如何進行五大數據講解

1. 數據分析中有哪些常見的數據模型

要進行一次完整的數據分析，首先要明確數據分析思路，如從那幾個方面開展數據分析，各方面都包含什麼內容或指標。是分析框架，給出分析工作的宏觀框架，根據框架中包含的內容，再運用具體的分析方法進行分析。

數據分析方法論的作用：

• 理順分析思路，確保數據分析結構體系化

• 把問題分解成相關聯的部分，並顯示他們的關系

• 為後續數據分析的開展指引方向

• 確保分析結果的有效性和正確性

五大數據分析模型
1.PEST分析模型

最後

五大數據分析模型的應用場景根據數據分析所選取的指標不同也有所區別。

PEST分析模型主要針對宏觀市場環境進行分析，從政治、經濟、社會以及技術四個維度對產品或服務是否適合進入市場進行數據化的分析，最終得到結論，輔助判斷產品或服務是否滿足大環境。

5W2H分析模型的應用場景較廣，可用於對用戶行為進行分析以及產品業務分析。

邏輯樹分析模型主要針對已知問題進行分析，通過對已知問題的細化分析，通過分析結論找到問題的最優解決方案。

4P營銷理論模型主要用於公司或其中某一個產品線的整體運營情況分析，通過分析結論，輔助決策近期運營計劃與方案。

用戶行為分析模型應用場景比較單一，完全針對用戶的行為進行研究分析。

當然，模型只是前人總結出的方式方法，對於我們實際工作中解決問題有引導作用，但是不可否認，具體問題還要具體分析，針對不同的情況需要進行不同的改進。

2. 數據分析的五個基本步驟在金融分析中的應用

1、確定目標

在進行數據分析之前，我們需要結合自己的業務確定數據分析的目標是什麼，可衡量的指標是什麼，對指標進行拆分，找出可收集數據的最小單元，這樣做能夠針對性的進行數據分析，提高數據運營效率，避免數據採集過多，造成無用數據被浪費。

2、搜集數據

當我們確定好目標後，就需要進行針對性的搜集數據，這里所說的搜集數據既包括通過埋點採集的用戶全生命周期數據，也包括自己網上收集的數據，如行業數據報告，還包括通過訪問或者電話等得到的人工整理數據。至於採用哪些具體的數據，還需要根據數據分析的目標而定。

3、整理數據

我們搜集好數據之後，需要對數據進行整理，尤其是搜集的數據來源很多的情況下，比如埋點採集的數據，網上收集的數據，人工整理數據，有時候會出現重復、錯亂等情況，就需要整理數據，盡最大可能提高數據的准確性。

4、分析數據

分析數據諸葛君為大家分享過多次，國慶期間的八大數據分析模型就是用來分析數據的，需要注意的是，在分析數據的過程中，我們要結合自己的產品，選擇合適的數據分析模型，有必要的情況下，需要自己去定義自己的分析模型，總之思路是：方法在這里，怎麼用在於你。

5、可視化呈現

身為數據運營者，數據分析的結果往往是需要給領導和整個團隊匯報的，這個時候我們就需要對數據分析結果做可視化的呈現，一般情況下用圖表的形式呈現即可。通過數據分析找出業務問題所在，同時提出自己的解決方案，不光要知道為什麼，還需要知道怎麼辦。

總結：以上五大步驟構成一個完整的數據分析過程，從開始思考目標到最後可視化呈現，從發現問題到提出解決方案，身為數據運營者，我們既需要有整體思維，能夠從全流程去把握數據分析方法，也需要對細節極致追求，優化每一個步驟，比如：搜集數據時如何才能更加快速准確，就可以作為優化的目標。當我們能夠從整體和細節都游刃有餘得進行數據分析的時候，你就是一個合格甚至優秀的數據運營者。

3. app數據分析的五大維度是什麼

①對app產品用戶規模及質量有個清楚的了解

比如，當下用戶活躍程度，新增用戶指標，用戶組成的指標，用戶存留率多少，每一位用戶總活躍天數的統計等等，都是要有一個詳細的了解才是。只有這樣才能更好的檢驗app經營推廣的效果，尤其是新增用戶數占據的比例多少可以展現出app運營的健康狀況，一旦出現新增用戶降低，說明app推廣上出現了問題，作為運營者得想辦法解決了。

②對參與度的合理分析

如何對參與度進行分析其實並不難，它主要是指app在線啟動次數指標，在線使用時長，訪問頁面，使用時間間隔等等。其中app在線使用時長加上啟動次數和活躍數可以多維度的展示用戶對產品的參與程度。

③渠道分析也必不可少

其實對app推廣渠道的分析，真正的用意是研究推廣所引入的客戶是否是真人在使用，如果是機器刷出來的只能算作是刷量的，沒有實際意義。

④app自身功能分析

app功能分析也是五大app數據分析維度中必不可少的一部分，所謂的功能分析主要從app功能活躍程度，新功能上線測試效果，頁面訪問路徑、客戶屬性、成功交易等路徑進行分析。

⑤客戶屬性分析

所謂的客戶屬性的分析，是針對性最強大的一個類型。如app設備終端分析，網路和運營商分析，客戶所在地域分析，用戶畫像分析，自然屬性和商業屬性分析等方面，都能夠測試出目標客戶對app產品的關心力度。

4. 數據分析的五大思維方式

數據分析的五大思維方式

發現很多朋友不會處理數據，這個過程叫做數據清洗，中間可能涉及到編程，分析人員是應該學點編程的，後面抽時間給大家介紹一下，今天不講這個。

今天要講數據分析的五大思維方式。

首先，我們要知道，什麼叫數據分析。其實從數據到信息的這個過程，就是數據分析。數據本身並沒有什麼價值，有價值的是我們從數據中提取出來的信息。

然而，我們還要搞清楚數據分析的目的是什麼?

目的是解決我們現實中的某個問題或者滿足現實中的某個需求。

那麼，在這個從數據到信息的過程中，肯定是有一些固定的思路，或者稱之為思維方式。下面零一給你一一介紹。(本文用到的指標和維度是同一個意思)

第一大思維【對照】

【對照】俗稱對比，單獨看一個數據是不會有感覺的，必需跟另一個數據做對比才會有感覺。比如下面的圖a和圖b。

圖a毫無感覺

圖b經過跟昨天的成交量對比，就會發現，今天跟昨天實則差了一大截。

這是最基本的思路，也是最重要的思路。在現實中的應用非常廣，比如選款測款丶監控店鋪數據等，這些過程就是在做【對照】，分析人員拿到數據後，如果數據是獨立的，無法進行對比的話，就無法判斷，等於無法從數據中讀取有用的信息。

第二大思維【拆分】

分析這個詞從字面上來理解，就是拆分和解析。因此可見，拆分在數據分析中的重要性。在派代上面也隨處可見「拆分」一詞，很多作者都會用這樣的口吻：經過拆分後，我們就清晰了……。不過，我相信有很多朋友並沒有弄清楚，拆分是怎麼用的。

我們回到第一個思維【對比】上面來，當某個維度可以對比的時候，我們選擇對比。再對比後發現問題需要找出原因的時候?或者根本就沒有得對比。這個時候，【拆分】就閃亮登場了。

大家看下面一個場景。

運營小美，經過對比店鋪的數據，發現今天的銷售額只有昨天的50%，這個時候，我們再怎麼對比銷售額這個維度，已經沒有意義了。這時需要對銷售額這個維度做分解，拆分指標。

銷售額=成交用戶數*客單價，成交用戶數又等於訪客數*轉化率。

詳見圖c和圖d

圖c是一個指標公式的拆解

圖b是對流量的組成成分做的簡單分解(還可以分很細很全)

拆分後的結果，相對於拆分前會清晰許多，便於分析，找細節。可見，拆分是分析人員必備的思維之一。

第三大思維【降維】

是否有面對一大堆維度的數據卻促手無策的經歷?當數據維度太多的時候，我們不可能每個維度都拿來分析，有一些有關聯的指標，是可以從中篩選出代表的維度即可。如下表

這么多的維度，其實不必每個都分析。我們知道成交用戶數/訪客數=轉化率，當存在這種維度，是可以通過其他兩個維度通過計算轉化出來的時候，我們就可以【降維】.

成交用戶數丶訪客數和轉化率，只要三選二即可。另外，成交用戶數*客單價=銷售額，這三個也可以三擇二。

另外，我們一般只關心對我們有用的數據，當有某些維度的數據跟我們的分析無關時，我們就可以篩選掉，達到【降維】的目的。

第四大思維【增維】

增維和降維是對應的，有降必有增。當我們當前的維度不能很好地解釋我們的問題時，我們就需要對數據做一個運算，增加多一個指標。請看下圖。

我們發現一個搜索指數和一個寶貝數，這兩個指標一個代表需求，一個代表競爭，有很多人把搜索指數/寶貝數=倍數，用倍數來代表一個詞的競爭度(僅供參考)。這種做法，就是在增維。增加的維度有一種叫法稱之為【輔助列】。

【增維】和【降維】是必需對數據的意義有充分的了解後，為了方便我們進行分析，有目的的對數據進行轉換運算。

第五大思維【假說】

當我們拿不準未來的時候，或者說是迷茫的時候。我們可以應用【假說】，假說是統計學的專業名詞吧，俗稱假設。當我們不知道結果，或者有幾種選擇的時候，那麼我們就召喚【假說】，我們先假設有了結果，然後運用逆向思維。

從結果到原因，要有怎麼樣的因，才能產生這種結果。這有點尋根的味道。那麼，我們可以知道，現在滿足了多少因，還需要多少因。如果是多選的情況下，我們就可以通過這種方法來找到最佳路徑(決策)

當然，【假說】的威力不僅僅如此。【假說】可是一匹天馬(行空)，除了結果可以假設，過程也是可以被假設的。

我們回到數據分析的目的，我們就會知道只有明確了問題和需求，我們才能選擇分析的方法。

順帶給大家講講三大數據類型。這個屬於偷換概念，其實就是時間序列的細分，不是真正意義上的數據類型，但這個卻是在處理店鋪數據時經常會碰到的事情。數據放在坐標軸上面分【過去】丶【現在】和【未來】

第一大數據類型【過去】

【過去】的數據指歷史數據，已經發生過的數據。

作用：用於總結丶對照和提煉知識

如：歷史店鋪運營數據，退款數據，訂單數據

第二大數據類型【現在】

【現在】的概念比較模糊，當天，當月，今年這些都可以是現在的數據，看我們的時間單位而定。如果我們是以天作為單位，那麼，今天的數據，就是現在的數據。現在的數據和過去的數據做比較，才可以知道現在自己是在哪個位置，單有現在的數據，是沒什麼用處的。

作用：用於了解現況，發現問題

如：當天的店鋪數據

第三大數據類型【未來】

【未來】的數據指未發生的數據，通過預測得到。比如我們做得規劃，預算等，這些就是在時間點上還沒有到，但是卻已經有了數據。這個數據是作為參考的數據，預測沒有100%，總是有點兒出入的。

作用：用於預測

如：店鋪規劃，銷售計劃

三種數據是單向流動的，未來終究會變成現在，直到變成過去。

他人我不知道，但我自己非常喜歡把數據往坐標軸上面放，按時間段一劃分，每個數據的作用就非常清晰。

以上是小編為大家分享的關於數據分析的五大思維方式的相關內容，更多信息可以關注環球青藤分享更多干貨

5. 五大資料庫理念，讀懂亞馬遜雲科技的資料庫布局

1970 年，關系型資料庫之父 E.F.Codd 發表《用於大型共享資料庫的關系數據模型》論文，正式拉開資料庫技術發展序幕。以 Oracle、DB2、SQL Server 為代表的三大商業資料庫產品獨占鰲頭，隨後涌現出 MySQL、PostgreSQL 等為代表的開源資料庫 ，和以 Amazon RDS 等為代表的雲資料庫，拉開百花齊放的資料庫新序幕。

我們知道，雲計算十年為產業轉型升級提供了 歷史 性契機，但變革仍在進行，隨著雲計算的普及，資料庫市場發生根本性改變，雲廠商打破傳統商業資料庫的堡壘，成為資料庫領域全新力量。其中以連續六年入選 Gartner 領導者象限的亞馬遜雲 科技 為代表，我們一起探討：為什麼亞馬遜雲 科技 能始終保持其創新性？縱觀雲原生時代下，亞馬遜雲 科技 資料庫未來還有哪些更多的可能性？

01 面對四大資料庫發展趨勢，亞馬遜雲 科技 打造五大資料庫理念

後疫情時代下，加速了不少行業的業務在線化和數字化運營，企業對數據價值挖掘的需求越發強烈，亞馬遜雲 科技 大中華區產品部總經理顧凡詳細介紹其中四大趨勢：

一是伴隨互聯網、移動互聯網的發展，電商、視頻、社交、出行等新應用場景的興起，不僅數據量大，對數據實時性要求極高，傳統關系型資料庫無法滿足需求，因此驅動雲原生資料庫的出現。

二是開源資料庫的廣泛應用。

三是應用程序現代化對資料庫提出更高要求，期待資料庫擁有更高的性能、可擴展性、可用性以及降低成本，讓開發人員專注於核心業務的應用開發，不用關注和核心業務無關的代碼。

四是軟體架構歷經 PC、互聯網、移動互聯網，再到如今的萬物互聯時代，其中的迭代和轉型正在驅動資料庫選型的變化。

在此四大趨勢下，伴隨企業的業務量越來越大、越來越復雜，對資料庫的要求越來越高。亞馬遜雲 科技 洞察客戶需求，在打造雲上資料庫產品時提出五大理念：

一是專庫專用，極致性能；二是無伺服器，敏捷創新；第三是全球架構，一鍵部署；第四是平滑遷移，加速上雲；第五是 AI 賦能，深度集成。

02 歷經真實錘煉，五大資料庫理念，持續賦能企業數智轉型

顧凡表示，隨著數據爆炸式增長，微服務架構與 DevOps 愈發流行的今天，一個資料庫打天下的時代已然過去。我們需要在不同的應用場景下，針對不同的數據類型和不同的數據訪問特點，為開發者和企業提供專門構建的工具。

所以亞馬遜雲 科技 提出 第一個核心資料庫理念：專庫專用 。在此理念下，推出針對關系數據、鍵值數據、文檔數據、內存數據、圖數據、時許數據、分類賬數據、寬列等專門構建資料庫的產品家族。

這些資料庫產品均經歷過亞馬遜內部核心業務的真實錘煉，成績斐然：

亞馬遜電商當年是 Oracle 的客戶之一，隨著亞馬遜電商的應用重構和業務體量發展，亞馬遜電商決定將業務遷移到亞馬遜雲 科技 里。100 多個團隊參與這龐大的遷移工作中，將亞馬遜電商采購、目錄管理、訂單執行、廣告、財務系統、錢包、視頻流等關鍵系統全部從 Oracle 遷出來。2019 年，亞馬遜將存儲近 7500 個Oracle 資料庫中的 75 PB 內部數據遷移到多項亞馬遜雲 科技 的資料庫服務中，包括 Amazon DynamoDB、Amazon Aurora、Amazon ElastiCache，於是亞馬遜電商成為亞馬遜雲 科技 在全球的「第一大客戶」。

從 Oracle 切換到亞馬遜雲 科技 後，亞馬遜電商節省了 60% 成本，面向消費者端的應用程序延遲降低 40%，資料庫管理支出減少 70%。

以被譽為「亞馬遜雲 科技 歷史 上用戶數量增速最快的雲服務」Amazon Aurora 為例，其擁有科媲美高端商業資料庫的速度和可用性，還擁有開源資料庫的簡單性與成本效益，Amazon Aurora 讓客戶滿足「魚和熊掌兼得」需求。

據顧凡介紹，Amazon Aurora 可提供 5 倍於標准 MySQL 性能，3 倍於 PostgreSQL 吞吐量。同時提供高可用，可用區（AZ）+1的高可用，Global Databases 可完成跨區域災備。可擴展到 15 個只讀副本，成本只有商業資料庫的 1/10。

醫葯企業九州通為葯廠、供應商，搭建葯廠、供應商、消費者提供供應鏈鏈條。其 B2B 系統的業務特點是讀多寫少，受促銷活動、工作時間等影響，經常會出現波峰波谷落差較大的情況，讀寫比例在 7：2 或者 8：3。九州通採用 Amazon Aurora 後實現讀寫分離和按需擴展，整體資料庫性能提升 5 倍，TCO 降低 50%。實現了跨可用區部署、負載均衡、自動故障轉移、精細監控、按需自動伸縮等。

據權威機構預測，到 2022 年，75% 資料庫將被部署或遷移至雲平台。在這個過程中，亞馬遜雲 科技 是如何通過技術來幫助客戶加速應用上雲的？這離不開除了上述的「專庫專用」外，以下四大理念：

第二個理念是無伺服器、敏捷創新。 亞馬遜雲 科技 大中華區產品部數據類產品高級經理王曉野表示，企業業務總有波峰波谷之時，如何按照企業 80-90% 的業務峰值來規劃資料庫的存儲容量和計算資源的話，將給應用帶來一定的業務連續性的妥協和挑戰。因此大多數企業都是按照峰值留有餘地來選擇資料庫的計算資源，這將造成成本上的浪費。而 Serverless 資料庫服務可完成無差別的繁復工作和自動化擴展。

Amazon DynamoDB 是亞馬遜雲 科技 自研 Serverless 資料庫，其誕生最早可追溯到 2004 年，當時亞馬遜電商作為 Oracle 的客戶，盡管對於關系型資料庫在零售場景的需求並不頻繁，70% 均是鍵值類操作，此時倒逼亞馬遜電商思考：為什麼要把關系型資料庫這么重得使用？我們可以設計一款支持讀寫、可橫向擴展的分布式資料庫嗎？後來的故事大家都知道了，這款資料庫就是 Amazon DynamoDB，並在 2007 年發表論文，掀起業界 NoSQL 分布式資料庫技術創新大潮。

Amazon DynamoDB 可為大規模應用提供支持，支撐亞馬遜自身多個高流量網站和系統，如亞馬遜電商網站、亞馬遜全球 442 個物流中心等。在亞馬遜電商一年一度 Prime Day，光是針對DynamoDB API 的調用達到數萬億次，最高峰值請求達到每秒 8920 萬次。由此可見，DynamoDB 擁有高吞吐、擴展性、一致性、可預測響應延遲、高可用等優勢。

智能可穿戴設備廠商華米 科技 ，在全球 70 多個國家擁有近 1 億用戶。僅 2020 年上半年，其手錶出貨量超 174 萬台，截止到 2021 年 2 月，華米 科技 的可穿戴設備累計記錄步數是 151 萬步，累計記錄的睡眠時間是 128 億個夜晚，記錄心率總時長達 1208 億個小時。如此龐大的數據同時必須保證極高的安全性和低延遲相應，如何保證穩定性是巨大的挑戰。

DynamoDB 幫助華米 科技 在任何規模下都能提供延遲不超過 10 毫秒的一致響應時間。華米 科技 健康 雲的 P0 和 P1 級別故障減少了約 30%，總體服務可用性提升了 0.25%，系統可用性指標達到 99.99%，為華為 科技 全球化擴展提供了有力的支撐。

最新無服務資料庫產品是 Amazon Aurora Serverless V2 提供瞬間擴展能力，真正把擴展能力發揮到極致，在不到一秒的時間內，將幾百個事務擴展到數十萬的級別。同時在擴展時每一次調整的增量都是非常精細化的去管理，如果按照峰值來規劃資料庫資源，可實現大概90%的成本節省。目前 Amazon Aurora Serverless V2 在全球實現預覽。

第三個理念是全球架構、一鍵部署。 在全球化的今天，如何支撐全球客戶的業務擴展連續性、一致性、以最低延遲帶給到終端客戶上，對資料庫提出新的挑戰。

亞馬遜雲 科技 提供 Amazon Aurora 關系型資料庫Global Database、Amazon DynamoDB、Amazon ElastiCache 內存資料庫、Amazon DocumentDB 文檔資料庫都能利用亞馬遜雲 科技 的骨幹網路提供比互聯網更穩定的網路支撐，以一鍵部署的方式，幫助客戶實現幾千公里跨區域資料庫災備，故障恢復大概能在一分鍾之內完成，同時跨區域的數據復制延遲通常小於一秒。

第四個理念是平滑遷移、加速上雲。 目前，450000+ 資料庫通過亞馬遜雲 科技 資料庫遷移服務遷移到亞馬遜雲 科技 中，這個數字每年都在不斷增長。亞馬遜雲 科技 提供 Amazon DMS、Amazon Database Migration Service 等工具讓開發者和企業進行自助式雲遷移。另外，對於遷移過程中可能會需要的支持，可通過專業服務團隊和合作夥伴網路成員，為客戶提供專業支持，還通過 Database Freedom 項目幫助客戶降低他們的顧慮。

今年 11 月，最新產品 Babelfish for Amazon Aurora PostgreSQL 在全球和中國兩個區域正式可用，可加速企業上雲的遷移，實現讓企業可以利用原有的技術棧、原有的 SQL Server T-SQL的人員可以利用到雲資料庫進行創新。

第五個理念是 AI賦能，深度集成。 我們觀察到，ML 技術賦能資料庫開發者，開發者無需具備機器學習專業知識，就可進行機器學習操作。在此潮流下，亞馬遜雲 科技 推出 Amazon Neptune，藉由 Deep Graph Library 和 Amazon SageMaker 驅動圖神經網路。

今年 8 月，Neptune ML 在中國正式可用，允許數據工程師不需要掌握機器學習的技能直接從圖資料庫里導出數據、轉換格式、訓練模型並發布，用 gremlin 語句調用訓練成的模型在資料庫里實現推理，進行欺詐檢測，推薦物品。

目前，亞馬遜雲 科技 加速在中國區域服務落地，2021年至今新發布 60 多個資料庫服務與功能。亞馬遜雲 科技 正是通過上述五大資料庫理念，打造豐富的資料庫產品家族，在全球智能化發展趨勢下，為企業提供更快更好的數智服務，釋放數據價值，並連續六年入選 Gartner 領導者象限，得到業界和客戶的深度認可。

6. 抖音的五大數據是什麼

抖音的五大數據分別是完播率、點贊率、評論率、轉化率、關注比。1、完播率：15秒以內的視頻完整播放，是視頻的合格線，完播率高，抖音官方才會進行下一個流量池推送。2、點贊率：若完播率是合格線，點贊便是優品的推薦，點贊越高得到的推薦也就越多。

演示機型：Iphone 12&&華為P40&&小米11 系統版本：iOS14.4&&EMUI11&&MIUI12.0.7 APP版本：抖音 v16.8.0

抖音的五大數據分別是完播率、點贊率、評論率、轉化率、關注比。

1、完播率：15秒以內的視頻完整播放，是視頻的合格線，完播率高，抖音官方才會進行下一個流量池推送。

2、點贊率：若完播率是合格線，點贊便是優品的推薦，點贊越高得到的推薦也就越多。

3、評論率：視頻評論的人越多，證明視頻的內容越好。

4、轉化率：轉發的人越多，傳播的范圍就越廣，疊加推送的幾率也會增加。

5、關注比：關注作品的人越多，說明內容對用戶產生的價值就越大。

7. 電商平台應該分析哪些數據具體怎麼去分析

電商三個底層因素：曝光、點擊、反饋，可以從這三個緯度進行深入分析。例如影響曝光的因素有關鍵詞的數量和排名，一個詞代表著一個被買家找到的渠道，能覆蓋越全越好，排名跟你排在第幾頁有關，我們都知排名越前被買家看到點擊的概率越大，目前大部分電商平台的第一頁很多都是付費的位置，所以這裡面會涉及到付費工具的使用問題了，工具包含了固定排名、頂級展位、直通車、櫥窗、信用保障、評價體系等，剩餘的才是自然排名，自然排名是建立匹配的基礎上去延伸排序的。點擊的影響因素很多，幾個重點的要去關注優化：產品相關度、圖片質量、排名位置、評價體系、信用保障、銷量、回復率等。反饋的影響因素我只提兩點：產品內容描述頁和旺鋪。

8. 電商運營的五大關鍵數據指標

電商運營的五大關鍵數據指標
先來看一個例子。問：如果網站平均停留時間越長說明了什麼問題?
對於同一種類型的網站或者同一個品類的電商網站，平均停留時間越高表示網站越有吸引力，換句話說，停留時間長短是衡量網站黏性的最重要的指標。不僅如此，停留時間與成交也有很強的正相關關系，如下圖所示：
其實，平均停留時間對銷售額有正面積極的作用力不僅被用在網上，在線下的傳統零售行業也被運用的淋漓盡致，譬如增大商場貨架的距離可以增加女性消費群體的逗留時間從而促進購買。當然，這里還牽涉到另外一個問題，就是增加貨架距離固然可以提升銷售額但是同時單位面積內銷售產出有可能變小了，所以需要測算之後進行比較才能做出決策。同時，還要考慮定位問題和實際條件限制。
一、建立日常運營的數據指標的重要性
量化公司日常運營健康狀態的指標簇，相當於飛機的「儀盤表」(有時候也稱為「晴雨表」)，通過這些指標就能判定公司是否運行在正常的軌跡上。所有的世界500強企業都有晴雨表體系，它有兩方面作用：1)決策支持;2)考核業績。
二、如何正確看待運營數據指標
在之前筆者關於講解品牌的帖子，筆者曾多次這樣比喻：通過數據指標判斷一個網站是否健康就好比去醫院體檢，比如抽血化驗，血小板總數丶白細胞總數丶紅細胞壓積容量丶淋巴細胞百分比丶粒細胞百分比等項目數據就類比於電商網站數據指標，通過指標就能判斷網站是否運營良好，所以需要知道兩類值：實際值和參考值。但是難點在於，如果沒有足夠的經驗，往往很難將數據指標與背後的問題一一對應起來。
三、常見的日常運營指標有哪些
鑒於電商行業的格局，天貓和淘寶所佔的市場份額目前領先的所以就以淘寶和天貓的數據指標為例，其它獨立B2C商城數據指標可以適當比靠這些指標，基本上大同小異。
常見的指標，其意義也非常明朗，限於篇幅不再贅述，以上指標主要針對PC端，移動端可以參考上表進行相應合理取捨得出指標。另外，部分數據指標行業並沒有嚴格和嚴謹的定義，多數是一家之言不足以作為通用標准，所以，一些指標是可以自定義的，只要在數據進行核對和比較時，務必清楚地知道數據得出的前提，或者說是口徑。這里有四個指標需要特別解釋下，大家可能稍微陌生一些。
第一個指標：商品集中度，表示的銷售額或者銷售量之中，佔比80%(具體數字可以自行約定)的商品數量或者比例。一般來講，商品集中度越高越方便下單和追單，也就是補貨更加容易，但是同時也暴露優質商品較少，有潛在風險，尤其季節性快消品類目，一旦處於換季邊緣，集中度高的商品不給力，整個銷售業績將受到重挫，所以要聯系所處品類的行業參考值，合理觀察「商品集中度」;
第二個指標：商品動銷率，商品動銷率=動銷品種數店鋪經營總品種數*100%，動銷品種數：店鋪里有銷售的商品種類總數;
第三個指標：庫銷比，庫銷比=店鋪即時庫存或期末庫存周期內總銷售，其中庫存和銷售可以是數量亦可以是金額。
第四個指標：客戶重合度，現在很多電商公司都是實施全網鋪貨和多品牌的戰略(多品牌定位可以使市場覆蓋面更廣且抵禦風險能力更強)，為了使新品牌更快更有效的啟動和成長，通常的做法是在初期把成熟品牌的網站流量導入到新品牌，加速其生長，這時候一定要計算新品牌和老品牌之間的客戶重合度，以便達到一定的閾值可以使新品牌與老品牌解綁，讓其獨立行走。過早地撤走流量可能致使新品牌發育遲緩甚至發育不良，過晚撤走流量可能致使多品牌同質化，品牌定位無區隔，不能有效產生增量市場。當然，追蹤成熟品牌與新品牌重合客戶的差異和特質只用「重合度」一個指標顯然是不夠的，我們可以這樣來比較兩個品牌，假設成熟品牌是A，新品牌是B：
(1) 兩個品牌的客戶重合比例是多少?
(2) 在 (1)的基礎上，計算重合客戶的重復購買率?
(3) 在 (1)的基礎上，計算重合客戶自從在B買過商品之後就再也沒有回到A購物過的客戶比例?
(4) 在 (1)(2)(3)的基礎上同時滿足，客戶的比例是多少?
這里必須著重強調一點：數據指標的統計務必保證100%的准確性。數據的准確性不僅決定了將來做數據分析丶挖掘和數學建模的深度與廣度，更體現了數據的權威性，尤其關鍵指標的統計倘若經常出現差池，會讓所有人對數據失去信任，對基於數據得出的結論也隨之信心瓦解了。
四、「晴雨表」的作用
那麼，建立晴雨表有何作用呢?不言而喻，作用是很大的，分為直接作用和間接作用。一方面，晴雨表可以作為數據存檔的基本單元，方便及時調用;另一方面，可以自由抽取其中的關鍵性指標生成運營日報丶周報和月報等。建立晴雨表相對比較容易做到，但是解讀晴雨表數據指標的能力就需要漫長經驗的積累，否則無法看到數據背後所代表的業務狀況。解讀數據需要把控以下關鍵點：
(1)知道該指標的實際值和行業參考值。例如想知道店鋪的轉化率水準是怎樣的，就必須了解行業TOP賣家的平均轉化率數值。
(2)優先注意數據奇異點和數據拐點，突然變大或者變小的數據一定是受到外力的作用。例如給客戶簡訊群發，應該在簡訊發出去之後極短的時間內便會出現流量拐點，如果沒有出現相應的流量拐點表明簡訊通道沒有發送出去(簡訊延遲)，或者客戶對於長期的簡訊已經產生免疫的作用，抑或促銷活動不能吸引到客戶。
(3)數據要有對比，可以是同比，也可以是環比。
(4)選取合適的數據呈現形式。依據數據想要表達的意思選擇相應的呈現方式非常重要，生動形象的數據展現形式能有助於快速抓住重點。
五、請大家一起來討論下這些數據指標的變化代表的意義
關於數據解讀，需要依靠某單個核心指標來解讀，但是有時候也需要聯合一組指標綜合研判。筆者隨機例舉5個問題來講解如何通過指標來解析數據背後的意義。請大家先把答案寫在回復中。
1.對於網路女裝品牌的估值應該看哪些指標?
2.如果收藏人數多但是成交人數少是什麼原因?
3.翻頁數(PV/UV)越大表示網站越好么?
4.回頭率低一般是什麼原因造成的?
5.某件商品銷量下滑一般是什麼原因?