属性流量入口，可以反馈出哪些属性入口跟我们产品接受度不高，也可以进行属性人气大小与产品权重大小的匹配做分析，根据产品不同阶段调整和放开流量入口。

a.该监控产品的搜索流量及转化的趋势变化，我们也一直强调核心指标转化率的趋势稳定性在这里可以进行监控（如果更细化的可以把付费数据也放进来，观察付费对自然搜索流量的影响）

b.可以分析到哪些词根是对标题影响大或者小，比如上面的数据，“4”这个词，带来的流量非常少，转化算中等，而我们发现该产品其他词的流量都很高，这说明了该产品权重应该是很高的，要吗“4”这个词根反馈很差，要吗就是该词的搜索指数很低，所以如果要让流量更多--，就需要换掉该词。另外一个词“韩版”，转化率非常低，基本也是浪费了位置。

c.如果我们发现词根的整体表现差，为了避免异常情况，所以我们也通过词根走势监控表进行分析。

d.最后一张图是延伸到关键词，我们分析词根后，词根表现的好坏变化，根源会回到词根下面的关键词反馈。然后我们则要根据关键词实际情况做好调整分析。

5.全店主图点击效果监测表-关键词逆向反推产品跟踪（提升反馈效率）

这个是效率提升到极致的分析，在当时给我们带来很大的效率提升，试想如果1000个产品，一个个去查看他们的主图点击率情况那至少要花三四天时间，但是通过逆向分析，从全店关键词的角度在锁定少部分产品，从而找到问题产品的主图，仅仅需要一个小时时间不到。（因现在数据源的变化，该分析目前已经没法用了，但是这个案例却是为了告诉大家，掌握数据化在日常工作中能给自己节省多少时间）

6.用户各区域属性偏好性规律分析图（总结规则提供决策）

接下来我们来看上面这张图，这是一张比较有意思的图，之前讲的是流程化和提升效率的分析，那这张就是总结规律的分析，我们从上面可以看到黑龙江红色部分面积相比其他地区是非常明显的突出的，而红色部分代表的是宽松属性的需求，所以如果我们想做的更细致，想开发区域市场需求，随着黑龙江及东北三省网购人群的增长，我们可以专门开发一些宽松类产品直接定投东三省地区人群。这就是通过数据决策的小案例。

7.催付时间规律选择分析图（总结规则提供决策）

上面这个催付分析一样是也是对于规律总结提供决策的案例，数据化为何重要，就在于数据的产出是由消费者反馈构成的，所以数据可以挖掘出消费群体的规律，很多人催付都是简单的客服人员什么时候有时间就什么时候去催付，但是从这个图表里面，我们发现了红色部分下单未付款的很多集中在晚上8-11点，而这部分未付款的人群大部分在9-10点达到回来付款的顶峰，我们推测是因为9-10大家刚开始上班还没进入工作状态，这个时候大家会去网上闲逛，所以在让他们还没更多时间去跟别人对比前，我们可以提前给予一定的优惠券催付款，而这个发现让我们的催付成功率成5%提升到15%-20%之间。

8.店铺退款状况及供应商质量监管分析（流程监控）

这张图是用于监管店铺产品的退款问题分析，而从质量的反馈情况我们可以反推回供应商的质量把控水平，从而也起到了监管供应商质量问题的效果。

第二部分小结：

从上面这么多图表中，我们可以看到三大标准基本都融合在这些分析运用中，另外也充分展示了数据化运营的多样化，但数据化运营并不等于华丽的图表，图表的作用仅仅在于浓缩数据所要反馈的问题，方便我们解读数据，所以数据处理越简单越直观越好，每个图都是以解决我们所需的目的而做，因此要做好数据化运营，最核心在于知道目的是什么？为解决什么运营问题？而非为做数据而做数据。

数据化的运用并不局限于某个点，而应是企业精细化运作的支撑点，让每个支点形成可量化标准，提前发现问题并反馈优化，从而实现企业的良性发展并且制定企业未来发展的可行性策略。

第三部分：数据化运用案例解读《宁静解读数据选款及半年销售2000万市场分析实战应用》

因篇幅过长，我们这个案例会单独开一张贴，如果大家希望看到这篇案例贴，也希望大家顶贴，让更多人关注数据化运营的重要性，让我们一起迎接DT时代的来临。

我先把第三部分的分析步骤先放出来，详细的数据分析请关注下一篇续集文章。

大纲：

一、数据选款是个坑

二、市场分析的目的在于何方？

三、市场分析过程

1.市场有多大舞台就有多大

2.市场的增长点？

3.类目的可操作空间广度？

4.市场的周期性状况？

5.产品的特性分析？

6.产品年度重叠度分析？

7.市场的后续跟踪

作者：宁静，8年电商数据化运营经验，主要研究市场，商品，店铺运营等方面数据分析决策，欢迎交流q380654381（备注：）

本文主要解决一下问题：

预测销售和实际销售数据？传统销售数据分析？年度销售数据分析怎么做？2000万销售额为何完不成案例分析？如何做年销售数据分析？