文章大綱：

• 數據體系搭建是OT與DT的結合體。
• 數據分析常見作用之案例一：提升效率
• 數據分析常見作用之案例二：驗證猜想
• 數據分析常見作用之案例三：修正方向
• 數據分析常見作用之案例四：輔助決策
• 數據分析常見作用之案例五：了解現狀
• 新手應該如何學習數據分析
• 一些基礎性數據分析思維
• 數據貼近業務，從解決小問題開始
• 學習一些簡單的數據處理軟件
• 多積累一些實戰案例

數據體系搭建是OT與DT的結合體。

在日常生活中，提起數據分析，大家首先想到的就是各種數據和圖表。電商運營中，收集數據和整理數據也已經成為常態，不少商家都越來越認可和傾向數據的收集和利用。數據也成為了當今業態發展不可或缺的參考指標。

說起國際站運營，數據分析也好，數據化驅動運營也好。數據與運營本身是密不可分的，運營人員的數據分析體系搭建，也應為自身領域的OT（Operational Technology）與DT（Data Technology）的結合體，即運營技術與數據技術的相輔相成。

運營技術可以幫助我們梳理搭建營銷過程所涉及的流程和框架，指導我們業務發展的方向和其間方方面面的環節構建。數據技術則可以幫助我們識別運營過程的效果反饋和提升運營各環節的產出效率。

數據分析不能脫離運營思維而更好的發揮其作用，運營能力也無法離開數據分析而走的更遠。缺乏數據應用能力的運營人員，難以對運營過程的諸多環節進行反饋意識和效率優化，而單純的研究數據、分析數據，沒有運營的思維框架，我們也甚至連要做什么，問題是什么都難以清晰。

數據分析的作用有很多，也沒有固定的標準。但是在大多時候，數據化運營的目的，并不是讓數據來直接帶給我們什么價值，而是輔助我們已經存在的運營思維框架。用數據來指導決策、提升效率和解決問題。以及企圖在數據整理的過程中帶給我們一些啟發。

數據分析常見作用之案例一：提升效率

通過分析買家行為數據幫助企業單月提升幾萬美金的業績。

在一次數據診斷的過程中，通過對某店鋪的客戶行為數據進行分析診斷，發現其有大量的老客戶沒有進行跟進和成交。我們將買家的采購數據進行整理，根據買家的采購頻次、采購金額、采購時間等條件進行篩選處理。篩選出連續五個月內成交過三次及以上并且最近三個月沒有下單的客戶，也就是曾經有過頻繁購買，但近期一段時間突然中止購買行為的客戶，對這些客戶進行一對一的分析和跟進。

（由于篇幅有限，無法像歷史文章《詢盤分析》《價格段分析》一樣，將每一步都詳細寫出。只做思路闡述）

（通過數據分析，批量挖掘出店鋪正在流失或潛在流失的客戶。并根據其歷史采購行為進行價值分析和判斷。針對性的進行溝通和盤活。）

在這個過程中，我們發現有很多的中等客戶都被忽略掉。大部分業務員隨著時間的推移，所接待的客戶越來越多，其中充斥著大量的咨詢客戶和一次性成交客戶，也就是采購一次就再無消息的客戶。伴隨著正處于售中、售后等有著一系列注意事項要處理的客戶，會讓業務員的精力較為分散，所關注的重心難以顧及到每一個客戶身上。

經過與一些業務員的回憶，業務員普遍關注的是有著大額或穩定采購行為的老客戶，以及近期復購過的客戶，對這類客戶印象較深。而早期有過幾次采購且近期消失的客戶則有很多意識不到，從而錯過了老客戶價值的挖掘。

買家行為數據分析，可以幫助商家快速準確的對所有有過交易（也可以設置條件為有過咨詢）的客戶進行歸類。對其采購行為進行分析梳理，通過對客戶的篩選分層，針對性的跟進和了解買家需求。

眾所周知，維護一個老客戶所消耗的精力和成本遠遠小于開發新客戶所需的精力和成本，而老客戶的價值也更大更穩定。這類數據分析的方式，可以有效提升店鋪的客戶管理和維護效率。減少老客戶的流失速度，以及將客戶價值最大化利用。

數據分析的作用除了可以幫助商家提升客戶價值的挖掘效率，還可以幫助商家在很多的層面開源節流。比如優化企業包裝成本、生產成本，優化企業推廣資金的利用效率等等，這些都有做過真實的案例，并且效果可觀。

數據分析常見作用之案例二：驗證猜想

早期收到一些小伙伴的咨詢。被問到直通車推廣時，有一個詞的點擊特別多，但是推廣的這個產品從來就沒有帶來詢盤。停掉這個詞的推廣之后，原本穩定有詢盤的品也突然沒有了詢盤，而重新推廣時，詢盤又開始陸續出現。

收到這個問題后。腦海中的第一想法就是這些產品之間肯定是有關聯的。會不會是付費的流量進來之后，對產品不感興趣，又跳轉到了其他的商品。從而發起咨詢。得到這個猜想后，第一時間想到的就是數據驗證。通過對訪客數據的分析，分析兩個產品的關聯情況。在訪客詳情中，詳細的記錄了訪客的訪問頁面和時間，所以，決定從這里開始入手分析。

（訪客詳情中，系統記錄了訪客的訪問頁面、訪問時間及停留時間，從中可以觀察到單一訪客的訪問明細）

經過一系列的數據擺弄，確實發現其中一個店鋪有大量訪問過推廣產品的訪客，緊接著又訪問了有詢盤的那款產品，進而發起了咨詢。而有些店鋪則不然，經排查是其他原因導致。經此驗證，對于我們運營店鋪的方向也會有新的啟發。從而能夠做到心中有數，不再靠猜測來摸索規律，數據讓運營工作變得有趣味的同時，也讓店鋪的決策和思考方向更加科學。

數據分析常見作用之案例三：修正方向

在國際站運營中，經常會出現一種現象。就是苦心操作的產品常常沒有起色，而那些隨手一發覺得發布質量很一般的產品卻偶爾能收到一些詢盤。這是因為一個產品上架之后可能會經歷各種各樣的品生（人的生長是人生，品的生長則是品生），有些產品是真的很受歡迎，經得起市場的檢驗。有些則是在成長過程中，由于初期權重賽馬失敗而導致徹底沒起來。盡管我們苦心經營，也難免會經歷產品成長中的各類數據指標無法做到優秀，乃至合格。

在一個小伙伴的平臺中，我們發現一些運營人員由于經驗不足或對產品、對市場的感知不夠。往往不知道應該怎么發布產品，怎么設置賣點，怎么推廣產品。導致一個產品可能怎么推廣都沒起色。而一心死命關注推廣一個產品，也容易忽略其他產品的數據表現。

（此案例原始數據丟失，此數據為后期制作，只為演示）

拿到一個產品施行單品操作必然是每一個運營人員需要的基礎能力，而選擇一個經過市場驗證的產品則比自定義一個產品更容易操作成功。由于國際站批量發品的傳統特性，幾乎所有的商家都有很多的類似產品或重復產品。而當發現操作的產品表現吃力時，不妨看看其他產品，有沒有上架后經過市場篩選表現還不錯的潛力產品。

我們對數據管家產品數據進行下載和處理之后，根據買家喜好的一些特征，篩選出了幾組類別的產品。其中一種就是產品的曝光和點擊雖然不多，但是咨詢量和收藏量都還比較穩定甚至還在生長的產品。對這些產品進行扶持和推廣，一段時間之后觀察數據的表現。

在經歷了一系列大的修改調整，認真執行單品操作的步驟之后，慢慢的有幾款產品開始生長起來，形成初步小爆款群。使得店鋪的咨詢量和成交都有了很大的提升。數據分析切實可以幫助商家在方向不對時候，看看是否有其他的最優解來幫助商家修正路線。

（店鋪優化后，多款產品數據開始綜合提升，形成初步小爆款群）

數據分析常見作用之案例四：輔助決策

數據可以幫助商家在操作一些事情前，就進行數據指導。數據是行為的產物，也在一定程度上反映著現實行為。拿選品來說。數據選品是很多商家經常用到的一種方式。

（為小伙伴制作的近幾年市場數據調研及選品分析報告，歷史文章中有部分演示圖表）

一個產品好不好賣，需求多不多。第一步驟就是看產品容量如何，發展趨勢如何。多少算多，多少算少，這里用到行業特性和數據對比。我們把一個品類最近五年的熱度或銷量數據等都整理出來，做成趨勢圖，則可直觀的看出產品的市場需求情況和變化趨勢。需求是逐年增大還是逐年下降，或者是長期穩定。是我們選定市場長期操作一個產品的考慮因素。通常需求逐年穩定或增大的產品是大多數商家所傾向的。

有了容量和趨勢之后，我們還要看其競爭是否激烈。如果你是通過熱度指數觀察的容量和趨勢，那么競爭則是看競爭指數。如果你看得是銷量，那么競爭則看商家數。不同的數據所觀察的指標也不同。

大的層面了解完，還需要看該品類的壟斷程度，這里可以去前臺搜索整理數據來做前十前二十的銷量占比分析。如果占比集中過高，則該平臺壟斷程度較強，不利于切入市場。如果分布廣度較大，則容易獲得一杯羹。此外還可以細分該品類的屬性，來做該品類下的各屬性分布和價格分布等分析。

當對產品進行了多項分析之后，還需要框上一份衡量框架，看產品是否是季節性產品、是否是拋貨、是否是帶電或液體產品、是否門檻低易價格戰以及是否易售后等多維度考量。以及還要看付費推廣的難度，調研該品類的平均點擊單價，以規劃付費的投入和玩法。最后還需要根據一些管理學常識來做一個可行性分析。以確保在開始前就做好充足的準備，避免很多潛在問題的發生。

當然這只是選品的其中一種方式，可粗狂可細致，全憑個人喜好。在運營的方方面面，數據都可以為商家提供一些決策信息，幫助商家盡可能對的選對方向，選對執行動作。

數據分析常見作用之案例五：了解現狀

運營店鋪時，對店鋪的發展狀態盡可能掌握，是運營人員能夠操控店鋪局面的一個必要前提。國際站后臺數據管家中，為商家提供了各種各樣的數據模塊，有產品的數據，有店鋪的數據，有渠道來源的數據，有交易分析的數據。商家通過對數據的觀察，排序。即可對店鋪及產品做詳細的了解。

（通過數據管家的數據排序，了解店鋪內的TOP詢盤品，及其對流量的點擊和轉化能力）

（通過詢盤分析，了解店鋪內詢盤的時間分布，國家分布，不同國家對產品的偏好情況）

除了數據管家自帶的一些數據，商家也可以自己整理數據進行分析。使得數據變換一種展示形態或展示類型，來更直觀的幫助商家了解店鋪。如詢盤分析、價格段分析、客戶行為分析等。數據是幫助商家了解自身狀況和衡量自身好壞的得力工具。

新手應該如何學習數據分析

新手應該如何培養自己的數據化思維呢。首先應該是掌握一些基礎性的數據思維。將常用的分析方式重視并意識起來，多加練習。

一些基礎性數據分析思維

常用的基礎性數據分析思維主要有排序、篩選、對比、拆分、多維、趨勢、轉折點、數值轉換、數據圖表、流程梳理等，日常數據分析的大量工作都離不開這些。

例如分析店鋪的點擊情況。可利用排序功能，按點擊量降序排序，即可一目了然的看清楚哪些產品的點擊量多，哪些產品的點擊量少。而通過流程梳理，可分析點擊的前面一個行為（曝光）來分析曝光到點擊的一個行為表現，也就是利用數值轉換的形式，將曝光和點擊轉換成點擊率來衡量曝光到點擊的表現。當然，數據管家中已經有點擊率數據，可直接進行排序來觀察數據，不必再做數據轉換。此處只是舉例，不同指標可通過運算變成一個新的指標來衡量問題。

拆分也是用到較多的一個基礎性分析思維。商家可以通過各種拆解來細化數據，挖掘問題。從整個店鋪來說，店鋪的流量可以分為搜索渠道和非搜索渠道，每一個渠道的流量數據管家都有詳細的記錄，商家可以根據這些數據做一個結構化的拆解數據圖。

拿搜索渠道來說，在數據管家產品分析中，記錄了各個產品的曝光和點擊等數據。以及進店詞等數據，可依次逐級拆解形成全店的流量結構圖。在這份數據拆解結構圖中，商家不僅僅可以通過數據對比來分析項目占比等情況，了解自身優勢和劣勢流量入口，尋找新的突破點。還可以在數據出現變動時，第一時間對比數據結構圖來定位到底是哪個分支出現了大的波動導致，從而針對性的定位到具體問題來解決問題。拆分思維已經成為了日常數據分析中很常用的一種基礎性分析方式。

對比和趨勢則是衡量事物好壞的一種方式。一天詢盤兩個是多是少，一個訪客訪問幾個頁面算優秀。只有通過數據對比才能給我們答案。例如，我們日均詢盤是2個，同行平均每日詢盤為5個，那么就算差，如果同行日均詢盤也是1-2個，那則還算ok。

還有，如果品類A的核心關鍵詞搜索指數普遍高于品類B的核心關鍵詞搜索指數，那么品類A的市場需求量則相對更大。數據對比可以讓我們清楚的知道自己的水平和位置。數據趨勢變化也是衡量數據好壞的一種形式。當趨勢越走越高，越走越好時，說明事物發展正在朝著更優秀的方向發展。這些數據反饋對于我們了解現狀、分析問題都有很強的指導意義。

關于基礎性數據分析的常見方式。大家可以自身多加重視和練習。不再一一贅述。很多復雜的分析方式也是基于基礎性數據分析方式的前提下才得以展開。用好基礎性數據分析方式也足以解決很多細碎的問題。

數據貼近業務，從解決小問題開始

學習數據分析要深入貼切自身業務，從解決一個個小的問題開始。

拿電商運營來講，自身業務主要包含流量、場景、產品、視覺、客戶、推廣等幾大模塊，每一個模塊在日常運營的過程都可能會出現一些小的問題。這些問題中，小到細微環節的效率優化，大到店鋪的發展決策，都可以依靠分析數據來給我們指引方向。但前提是我們需要了解自身的業務模塊，了解產品的成長路徑，了解運營事物的模型框架。沒有這些東西作為基礎，數據分析很難真正的發揮效用。

對于未知的事物，我們需要做的首先是探索和了解，在初期，數據的功效大多都是傾向于用數字來衡量所面臨的事物，幫助我們加深對事物的感知。在沒有形成一定的認知及方法論之前，數據分析是很難幫助我們解決問題和優化效率的。

比如要解決沒有詢盤的問題，沒有業績的問題，如果我們連詢盤是怎么來的？業績是怎么來的？怎樣操作一個單品，怎樣操作一個店鋪都沒有清晰完整的思路，沒有嚴謹的邏輯和可執行的方法論，那么又何來數據分析，充分利用數據的價值。

面對一個未知的世界，我們首先需要的是了解和建立業務流程、業務框架。然后才是依據其中的流程步驟和邏輯關系來優化問題，這個過程中，數據是衡量現狀和推導分析的一種載體。數據分析不能脫離實際問題而單獨存在。分析的過程越是貼近實際業務，越是能起到真實作用。

運營人員在練習和發散數據分析思維的時候，不妨先從一些小的問題入手思考。比如怎么篩選出店鋪內點擊量最高的產品，如何思考整體點擊率與所有產品點擊率的關系來提升整體點擊率，如何通過數據拆解的形式了解和定位到數據變動的具體原因。這些看似很小很簡單的問題，卻是商家梳理自身問題和尋找解決方案的有效方式。沒有這些底層業態來龍去脈的思考，商家也很難從數據中產生新的想法和方向。

每一個運營人員都應該感知數據分析的重要性和價值，但也要注意不應過度沉迷于數據應用。當一個企業每年營收數億元時，通過數據決策和數據提效的方式使整體利潤提升百分之10是有希望實現的。但是當一個企業的店鋪，每日曝光只有個位數，一個月難有幾個詢盤時，這個時候的數據分析就會顯得非常乏力。

這個時候不妨靜下來，仔細思考，到底是哪里的問題，圍繞業務流程去思考和排查可能存在的問題，尋找新的解決途徑。而不是過度的在意數據，研究數據。因為此時沒什么可利用的數據，數據利用的價值很小，更別提通過數據優化來解決問題，提升效率了。此刻的重心應該回歸運營本質，從營銷的角度思考去優化店鋪可能存在的問題，數據應用不能脫離業務本身而單獨存在。

學習一些簡單的數據處理軟件

在數據分析的過程中，我們除了觀察和篩選、比較數據之外，還時常需要對一些數據進行處理，將一份或多份凌亂的數據整理出能夠說明問題和直觀展示分析結果的數據形態，經常會用到諸如Excel這類的工具。為了能夠處理這些問題，這里也建議對數據分析有興趣的小伙伴，可以系統的學習下Excel的使用和操作。

Excel的常用功能大體可分為四大部分，第一個是表格基礎的使用，也就是大家平時用的較多的單元格編輯操作、篩選排序和一些格式設置等。第二個是函數，除了基礎的sum類，count類等函數以外，還有一些諸如Left，Right，vlookup，index，match等函數也是經常用到的。如果有時間的話，建議都系統的學習下。第三個是數據透視表，也是比較常用的數據分析方式，可以對數據進行匯總，篩選等快速處理。最后一個就是圖表的制作，將數據可視化。用圖表的形態將數據呈現出來，更加直觀和容易理解。圖表的種類和適用的場景也是非常考究的，也都建議系統的學習。

至于高級篩選、規劃求解、數組公式、較高階函數、Power Query、Power Pivot、Power View和VBA等模塊的使用頻率則不是很高，并不常用。初學者不建議花費過多的時間去探索。當然，簡單的VBA是可以嘗試掌握的。

至于一些專用的數據分析工具，Power BI，SPSS，以及一些可數據處理語言Python、SQL和R語言等，如果對其中一項切實感興趣的話，是建議花時間去學習的，哪怕僅僅作為愛好來學習也是豐富自身素質的一種。但是如果想做好一名優秀的運營人員，時間精力又比較有限的話，還是建議先用好Excel，因為它是最常用，也是最為廣譜的數據處理和分析工具。而其開發工具中的VB模塊，在數據處理和分析中，也可實現Python能實現的幾乎百分之95以上的功能和用途。

關于學習VBA和Python，經常有小伙伴咨詢學習哪一個更好。VBA和Python是兩種不同的編程語言，可以寫出同樣的功能。其優劣勢各有千秋。VBA與Excel集成在一起，對數據的處理和分析較為方便快捷，使用范圍也更加的廣譜，幾乎每一臺電腦都有安裝。曾在一次外出討論會上，與人演示，在對方還在安裝Python環境、編輯器以及各種庫模塊時，我就已經通過Excel的廣譜優勢，完成了數據獲取-處理-分析和制圖的一系列環節。對隨時隨地應用、交流和使用數據有著極強的便捷性。也是我較為喜歡使用的一款數據管理工具。

Python則對于處理超大量的數據速度更快，可直接調用的模塊和包較多，使用更為靈活。對于常用功能，我們可以借助系統或前輩們寫好的各種庫、類等模塊來直接拿來調用，省去了很多需要自己編寫程序的步驟，較為省時省力。而數據處理之外，python可控制的對象也更多，不僅僅可以操作處理Excel中的數據，對于處理操作瀏覽器，文件夾等也較為便利。

至于很多小伙伴咨詢的數據爬取，Python和VBA都是可以寫爬蟲來獲取數據的。在網絡數據的獲取和處理上，Python更容易上手一些，原因是Python中自帶了很多的爬蟲模塊可以使用，也可以自由安裝一些爬蟲模塊，VBA則大部分需要自己編寫。當然，熟練使用的話，原理和框架幾乎都是相同的，只是編寫的語言和寫法稍有不同。至于選哪一種完全看個人喜好。只要用好其中一種，用的順手就可以了。甚至也可以借助一些爬蟲軟件（如八爪魚,火車頭等）或瀏覽器插件（如Instant Data Scraper，Web Scraper等）來獲取數據。我們學習數據處理和分析更多的是用來解決問題，這個過程中順手的工具就是最好的工具。

多積累一些實戰案例

為什么說要刻意的去積累一些簡單的實戰案例呢？是因為積累案例的過程，解決的不僅僅是當前案例的問題，而是對眼前整個業務的理解和各種思維片段的聯結過程。有助于理清事物間的邏輯順序和各環節指標間的勾稽關系。對于透徹看待問題和尋找解決方向有著極大的幫助。

積累案例的過程，除了收集之外，也要納入思考，將這些知識活躍到腦細胞中，只有這樣才能更好的理解和調用它，形成豐富的知識沉淀和潛意識，而不是知道了就結束了。理解一個事物，不是是與非的關系，即不是只有知道和不知道兩種情況，而是存在著0-100分之間的差距。知道與理解、理解與透徹理解是不同的概念。加深一步的思考是重新構建理解的過程，是發散后集中的過程。多一步的理解和思考，可以加深我們對事物的認知，有助于撥開重重迷霧看清本質。

在積累案例的過程中，不一定要去鉆研很復雜的案例，可以由小及大，很多細小的環節分析也值得我們去學習和刻意練習。從簡單的排序對比開始，從解決一個小的問題開始，是我們感知數據分析和初步搭建數據分析體系的必經過程。此過程沒有捷徑，必須要經過沉淀和大量練習。

用數據驅動運營，除了數據之外，運營本身的技能自然也不能落下。回到開頭所說，數據技術和運營技術本身是相輔相成的。如果想在這條路上深入發展下去，就需要在一段時間之后，中中肯肯的評價一下自己，評價一下自己所做的這些東西價值到底幾何。不能因為學了幾個函數或做了幾個漂亮的圖表就因此而沾沾自喜，覺得自己如何如何，這是新手剛剛成長經常會出現的一種心理現象。必須要心存敬畏，回歸現實，切切實實的評價一下具體數據分析行為的具體價值，不斷的做出取舍，追尋本質并積累下來。

數據應用是一種能力，搭建屬于自己的數據化運營體系需要長時間的積累和練習。需要對自身面向的事物有著深刻的理解，由點及面，從易到難。看得清整體，也駕馭得住局部。而這一點一滴，都需要從很多的小案例積累開始，以實現分析問題時，能有足夠的知識儲備和想法可以調用，應用自如。

數據分析不能脫離運營思維而更好的發揮其作用，運營能力也無法離開數據分析而走的更遠。所以如果你也對這些東西感興趣，有一些自己的想法愿意分享，歡迎一起做個交流。（完）

（來源：5顏6色的世界）

以上內容屬作者個人觀點，不代表雨果網立場！本文經原作者授權轉載，轉載需經原作者授權同意。

（來源：5顏6色的世界）