作为电子商务PM，我们需要数据和一系列数据来支持更好的输出。

在电子商务企业中，PM往往不是主导岗位，比如淘宝的主导是运营，唯品会的主导是平台上能拿到什么样的商品(购买选品型)。

一个大学毕业生接受培训后，可以做到简单的产品设计(功能设计)。PM，只有更好地了解市场，分析业务，才能更好地为企业服务。

如何留住用户是一个常见的话题。对于电子商务企业来说，最好的数据是高回购率和高客户单价。因此，我们需要活动和运营来指导新老用户的消费。

那么，如何切入这个充满活动的电子商务时代，为企业获得更好的效益和发展呢？

我们需要数据和一系列数据来支持更好的输出操作。毕竟，每一种产品都会经历技术为王、产品为王、运营为王、商业模式为王的过程。电子商务行业的商业模式得到了验证，其余的是如何更好地运营。

回到本章的重点——“数据”。作为电子商务PM，您需要知道以下数据代表什么。

数据统计系统

如果一个电子商务平台想要建立一个数据统计系统，上述任何数据都是必不可少的。众所周知，电子商务包罗万象。电子商务平台的诞生涵盖了许多基本模块。数据统计的工作量可想而知。

在统计数据之前，需要将数据埋点添加到每个模块中，因此必须明确每个数据对应的含义，避免以后重复修改规则，影响数据的准确性。

 

数据统计系统

 

对于平台电子商务，需要统计的数据大致分为平台数据和业务数据。接下来，我们将逐一分享这些数据对应的内容。

 

1. 平台数据

 

从上图可以看出，平台数据一般统计为用户数据

(1)用户数据

平台-用户数据

作为平台方，我们关心的用户数据如上图所示，一方面是来自社交平台的粉丝，另一方面是来自平台本身的用户。

• 关注数：指用户对(平台)社交平台的关注，包括对微信、微博等的关注；
• 粉丝数量净增加：指新粉丝数量与损失数量的差额；
• 流失粉丝数：指失去的粉丝数；
• 环比增长率：公式算法：(本期-上期)/上期)*100%；
• 注册用户数：指注册平台账户的用户数；
• 会员数：指成为平台会员的用户数(每个平台规则不同，例如京东会员￥198/年)；
• 非会员数：指未成为平台会员的用户数；
• 新注册用户：筛选期间，与之前新增的注册用户数量相比；
• 日活跃用户：(一般对APP以设备为例ID在1天(00:00-24:00)内访问App不重复用户数；
• 月活跃用户：(一般对APP以设备为例ID以1月内至少一次访问为依据APP独立用户数；
• 用户性别：用户性别一般分为男、女、未知；
• 用户年龄：用户年龄；
• 用户地域：指用户的设备定位区；
• 消费水平：指平台消费后用户给出的等级划分(基础设施不能先计算此数据)；
• 渠道用户：指来自不同渠道的用户(比如网络名人直播从快手引流到淘宝，这部分用户是淘宝的渠道用户)；
• 访问时段：指用户访问平台的时间段分布。

(2)流量数据

平台-流量数据

• 独立访客(UV)：(一般针对H5/PC)指访问平台的计算机或客户端为访客，同一客户端在00:00-24:00内只计算一次；
• 页面浏览量(PV)：(一般针对H5/PC)指页面访问量，每次打开页面PV计数+1.刷新页面
• 访问次数：指用户从开始访问平台到最终离开平台的访问。如果用户连续30分钟未访问新页面并刷新页面，或用户直接退出，则定义为访问结束；
• 跳出率：指用户仅访问主页就离开的访问量与总访问量的百分比；
• 访客地域：指用户访问平台时设备/客户端定位的区域；
• 访问页面：指用户访问的页面；
• 访问品类：指用户访问的商品类别；
• 访客年龄：指访问平台用户的年龄；
• 访客支付转换：指每页用户访问量的比例(比如首页100人，详情页50人，购物车30人，支付页10人，支付成功9人)。

(3)渠道数据

平台-渠道数据

• 广告数据：指平台投放广告数据(指广告曝光、曝光、点击等)；
• 数据的渠道分布：指平台各渠道的分布；
• 渠道数量：指平台的渠道数量；
• 点击量：指从渠道导入的用户点击平台次数的累计；
• 导入UV：指从渠道导入流量UV数据；
• 导入PV：指从渠道导入流量PV数据；
• 访问次数导入：指从渠道导入流量的访问次数；
• 平均访问时间：指用户从渠道导入的平均访问时间；
• 订单笔数：指用户从渠道导入的总订单数；
• 付款笔数：指从渠道导入的用户总付款笔数；
• 订单金额：指用户从渠道导入的总订单金额；
• 付款金额：指用户从渠道导入的总付款金额；
• 转化率：指用户从渠道导入的付款订单数和订单数订单转化率(计算公式:付款笔数/订单笔数)；
• 跳出率：指从渠道导入的用户的跳出率。

(4)商家概况

平台-商家概况

1. 商家数量：指平台商户总数；
2. 地域分布：指平台商户区域分布(根据入驻时填写的地址统计)；
3. 品类分布：指平台商家的类别分布概况(如家电100家，服装5000家等。
4. 商家类型：指平台商家类型分布(如品牌店1000家，厂家200家，经销商300家)；
5. 投放模块：指商家在平台上投放流量的模块；
6. 交付金额分布：指商家在平台上投放流量的金额分布；
7. 投放占比：指平台总商户数量的交付流量。

 

商家数据

 

商家数据

以上我们逐一介绍了平台统计数据的要点，然后我们讨论了商家统计数据的要点。

 

1. 交易数据

 

商家-交易数据

1. 下单笔数：指商家的订单数量(可根据某个商家进行筛选，不筛选则指7个平台商家的订单数量)；
2. 付款笔数：指商家的付款笔数(可根据商家筛选，不筛选则指整个平台商家的订单笔数)；
3. 下单金额：指商家下单金额(可根据商家筛选，不筛选则指整个平台商家下单数量)；
4. 付款金额：指商家的付款金额(可根据商家筛选，不筛选则指整个平台商家的订单数量)；
5. 复购人数：指在商家购买商品不少于一次的用户总数；
6. 订单状态分布：指订单状态的分布情况(例行支付50单，待发货60单等。
7. 订单金额分布：指订单金额在多个范围内的分布(例如，订单平均在300-500的500单，500-1000的200单等。
8. 订单渠道分布：订单来自不同渠道的分布；
9. 订单区域分布：指订单收货地址区域的总体分布；
10. 转化率：指用户付款订单数与订单数之比，订单转换率(计算公式:付款笔数/订单笔数)；
11. 复购率：指用户购买次数大于1次的总用户购买次数(还有另一种算法，这里就不细说了)；
12. 支付率：指订单支付率(计算公式:数量，订单支付率(计算公式:付款人数/订单人数)；
13. 支付金额：指用户在商家支付的总金额；
14. 支付方式：指商户支付方式的总和(如支付宝、微信支付、信用卡支付等。
15. 币种类型：指用户在商家消费中支付的货币类型(如现金、积分、消费券等。
16. 支付结果：指商家消费支付的结果分布；

 

2. 商品数据

 

商家-商品数据

1. SKU数量：指商家SKU的数量；
2. SKU销量：指商家SKU的销量；
3. SPU数量：指商家SPU的数量；
4. 一级类别数量：指商家一级类别的数量；
5. 二级类别数量：指商家二级类别的数量；
6. 三类数量：指商家三级类别的数量；
7. 品牌数据：指商品所属品牌的数据。

 

3. 用户数据

 

商家-用户数据

1. 下单用户：指商家下单的用户数；
2. 付款用户：指商户支付的用户数；
3. 会员数据：指商家的会员数据(会员数量、会员肖像等)。
4. 客户留存率：用户在一段时间内访问商家，经过一段时间后，仍然访问商家商店的用户被认为是保留用户。保留率是这部分用户在一段时间内访问商家的用户数量；
5. 店铺收藏用户数：指收藏过商家店铺的用户总数。

 

4. 流量数据

 

业务-流量数据

1. 访客数(UV)：指访问商家的电脑或客户端为访客。同一客户端在00:00-24:00内只计算一次；
2. 浏览量(PV)：指商家页面访问量，每次打开页面PV计数+1.刷新页面；
3. 浏览次数：指用户从开始访问业务到最终离开业务的访问。如果用户连续30分钟未访问新页面并刷新页面，或用户直接退出，则定义为访问结束；
4. 浏览时长：指用户浏览商家店铺的平均时间；
5. 访问时段：指用户访问商家店铺的时间段分布；
6. 访问品类：指用户访问商店的商品类别分布；
7. 分享次数：指用分享商家商店或商家商品的总数。

 

5. 营收数据

 

商家-收入数据

1. 总营业额：指商家总营业额；
2. 待结算金额：指商家等待结算的金额(有的平台会在平台内控制资金，等待结算后再到账)；
3. 待退款金额：指商家店铺退款金额；
4. 已退款金额：指商家店铺下成功退款的金额；
5. 已到账金额：指商户已到账金额(一般用于提现，属于商户真实收入)；
6. 退款率：指同期成功交易(付款)商家收到退款的订单数与订单数的比例。

 

6. 物流数据

 

商家-物流数据

1. 待发货数：指商家未发货的订单数；
2. 已发货数：指商家已发货的订单数；
3. 已收货数：指用户签收的订单数；
4. 平均交货时间：指所有商家的平均交货速度(计算公式)=所有商家的发货时间/总数)；
5. 快递公司分布：指所有商家使用的快递公司的分布；
6. 未签收：指用户未签收的包裹数；
7. 已签收：指用户签收的包裹数；
8. 已拒签：指用户拒签的包裹数；
9. 待退回：指用户已申请退款但未退回的包裹数量；
10. 已退回：指用户已完成退货的包裹数；
11. 签收时间统计：指所有用户的平均签收时间；

 

总结

 

到目前为止，我们已经完成了所有的基本元素。如果你愿意花一些时间阅读，你会发现这些数据并不难理解或繁琐。作为电子商务PM，一切都应该模块化。以这个数据为例。数据分块后，每个块的数据并不繁琐，所以只要我们记住一个模块，其他模块就可以从一个例子中得出推论。

有人会问:即使看了这么多数据，也不知道怎么构建数据统计系统。

其实很简单。这里的每个模块都是平行的。确定模块关系后，用各种可视化结果丰富您的模块，如下图所示:

可视化图表

网上有这些数据。我为什么要再写一遍？我认为有两个原因：

• 第一，对于数据来说，人的大脑记忆力不够强，当你能完全整理出来的时候，就能更好地理解和界定数据的规则；
• 其次，应该有很多童鞋需要这样一个完整的数据统计列表，在功能建设中，可以参考共享改进，也可以达到我的目的。

最后推荐一个图形插件:百度ehart，它很容易使用。有很多案例可供选择。大神再写一遍。