無極五開戶_做電商設計,你必須懂的10條數據指標

數據指標是什麼?——是一個切入數據的角度。有了數據指標的存在,才能知道需要採集什麼數據、需要持續監測什麼數據、用什麼角度來和歷史表現做對比。

數據指標的類型各種各樣,有些指標是被廣泛使用的,如 DAU、新註冊用戶數、PV 等;還有些指標,是帶有強烈的業務特徵的,例如直播平台可能會關注新增主播數量,酒店預訂業務更可能關注房間預訂量,等等。

那麼在電商場景中,應該看哪些數據指標?下文中,筆者會依據工作中的數據分析經驗,為你梳理看電商數據的基本邏輯和視角,並詳細解讀 10 條電商場景里常見的數據指標。

電商中,看數據的基本邏輯

1. 從事情的發生順序角度看:流量→行為→交易

電商中看數據,首先需要從事情的發生邏輯來去理解它。從事情發生的先後順序來說,先得有用戶過來(流量),然後在這邊瀏覽挑選加購(行為),最後付款(交易)。也就是:流量→行為→交易,這三個大的步驟順序,構成了一個完整的電商交易事件。

2. 從排查問題的角度看:交易→流量→行為

面對真實業務場景,怎麼去看數據最有效率?

就如同你看一棵樹長得怎麼樣,不會把它的所有恭弘=叶 恭弘子都扒過來看一遍,而是先從整體長勢去看它是否高大繁茂。同理,推薦的分析角度是:從宏觀到微觀,也就是交易→流量→行為。

先看最終的結果,也就是交易數據。看有沒有明顯的漲跌,給這個周期 / 這次運營事件的成敗定個調。

如果交易數據有明顯漲跌的,再進一步判斷是否是因為流量數據的漲跌而造成的。因為流量數據是決定了最終交易規模高低的最重要影響因素之一。無論你的運營策略多精妙、商品優惠多高,如果完全沒流量進來訪問,也就不會有成交的爆發。

最後,如果流量的漲跌沒有呈現顯著的高低,可以從行為去拆解,看關鍵行為的數據是否有值得關注的異常。例如,若是研究電商的下單黃金流程是否存在問題,可以拆解為看搜索、商詳、加購、訂單這幾個關鍵路徑的流量漏斗,是否存在某個節點跳出特別高的情況;若是 618 主會場,可以把頁面的訂單產出拆解為重點樓層訂單量、次要樓層訂單量,看重點主推樓層的訂單量是否達到預期。

以上步驟,可以幫助我們快速建立對於看電商數據的基本視角;但進一步的分析,就需要對指標進行更深的挖掘了。

常見數據指標

1. 交易:終極目標

GMV 和訂單量(GMV:訂單金額)

在分析之前需要意識到,這兩個指標是一個結果的描述。它們可以用以判斷交易結果的成敗,但同時也存在局限性:它們只是最表層、最宏觀的數值,有非常多的變量可以影響和決定它們,因此,它們只能說明結果(好或壞),但無法直接給出造成結果的原因(為什麼好或壞)。

因此,我們需要警惕把這些宏觀指標與某個原因鏈接,直接得出因果判斷的結論。例如,我們不能看到 GMV 漲了,就直接下判斷說,這代表我們的運營策略成功了——這個結果和原因之間缺乏更多的論證,需要進一步溯源。如何避免這種拍腦袋的判斷呢?從公式上去推導是比較客觀的做法,如下圖是數懶里的一個分析功能,可以看出:因為 UV 大幅下降,雖然轉化率有較大提升,但仍導致訂單量大幅下降,所以最終導致引入訂單金額降了。

△  GMV 公式分析,圖表來自數懶分析平台

轉化率(轉化率 = 引入訂單量 / 流量)

它描述的是流量的轉化效率特徵,首先受品類特性影響,例如奢侈品類的轉化率,就大概率比消費品低。另一個轉化率的影響因素是運營玩法,比如派發更多優惠券,也會令用戶更容易轉化。還有一個因素,即引入的流量與當前落地頁的匹配度,如導入價格敏感型用戶進入到新品專題的頻道頁,就會有導致低轉化率的風險。

客單價(客單價 = GMV / 引入訂單量)

它描述了每個訂單的平均成交金額,具有比較強的品類特徵,比如奢侈品類的客單價,天然是比消費品的客單價高的。同時,如果進行了拼單滿減等運營策略,也能夠刺激用戶一單購買更多的商品,進而提升客單價。

UV 價值(UV 價值 = GMV / 流量)

它描述的是每個 UV 產出的平均金額,也能側面看出流量的質量、流量與業務的匹配程度。試想一個頁面,如果它的 UV 價值高,那麼也就代表給它引入更多同類的流量,它就能創造更大的 GMV。因此 UV 價值也是一個很重要的指標,和轉化率一起綜合看,可以用來評估到底哪個業務 / 頁面值得投入更多的流量。

思考:UV 價值和客單價有什麼不同?

  • 影響因素不同:UV 價值更受流量質量的影響;而客單價更受賣的貨的影響;
  • 使用場景不同:UV 價值可以用來評估頁面 / 模塊的創造價值的潛力;客單價可以用來比較品類和商品特徵,但一個頁面客單價高,並不代表它創造價值的能力強,只能得出這個頁面的品類更趨近於是賣高價格品類的。
2. 流量:決定成敗

UV & PV(頁面瀏覽人數、頁面訪問次數)

UV 描述了訪問的人數,是一個很重要的數據指標,它的多少往往決定了最終 GMV 的高低。UV 源自各種途徑,例如站外廣告、站內的資源位分配、用戶主動回訪流量、社交裂變活動的分享引流等。

PV 描述了訪問的次數,例如用戶一天訪問了這個頁面3次,這時候會計算為 3 PV 和 1 UV。也就是說,PV 比 UV 多了某段時間內用戶多次訪問的信息。若要看頁面的流量量級,無論看 UV 還是 PV 都是可以的。

人均瀏覽次數(人均瀏覽次數 = 頁面訪問次數 / 頁面瀏覽人數)

這個指標描述了某段時間內,每個用戶平均瀏覽頁面的次數。不同的場景會有不同的值,需要根據具體的場景來判斷高低。有些情況會出現 PV 高出 UV 很多的場景,如存在需要用戶多次回訪的玩法、有分時段運營的策略(e.g. 一天三次紅包雨)等等,需要具體場景具體分析。

3. 行為:尋根溯源

點擊率(點擊率 = 模塊點擊人數 / 頁面瀏覽人數)

用戶對此模塊的點擊人數,在所有進入頁面的流量中的百分比。可以看作用戶對於模塊的需求強烈程度的評判指標之一。與頁面流量和頁面 GMV 的關係類似,模塊的點擊率與模塊的產出是強相關的(如下圖,橫軸是各模塊)。

△ 各模塊的點擊率 & 訂單金額佔比對比,圖表來自數懶分析平台

點擊率的影響因素有:

  • 模塊在頁面中的位置:若放得越高,則越可能被更多的用戶看見,那麼點擊率高的可能性,就比放置位置低的模塊要來得更高。畢竟頁面越往下,看到的用戶就更少了。
  • 模塊本身的吸引程度:比如模塊本身是個優惠券集合樓層,就比沒有利益點的普通模塊更吸引人、更容易獲得更多點擊。此外,模塊的樣式設計、主題表述的清晰與否、主題對用戶的吸引力和潛在用戶群大小,這些都會影響到模塊的吸引力。

曝光點擊率(曝光點擊率 = 模塊點擊人數 / 模塊曝光人數)

用戶對此模塊的點擊人數,在所有看到此模塊的流量中的百分比。與點擊率的公式對比可發現,點擊率的分母是所有進入頁面的流量,但用戶的瀏覽行為永遠是瀏覽得越深,流量越少的。這也就導致位置越深的模塊算點擊率就越吃虧,因為相當一部分流量壓根就沒有看到這個模塊,也被算進分母里了。而曝光點擊率,就是一個排除了頁面位置對模塊的影響后,可以用來相對公平地去比較各模塊的吸引力的數據指標。

思考:什麼場景用點擊率,什麼場景用曝光點擊率呢?

  • 當想要單純評估樓層對用戶的吸引力時,可以看曝光點擊率;
  • 當想要綜合評估樓層的整體效果與貢獻時,看點擊率,畢竟它與樓層 GMV 相關性更高;
  • 曝光需要特殊埋點,且可能會影響頁面性能,因此很多時候我們沒有辦法獲取到曝光數據,也只能看點擊率了。

曝光點擊率的使用注意:

首屏內的樓層的曝光點擊率,數據可能不準確。首屏的曝光 UV 是最大的,裡面包含了各種異常情況,例如一進頁面就跳出,也算作曝光。因此導致首屏的曝光點擊率往往會偏小(如下圖所示),無法與其他樓層比較。若想比較首屏情況,建議與點擊率一起綜合來看。

△ 各屏的曝光點擊率差異,圖表來自大促某頁面的數據分析

曝光率(曝光率 = 模塊曝光人數 / 頁面瀏覽人數)

這個數據可以看出用戶在頁面上的瀏覽深度如何,有百分之多少的用戶看到了哪一屏。從這個數據中,我們可以發現一些關鍵的節點。例如,若我們的業務主推是在第二~三屏的位置,但最終發現曝光率在第二屏便暴跌,這便是存在問題的,說不定我們需要把主推內容再往上提一些,或者需要去排查首屏是否有會令用戶立即跳轉和跳出的內容……這便是曝光率這個數據指標,可以帶來的分析價值。

停留時長

這個數據指標很好理解,是描述用戶在頁面上平均停留多少秒。

思考:曝光率下跌曲線越慢 / 瀏覽深度越深 / 停留時長越長,就代表我們的頁面做得越好嗎?

曝光率和停留時長的影響因素比較一致,因此可以合在一起解釋。曝光率的下降曲線、停留時長的長與短,影響因素有這些:

人的生理極限:人不是機器,根據研究,「人不受干擾地執行單一操作的時長為 6s ~ 30s 」[注1],超過這一常數,用戶就會走神。可想而知,用戶在單一頁面上停留的時間是有上限的,不因頁面放置入的內容多少而變化。一個反例,是通過利益點來吸引用戶在頁面上瀏覽得更深,這不但與生理極限相悖,也把用戶自然的瀏覽行為和目標,硬生生變成了為了追尋更多利益點而進行類似完成任務的操作。除了用利益點交換一個好看的數據以外,這樣的做法似乎沒能帶來更多的產出。

頁面定位及內容:在雙 11 主會場中,用戶的行為模式趨近找優惠和找目標品類,那麼他可能不會在這裏瀏覽太多屏數、也不會停留太久——這個時候影響曝光率和停留時長的,就是他有多快能找到感興趣的優惠,因此,並不能說瀏覽深度越深、停留時長越長就越好;在 BI(千人千面)商品瀑布流中,用戶的行為是閑逛和挑選,這時候他更可能瀏覽更多的屏數、停留更長時間——因此瀏覽的商品越多,可以說是對最終效益最好的。

異常情況:例如加載異常、頁面崩潰的場景,就會導致停留時長異常低、二屏后曝光異常低。

綜上,我們應該根據具體的場景、通過數次歷史數據的對比,去設定和校正目標曝光率、目標停留時長。平日看這兩個數據,可以當作一個監測異常的數據,在正常範圍內的波動不需要過度解讀,一旦發現特別異常的情況,再進行具體的分析。

拓展閱讀:

進階必備!寫給設計師的數據分析基礎指南

筆者從歷次項目交互設計中總結出來的數據分析經驗方法,主要介紹設計師可能會遇到的數據分析場景及應對的思路、方法,希望能給大家帶來啟發。

閱讀文章 >>

參考資料:

[1] Jeff Johnson:《認知與設計:理解 UI 設計準則》,北京.人民郵電出版社,2011年版,第132頁。

歡迎關注「京東設計中心JDC」的微信公眾號:

未经-摩登3注册-摩登3测速官网-允许不得转载:摩登3注册-摩登3测速官网 » 無極五開戶_做電商設計,你必須懂的10條數據指標

赞 (0)