如何运用阿里指数进行网店运营数据分析？

1）对比分析法

对比分析法是指将两个或者两个以上的数据进行比较，分析它们的差异，从而揭示这些数据所代表的事物发展变化情况和规律。例如：店铺本月订单数与上月订单数对比（称为环比），与去年相同月份订单数对比（称为同比）。又例如：促销活动前店铺的每日平均访问量，与活动期间平均每日访问量对比，同一类目下两家店铺运营情况的相关数据对比。

如果需要了解电子商务零售市场的整体趋势，可以关注“阿里指数”。阿里指数是专业的电子商务市场动向的数据分析平台，主要对整个淘宝市场的行业价格、供求关系、采购趋势数据进行统计和分析。我们可以在观察平台数据的过程中进一步学习各种数据分析方法。

图4-1所示为淘宝市场上某日关注指数上升位次前三名的宝贝。“摇杆拳皇”关注指数为85 767，上升163位，排行第一。

图4-1　关注指数

请思考这里是否运用了数据对比分析方法？

图4-2展示的是同一日关注指数上升位次排行4～10位的宝贝。

图4-2　关键词排名

请观察如果以“关注指数”为标准，宝贝在排行榜中的位次有何改变？

在阿里指数-行业大盘的数据中，我们可以了解与查询行业相关的热门行业和潜力行业。图4-3展示的是与母婴用品相关的热门行业。

图4-3　热门行业

淘宝采购指数是指根据在淘宝市场（淘宝集市+天猫）里所在行业的成交量计算而成的一个综合数值，指数越高表示在淘宝市场的采购量越多。

1688采购指数是根据在1688市场里所在行业的搜索频繁程度计算而成的一个综合数值，指数越高表示在1688市场的采购量越多。

请对比热门行业中哪个行业最热？为什么？

图4-4展示的是与母婴用品相关的潜力行业。从图中淘宝采购指数与1688采购指数中，我们可以看到数据量最小的是能源淘宝采购指数，最大的是母婴用品淘宝采购指数。

请对两者进行比较，能得出什么结论？

对比分析法可以直观看出发生的变化和差距，而且可以精确量化。但采取对比分析法时一定要注意对比指标类型要一致，对比的对象要有可比性。

观察图4-4中的各项数据，能源淘宝采购指数与哪些数据具有可比性？与哪些数据不具可比性？

图4-4　潜力行业

2）结构分析法

结构分析法是指被分析总体内的各部分与总体之间进行对比的分析方法，即总体内各部分占总体的比例，属于相对指标。一般某部分的比例越大，说明其重要程度越高，对总体影响越大。结构相对指标（比例）的计算公式为：

如图4-5所示，为1688平台上能源类目下“太阳灶”各个价格区间的浏览和交易占比情况，占比数据如图4-6所示。

图4-5　价格分布

浏览类的价格区间是计算商品的发布价格，交易类的价格区间是计算商品实际成交单价。

请结合公式：结构相对指标（比例）=（总体某部分的数值/总体总量）×100%，说明图4-6中数据40．24%与80%的含义。

请仔细观察如何使用结构分析法分析“太阳灶价格带分布”，指出分析的“总体”“部分”分别指的什么？

如图4-7所示，为腾讯移动分析关于移动设备全机型（包括Android和iOS）用户画像的性别分布占比。画像时间2017年12月，按照统计设备的登录信息，得到的统计比率。

图4-6　占比数据

图4-7　2017年12月全机型用户性别分布占比

单纯看图4-7信息量有限，通过结构分析法很难从中得出更多的有用信息。试试观察更多占比图数据，如图4-8—图4-15所示。

图4-8　2017年12月Android用户性别分布占比

图4-9　2017年12月iOS用户性别分布占比

图4-10　2017年第四季度全机型用户性别分布占比

图4-11　2017年第四季度Android用户性别分布占比

图4-12　2017年第四季度iOS用户性别分布占比

图4-13　2017年12月某周全机型用户性别分布占比

图4-14　2017年12月某周Android用户性别分布占比

图4-15　2017年12月某周iOS用户性别分布占比

请将图4-7—图4-15中的数据填入图4-16。

图4-16　统计数据表

3）交叉分析法

交叉分析法通常用于分析两个变量之间的关系，即同时将两个有一定联系变量及其值交叉排列在一张表中，使各变量值成为不同变量的交叉结点，形成交叉表，从而分析交叉表中变量之间的关系。如何用交叉分析法分析数据呢？

如图4-17所示，是某跨境电商平台中整理截取的美容美肤商品成交量的部分数据。

经过交叉分析法分析后，数据展示如图4-18所示。

我们可以采用图4-17中的数据进行交叉分析得到图4-18这样的交叉表。对比图4-17与图4-18，可以发现图4-17没有行标签，所有标签项集中在表格顶部，即“年月”“地区”“名称”“成交量”。图4-18行标签为图4-17“地区”所包含“American”“England”“Russia”3项内容，列标签为图4-17“名称”所包含的“化妆水/爽肤水”“面膜/面膜粉”“乳液/面霜”3项内容。

图4-17　商品成交量部分数据

图4-18　数据交叉表1

图4-17中“年月”项在图4-18中怎么没有了？不是没有了，而是对1、2月各种名称的成交量求和了。如果不求和，Excel表将如图4-19所示。

图4-19　数据交叉表2

将图4-17形式的数据，转化成图4-18或者图4-19的形式，采用的方法就是“交叉分析法”。这里的变量1就是“地区”，变量2就是“名称”，将它们及其值“成交量”排列在一张表格中，让“成交量”成为“地区”“名称”的交叉结点。

交叉表的维度视分析情况而定，一般比较常用的是二维交叉表，图4-18就是二维交叉表。如果数据源内容项很丰富，也可以进行3～5个维度的交叉分析。

我们明白交叉分析法后再看如何使用Excel交叉分析店铺运营数据。这里以图4-17中的数据作为数据源。

选中“插入”“数据透视表”，如图4-20所示。

图4-20　插入数据透视表

创建数据透视表窗口设置，如图4-21所示。

图4-21　创建数据透视表

单击指定区域，如图4-22所示。

图4-22　单击指定区域

选择、拖动字段，如图4-23所示。

图4-23　选择字段

点击图中的“+”“-”即可展开收缩行标，如图4-24所示。

图4-24　收缩行标

再举一个运用交叉分析法的案例。数据整理如图4-25所示。

图4-25　数据展示

字段介绍如下。原价：商品一口价，可以理解为吊牌价。销售价/手机价：商品在PC端/手机端上的销售价，可以理解为打折价，一般不理解为实际销售价格。30天收货：30天内确定收货的总人数。30天销量：30天内销售的件数。仅从“销售价”一个维度分析。单击插入→数据透视表命令。创建数据透视表窗口设置如图4-26所示。

图4-26　创建数据透视表

数据透视表字段列表设置中将“销售价”拖动到“行标签”中，将“30天销量”设置在“数值”中，如图4-27所示。

点击“行标签”，在弹出的菜单中单击“创建组”命令，如图4-28、图4-29所示。

图4-27　选择字段

图4-28　选择“行标签”

图4-29　创建组合

设置价格步长为50，如图4-30所示。

图4-30　设置价格步长

“确定”后，效果如图4-31所示。其中行标签形成价格区间，细心的同学可能发现价格区间，从608．8～658．8直接跳转到9 958．8～10 008．8，这里可能存在问题。主要通过本例演示交叉分析方法，因此暂时忽略数据本身存在的各种问题。(www.xing528.com)

图4-31　价格区间结果

接着把数据可视化，单击“插入”“柱形图”，如图4-32、图4-33所示。

图4-32　数据可视化操作1

通过图表可以更加直观地观察数据。我们发现258．8～308．8区间几乎没有销量了。真的是这样吗？

图4-33　数据可视化操作2

如果我们把300元以下的价格区间筛出后会发现并非如此，如图4-34所示。

图4-34　数据可视化操作3

这就是视觉误差，数据需要从多个角度去观察。另外如图4-35所示，也能发现300以上仍然是存在市场的。

图4-35　局部观察

筛出价格区间，点击行标签，取消勾选300以下的价格区间即可，如图4-36所示。

图4-36　筛选价格区间

前面是根据“销售价”一个维度对“30天销量”数据进行分析。接下来我们可以增加分析维度，就是多维交叉分析。例如：增加“质地”“所在地”两个维度。

为了了解各个价格区间各种质地的背包的销量情况，首先将“质地”字段添加到轴字段（分类）中，如图4-37所示。维度增加后透视图的横坐标显得比较拥挤，可读性降低。

图4-37　添加字段后的透视图

我们可以在透视图工具→分析→折叠字段命令中进行调整，如图4-38所示。

图4-38　调整透视图1

另一种方法是点击透视表的“+”“-”符号调整透视图的展现，如图4-39所示。不过这样数量级差距依旧太大，无法直接从透视图上获取信息。

图4-39　调整透视图2

但我们发现透视表和透视图是同步的，在展开、收拢数据表的同时，透视图也会产生相应的变化，如图4-40所示。

图4-40　调整透视图3

在多维交叉分析中我们还可以利用切片器。点击“数据透视表工具”“选项”“插入切片器”，并选择“销售价”，如图4-41所示。

图4-41　插入切片器操作

点击“确定”，如图4-42所示。可以点击形成的“销售价”切片器上的各个区间，观察透视图的变化。

图4-42　透视图结果

现在如果我们还想进一步了解经营价格在“108．9～158．8”区间的PU材质的背包的地域分布情况，就再增加“所在地”分析维度。

在数据透视表字段中将“所在地”字段添加到轴字段（分类）中，并点击“数据透视图工具”“分析”“插入切片器”命令，选择“质地”“PU”字段，如图4-43所示。可以发现哪些有用的信息呢？

图4-43　透视图分析

4）综合评价分析法

前面谈到的交叉分析法维度不宜过多，但电商活动中需要分析的对象越复杂，分析维度就会越多。经常出现从这几个维度看对象甲优于对象乙，从另几个指标看对象乙又优于对象丙，再从其他指标看对象丙还优于对象甲，使我们难以评价到底孰优孰劣。

人们通过分析实践，总结出了综合评价分析法。综合评价分析法的基本思想是将多个指标以不同的权重转化为一个能反映综合情况的指标进行分析评价。确定指标权重的方式较多，这里先介绍一种比较简单的方式，即目标优化矩阵表。假设我们要对手淘宝贝进行评价，需要对店铺中每个宝贝的展现情况进行打分。

首先确定评价指标。简单设定评价指标有4个，分别是：“宝贝”“评价”“详情”“推荐”，将评价指标填入目标优化矩阵表，如图4-44所示。

图4-44　目标优化矩阵

接下来在矩阵表中两两对比评价指标，对评价指标的重要程度排序。目标优化矩阵的工作原理就是把人脑的模糊思维，简化为计算机的1/0式逻辑思维，得出量化的结果。

从纵轴的“宝贝”指标开始，与横轴的“评价”指标比较，假设“宝贝”指标比“评价”指标重要，单元格C2计1；纵轴的“宝贝”，与横轴的“详情”指标比较，假设“详情”指标比“宝贝”指标重要，单元格D2计0；依次对比，填写相应的单元格。所有对比完成以后，将所有分数横向相加，分数填入矩阵表“合计”列中。

最后根据每项指标分别的合计分，从高到低依次排序。排序结果如图4-45所示，“详情”指标为最高分3，排第一。“推荐”指标为最低分0，排第四。

图4-45　目标优化矩阵示例

我们可以利用“合计”项结果来计算权重。“推荐”合计为0，只表示与其他指标相比其重要性低，“推荐”并非没有价值。只要“推荐”对展现手淘宝贝有价值，可以给每个指标的“合计”值在原基础上+1，得到新的重要性合计值。

可以简单计算“宝贝”指标的权重如下：“宝贝”指标权重=（“宝贝”重要性合计值/所有指标重要性合计值）×100%

5）杜邦分析法

杜邦分析法是由美国杜邦公司创造并最先采用的一种综合分析方法，又称杜邦财务分析体系。它是利用各主要财务指标间的内在联系，对企业财务状况及经济效益进行综合分析评价的方法，如图4-46所示。

该体系以净资产收益率为龙头，以总资产收益率和权益乘数为核心，重点揭示组织盈利能力及权益乘数对净资产收益率的影响，以及各相关指标间的相互影响关系。为各级管理者优化经营理财状况，提高组织经营效益提供了思路。

杜邦分析体系的特点是，将若干个用以评价组织经营效率和财务状况的比率按其内在的联系有机地结合起来，形成一个完整的指标体系，并最终通过权益收益率来综合反映。

我们在进行店铺运营数据分析时可以灵活运用杜邦分析法。假设2017年五皇冠店铺

图4-46　杜邦分析法

A的市场占有率比2016年下降了7%，但店铺A的用户规模在增长，想知道原因何在？这时我们就采用杜邦分析法逐层查找原因，如图4-47所示。

图4-47　杜邦分析法示例

通过杜邦分析，我们发现店铺A在母婴市场占有率下降的主要原因可能是：

第一，同属母婴类目的店铺B、店铺C 2017年的客户数均增长迅猛，尤其店铺B的低幼读物客户增幅高达105%，拉动了整店的客户增长率。

第二，店铺A的奶粉和童装客户数量都有所下降，虽然在玩具客户增长的带动下店铺整体客户仍然增长了15%，但在3个同类店铺中其客户的增幅最小。

请思考在杜邦分析图解中我们还能获得哪些有用的信息呢？

6）漏斗分析法

漏斗分析法因以漏斗图的形式展现分析过程及结果而得名。电子商务数据分析中经常使用漏斗分析法分析购物网站中某些关键路径的转化率。漏斗分析法不仅能显示用户从进入网站到实现购买的最终转化率，同时还可以展示某个关键路径中每一步的转化率，如图4-48所示。

图4-48　漏斗分析法

虽然单一的漏斗图无法评价购物网站某个关键流程中各步骤转化率的好坏，但结合对比分析方法，可以对同一个环节优化前后的效果进行对比分析，或者对同一个环节不同细分用户群的转化率作比较。

7）矩阵关联分析法

矩阵关联分析法是指根据事物（产品或者服务）的两个重要属性（指标）作为分析的依据，进行分类关联分析，找出解决问题的一种分析方法。

以属性A为横轴，属性B为纵轴，组成一个坐标系。在两坐标轴上分别按某一标准进行刻度划分构成4个象限，将要分析的每个事物对应投射至4个象限内，进行交叉分类分析。这样可以直观地将两个属性的关联性表现出来，进而分析每个事物在这两个属性上的表现。

例如以市场份额为横轴，市场增长为纵轴，组成一个坐标系。收集店铺同一类目下单品A、B、C、D、E、F一段时间内市场份额和市场增长的数据。将数据标在矩阵对应位置中，从而显示出哪个单品提供潜在收益，哪个在消耗资源，如图4-49所示。下面分别介绍4个象限的定义。

图4-49　矩阵关联分析法

（1）Stars明星型单品（高增长，高份额）

明星型单品属于快速增长的市场并且是占有支配地位的市场份额，能否产生现金流并不确定，取决于定价、成交价和销量。明星型单品由问题单品继续投资发展起来，可视为高速成长市场中的领导者。店铺运营需要给予明星单品足够的关注，努力使它成为店铺的金牛单品。

（2）Cash Cows现金牛型单品（低增长，高份额）

处在这个领域中的单品能产生大量的现金，但未来的增长前景是有限的。它是成熟市场中的领导者，也是卖方现金的来源，但由于市场已经成熟，卖方一般不会大量投资来扩展市场规模。该单品享有规模经济和高边际利润的优势，因此给卖方带来大量现金流。

（3）Question Marks问题型单品（高增长，低份额）

处在这个位置中的是一些投机性单品，带有较大的风险。这些单品可能利润率很高，但占有的市场份额较小，通常会是店铺的新品。为了推广问题型单品，卖家需要观察产品生态链（设备、技术、人员），以便抢占市场，赶超对手。这意味着需要大量的资金投入。

（4）Dogs瘦狗型单品（低增长，低份额）

这类单品是微利甚至无利的。它存在的原因可能是情感上的因素，虽然一直微利经营，但像人养了多年的狗一样恋恋不舍而不忍放弃。其实，瘦狗型单品通常要占用很多时间资源，得不偿失。卖家应该采取收缩姿态，目的在于清仓、清算，以便把资源转移到更有利的单品上。

如果我们用店铺一段连续时间的运营数据进行矩阵关联分析，就会形成一个趋势。成功型单品多从问题型开始，转向明星型，进而成为现金牛型，但最终降为瘦狗型，此后退出市场，如图4-50所示。

如果单品较早切入市场，占领了较高的市场份额，但由于没有足够的资金和营销策略的支持，可能会面临失败的危险。一旦有这种趋势就要引起警惕，审视一下产品定位有没有偏差，营销节奏有没有把握好等问题，如图4-51所示。

图4-50　矩阵关联转换1

图4-51　矩阵关联转换2

运营人员掌握矩形关联分析方法对店铺内的单品进行分析非常有用。矩阵关联分析法经常用于测试、选择单品，也是打造爆款的有力武器。但任何一种数据分析方法都是有缺陷的，所以电子商务数据分析需要根据不同问题、不同目的，结合定性、定量多种方法，才能科学、完整、有效地分析数据。