微信掃碼咨詢
數據指標是什么？——是一個切入數據的角度。有了數據指標的存在，才能知道需要采集什么數據、需要持續(xù)監(jiān)測什么數據、用什么角度來和歷史表現做對比。
數據指標的類型各種各樣，有些指標是被廣泛使用的，如 DAU、新注冊用戶數、PV 等；還有些指標，是帶有強烈的業(yè)務特征的，例如直播平臺可能會關注新增主播數量，酒店預訂業(yè)務更可能關注房間預訂量，等等。
那么在電商場景中，應該看哪些數據指標？下文中，筆者會依據工作中的數據分析經驗，為你梳理看電商數據的基本邏輯和視角，并詳細解讀 10 條電商場景里常見的數據指標。
1. 從事情的發(fā)生順序角度看：流量→行為→交易
電商中看數據，首先需要從事情的發(fā)生邏輯來去理解它。從事情發(fā)生的先后順序來說，先得有用戶過來（流量），然后在這邊瀏覽挑選加購（行為），最后付款（交易）。也就是：流量→行為→交易，這三個大的步驟順序，構成了一個完整的電商交易事件。
2. 從排查問題的角度看：交易→流量→行為
面對真實業(yè)務場景，怎么去看數據最有效率？
就如同你看一棵樹長得怎么樣，不會把它的所有葉子都扒過來看一遍，而是先從整體長勢去看它是否高大繁茂。同理，推薦的分析角度是：從宏觀到微觀，也就是交易→流量→行為。
先看最終的結果，也就是交易數據。看有沒有明顯的漲跌，給這個周期 / 這次運營事件的成敗定個調。
如果交易數據有明顯漲跌的，再進一步判斷是否是因為流量數據的漲跌而造成的。因為流量數據是決定了最終交易規(guī)模高低的最重要影響因素之一。無論你的運營策略多精妙、商品優(yōu)惠多高，如果完全沒流量進來訪問，也就不會有成交的爆發(fā)。
最后，如果流量的漲跌沒有呈現顯著的高低，可以從行為去拆解，看關鍵行為的數據是否有值得關注的異常。例如，若是研究電商的下單黃金流程是否存在問題，可以拆解為看搜索、商詳、加購、訂單這幾個關鍵路徑的流量漏斗，是否存在某個節(jié)點跳出特別高的情況；若是 618 主會場，可以把頁面的訂單產出拆解為重點樓層訂單量、次要樓層訂單量，看重點主推樓層的訂單量是否達到預期。
以上步驟，可以幫助我們快速建立對于看電商數據的基本視角；但進一步的分析，就需要對指標進行更深的挖掘了。
GMV 和訂單量（GMV：訂單金額）
在分析之前需要意識到，這兩個指標是一個結果的描述。它們可以用以判斷交易結果的成敗，但同時也存在局限性：它們只是最表層、最宏觀的數值，有非常多的變量可以影響和決定它們，因此，它們只能說明結果（好或壞），但無法直接給出造成結果的原因（為什么好或壞）。
因此，我們需要警惕把這些宏觀指標與某個原因鏈接，直接得出因果判斷的結論。例如，我們不能看到 GMV 漲了，就直接下判斷說，這代表我們的運營策略成功了——這個結果和原因之間缺乏更多的論證，需要進一步溯源。如何避免這種拍腦袋的判斷呢？從公式上去推導是比較客觀的做法，如下圖是數懶里的一個分析功能，可以看出：因為 UV 大幅下降，雖然轉化率有較大提升，但仍導致訂單量大幅下降，所以最終導致引入訂單金額降了。
△ GMV 公式分析，圖表來自數懶分析平臺
轉化率（轉化率 = 引入訂單量 / 流量）
它描述的是流量的轉化效率特征，首先受品類特性影響，例如奢侈品類的轉化率，就大概率比消費品低。另一個轉化率的影響因素是運營玩法，比如派發(fā)更多優(yōu)惠券，也會令用戶更容易轉化。還有一個因素，即引入的流量與當前落地頁的匹配度，如導入價格敏感型用戶進入到新品專題的頻道頁，就會有導致低轉化率的風險。
客單價（客單價 = GMV / 引入訂單量）
它描述了每個訂單的平均成交金額，具有比較強的品類特征，比如奢侈品類的客單價，天然是比消費品的客單價高的。同時，如果進行了拼單滿減等運營策略，也能夠刺激用戶一單購買更多的商品，進而提升客單價。
UV 價值（UV 價值 = GMV / 流量）
它描述的是每個 UV 產出的平均金額，也能側面看出流量的質量、流量與業(yè)務的匹配程度。試想一個頁面，如果它的 UV 價值高，那么也就代表給它引入更多同類的流量，它就能創(chuàng)造更大的 GMV。因此 UV 價值也是一個很重要的指標，和轉化率一起綜合看，可以用來評估到底哪個業(yè)務 / 頁面值得投入更多的流量。
思考：UV 價值和客單價有什么不同？
o 影響因素不同：UV 價值更受流量質量的影響；而客單價更受賣的貨的影響；
o 使用場景不同：UV 價值可以用來評估頁面 / 模塊的創(chuàng)造價值的潛力；客單價可以用來比較品類和商品特征，但一個頁面客單價高，并不代表它創(chuàng)造價值的能力強，只能得出這個頁面的品類更趨近于是賣高價格品類的。
UV & PV（頁面瀏覽人數、頁面訪問次數）
UV 描述了訪問的人數，是一個很重要的數據指標，它的多少往往決定了最終 GMV 的高低。UV 源自各種途徑，例如站外廣告、站內的資源位分配、用戶主動回訪流量、社交裂變活動的分享引流等。
PV 描述了訪問的次數，例如用戶一天訪問了這個頁面3次，這時候會計算為 3 PV 和 1 UV。也就是說，PV 比 UV 多了某段時間內用戶多次訪問的信息。若要看頁面的流量量級，無論看 UV 還是 PV 都是可以的。
人均瀏覽次數（人均瀏覽次數 = 頁面訪問次數 / 頁面瀏覽人數）
這個指標描述了某段時間內，每個用戶平均瀏覽頁面的次數。不同的場景會有不同的值，需要根據具體的場景來判斷高低。有些情況會出現 PV 高出 UV 很多的場景，如存在需要用戶多次回訪的玩法、有分時段運營的策略（e.g. 一天三次紅包雨）等等，需要具體場景具體分析。
點擊率（點擊率 = 模塊點擊人數 / 頁面瀏覽人數）
用戶對此模塊的點擊人數，在所有進入頁面的流量中的百分比。可以看作用戶對于模塊的需求強烈程度的評判指標之一。與頁面流量和頁面 GMV 的關系類似，模塊的點擊率與模塊的產出是強相關的（如下圖，橫軸是各模塊）。
△ 各模塊的點擊率 & 訂單金額占比對比，圖表來自數懶分析平臺
點擊率的影響因素有：
o 模塊在頁面中的位置：若放得越高，則越可能被更多的用戶看見，那么點擊率高的可能性，就比放置位置低的模塊要來得更高。畢竟頁面越往下，看到的用戶就更少了。
o 模塊本身的吸引程度：比如模塊本身是個優(yōu)惠券集合樓層，就比沒有利益點的普通模塊更吸引人、更容易獲得更多點擊。此外，模塊的樣式設計、主題表述的清晰與否、主題對用戶的吸引力和潛在用戶群大小，這些都會影響到模塊的吸引力。
曝光點擊率（曝光點擊率 = 模塊點擊人數 / 模塊曝光人數）
用戶對此模塊的點擊人數，在所有看到此模塊的流量中的百分比。與點擊率的公式對比可發(fā)現，點擊率的分母是所有進入頁面的流量，但用戶的瀏覽行為永遠是瀏覽得越深，流量越少的。這也就導致位置越深的模塊算點擊率就越吃虧，因為相當一部分流量壓根就沒有看到這個模塊，也被算進分母里了。而曝光點擊率，就是一個排除了頁面位置對模塊的影響后，可以用來相對公平地去比較各模塊的吸引力的數據指標。
思考：什么場景用點擊率，什么場景用曝光點擊率呢？
o 當想要單純評估樓層對用戶的吸引力時，可以看曝光點擊率；
o 當想要綜合評估樓層的整體效果與貢獻時，看點擊率，畢竟它與樓層 GMV 相關性更高；
o 曝光需要特殊埋點，且可能會影響頁面性能，因此很多時候我們沒有辦法獲取到曝光數據，也只能看點擊率了。
曝光點擊率的使用注意：
首屏內的樓層的曝光點擊率，數據可能不準確。首屏的曝光 UV 是最大的，里面包含了各種異常情況，例如一進頁面就跳出，也算作曝光。因此導致首屏的曝光點擊率往往會偏小（如下圖所示），無法與其他樓層比較。若想比較首屏情況，建議與點擊率一起綜合來看。
△ 各屏的曝光點擊率差異，圖表來自大促某頁面的數據分析
曝光率（曝光率 = 模塊曝光人數 / 頁面瀏覽人數）
這個數據可以看出用戶在頁面上的瀏覽深度如何，有百分之多少的用戶看到了哪一屏。從這個數據中，我們可以發(fā)現一些關鍵的節(jié)點。例如，若我們的業(yè)務主推是在第二~三屏的位置，但最終發(fā)現曝光率在第二屏便暴跌，這便是存在問題的，說不定我們需要把主推內容再往上提一些，或者需要去排查首屏是否有會令用戶立即跳轉和跳出的內容……這便是曝光率這個數據指標，可以帶來的分析價值。
停留時長
這個數據指標很好理解，是描述用戶在頁面上平均停留多少秒。
思考：曝光率下跌曲線越慢 / 瀏覽深度越深 / 停留時長越長，就代表我們的頁面做得越好嗎？
曝光率和停留時長的影響因素比較一致，因此可以合在一起解釋。曝光率的下降曲線、停留時長的長與短，影響因素有這些：
人的生理極限：人不是機器，根據研究，「人不受干擾地執(zhí)行單一操作的時長為 6s ~ 30s 」[注1]，超過這一常數，用戶就會走神。可想而知，用戶在單一頁面上停留的時間是有上限的，不因頁面放置入的內容多少而變化。一個反例，是通過利益點來吸引用戶在頁面上瀏覽得更深，這不但與生理極限相悖，也把用戶自然的瀏覽行為和目標，硬生生變成了為了追尋更多利益點而進行類似完成任務的操作。除了用利益點交換一個好看的數據以外，這樣的做法似乎沒能帶來更多的產出。
頁面定位及內容：在雙 11 主會場中，用戶的行為模式趨近找優(yōu)惠和找目標品類，那么他可能不會在這里瀏覽太多屏數、也不會停留太久——這個時候影響曝光率和停留時長的，就是他有多快能找到感興趣的優(yōu)惠，因此，并不能說瀏覽深度越深、停留時長越長就越好；在 BI（千人千面）商品瀑布流中，用戶的行為是閑逛和挑選，這時候他更可能瀏覽更多的屏數、停留更長時間——因此瀏覽的商品越多，可以說是對最終效益最好的。
異常情況：例如加載異常、頁面崩潰的場景，就會導致停留時長異常低、二屏后曝光異常低。
綜上，我們應該根據具體的場景、通過數次歷史數據的對比，去設定和校正目標曝光率、目標停留時長。平日看這兩個數據，可以當作一個監(jiān)測異常的數據，在正常范圍內的波動不需要過度解讀，一旦發(fā)現特別異常的情況，再進行具體的分析。
原文地址https://www.uisdc.com/10-e-commerce-design-data-index
13560189272 
地址：廣州市天河區(qū)黃埔大道西201號金澤大廈808室 
