电子商务网站核心数据分析

第一篇：电子商务网站核心数据分析

电子商务网站核心数据分析

电子商务相对于传统零售业来说，最大的特点就是一切都可以通过数据化来监控和改进。通过数据可以看到用户从哪里来、如何组织产品可以实现很好的转化率、你投放广告的效率如何等等问题。基于数据分析的每一点点改变，就是一点点提升你赚钱的能力，所以，电子商务网站的数据分析是很重要的一门功课。一般来说，数据分析包括：流量来源分析、流量效率分析、站内数据流分析和用户特征分析四个部分。我们先来说说流量来源分析。

电子商务就是贩卖流量的生意，低成本的流量来源是保证企业盈利的重要条件。流量来源分析主要是要明白你的用户都是从那些网站来的，那些网站的给你带来更多的订单、那些网站的流量是真实的，那些是虚假等。

流量分析一般一奥分析以下内容：

网站流量来源排名：那些网站贡献的流量多，那些贡献的少

搜索引擎关键词分析：根据关键词的来源分析来查看网站产品分布和产品组合。如果关键词查询多的产品却不是网站的主推品，可以进行适当调整。

网站流量趋势分析：网站的流量是否均衡稳定，是不是有大幅度波动。一般来说流量突然增加的网站，如非发生突发事件，购买的广告位作弊的嫌疑比较大。

网站流量核对：查看是否有莫名流量来源，流量来源大不大。如果莫名来源流量很大的话，有可能是您购买的CPC或者其他资源被注水了，将您的广告链接分包给了点击联盟。

推介网站与直接访问的比例：推介网站可以理解为外部广告，直接访问就是用户直接输入网址。一般来说，直接访问量越大说明网站的品买知名度越高。

其次是流量效率分析

流量效率是指流量到达了网站是不是真实流量，主要分析指标如下：

到达率：到达率是指广告从点击到网站landingpage的比例。一般来说，达到率能达到80%以上是比较理想的流量。这个也跟网站的速度有关，综合来分析一下。

二跳率：这个也是为了分析流量的有效性。如果是有效流量的话，一般会有合理的二跳。如果是虚假点击的话，一般是没有二跳的。但是也不排除有部分作假很厉害的网站能做出二跳，比如PPLIVE，当年洪成浩做投放的时候，我们的广告直接连接到广告专题页，二跳是15%左右，但是PPLIVE居然有60%的二跳！最主要的是一个转化都没有。差点把我们的图片图服务器点瘫痪，这个就太过分了。

PV/IP比：一般来说，有效的流量，网站内容比较好的话，一个独立IP大概能有3个以上的PV。如果PV/IP比能达到3以上的话，一般说明流量比较真实，网站内容也不错。但是如果低于3的话，并不代表流量不真实，也可能是网站本身的问题。如果PV/IP过高的话，也可能有问题，比如人力重复刷新等，要谨慎对待。

订单转化率：这个是最最核心的数据了，没有订单转化率，其他一切都是免谈！某些牛B的B3C能做到4%的提袋率！某些却仅仅是0.1%，努力吧，众B2Cer们。站内数据流分析，主要用来分析购物流程是否顺畅和产品分布是否合理，一般如下：

页面流量排名：主要查看产品详情页的流量，特别是首页陈列的产品详情页。参照最终的销售比例，优胜劣汰，用以调整销售结构。

场景转化分析：从首页-列表页-详情页-购物车-订单提交页-订单成功页，的数据流分析。比如说，首页到达了10000用户，伺此后的数据分别是8000-5000-1000-50-5，购物车到订单提交页的相差比较大，大概就能看出来是购物车出了问题，需要改进。

频道流量排名：各个频道流量的排名，主要用来考虑产品组织的问题。

站内搜索分析：这个反应的是用户关心的产品有哪些，产品调整的最直接数据。

用户离开页面分析：用户在那些也页面离开最多？是首页还是频道页？是购物车还是订单提交页。突然的大比例的离开网站，往往预示这问题的存在。

最后是用户特征分析：

用户停留时间：这个放在用户特征分析里有些牵强。而且目前监控用户停留时间的方式是：用户到达时间-用户离开时间，但是用户什么时候离开很难准确判断，这种数据仅作参考，一般停留时间越长网站粘性越好。如果用户停留时间超过1个小时，基本就是假流量，或者用大打开网页忘记关了，呵呵。

新老用户比例：老用户比例越高，证明用户忠诚度不错。但是还要考虑绝对量，不能靠新用户越来越少来衬托老用户比例越来越高。

用户地域分析：用户地域与订单地域分布基本一致，基本上就是用过互联网用户的分布比例以及经济发达程度等。这个对于提升区域配送及服务比较有帮助。

电子商务网站的基本数据分析就是以上这些，作为实际操作人员要根据数据分析的情况来发现问题和总结问题，进而优化网站的结构和用户体验、来提升网站的专转化率和用户忠诚度。这些都是电子商务很重要的基础工作，希望能为大家的利润做出贡献

第二篇：电子商务网站营销数据分析技术探讨

电子商务网站营销数据分析技术探讨

电子商务（EC）在现代商务企业的发展中占有越来越重要的地位。如何利用信息技术掌握更多的商务信息已备受商家们的关注，站点分析技术正是为商家和网站提供了这样一种有效的分析工具。

本文讨论了一些站点分析的相关技术信息和几种网站分析浏览者行为的理论与算法，及数据仓库的相关理论知识。并对站点日志数据进行了实例分析，并指出了站点分析技术发展的方向。

一、绪论

互联网技术不断革新与发展，给全球经济带来新的革命，从而也影响着人们的生活。互联网为企业提供了一种真正属于自己并面对广大网民的信息载体，企业通过这一载体，可以自由地将企业的产品、服务等其他相关信息在线发布。

电子商务就是网上实行各种商务活动的总包装，种种所谓电子商务解决方案，实际上就是实现各种网上商务活动的硬件与软件系统。它将影响到每一个人、每一个企业。电子商务的主体是我们每一个人、每一个企业，电子商务发展的过程就是对人们的生活、企业的运行的一种模式的一个巨大改变的过程。对于进入虚拟世界的商家而言，仅仅吸引注意力还不行，对它们而言，站点的访问率绝对不仅仅是一个数字，它还是一种信息，如果网站能够从网络中获得网民的信息并从中分析其行为诱因，那么就容易掌握网民的需求，从而利用互联网去创造更多商机。

电子商务站点用户行为的分析这一问题也因此成为现如今的热门话题，被人们普遍关心起来，尤其是被众商家所重视。Web站点的日志数据正以每天数十兆的速度增长。如何分析这些数据，如何从这些大量数据中发现有用的、重要的知识（包括模式、规则、可视化结构等）也成为现在人们最关注的信息。

在此情况下，站点用户行为分析就可为网站或商家提供出大量有价值的信息，包括站点的受欢迎度的对比、商业广告点击情况总括、产品的反馈信息、站点各种信息的点击情况等等。另外，还可根据不同的页面内容来分类浏览者，以便做出更合理的页面分类，促使网站逐步向个性化、最优化状态发展。这一技术对互联网的发展壮大有着不可忽视的巨大作用，它的发展对信息技术亦将产生深远的影响。

在电子商务早期阶段时，Web站点数据流分析通常是在主页上安装计数器以及在一个

外部日志文件上运行简单的统计程序记录点击率。但是，简单的点击计数既不准确也远未达到营销目的所需的详细程度。因此，各公司开始寻找更先进的分析工具，这类工具可以提供谁在访问公司Web站点以及访问者一旦进入站点后将做些什么的全面信息。站点开始分析的地方是Web服务器的访问日志。每当用户在站点上请求一个网页时，这个请求就被记录在访问日志中。如：目前有多少用户正在访问站点、他们正在看哪些网页以及他们在站点中呆了多长时间。显然，日志分析和行为概况的正确组合可以对Web站点的成功产生直接影响。此外，从日志分析中得到的信息是很难从真实世界中捕获到的，但这些信息却可以较容易地在线收集到。Web数据流分析工具的这些最新进展可以使网站获得有关上网客户和他们习惯的详细报告。

二、站点信息统计方法

Web页面数据主要是半结构化数据，计算机网络技术和信息技术的飞速发展，使得半结构化数据呈现日益繁荣的趋势。半结构化数据，是一种介于模式固定的结构化数据，和完全没有模式的无序数据之间，在查询前无法预先确定其具体的类型和格式；同时它们相应的数据结构是不固定、不完全或不规则的，即这些数据有的本身就没有结构，有的只有十分松散的结构，有的数据的结构是隐含的，需要从数据中进行抽取。而有时，尽管数据本身是有精确结构的，但为了一定的目的，而故意忽视它的结构。半结构化数据具有以下五方面的主要特点：

1.结构是不规则的。包含异构数据、相同的数据信息用不同类型或不同的结构表示。

2.结构是隐含的。如电子文档SGML格式。

3.结构是部分的，有时部分数据根本无结构，而部分数据只有粗略的结构。

4.指示性结构与约束性结构。传统的数据库使用严格的分类策略来保护数据。而指示性数据结构是对结构的一种非精确的描述。它可接受所有新数据，代价是要频繁修改结构。

5.半结构化数据通常在数据存在之后才能通过当前数据归纳出其结构，称之为事后模式引导。模式有时可被忽略，同时数据与数据模式间的区别逐渐消除。

三、数据分析的方法

Web页面的数据通常是利用统计模型和数学模型来分析的。使用的模型有线性分析和非线性分析；连续回归分析和逻辑回归分析；单变量和多变量分析以及时间序列分析等。这

些统计分析工具能提供可视化功能和分析功能来寻找数据间关系、构造模型来分析、解释数据。并通过交互式过程和迭代过程用来求精模型，最终开发出最具适应性的模型来将数据转化为有价值的信息。

知识发现是从数据仓库的大量数据中筛取信息，寻找经常出现的模式，检查趋势并发掘实施。它是分析Web页面数据的重要方法。知识发现与模式识别的算法有以下几种：1.依赖性分析依赖性分析算法搜索数据仓库的条目和对象，从中寻找重复出现概率很高的模式。它展示了数据间未知的依赖关系。利用依赖性分析算法可以从某一数据对象的信息来推断另一数据对象的信息。例如：在杂货店中，一堆椒盐饼干放在陈列饮料的走道上，这是因为经过依赖性分析，商店认为：很大一部分买饮料的顾客如果在取饮料的路上看到椒盐饼干的话就会购买，因而此种分析影响了商店布局。

2.聚类和分类在某些情况下，无法界定要分析的数据类，用聚类算法发现一些不知道的数据类或怀疑的数据类。聚类的过程是以某一特定时间为依据，找出一个共享一些公共类别的群体，它称为无监督学习。分类过程，这是发现一些规定某些商品或时间是否属于某一特定数据子集的规则。这些数据类很少在关系数据库中进行定义，因而规范的数据模型中没有它们的位置。最典型的例子是信用卡核准过程，可确定能否按商品价格和其它标准把某一购买者归入可接受的那一类中。分类又称为有监督学习。

3.神经网络神经网络通过学习待分析数据中的模式来构造模型。它对隐式类型进行分类。图像分析是神经网络最成功的应用之一。神经网络用于模型化非线性的、复杂的或噪声高的数据。一般神经模型由三个层次组成：数据仓库数据输入、中间层（各种神经元）和输出。它通常用恰当的数据库示例来训练和学习、校正预测的模型，提高预测结果的准确性。

4.数据挖掘中的关联规则关联规则是数据挖掘的一个重要内容，通常关联规则反映的是数据间的定性关联关系。如一个商品交易数据库，一条记录表示用户一次购买的商品种类，每个属性（A、B„„）代表一种商品，每个属性都是布尔类型的。一条关联规则的例子是：{A、B}→{D}[2%][60%]，规则的含义是“如果用户购买商品A和B，那么也可能购买商品D，因为同时购买商品A、B和D的交易记录占总交易数的2%而购买A和B的交易中，有60%的交易也包含D”。规则中60%是规则的信任度，2%是规则的支持度。数据挖掘就是要发现所有满足用户定义的最小信任度和支持度阀值限制的关联规则。数据只是定性地描述一个交易是否包含某商品，而对交易量没有定量描述，这种布尔类型数据间的关联规则被称为定性关联规则。但数据记录的属性往往是数值型或字符型的，这些数据间也存在对决策有帮助的关联规则，相对于定性关联规则，这些规则被称为定量关联规则。

另外，数据挖掘目前仍面临着数据质量的问题。由于数据仓库中的数据来自多个数据源，而在合并中存在很多障碍，如：没有建立合并视图所需的公共关键字；数据值相互抵触；元

数据的说明不完备或丢失；数据值的不洁净等等。数据挖掘是在标准化的数据基础上进行的，因而这些都会严重破坏数据的准确性，导致最终决策的失误。所有这些问题都在等待着人们去发掘更好的解决方法。

第三篇：电子商务网站分析

实验内容：分析一个电子商务网站

实验目的：学会分析一个电子商务网站所采用的经营特色

实验要求:(1)找一个电子商务网站，分析其所采用的经营模式并写出你所分析的网站的网址。

(2)从此网站交易特点、交付特点，分析此网站能否赢利，并说明原因？

(3)运用你所学知识对此网站进行改进，使之更合理和更优化。

(1)找一个电子商务网站，分析其所采用的经营模式并写出你所分析的网站的网址。答：当当网: http:///

综合运用价格、分销、促销等多种营销因素，来刺激消费者购买，从以前的4Ps营销策略(产品、价格、渠道、促销)向4Cs营销策略(顾客的欲求与需要、顾客获取满足的成本、顾客购买的方便性、与顾客的沟通)发展，从以企业为中心向以顾客为中心发展，做到以人为本。

(2)从此网站交易特点、交付特点，分析此网站能否赢利，并说明原因？

答：当当网通过与大量本地快递公司合作，为顾客提供“送货上门，当面收款”的服务，加之网上支付、汇款等多种支付方式，大大满足了客户在支付方式上的多样化需求。2008年7月31日，中国银联和当当网在北京联合宣布双方在电子商务和银行卡支付领域达成全面合作关系，正式开通了基于智能刷卡电话的“网上购物、刷卡支付”新型电子商务支付服务。同时，当当网也不断推出新的方便顾客的支付方式。

目前为止，在货款支付方式方面，当当网提供了货到付款、网上支付、邮局汇款、银行转账、帐南京理户余额支付、当当礼品卡支付、支票支付等多种支付方式。据调查，网上购物的付款方式中，消费者大多偏好网上支付(61.5%)和货到付款(36.1%)。支付方式的多样化同样促进了当当网市场的扩展。赢利要数：

 直接销售，压低制造商(零售商)的价格，在采购价与销售价之间赚取差价。

 虚拟店铺出租费，产品登录费、交易手续费；此外还可以利用平台，充分利用付款和收到货物再支付的时间差产生的巨额常量资金逆行其它投资盈利。

 广告费。现在这一部分增长得很快。

(3)运用你所学知识对此网站进行改进，使之更合理和更优化。

1.进一步把图书信息更新详细同时提高更新速度

2.智能比价系统的技术受质疑，显然这个系统凸显了货比三家，当当的低价策略，在购

买的过程中，当当不是最便宜的！

3.售后服务质量有待提升

4.信用度需要进一步提高

第四篇：运营管理-B2C网站运营核心数据分析模型

第一项：日常性数据（基础）1.流量相关数据： 1.1 IP 1.2 PV 1.3 在线时间 1.4 跳出率 1.5 新用户比例 2.订单相关数据： 2.1 总订单 2.2 有效订单 2.3 订单有效率 2.4 总销售额 2.5 客单价 2.6 毛利润 2.7 毛利率

3.转化率相关数据： 3.1 下单转化率 3.2 付款转化率。简要说明：

1.因为我们已经实现基础的WEB版数据分析系统（有些公司用进销存软件），所以常规性的销售额、利润、利润率，都是可以通过系统实现的。

2.因为直接与商城后台对接，库存管理都已经做进去了，分析数据时候，后台的原始数据都有，设定好各项公式，想要的结果都出来了，这样实现比用软件效率更好，且可以根据各自的需求灵活开发。3.由于会出现用户今日下单，明日付款，所以订单有效率、销售额、转化率、客单价会动态变化，靠EXCEL基本是做不来，所以灵活对接系统非常重要，如果没有，也可以参考这方面的需求去开发。

第二项：每周数据分析（核心）

用户下单和付款不一定会在同一天完成，但一周的数据相对是精准的，所以我们把每周数据作为比对的参考对象，主要的用途在于，比对上周与上上周数据间的差别，运营做了某方面的工作，产品做出了某种调整，相对应的数据也会有一定的变化，如果没有提高，说明方法有问题或者本身的问题并在与此。

1.网站使用率：IP、PV、平均浏览页数、在线时间、跳出率、回访者比率、访问深度比率、访问时间比率。

这是最基本的，每项数据提高都不容易，这意味着要不断改进每一个发现问题的细节，不断去完善购物体验。来说明下重要的数据指标：

1.1 跳出率：跳出率高绝不是好事，但跳出的问题在哪里才是关键。我的经验，在一些推广活动或投放大媒体广告时，跳出率都会很高，跳出率高可能意味着人群不精准，或者广告诉求与访问内容有巨大的差别，或者本身的访问页面有问题。常规性的跳出率我注于登录、注册、订单流程1-3步、用户中心等基础页面，如果跳出率高于20%，我觉得就有不少的问题，也根据跳出率来改进购物流程和用户体验。

1.2 回访者比率=一周内2次回访者/总来访者，意味着网站吸引力，以及会员忠诚度，如果在流量稳定的情况下，此数据相对高一些会比较高，太高则说明新用户开发的太少，太低则说明用户的忠诚度太差，复购率也不会高。

1.3 访问深度比率=访问超过11页的用户／总的访问数，访问时间比率=访问时间在10分钟以上的用户数／总用户数，这两项指标代表网站内容吸引力，数据比率越高越好。2.运营数据：总订单、有效订单、订单有效率、总销售额、客单价、毛利润、毛利率、下单转化率、付款转化率、退货率；

每日数据汇总，每周的数据一定是稳定的，主要比对于上上周的数据，重点指导运营内部的工作，如产品引导、定价策略、促销策略、包邮策略等。

2.1 比对数据，为什么订单数减少了？但销售额增加了？这是否是好事？ 2.2 对比数据，为什么客单价提高了？但利润率降低了？这是否是好事？

2.3 对比数据，能否做到：销售额增长，利润率提高，订单数增加？这不是不可能。所有的问题，在运营数据中都能够找到答案。第三项：用户分析 1.会员分析：新会员注册、新会员购物比率、会员总数、所有会员购物比率； 概括性分析会员购物状态，重点在于本周新增了多少会员，新增会员购物比率是否高于总体水平。如果你的注册会员购物比率很高，那引导新会员注册不失为提高销售额的好方法。

1.1 会员复购率：1次购物比例、2次购物比例、3次购物比例、4次购物比例、5次购物比例、6次购物比例；

1.2 转化率是体现的是B2C的购物流程、用户体验是否有好，可以叫外功，复购率则体现B2C整体的竞争力，绝对是内功，这包括知名度、口碑、客户服务、包装、发货单等每个细节，好的B2C复购率能做到90%，没有复购率的B2C绝对没有任何前途，所以这也能够理解为什么很多B2C愿意花大钱去投门户广告，为了就是获取用户的第一次购买，从而获得长期的重复购买。但某些B2C购物体验做的不好，花大钱砸广告，这纯属烧钱行为。所以我觉得运营的核心工作，一方面是做外功，提高转化率，获取消费者第一次购买行为，另外一方面就是做内功，提高复购率，B2C根本也就在重复购买。所以B2C是个综合学科，做好每门功课真是不容易，不过也就是依靠每个细节，才奠定了B2C发展的基石。中国的B2C是幸运的，因为中国的消费者很宽容，你欺骗我一次，我可能还会原谅你，说实话给消费者选择的空间也并不是那么多，但随着新崛起B2C的成长，对服务的关注与投入，我相信未来的B2C会是个服务行业，而不是搬运工。

第四项：流量来源分析

我们用的是Google Analytics，统计的数据比较详细，流量来源分析我觉得最重要的意义是：

1.监控各渠道转化率，这是运营的核心工作，针对不同的渠道做有效的营销，IP代表着力度，转化率代表着效果；

2.发掘有效媒体，转化率的数据让我们很清晰的了解什么样的渠道转化效果好，那么以此类推，同样的营销方式，用在同类的渠道上，效果差不到哪去，BD或广告就可以去开发同类的合作渠道，复制成功经验。

流量分析是为运营和推广部门指导方向的，除了关注转化率，还有像浏览页数、在线时间，都是评估渠道价值的指标。

第五项：内容分析

主要的两项指标：退出率和热点内容

1.退出率是个好医生，很适合给B2C检查身体，哪里的退出率高，基本会说明有些问题，重点关注登录、注册、购物车、用户中心，这些是最基础的，但也是最关键的。一般我会列出TOP20退出率页面，然后运营部会重点讨论为什么，然后依次进行改进，不过我们今年做的很粗旷，做得也不是很好，来年重点完善。2.热点内容这部分是用来指导运营工作的，消费者最关注什么，什么产品、分类、品牌点击最高，这些数据在新的运营工作中做重点引导，推荐消费者最关注的品牌、促销最关注的商品等等。

第六项：商品销售分析

这部分是内部数据，根据每周、每月的销售详情，了解经营状况，做出未来销售趋势的判断，这部分数据模型还在规划中，每家的情况都不同，所以这里就不做说明了。本文写的比较仓促和潦草，年后有空会把每一部分延伸来写，希望能对大家有些帮助，对B2C的经营时间比较段，经验并不多，所以请高手不必见笑了。

第五篇：SEO如何分析网站数据

笔者之前因为从事过数据分析工作（主要是做GA数据分析），因此对于数据比较敏感，现在接触到SEO项目执行，在执行过程中要定期的进行项目工作汇报，因此对于SEO推广的工作效果定期分析必不可少，SEO工作要分析数据，具体要分析哪些数据。

1、网站内容质量分析

这里的内容质量分析不仅是分析网站内部更新的内容的质量，同时也要分析网站外链发布的内容的质量（之前遇到过内容发布质量过低显现）；网站内容质量分析标准：

网站标题是否原创，是否能引起用户关注；网站整体内容原创度如何，外链内容原创的在40%以上，站内内容在100%的标准；网站整体语句是否通顺；网站整体的内容为多少个字（我们要求是500-800字左右）；网站内容被转载情况（群众的眼睛是雪亮的，如果内容质量好大家一定会转载）。

2、网站关键词排名进度分析

网站的排名进度是最能体现排名效果，通过对排名的进度监控及时了解排名进度情况，方便对SEO实施工作进行调整，同时排名也是不叫直观了解项目的进度汇报工作方式。

3、网站收录数据分析

分析的数据主要是分析我们目标的搜索引擎网站收录情况，对于整案客户和客户舒服统计方便我们的以后工作，通过数据分析可以预控网站出现意外情况，如：网站收录数据位为5000条，突然网站内容降低为10条，够悲剧吧，当然通过数据分析你可以监控到项目的问题情况。

4、网站外链收录数据分析

对于SEO工作大家都是外部链接的工作需要稳定增进，网站“暴饮暴食”对站点影响很大，当然除了日常操作的外部链接情况，我们还要监控网站的当天收录的链接情况。

5、网站流量分析

通过关键词流量的分析，监控到哪些词获得高流量，对于我们不同网站的需求进行指定对应的提升方案，如：我们网站需要大量流量，当然我们可以使用长尾关键词进行拓展延伸以此提上我们网站的流量。

6、网站外链质量分析

对于外部链接的质量分析这里我不进行过多描述，网络上面有很多的内容判断内容的质量方法。这里重点提到对于SEO工作我们日常实施中需要新建设资源同时有没有资源的时候，便于对内容进行资源的监控，筛选资源质量。

7、网站蜘蛛程序爬行分析

网站访问的内容的日志被放在我们网站的日志文件夹中，如果使用虚拟主机，直接通过FTP进行下载，配合日志分析工具（光年、逆火进行分析）分析网站被搜引擎搜索页的内容的情况，及时调整网站内部的设置和链接布局。

8、网站用户点击热力图

热力图工具（百度统计工具、谷歌GA）加入代码，指定对一个的统计页面即可观察网站的点击情况，对于销售型网站通过热区情况及时了解到网站受众追捧区域情况，方便调整内容的更换。

9、网站服务器拒绝访问情况

分析网站服务器拒绝放弃的时间，对于商贸网站，用户体验度提升有帮助，对于服务器拒绝时间如果过长我们要分析站点内容是否有问题，服务器配置上面是否有问题，对于长时间拒绝访问的网站对搜索引擎也不是很友好。

本文由拍鞋网商城http://shop2001191.paixie.net/整理