数据分析案例及新手如何学习数据分析

文章大纲：

• 数据体系搭建是OT与DT的结合体。
• 数据分析常见作用之案例一：提升效率
• 数据分析常见作用之案例二：验证猜想
• 数据分析常见作用之案例三：修正方向
• 数据分析常见作用之案例四：辅助决策
• 数据分析常见作用之案例五：了解现状
• 新手应该如何学习数据分析
• 一些基础性数据分析思维
• 数据贴近业务，从解决小问题开始
• 学习一些简单的数据处理软件
• 多积累一些实战案例

数据体系搭建是OT与DT的结合体。

在日常生活中，提起数据分析，大家首先想到的就是各种数据和图表。电商运营中，收集数据和整理数据也已经成为常态，不少商家都越来越认可和倾向数据的收集和利用。数据也成为了当今业态发展不可或缺的参考指标。

说起国际站运营，数据分析也好，数据化驱动运营也好。数据与运营本身是密不可分的，运营人员的数据分析体系搭建，也应为自身领域的OT（Operational Technology）与DT（Data Technology）的结合体，即运营技术与数据技术的相辅相成。

运营技术可以帮助我们梳理搭建营销过程所涉及的流程和框架，指导我们业务发展的方向和其间方方面面的环节构建。数据技术则可以帮助我们识别运营过程的效果反馈和提升运营各环节的产出效率。

数据分析不能脱离运营思维而更好的发挥其作用，运营能力也无法离开数据分析而走的更远。缺乏数据应用能力的运营人员，难以对运营过程的诸多环节进行反馈意识和效率优化，而单纯的研究数据、分析数据，没有运营的思维框架，我们也甚至连要做什么，问题是什么都难以清晰。

数据分析的作用有很多，也没有固定的标准。但是在大多时候，数据化运营的目的，并不是让数据来直接带给我们什么价值，而是辅助我们已经存在的运营思维框架。用数据来指导决策、提升效率和解决问题。以及企图在数据整理的过程中带给我们一些启发。

数据分析常见作用之案例一：提升效率

通过分析买家行为数据帮助企业单月提升几万美金的业绩。

在一次数据诊断的过程中，通过对某店铺的客户行为数据进行分析诊断，发现其有大量的老客户没有进行跟进和成交。我们将买家的采购数据进行整理，根据买家的采购频次、采购金额、采购时间等条件进行筛选处理。筛选出连续五个月内成交过三次及以上并且最近三个月没有下单的客户，也就是曾经有过频繁购买，但近期一段时间突然中止购买行为的客户，对这些客户进行一对一的分析和跟进。

（由于篇幅有限，无法像历史文章《询盘分析》《价格段分析》一样，将每一步都详细写出。只做思路阐述）

（通过数据分析，批量挖掘出店铺正在流失或潜在流失的客户。并根据其历史采购行为进行价值分析和判断。针对性的进行沟通和盘活。）

在这个过程中，我们发现有很多的中等客户都被忽略掉。大部分业务员随着时间的推移，所接待的客户越来越多，其中充斥着大量的咨询客户和一次性成交客户，也就是采购一次就再无消息的客户。伴随着正处于售中、售后等有着一系列注意事项要处理的客户，会让业务员的精力较为分散，所关注的重心难以顾及到每一个客户身上。

经过与一些业务员的回忆，业务员普遍关注的是有着大额或稳定采购行为的老客户，以及近期复购过的客户，对这类客户印象较深。而早期有过几次采购且近期消失的客户则有很多意识不到，从而错过了老客户价值的挖掘。

买家行为数据分析，可以帮助商家快速准确的对所有有过交易（也可以设置条件为有过咨询）的客户进行归类。对其采购行为进行分析梳理，通过对客户的筛选分层，针对性的跟进和了解买家需求。

众所周知，维护一个老客户所消耗的精力和成本远远小于开发新客户所需的精力和成本，而老客户的价值也更大更稳定。这类数据分析的方式，可以有效提升店铺的客户管理和维护效率。减少老客户的流失速度，以及将客户价值最大化利用。

数据分析的作用除了可以帮助商家提升客户价值的挖掘效率，还可以帮助商家在很多的层面开源节流。比如优化企业包装成本、生产成本，优化企业推广资金的利用效率等等，这些都有做过真实的案例，并且效果可观。

数据分析常见作用之案例二：验证猜想

早期收到一些小伙伴的咨询。被问到直通车推广时，有一个词的点击特别多，但是推广的这个产品从来就没有带来询盘。停掉这个词的推广之后，原本稳定有询盘的品也突然没有了询盘，而重新推广时，询盘又开始陆续出现。

收到这个问题后。脑海中的第一想法就是这些产品之间肯定是有关联的。会不会是付费的流量进来之后，对产品不感兴趣，又跳转到了其他的商品。从而发起咨询。得到这个猜想后，第一时间想到的就是数据验证。通过对访客数据的分析，分析两个产品的关联情况。在访客详情中，详细的记录了访客的访问页面和时间，所以，决定从这里开始入手分析。

（访客详情中，系统记录了访客的访问页面、访问时间及停留时间，从中可以观察到单一访客的访问明细）

（将访问过直通车产品A之后紧接着又访问了询盘产品B并发起咨询的买家全部筛选出来，统计其数量和占比）

经过一系列的数据摆弄，确实发现其中一个店铺有大量访问过推广产品的访客，紧接着又访问了有询盘的那款产品，进而发起了咨询。而有些店铺则不然，经排查是其他原因导致。经此验证，对于我们运营店铺的方向也会有新的启发。从而能够做到心中有数，不再靠猜测来摸索规律，数据让运营工作变得有趣味的同时，也让店铺的决策和思考方向更加科学。

数据分析常见作用之案例三：修正方向

在国际站运营中，经常会出现一种现象。就是苦心操作的产品常常没有起色，而那些随手一发觉得发布质量很一般的产品却偶尔能收到一些询盘。这是因为一个产品上架之后可能会经历各种各样的品生（人的生长是人生，品的生长则是品生），有些产品是真的很受欢迎，经得起市场的检验。有些则是在成长过程中，由于初期权重赛马失败而导致彻底没起来。尽管我们苦心经营，也难免会经历产品成长中的各类数据指标无法做到优秀，乃至合格。

在一个小伙伴的平台中，我们发现一些运营人员由于经验不足或对产品、对市场的感知不够。往往不知道应该怎么发布产品，怎么设置卖点，怎么推广产品。导致一个产品可能怎么推广都没起色。而一心死命关注推广一个产品，也容易忽略其他产品的数据表现。

（此案例原始数据丢失，此数据为后期制作，只为演示）

拿到一个产品施行单品操作必然是每一个运营人员需要的基础能力，而选择一个经过市场验证的产品则比自定义一个产品更容易操作成功。由于国际站批量发品的传统特性，几乎所有的商家都有很多的类似产品或重复产品。而当发现操作的产品表现吃力时，不妨看看其他产品，有没有上架后经过市场筛选表现还不错的潜力产品。

我们对数据管家产品数据进行下载和处理之后，根据买家喜好的一些特征，筛选出了几组类别的产品。其中一种就是产品的曝光和点击虽然不多，但是咨询量和收藏量都还比较稳定甚至还在生长的产品。对这些产品进行扶持和推广，一段时间之后观察数据的表现。

在经历了一系列大的修改调整，认真执行单品操作的步骤之后，慢慢的有几款产品开始生长起来，形成初步小爆款群。使得店铺的咨询量和成交都有了很大的提升。数据分析切实可以帮助商家在方向不对时候，看看是否有其他的最优解来帮助商家修正路线。

（店铺优化后，多款产品数据开始综合提升，形成初步小爆款群）

数据分析常见作用之案例四：辅助决策

数据可以帮助商家在操作一些事情前，就进行数据指导。数据是行为的产物，也在一定程度上反映着现实行为。拿选品来说。数据选品是很多商家经常用到的一种方式。

（为小伙伴制作的近几年市场数据调研及选品分析报告，历史文章中有部分演示图表）

一个产品好不好卖，需求多不多。第一步骤就是看产品容量如何，发展趋势如何。多少算多，多少算少，这里用到行业特性和数据对比。我们把一个品类最近五年的热度或销量数据等都整理出来，做成趋势图，则可直观的看出产品的市场需求情况和变化趋势。需求是逐年增大还是逐年下降，或者是长期稳定。是我们选定市场长期操作一个产品的考虑因素。通常需求逐年稳定或增大的产品是大多数商家所倾向的。

有了容量和趋势之后，我们还要看其竞争是否激烈。如果你是通过热度指数观察的容量和趋势，那么竞争则是看竞争指数。如果你看得是销量，那么竞争则看商家数。不同的数据所观察的指标也不同。

大的层面了解完，还需要看该品类的垄断程度，这里可以去前台搜索整理数据来做前十前二十的销量占比分析。如果占比集中过高，则该平台垄断程度较强，不利于切入市场。如果分布广度较大，则容易获得一杯羹。此外还可以细分该品类的属性，来做该品类下的各属性分布和价格分布等分析。

当对产品进行了多项分析之后，还需要框上一份衡量框架，看产品是否是季节性产品、是否是抛货、是否是带电或液体产品、是否门槛低易价格战以及是否易售后等多维度考量。以及还要看付费推广的难度，调研该品类的平均点击单价，以规划付费的投入和玩法。最后还需要根据一些管理学常识来做一个可行性分析。以确保在开始前就做好充足的准备，避免很多潜在问题的发生。

当然这只是选品的其中一种方式，可粗狂可细致，全凭个人喜好。在运营的方方面面，数据都可以为商家提供一些决策信息，帮助商家尽可能对的选对方向，选对执行动作。

数据分析常见作用之案例五：了解现状

运营店铺时，对店铺的发展状态尽可能掌握，是运营人员能够操控店铺局面的一个必要前提。国际站后台数据管家中，为商家提供了各种各样的数据模块，有产品的数据，有店铺的数据，有渠道来源的数据，有交易分析的数据。商家通过对数据的观察，排序。即可对店铺及产品做详细的了解。

（通过数据管家的数据排序，了解店铺内的TOP询盘品，及其对流量的点击和转化能力）

（通过询盘分析，了解店铺内询盘的时间分布，国家分布，不同国家对产品的偏好情况）

除了数据管家自带的一些数据，商家也可以自己整理数据进行分析。使得数据变换一种展示形态或展示类型，来更直观的帮助商家了解店铺。如询盘分析、价格段分析、客户行为分析等。数据是帮助商家了解自身状况和衡量自身好坏的得力工具。

新手应该如何学习数据分析

新手应该如何培养自己的数据化思维呢。首先应该是掌握一些基础性的数据思维。将常用的分析方式重视并意识起来，多加练习。

一些基础性数据分析思维

常用的基础性数据分析思维主要有排序、筛选、对比、拆分、多维、趋势、转折点、数值转换、数据图表、流程梳理等，日常数据分析的大量工作都离不开这些。

例如分析店铺的点击情况。可利用排序功能，按点击量降序排序，即可一目了然的看清楚哪些产品的点击量多，哪些产品的点击量少。而通过流程梳理，可分析点击的前面一个行为（曝光）来分析曝光到点击的一个行为表现，也就是利用数值转换的形式，将曝光和点击转换成点击率来衡量曝光到点击的表现。当然，数据管家中已经有点击率数据，可直接进行排序来观察数据，不必再做数据转换。此处只是举例，不同指标可通过运算变成一个新的指标来衡量问题。

拆分也是用到较多的一个基础性分析思维。商家可以通过各种拆解来细化数据，挖掘问题。从整个店铺来说，店铺的流量可以分为搜索渠道和非搜索渠道，每一个渠道的流量数据管家都有详细的记录，商家可以根据这些数据做一个结构化的拆解数据图。

拿搜索渠道来说，在数据管家产品分析中，记录了各个产品的曝光和点击等数据。以及进店词等数据，可依次逐级拆解形成全店的流量结构图。在这份数据拆解结构图中，商家不仅仅可以通过数据对比来分析项目占比等情况，了解自身优势和劣势流量入口，寻找新的突破点。还可以在数据出现变动时，第一时间对比数据结构图来定位到底是哪个分支出现了大的波动导致，从而针对性的定位到具体问题来解决问题。拆分思维已经成为了日常数据分析中很常用的一种基础性分析方式。

对比和趋势则是衡量事物好坏的一种方式。一天询盘两个是多是少，一个访客访问几个页面算优秀。只有通过数据对比才能给我们答案。例如，我们日均询盘是2个，同行平均每日询盘为5个，那么就算差，如果同行日均询盘也是1-2个，那则还算ok。

还有，如果品类A的核心关键词搜索指数普遍高于品类B的核心关键词搜索指数，那么品类A的市场需求量则相对更大。数据对比可以让我们清楚的知道自己的水平和位置。数据趋势变化也是衡量数据好坏的一种形式。当趋势越走越高，越走越好时，说明事物发展正在朝着更优秀的方向发展。这些数据反馈对于我们了解现状、分析问题都有很强的指导意义。

关于基础性数据分析的常见方式。大家可以自身多加重视和练习。不再一一赘述。很多复杂的分析方式也是基于基础性数据分析方式的前提下才得以展开。用好基础性数据分析方式也足以解决很多细碎的问题。

数据贴近业务，从解决小问题开始

学习数据分析要深入贴切自身业务，从解决一个个小的问题开始。

拿电商运营来讲，自身业务主要包含流量、场景、产品、视觉、客户、推广等几大模块，每一个模块在日常运营的过程都可能会出现一些小的问题。这些问题中，小到细微环节的效率优化，大到店铺的发展决策，都可以依靠分析数据来给我们指引方向。但前提是我们需要了解自身的业务模块，了解产品的成长路径，了解运营事物的模型框架。没有这些东西作为基础，数据分析很难真正的发挥效用。

对于未知的事物，我们需要做的首先是探索和了解，在初期，数据的功效大多都是倾向于用数字来衡量所面临的事物，帮助我们加深对事物的感知。在没有形成一定的认知及方法论之前，数据分析是很难帮助我们解决问题和优化效率的。

比如要解决没有询盘的问题，没有业绩的问题，如果我们连询盘是怎么来的？业绩是怎么来的？怎样操作一个单品，怎样操作一个店铺都没有清晰完整的思路，没有严谨的逻辑和可执行的方法论，那么又何来数据分析，充分利用数据的价值。

面对一个未知的世界，我们首先需要的是了解和建立业务流程、业务框架。然后才是依据其中的流程步骤和逻辑关系来优化问题，这个过程中，数据是衡量现状和推导分析的一种载体。数据分析不能脱离实际问题而单独存在。分析的过程越是贴近实际业务，越是能起到真实作用。

运营人员在练习和发散数据分析思维的时候，不妨先从一些小的问题入手思考。比如怎么筛选出店铺内点击量最高的产品，如何思考整体点击率与所有产品点击率的关系来提升整体点击率，如何通过数据拆解的形式了解和定位到数据变动的具体原因。这些看似很小很简单的问题，却是商家梳理自身问题和寻找解决方案的有效方式。没有这些底层业态来龙去脉的思考，商家也很难从数据中产生新的想法和方向。

每一个运营人员都应该感知数据分析的重要性和价值，但也要注意不应过度沉迷于数据应用。当一个企业每年营收数亿元时，通过数据决策和数据提效的方式使整体利润提升百分之10是有希望实现的。但是当一个企业的店铺，每日曝光只有个位数，一个月难有几个询盘时，这个时候的数据分析就会显得非常乏力。

这个时候不妨静下来，仔细思考，到底是哪里的问题，围绕业务流程去思考和排查可能存在的问题，寻找新的解决途径。而不是过度的在意数据，研究数据。因为此时没什么可利用的数据，数据利用的价值很小，更别提通过数据优化来解决问题，提升效率了。此刻的重心应该回归运营本质，从营销的角度思考去优化店铺可能存在的问题，数据应用不能脱离业务本身而单独存在。

学习一些简单的数据处理软件

在数据分析的过程中，我们除了观察和筛选、比较数据之外，还时常需要对一些数据进行处理，将一份或多份凌乱的数据整理出能够说明问题和直观展示分析结果的数据形态，经常会用到诸如Excel这类的工具。为了能够处理这些问题，这里也建议对数据分析有兴趣的小伙伴，可以系统的学习下Excel的使用和操作。

Excel的常用功能大体可分为四大部分，第一个是表格基础的使用，也就是大家平时用的较多的单元格编辑操作、筛选排序和一些格式设置等。第二个是函数，除了基础的sum类，count类等函数以外，还有一些诸如Left，Right，vlookup，index，match等函数也是经常用到的。如果有时间的话，建议都系统的学习下。第三个是数据透视表，也是比较常用的数据分析方式，可以对数据进行汇总，筛选等快速处理。最后一个就是图表的制作，将数据可视化。用图表的形态将数据呈现出来，更加直观和容易理解。图表的种类和适用的场景也是非常考究的，也都建议系统的学习。

至于高级筛选、规划求解、数组公式、较高阶函数、Power Query、Power Pivot、Power View和VBA等模块的使用频率则不是很高，并不常用。初学者不建议花费过多的时间去探索。当然，简单的VBA是可以尝试掌握的。

至于一些专用的数据分析工具，Power BI，SPSS，以及一些可数据处理语言Python、SQL和R语言等，如果对其中一项切实感兴趣的话，是建议花时间去学习的，哪怕仅仅作为爱好来学习也是丰富自身素质的一种。但是如果想做好一名优秀的运营人员，时间精力又比较有限的话，还是建议先用好Excel，因为它是最常用，也是最为广谱的数据处理和分析工具。而其开发工具中的VB模块，在数据处理和分析中，也可实现Python能实现的几乎百分之95以上的功能和用途。

关于学习VBA和Python，经常有小伙伴咨询学习哪一个更好。VBA和Python是两种不同的编程语言，可以写出同样的功能。其优劣势各有千秋。VBA与Excel集成在一起，对数据的处理和分析较为方便快捷，使用范围也更加的广谱，几乎每一台电脑都有安装。曾在一次外出讨论会上，与人演示，在对方还在安装Python环境、编辑器以及各种库模块时，我就已经通过Excel的广谱优势，完成了数据获取-处理-分析和制图的一系列环节。对随时随地应用、交流和使用数据有着极强的便捷性。也是我较为喜欢使用的一款数据管理工具。

Python则对于处理超大量的数据速度更快，可直接调用的模块和包较多，使用更为灵活。对于常用功能，我们可以借助系统或前辈们写好的各种库、类等模块来直接拿来调用，省去了很多需要自己编写程序的步骤，较为省时省力。而数据处理之外，python可控制的对象也更多，不仅仅可以操作处理Excel中的数据，对于处理操作浏览器，文件夹等也较为便利。

至于很多小伙伴咨询的数据爬取，Python和VBA都是可以写爬虫来获取数据的。在网络数据的获取和处理上，Python更容易上手一些，原因是Python中自带了很多的爬虫模块可以使用，也可以自由安装一些爬虫模块，VBA则大部分需要自己编写。当然，熟练使用的话，原理和框架几乎都是相同的，只是编写的语言和写法稍有不同。至于选哪一种完全看个人喜好。只要用好其中一种，用的顺手就可以了。甚至也可以借助一些爬虫软件（如八爪鱼,火车头等）或浏览器插件（如Instant Data Scraper，Web Scraper等）来获取数据。我们学习数据处理和分析更多的是用来解决问题，这个过程中顺手的工具就是最好的工具。

多积累一些实战案例

为什么说要刻意的去积累一些简单的实战案例呢？是因为积累案例的过程，解决的不仅仅是当前案例的问题，而是对眼前整个业务的理解和各种思维片段的联结过程。有助于理清事物间的逻辑顺序和各环节指标间的勾稽关系。对于透彻看待问题和寻找解决方向有着极大的帮助。

积累案例的过程，除了收集之外，也要纳入思考，将这些知识活跃到脑细胞中，只有这样才能更好的理解和调用它，形成丰富的知识沉淀和潜意识，而不是知道了就结束了。理解一个事物，不是是与非的关系，即不是只有知道和不知道两种情况，而是存在着0-100分之间的差距。知道与理解、理解与透彻理解是不同的概念。加深一步的思考是重新构建理解的过程，是发散后集中的过程。多一步的理解和思考，可以加深我们对事物的认知，有助于拨开重重迷雾看清本质。

在积累案例的过程中，不一定要去钻研很复杂的案例，可以由小及大，很多细小的环节分析也值得我们去学习和刻意练习。从简单的排序对比开始，从解决一个小的问题开始，是我们感知数据分析和初步搭建数据分析体系的必经过程。此过程没有捷径，必须要经过沉淀和大量练习。

用数据驱动运营，除了数据之外，运营本身的技能自然也不能落下。回到开头所说，数据技术和运营技术本身是相辅相成的。如果想在这条路上深入发展下去，就需要在一段时间之后，中中肯肯的评价一下自己，评价一下自己所做的这些东西价值到底几何。不能因为学了几个函数或做了几个漂亮的图表就因此而沾沾自喜，觉得自己如何如何，这是新手刚刚成长经常会出现的一种心理现象。必须要心存敬畏，回归现实，切切实实的评价一下具体数据分析行为的具体价值，不断的做出取舍，追寻本质并积累下来。

数据应用是一种能力，搭建属于自己的数据化运营体系需要长时间的积累和练习。需要对自身面向的事物有着深刻的理解，由点及面，从易到难。看得清整体，也驾驭得住局部。而这一点一滴，都需要从很多的小案例积累开始，以实现分析问题时，能有足够的知识储备和想法可以调用，应用自如。

数据分析不能脱离运营思维而更好的发挥其作用，运营能力也无法离开数据分析而走的更远。所以如果你也对这些东西感兴趣，有一些自己的想法愿意分享，欢迎一起做个交流。（完）

（来源：5颜6色的世界）

以上内容属作者个人观点，不代表雨果网立场！本文经原作者授权转载，转载需经原作者授权同意。

（来源：5颜6色的世界）