下载掌阅APP，畅读海量书库
立即打开
数据分析是指用适当的统计分析方法对收集的大量第一手资料进行分析，以求最大化地利用数据资料，发挥数据资料的作用，提取有用的信息并形成结论，从而对数据加以详细研究和概括总结的过程。跨境电商的数据分析就是跨境电商通过数据分析得到有助于跨境电商发展的相关资料。例如，全球速卖通的卖家通过数据分析，能将整个店铺的运营建立在科学分析的基础之上，对各种指标进行定性、定量分析，从而为决策者提供准确、科学的参考依据。
1.跨境电商数据分析的意义和作用
实践中，数据分析可以帮助人们做出判断，以便采取适当的行动。数据分析的意义在于发现问题，并且找到产生问题的根源，最终通过切实可行的办法解决存在的问题；基于以往的数据分析，总结发展趋势，为营销决策提供数据支持。
跨境电商数据分析的作用有分享线上活动成效，考核相关人员绩效（Key Performance Indicator，KPI），监控推广的投入产出（Return On Investment，ROI），发现客服、营销等方面的问题，预测市场未来趋势，帮助改进网站用户体验设计（User Experience Design，UED）。数据分析贯穿于产品的整个生命周期，从市场调研到售后服务的各个过程，都需要适当运用数据分析，以提升产品策划的有效性。
2.跨境电商数据分析的流程
（1）收集数据
在对网站数据进行分析之前，企业首先需要收集和获取数据，尽量获得完整、真实、准确的数据，做好数据的预处理工作，以便量化分析工作的开展。
① 网站后台的数据
a.网站用户数据（注册时间、用户性别、所属地域、来访次数、停留时间等）。
b.订单数据（下单时间、订单数量、商品品类、订单金额、订购频次等）。
c.反馈数据（客户评价、退换货、客户投诉等）。
② 搜索引擎的数据
a.网站在各个搜索引擎中的收录量（site）。
b.网站在搜索引擎中的更新频率。
c.关键词在搜索引擎中的竞价排名情况。
d.网站取得的搜索引擎信任的权重（谷歌的PR值、搜狗的SR值）等。
③ 统计工具的数据
网站的统计工具很多，这些工具基本都会提供访客来自哪些地域、来自哪些网站、来自哪些搜索词，访客浏览了哪些页面等数据信息，并且网站会根据需要进行广告跟踪。
（2）量化分析
分析不只是对数据的简单统计和描述，而是在数据中发现问题的本质，然后针对确定的主题进行归纳和总结。常用的分析方法有以下几种。
① 趋势分析
趋势分析是指将实际分析的结果与不同时期的报表中的同类指标的历史数据进行比较，从而确定变化趋势和变化规律。具体的分析方法包括定比和环比两种。定比是以某一时期的数据为基数，对其他各期的数据均与该基数进行比较；而环比是以上一时期的数据为基数，对下一时期的数据与上一时期的数据进行比较。
② 对比分析
对比分析是指对两个相互联系的指标数据进行比较，从数量上展示和说明研究对象规模的大小、水平的高低、速度的快慢，以及各种关系是否协调。在对比分析中，选择合适的对比标准是十分关键的，标准合适，才能做出客观的评价，反之可能得出错误的结论。
③ 关联分析
关联分析意为如果两个或多个事物之间存在一定的关联，那么其中一个事物就能够通过其他事物进行预测。它的目的是挖掘隐藏在数据间的相互关系。
④ 因果分析
因果分析是为了确定引起某一现象变化的原因的分析，主要解决“为什么”的问题。因果分析就是在研究对象的先行情况中，把引起它发生变化的原因的现象与其他非原因的现象区分开来，或者是在研究对象的后行情况中，把因它而产生的结果的现象与其他的现象区分开来。
（3）提出方案
对数据量化分析的结果进行汇总、诊断，并提出最后的解决方案。
① 评估描述：对评估情况进行客观描述，用数据支撑自己的观点。
② 编制统计图表：运用柱形图和条形图对基本情况进行更清晰的描述，运用散点图和折线图表现数据间的因果关系。
③ 提出观点：根据实际情况进行数据分析，提出自己的观点，预判发展趋势，给出具体的建议性的改进措施。
④ 演示文档：基于以上3点进行归纳总结，列出条目，制作一份详细的演示文档，将具体方案讲解给部门领导。
（4）优化改进
根据改进措施的实施，及时了解数据相应的变化，不断进行优化和改进，不仅要治标，而且要治本，使同类的问题不再出现。运营人员要持续监控和反馈，不断寻找能从根本上解决问题的最优方案。
数据分析是一项长期工作，同时也是一个循序渐进的过程，需要运营人员实时监测网站运行情况，及时发现问题、分析问题并解决问题，这样才能使跨境电商健康、持续地发展。
1.数据化管理的定义
数据化管理是指运用分析工具对客观、真实的数据进行科学分析，并将分析结果运用到生产、营运、销售等各个环节中的一种管理方法。根据管理层次的不同，数据化管理可分为业务指导管理、营运分析管理、经营策略管理、战略规划管理4个由低到高的层次。根据业务逻辑还可以分为销售中的数据化管理、商品中的数据化管理、财务中的数据化管理、人事中的数据化管理、生产中的数据化管理、物流中的数据化管理等。
数据化管理中使用的数据分析工具主要有Excel、SAS、SPSS、Matlab等，其中Excel由于通用性强、门槛低、功能强大深受各种水平的数据分析人员的喜爱（本书所涉及的数据分析均是用Excel完成的）。作为一个每天和数据打交道的人员，你可以不会使用那些专业的分析软件，但是必须会使用Excel，并且还要非常熟练。
2.数据化管理的意义
从数据化管理的流程来看，应用是数据化管理的核心。这也是数据化管理和数据分析最大的不同，不能应用到业务层面的数据分析是没有意义的。
（1）量化管理
无论是传统零售还是跨境电商，其中的大部分管理工作都是可以量化的。KPI就是对日常业务的一种量化管理。
（2）最大化地提高销售业绩和生产效率
数据分析本身不能带来业绩或效率的提高，只有将正确的分析结果实际地应用到业务层面才能产生效益，只有持续不断地产生效益才能称得上是数据化管理。
（3）有效地节约企业的各项成本
每个业务中心都可以建立独立的数据化管理体系，建立自己部门的追踪及预警机制，从而达到节约成本的目的。
（4）组织管理、部门协调的工具
针对同样一个指标，不同部门提供的数据可能不一致，这既浪费资源，又不利于标准化管理。日常和数据有关的信息传递尽量按如下的原则来做，这样会大大提高组织及部门间的效率：提供正确且有效的数据给对方；不仅提供数据，还尽可能提供根据数据得到的结论；对结论进行必要的补充说明，将论证逻辑告诉对方；建立业务管理模板共享机制。
（5）提高企业管理者决策的速度和正确性
我们习惯给企业管理者扣一顶“拍脑袋”的帽子，其实“拍脑袋”并不是一件容易的事情，它是基于经验、深思熟虑之后得到的一种结论。不是每个人都有资格“拍脑袋”的。当然如果企业管理者在“拍脑袋”决策的过程中能够参考必要的数据，将有效提高企业管理者决策的速度和正确性。
3.数据化管理的4个层次
4.数据化管理流程
数据化管理流程分为8个步骤，它和常规数据分析最大的不同就是强化应用，要求应用模板化、模板智能化。实施数据化管理之后，每个层面展现的不再是枯燥的数据、干巴巴的表格，而是简洁的可视化图表、傻瓜式的业务诊断、智能化的应用提醒、高互动性的使用界面。
（1）分析需求
分析需求又包括收集需求、分析需求、明确需求3个部分。收集需求的方法主要有对使用对象进行访谈、市场调查、走访专家等。分析需求推荐利用思维导图来整理收集的信息，思维导图的逻辑可以参考使用5W2H分析法、人货场等概念。
（2）收集数据
收集数据是根据使用者的需求，通过各种方法来获取相关数据。数据收集途径包括在公司数据库、互联网和公开出版物中查找、进行市场调查、购买专业公司的数据等。收集数据是数据分析的基础环节，数据分析人员在数据的收集过程中需要不断地问自己，数据来源是否可靠？收集数据的方法是否有瑕疵？收集的数据是否有缺失？
（3）整理数据
整理数据是对收集到的数据进行预处理，将其整理为可供进一步分析的标准格式的数据。需要整理的数据包括非标准格式的数据和不符合业务逻辑的数据两大类。非标准格式的数据包括文本格式的日期、文本格式的数字、字段中多余的空格符号、重复数据等。
数据整理的好与坏直接决定了分析的结果。数据整理的方法主要有分类、排序、做表、预分析等。整理的逻辑有理口径、看异常、查大数据趋势等。数据分析人员可以利用Excel中的分列、删除重复项、透视表、图表、函数等功能来辅助整理。
（4）分析数据
分析数据是指在业务逻辑的基础上，数据分析人员运用简单有效的分析方法和合理的分析工具对数据进行处理。没有业务逻辑的数据分析是不会产生任何使用价值的，对数据分析人员来说，熟悉业务、有业务背景非常重要。分析方法简单有效就可以，实用才是最高准则。对工具掌握的熟练程度决定了分析的高度。对数据分析人员来说，工具不在于多而在于精。当然片面强调对工具的熟练掌握或对业务的深度理解是不对的，只有均衡发展才是有益的。懂数据分析的人很多，懂业务的人更多，但是既懂业务又懂数据分析的人却非常少。
（5）数据可视化
数据可视化是指将分析结果用简单且视觉效果好的方式展示出来，一般运用文字、表格和图表等方式进行展示。Word、Excel、PPT等都可以作为数据可视化的展示工具。如今已经进入速读时代，好的可视化图表可以“自己说话”，大大地节约了人们思考的时间。用最简单的方式传递准确的信息，让图表“自己说话”，这就是数据可视化的作用。
在数据可视化过程中需要注意的事项如下：数据图表的主要作用是传递信息，不要用它们来“炫技”，不要舍本逐末般过分追求图表的美观程度；不要试图在一张图中表达所有的信息，不要让图表太“沉重”；数据可视化是以业务逻辑为主线串联起来的，不要随意地堆砌图表；不要试图用图表去骗人。
（6）应用模板开发
对于那些标准化程度比较高的数据以及使用频率比较高的分析文件，可以将其制作成一种固定的应用模板，这样做的好处是使数据化管理标准化、程序化，并能大大节约时间。
（7）分析报告
分析报告是数据分析人员的作品，可以用Word、Exce1、PPT作为报告的载体。写分析报告犹如写议论文。议论文有3个要素：论点、论据、论证、分析报告也必须要有明确的论点，有令人信服的论据和严谨的论证过程。虽然在分析报告中不一定要将三者都呈现出来，但是论点是一定要有的。此外，在写分析报告之前，数据分析人员一定要弄清楚是在给谁做分析报告，对象不同，关注点自然不一样。所以，在做分析报告之前，数据分析人员必须要做的一件事情就是审题！
（8）应用
分析报告并不是数据化管理流程的终点，数据化管理的目的是应用，没有应用的数据化管理流程是不完整的。应用就是将数据分析过程中发现的问题、机会等分解到各业务单元，并通过数据监控、关键指标预警、对趋势进行合理判断等手段来指导各部门开展工作。数据化管理的8个流程有别于常规的数据分析流程，更强调应用和模板化。
1.企业数据相关的职能
（1）一般职能
① 营销：营销的核心是品牌、流量，包含搜索引擎营销（Search Engine Marketing，SEM）、广告（Advertisement，AD）、联盟、新媒体、电子邮件营销（Email Direct Marketing，EDM）、搜索引擎优化（Search Engine Optimization，SEO）等。
② 运营：运营的核心是网站日常的运维管理，包括网站、商品、资源位、内部活动管理，甚至包括会员、采销、物流等管理。
③ 采购：采购的核心是商品采购，一般以品类划分。
④ 销售：销售的核心是商品销售，一般以品类划分，有时与采购合并。
⑤ 物流：物流的核心是物流配送，主要是商品的购进、销售。
⑥ 仓储：仓储的核心是商品库存管理，仓储通常与物流合并成进销存体系。
⑦ 客服：客服职能的核心是客户服务和维系，包括客户维系、咨询、服务、关怀。
（2）系统运维
① 核心是维护数据系统，保证数据系统正常运行。
② 维护流量系统，保证流量系统的正确部署和实施，并负责数据的收集。
③ 提供系统部署方案，配合技术方案实施和测试。
④ 提供系统后台和数据报表配置，制订日常发送计划。
⑤ 对系统进行部署和配置，保证数据的正确输出。
（3）数据架构
① 核心是数据系统的架构和规划，保证数据的标准化和规范化。
② 大数据体系规划，支撑大数据集成、建模、挖掘和产品体系。
③ 负责构建公司元数据管理系统和数据质量管理体系。
④ 明确模型的定义和数据标准的定义（词汇、术语、主题域、接口等）。
⑤ 对重大项目进行评估和审核。
（4）数据管理
① 核心是数据的存储和维护，保证数据的安全性、可用性。
② 数据仓库的维护和管理，包括数据仓库的安装、配置、迁移、升级、备份。
③ 数据仓库性能的优化、应急处理，建立数据管理体系和工作机制。
④ 数据仓库开发，构建数据集市和数据底层架构。
⑤ 数据校验、数据权限管理、日常数据输出。
（5）数据产品
① 核心是数据产品开发和应用支持。
② 梳理数据产品需求、优化报表、规划新报表及数据产品。
③ 根据产品需求协调开发资源，保障项目按时上线。
④ 协助数据分析和数据挖掘部门，进行数据模型产品化输出。
⑤ 在大数据基础上实现逻辑规划，辅助技术开发和测试。
（6）数据分析
① 核心是提供业务方向的数据分析支持。
② 业务活动效果评估，如渠道画像、会员活跃度。
③ 业务活动异常分析支持，如异常订单、恶意流量、恶意点击。
④ 建立业务效果标杆管理与预警机制，如流量预测、库存预测。
⑤ 业务内在价值的挖掘与提炼，如渠道订单归因、确定用户生命周期。
⑥ 业务活动规则支持与辅助决策，如营销活动人群规则、广告定向。
（7）数据挖掘
① 核心是制定面向产品的挖掘规则及为部分业务提供支持。
② 负责商业智能（Business Intelligence，BI）实施中的数据挖掘模块的算法研究，以及模块的建立和优化。
③ 负责数据挖掘模块的建立与维护，如关联模块、决策规则模块。
④ 负责个性化推荐模块的算法研究及推荐效果优化。
⑤ 负责大数据下传统机器学习算法并行化的实现及应用，提出改进方法及思路。
（8）市场战略
① 核心是提高对行业和竞争对手的认知，增加对公司战略的支持。
② 根据公司战略，制订中长期发展规划。
③ 根据公司规划，协助各中心制订战略研究规划并进行课题跟踪。
④ 搜集行业信息，捕捉行业发展新机会，为高层提供战略建议。
⑤ 建立竞争对手档案库，全面把控竞争对手动态。把握用户脉搏，挖掘用户的新需求、新想法。
2.企业数据业务工作流程
（1）数据采集
① 企业内部数据采集来源于各个业务生产系统，包括CRM数据、呼叫中心（Call Center，CC）数据、财务数据、仓储数据、门店数据、销售数据、办公自动化（Office Automation，OA）数据、物流数据、网站数据。
② 企业外部数据是指数据在企业外部产生，企业通过合作、购买、采集等形式获得的数据。企业外部数据通常包括竞争数据、营销数据、物流数据、行业数据等。
（2）数据存储
① 数据存储是在数据源的基础上，通过数据仓库技术（Extract-Transform-Load，ETL）进行数据整合，形成供上层计算或业务使用的数据仓库及数据集市。
② 数据仓库面向上层数据应用或业务决策，是一个面向主题的、集成的、相对稳定的、反映历史数据变化的数据集合。
（3）数据计算
① 数据挖掘按照不同的实现结果可分为回归模型、聚类模型、关联模型、时间序列、分类模型和机器学习等。
② 数据计算按照计算结果输出的时间性可分为实时计算和离线计算，部分企业还会在实时计算和离线计算之间加入临时计算。
③ 数据计算模块对于大多数中小企业来说没有必要单独拆分，原因是在较小的数据体量和应用需求下，完全可以通过数据实时计算获得结果。数据计算模块只对大中型企业或具备海量数据处理需求的企业有意义。
（4）数据管理
① 数据管理层是连接数据和应用的桥梁，通常上层自动应用或产品化的所需数据直接由数据计算层调用。对大多数企业而言，数据管理层的功能定位是用户管理和数据管理。
② 数据管理通过数据管理平台（Data Manage Platform，DMP）实现，但现在大多数的DMP产品仍集中应用在底层数据的整合和抽取等工作上，尚未上升到数据管理层面。
（5）数据应用
① 辅助决策应用是目前数据发挥价值的主流方式，包括自动化营销、站内个性化推荐、数据产品化报表等。
② 数据驱动需要借助技术手段实现，通常使用的是建立在数据事件触发或数据结果触发基础上的自动化运行机制。常见的数据驱动项目包括实时竞价（RealTime Bidding，RTB）、个性化EDM、站内个性化推荐、个性化着陆页、网站智能运营、基于用户事件或时间的维系触发等。