不会做电商数据分析，找不到业务增长点，一文教你找到电商引爆点

　　在这种流量见顶，消费者选择权很大的时代，做电商已经不能局限于单一电商平台，自然做电商分析也不能只盯着单个平台的数据了。
　　如果你只是需要单个平台的数据，那淘系的官方平台生意参谋、字节系的官方平台抖音电商罗盘、阿里妈妈、巨量引擎这类已经完全够用了，具体去深入了解一下各个平台的数据该怎么利用起来吧。
　　如果你涉及多个平台，对行业数据、业务数据、电商数据都有分析需求，想要用数据分析赋能业务，找到增长点的话，那就很有必要学习一下BI工具。 下面老李给大家讲一下怎么用BI逐个击破电商分析的难题。第一个问题：电商平台没接口，人工下载数据浪费时间，滞后性差。
　　现在的电商分析需要的数据来源很多，比如行业的数据像淘数据、百度指数数据、魔镜市场情报等，业务系统的数据像旺店通、ERP、OA等，当然还有各大电商渠道的数据像淘宝、抖音、京东等。平时的做法就是人工下载，找个运营花半天时间专门去各个平台下载数据，再进行分析整理，效率低、错误率高。
　　用Fine BI工具是能够实现全自动取数的，主要使用的手段是 RPA+API 。可以这么理解，RPA是个机器人，你给它发出一个指令比如：根据提供的商品和竞品的ID清单，进入生意参谋平台竞品分析中下载分析报表，并进行环比计算，它能在半个小时之内给到你想要的数据。机器人可以以100%正确率连续工作，而且比爬虫安全，不至于导致店铺被封。
　　第二个问题：不同电商平台的指标名称和报表格式不统一，整理难度大。
　　同样的数据在不同的平台里面的命名方式是不一样的，比如对于＂店铺名称＂这个字段，有的平台叫＂推广渠道名称＂，根本匹配不起来。Fine BI则能通过对含义相同但命名方式不同的字段进行关联整合，输出面向投放分析的业务主题包。
　　第三问题：电商数据要怎么分析，才能找到业务增长点？
　　前面两个问题都是依靠 FineBI 本身功能去解决，这里的数据分析是实实在在需要你学习的，下面我通过运营监测场景下的一个案例跟大家分享。
　　背景： 某电商企业在日常的经营过程中，产生了大量的经营数据，这些数据包含了丰富的经营技巧和市场规律。传统分析方式通过报表或报告，只能一次性分析不能持续监测，既费时费力也不及时，还容易出错。于是选择用BI进行数据清理和监测分析。
　　分析思路： 通过日、月、年维度创建三个联动的运营监测平台，各组件间不但能够联动并且模板间也可跳转，建设一个可持续使用的运营监测平台。
　　具体分析过程：
　　①业务总览
　　可视化形式： 仪表盘+文本图
　　重点关注指标： 销售额（同比、环比、完成率）、毛利额（同比、环比、完成率、毛利率）、订单数、客户数、客单价、连带率等。
　　以2018年12月30日日累为例，销售额2.9万元完成率超过了95%，并且同比环比都大幅度增长，但毛利额仅610元完成率不到20%，同比环比增长也大幅下滑。通过业绩总览我们发现折扣金额（6千元）和负毛利额（负3千元）偏大，主要原因可能是年底大促销导致毛利额下降。
　　②区域业绩分析：
　　可视化形式： 地图
　　重点关注指标： 销售额、毛利率、业绩分布、区域经理业绩排行等。
　　以2018年12月30日日累为例，首先可以看出当日西南区无销售，华北地区销售额最高1.1万元，同比增长187.9%，其中河北占比最多70.1%。从业绩总览我们得知毛利额低并且负毛利额高，从地图中我们发现华东毛利额-1300元，并且负毛利额接近总负毛利额的一半，华东销售人员可能为了实现年底目标，降价促销。
　　③近几日/月/年业绩趋势：
　　可视化形式： 折线图、柱状图
　　重点关注指标： 销售额、客流量、客单价、连带率等
　　以2018年12月30日日累为例，当日销售额超过了平均值，但毛利额低于平均值，主要原因是负毛利额较高，远高于平均值。当日客流是近30日最大客流，但客单价远低于平均值，可能是促销所致。当日退货率不高仅6%，远低于平均值。
　　④订单及客户分析：
　　可视化形式： 饼图、柱状图
　　重点关注指标： 邮寄方式占比、销售额top10客户占比等
　　以2018年12月30日日累为例，当日有38.3%的销售额来自500-1000元商品，超过一半的订单以标准级的邮寄方式发货，其中销售额和订单最多的是消费者。前十名中大部分是消费者，消费金额最高的是公司类型的洪强。
　　⑤会员分析：
　　可视化形式： RFM模型、波士顿矩阵、饼图、分组表
　　重点关注指标： 客均销售额、会员销售额等
　　a）RFM分析：
　　通过矩形树图展示RFM各分类下用户数量及占比，饼图展示各类下销售额及占比，柱状图展示各类客均消费额排行。
　　通过下图可以看出一般挽留客户数量最多，占比21.1%；重要保持客户销售额最高，占比接近30%；客均销售额最高的是重要保持客户和重要价值客户，分别是4万元和3.9万元。
　　b）价格敏感度分析：
　　通过 波士顿矩阵 分析客户对价格的敏感度（气泡大小展示销售额大小），饼图展现各象限下的销售额和会员数量。第一象限：高折扣高价格 第二象限：低折扣高价格 第三象限：高折扣低价格 第四象限：低折扣低价格
　　通过下图可以看出第二象限会员数占比最多的，接近40%，销售额占比超过50%。其次是第一象限，会员数占比22.4%，销售额占比25.8%。这两象限共同特点是对高价格商品不敏感，不同之处是第一象限喜欢折扣商品，第二象限对折扣不敏感。销售人员可以根据客户特征制定自己销售策略。
　　c）会员特征详情： 分组表展示会员的主要特征，根据上面的分析结果直接筛选出想要的会员。
　　⑥品类分析：
　　可视化形式： 矩形数图、饼图、表
　　重点关注指标： 销售额、销售量、毛利率、退货率等
　　通过矩形树图展示各品类业绩分布情况，饼图展示品类销售额按占比情况，分组表展示销售额Top10商品和退货商品。 以2018年12月30日日累为例，办公用品销售额最高1.2万元（42.6%），其中器具占办公用品最高59.6%。销售额前两名的产品分别是Hoover微波炉和三星信号增强器，分别为4313远和3189元。有三个产品出现退货，退货率分别为100%。
　　⑦分析总结
　　2018年销售额超过5百万，目标完成率92.6%，近几年销售额在逐年增加，但负毛利额和退货率也在逐年增大，公司需要注意寻找具体原因改善运营。
　　华东和中南俩地区销售份额占比超过50%，地区分布不均，需要加强其他地区的市场份额。超过一半的销售来自个人消费者，各类销售额分布比较平均。
　　从每年的月度数据我们可以看出每年的1-4和7月份销售额偏低，需要进一步分析其原因，改善这几月销售可大幅度提升全年销售额。
　　唤回重要保持客户是提高销售的一个不错选择，因为这类客户总销售额和客均消费都是最高，并且绝大部分重要保持客户在第一和第二象限，对价格不是很敏感。
　　数据分析工具体验地址