如何进行五大数据讲解

1. 数据分析中有哪些常见的数据模型

要进行一次完整的数据分析，首先要明确数据分析思路，如从那几个方面开展数据分析，各方面都包含什么内容或指标。是分析框架，给出分析工作的宏观框架，根据框架中包含的内容，再运用具体的分析方法进行分析。

数据分析方法论的作用：

• 理顺分析思路，确保数据分析结构体系化

• 把问题分解成相关联的部分，并显示他们的关系

• 为后续数据分析的开展指引方向

• 确保分析结果的有效性和正确性

五大数据分析模型
1.PEST分析模型

最后

五大数据分析模型的应用场景根据数据分析所选取的指标不同也有所区别。

PEST分析模型主要针对宏观市场环境进行分析，从政治、经济、社会以及技术四个维度对产品或服务是否适合进入市场进行数据化的分析，最终得到结论，辅助判断产品或服务是否满足大环境。

5W2H分析模型的应用场景较广，可用于对用户行为进行分析以及产品业务分析。

逻辑树分析模型主要针对已知问题进行分析，通过对已知问题的细化分析，通过分析结论找到问题的最优解决方案。

4P营销理论模型主要用于公司或其中某一个产品线的整体运营情况分析，通过分析结论，辅助决策近期运营计划与方案。

用户行为分析模型应用场景比较单一，完全针对用户的行为进行研究分析。

当然，模型只是前人总结出的方式方法，对于我们实际工作中解决问题有引导作用，但是不可否认，具体问题还要具体分析，针对不同的情况需要进行不同的改进。

2. 数据分析的五个基本步骤在金融分析中的应用

1、确定目标

在进行数据分析之前，我们需要结合自己的业务确定数据分析的目标是什么，可衡量的指标是什么，对指标进行拆分，找出可收集数据的最小单元，这样做能够针对性的进行数据分析，提高数据运营效率，避免数据采集过多，造成无用数据被浪费。

2、搜集数据

当我们确定好目标后，就需要进行针对性的搜集数据，这里所说的搜集数据既包括通过埋点采集的用户全生命周期数据，也包括自己网上收集的数据，如行业数据报告，还包括通过访问或者电话等得到的人工整理数据。至于采用哪些具体的数据，还需要根据数据分析的目标而定。

3、整理数据

我们搜集好数据之后，需要对数据进行整理，尤其是搜集的数据来源很多的情况下，比如埋点采集的数据，网上收集的数据，人工整理数据，有时候会出现重复、错乱等情况，就需要整理数据，尽最大可能提高数据的准确性。

4、分析数据

分析数据诸葛君为大家分享过多次，国庆期间的八大数据分析模型就是用来分析数据的，需要注意的是，在分析数据的过程中，我们要结合自己的产品，选择合适的数据分析模型，有必要的情况下，需要自己去定义自己的分析模型，总之思路是：方法在这里，怎么用在于你。

5、可视化呈现

身为数据运营者，数据分析的结果往往是需要给领导和整个团队汇报的，这个时候我们就需要对数据分析结果做可视化的呈现，一般情况下用图表的形式呈现即可。通过数据分析找出业务问题所在，同时提出自己的解决方案，不光要知道为什么，还需要知道怎么办。

总结：以上五大步骤构成一个完整的数据分析过程，从开始思考目标到最后可视化呈现，从发现问题到提出解决方案，身为数据运营者，我们既需要有整体思维，能够从全流程去把握数据分析方法，也需要对细节极致追求，优化每一个步骤，比如：搜集数据时如何才能更加快速准确，就可以作为优化的目标。当我们能够从整体和细节都游刃有余得进行数据分析的时候，你就是一个合格甚至优秀的数据运营者。

3. app数据分析的五大维度是什么

①对app产品用户规模及质量有个清楚的了解

比如，当下用户活跃程度，新增用户指标，用户组成的指标，用户存留率多少，每一位用户总活跃天数的统计等等，都是要有一个详细的了解才是。只有这样才能更好的检验app经营推广的效果，尤其是新增用户数占据的比例多少可以展现出app运营的健康状况，一旦出现新增用户降低，说明app推广上出现了问题，作为运营者得想办法解决了。

②对参与度的合理分析

如何对参与度进行分析其实并不难，它主要是指app在线启动次数指标，在线使用时长，访问页面，使用时间间隔等等。其中app在线使用时长加上启动次数和活跃数可以多维度的展示用户对产品的参与程度。

③渠道分析也必不可少

其实对app推广渠道的分析，真正的用意是研究推广所引入的客户是否是真人在使用，如果是机器刷出来的只能算作是刷量的，没有实际意义。

④app自身功能分析

app功能分析也是五大app数据分析维度中必不可少的一部分，所谓的功能分析主要从app功能活跃程度，新功能上线测试效果，页面访问路径、客户属性、成功交易等路径进行分析。

⑤客户属性分析

所谓的客户属性的分析，是针对性最强大的一个类型。如app设备终端分析，网络和运营商分析，客户所在地域分析，用户画像分析，自然属性和商业属性分析等方面，都能够测试出目标客户对app产品的关心力度。

4. 数据分析的五大思维方式

数据分析的五大思维方式

发现很多朋友不会处理数据，这个过程叫做数据清洗，中间可能涉及到编程，分析人员是应该学点编程的，后面抽时间给大家介绍一下，今天不讲这个。

今天要讲数据分析的五大思维方式。

首先，我们要知道，什么叫数据分析。其实从数据到信息的这个过程，就是数据分析。数据本身并没有什么价值，有价值的是我们从数据中提取出来的信息。

然而，我们还要搞清楚数据分析的目的是什么?

目的是解决我们现实中的某个问题或者满足现实中的某个需求。

那么，在这个从数据到信息的过程中，肯定是有一些固定的思路，或者称之为思维方式。下面零一给你一一介绍。(本文用到的指标和维度是同一个意思)

第一大思维【对照】

【对照】俗称对比，单独看一个数据是不会有感觉的，必需跟另一个数据做对比才会有感觉。比如下面的图a和图b。

图a毫无感觉

图b经过跟昨天的成交量对比，就会发现，今天跟昨天实则差了一大截。

这是最基本的思路，也是最重要的思路。在现实中的应用非常广，比如选款测款丶监控店铺数据等，这些过程就是在做【对照】，分析人员拿到数据后，如果数据是独立的，无法进行对比的话，就无法判断，等于无法从数据中读取有用的信息。

第二大思维【拆分】

分析这个词从字面上来理解，就是拆分和解析。因此可见，拆分在数据分析中的重要性。在派代上面也随处可见“拆分”一词，很多作者都会用这样的口吻：经过拆分后，我们就清晰了……。不过，我相信有很多朋友并没有弄清楚，拆分是怎么用的。

我们回到第一个思维【对比】上面来，当某个维度可以对比的时候，我们选择对比。再对比后发现问题需要找出原因的时候?或者根本就没有得对比。这个时候，【拆分】就闪亮登场了。

大家看下面一个场景。

运营小美，经过对比店铺的数据，发现今天的销售额只有昨天的50%，这个时候，我们再怎么对比销售额这个维度，已经没有意义了。这时需要对销售额这个维度做分解，拆分指标。

销售额=成交用户数*客单价，成交用户数又等于访客数*转化率。

详见图c和图d

图c是一个指标公式的拆解

图b是对流量的组成成分做的简单分解(还可以分很细很全)

拆分后的结果，相对于拆分前会清晰许多，便于分析，找细节。可见，拆分是分析人员必备的思维之一。

第三大思维【降维】

是否有面对一大堆维度的数据却促手无策的经历?当数据维度太多的时候，我们不可能每个维度都拿来分析，有一些有关联的指标，是可以从中筛选出代表的维度即可。如下表

这么多的维度，其实不必每个都分析。我们知道成交用户数/访客数=转化率，当存在这种维度，是可以通过其他两个维度通过计算转化出来的时候，我们就可以【降维】.

成交用户数丶访客数和转化率，只要三选二即可。另外，成交用户数*客单价=销售额，这三个也可以三择二。

另外，我们一般只关心对我们有用的数据，当有某些维度的数据跟我们的分析无关时，我们就可以筛选掉，达到【降维】的目的。

第四大思维【增维】

增维和降维是对应的，有降必有增。当我们当前的维度不能很好地解释我们的问题时，我们就需要对数据做一个运算，增加多一个指标。请看下图。

我们发现一个搜索指数和一个宝贝数，这两个指标一个代表需求，一个代表竞争，有很多人把搜索指数/宝贝数=倍数，用倍数来代表一个词的竞争度(仅供参考)。这种做法，就是在增维。增加的维度有一种叫法称之为【辅助列】。

【增维】和【降维】是必需对数据的意义有充分的了解后，为了方便我们进行分析，有目的的对数据进行转换运算。

第五大思维【假说】

当我们拿不准未来的时候，或者说是迷茫的时候。我们可以应用【假说】，假说是统计学的专业名词吧，俗称假设。当我们不知道结果，或者有几种选择的时候，那么我们就召唤【假说】，我们先假设有了结果，然后运用逆向思维。

从结果到原因，要有怎么样的因，才能产生这种结果。这有点寻根的味道。那么，我们可以知道，现在满足了多少因，还需要多少因。如果是多选的情况下，我们就可以通过这种方法来找到最佳路径(决策)

当然，【假说】的威力不仅仅如此。【假说】可是一匹天马(行空)，除了结果可以假设，过程也是可以被假设的。

我们回到数据分析的目的，我们就会知道只有明确了问题和需求，我们才能选择分析的方法。

顺带给大家讲讲三大数据类型。这个属于偷换概念，其实就是时间序列的细分，不是真正意义上的数据类型，但这个却是在处理店铺数据时经常会碰到的事情。数据放在坐标轴上面分【过去】丶【现在】和【未来】

第一大数据类型【过去】

【过去】的数据指历史数据，已经发生过的数据。

作用：用于总结丶对照和提炼知识

如：历史店铺运营数据，退款数据，订单数据

第二大数据类型【现在】

【现在】的概念比较模糊，当天，当月，今年这些都可以是现在的数据，看我们的时间单位而定。如果我们是以天作为单位，那么，今天的数据，就是现在的数据。现在的数据和过去的数据做比较，才可以知道现在自己是在哪个位置，单有现在的数据，是没什么用处的。

作用：用于了解现况，发现问题

如：当天的店铺数据

第三大数据类型【未来】

【未来】的数据指未发生的数据，通过预测得到。比如我们做得规划，预算等，这些就是在时间点上还没有到，但是却已经有了数据。这个数据是作为参考的数据，预测没有100%，总是有点儿出入的。

作用：用于预测

如：店铺规划，销售计划

三种数据是单向流动的，未来终究会变成现在，直到变成过去。

他人我不知道，但我自己非常喜欢把数据往坐标轴上面放，按时间段一划分，每个数据的作用就非常清晰。

以上是小编为大家分享的关于数据分析的五大思维方式的相关内容，更多信息可以关注环球青藤分享更多干货

5. 五大数据库理念，读懂亚马逊云科技的数据库布局

1970 年，关系型数据库之父 E.F.Codd 发表《用于大型共享数据库的关系数据模型》论文，正式拉开数据库技术发展序幕。以 Oracle、DB2、SQL Server 为代表的三大商业数据库产品独占鳌头，随后涌现出 MySQL、PostgreSQL 等为代表的开源数据库 ，和以 Amazon RDS 等为代表的云数据库，拉开百花齐放的数据库新序幕。

我们知道，云计算十年为产业转型升级提供了 历史 性契机，但变革仍在进行，随着云计算的普及，数据库市场发生根本性改变，云厂商打破传统商业数据库的堡垒，成为数据库领域全新力量。其中以连续六年入选 Gartner 领导者象限的亚马逊云 科技 为代表，我们一起探讨：为什么亚马逊云 科技 能始终保持其创新性？纵观云原生时代下，亚马逊云 科技 数据库未来还有哪些更多的可能性？

01 面对四大数据库发展趋势，亚马逊云 科技 打造五大数据库理念

后疫情时代下，加速了不少行业的业务在线化和数字化运营，企业对数据价值挖掘的需求越发强烈，亚马逊云 科技 大中华区产品部总经理顾凡详细介绍其中四大趋势：

一是伴随互联网、移动互联网的发展，电商、视频、社交、出行等新应用场景的兴起，不仅数据量大，对数据实时性要求极高，传统关系型数据库无法满足需求，因此驱动云原生数据库的出现。

二是开源数据库的广泛应用。

三是应用程序现代化对数据库提出更高要求，期待数据库拥有更高的性能、可扩展性、可用性以及降低成本，让开发人员专注于核心业务的应用开发，不用关注和核心业务无关的代码。

四是软件架构历经 PC、互联网、移动互联网，再到如今的万物互联时代，其中的迭代和转型正在驱动数据库选型的变化。

在此四大趋势下，伴随企业的业务量越来越大、越来越复杂，对数据库的要求越来越高。亚马逊云 科技 洞察客户需求，在打造云上数据库产品时提出五大理念：

一是专库专用，极致性能；二是无服务器，敏捷创新；第三是全球架构，一键部署；第四是平滑迁移，加速上云；第五是 AI 赋能，深度集成。

02 历经真实锤炼，五大数据库理念，持续赋能企业数智转型

顾凡表示，随着数据爆炸式增长，微服务架构与 DevOps 愈发流行的今天，一个数据库打天下的时代已然过去。我们需要在不同的应用场景下，针对不同的数据类型和不同的数据访问特点，为开发者和企业提供专门构建的工具。

所以亚马逊云 科技 提出 第一个核心数据库理念：专库专用 。在此理念下，推出针对关系数据、键值数据、文档数据、内存数据、图数据、时许数据、分类账数据、宽列等专门构建数据库的产品家族。

这些数据库产品均经历过亚马逊内部核心业务的真实锤炼，成绩斐然：

亚马逊电商当年是 Oracle 的客户之一，随着亚马逊电商的应用重构和业务体量发展，亚马逊电商决定将业务迁移到亚马逊云 科技 里。100 多个团队参与这庞大的迁移工作中，将亚马逊电商采购、目录管理、订单执行、广告、财务系统、钱包、视频流等关键系统全部从 Oracle 迁出来。2019 年，亚马逊将存储近 7500 个Oracle 数据库中的 75 PB 内部数据迁移到多项亚马逊云 科技 的数据库服务中，包括 Amazon DynamoDB、Amazon Aurora、Amazon ElastiCache，于是亚马逊电商成为亚马逊云 科技 在全球的“第一大客户”。

从 Oracle 切换到亚马逊云 科技 后，亚马逊电商节省了 60% 成本，面向消费者端的应用程序延迟降低 40%，数据库管理支出减少 70%。

以被誉为“亚马逊云 科技 历史 上用户数量增速最快的云服务”Amazon Aurora 为例，其拥有科媲美高端商业数据库的速度和可用性，还拥有开源数据库的简单性与成本效益，Amazon Aurora 让客户满足“鱼和熊掌兼得”需求。

据顾凡介绍，Amazon Aurora 可提供 5 倍于标准 MySQL 性能，3 倍于 PostgreSQL 吞吐量。同时提供高可用，可用区（AZ）+1的高可用，Global Databases 可完成跨区域灾备。可扩展到 15 个只读副本，成本只有商业数据库的 1/10。

医药企业九州通为药厂、供应商，搭建药厂、供应商、消费者提供供应链链条。其 B2B 系统的业务特点是读多写少，受促销活动、工作时间等影响，经常会出现波峰波谷落差较大的情况，读写比例在 7：2 或者 8：3。九州通采用 Amazon Aurora 后实现读写分离和按需扩展，整体数据库性能提升 5 倍，TCO 降低 50%。实现了跨可用区部署、负载均衡、自动故障转移、精细监控、按需自动伸缩等。

据权威机构预测，到 2022 年，75% 数据库将被部署或迁移至云平台。在这个过程中，亚马逊云 科技 是如何通过技术来帮助客户加速应用上云的？这离不开除了上述的“专库专用”外，以下四大理念：

第二个理念是无服务器、敏捷创新。 亚马逊云 科技 大中华区产品部数据类产品高级经理王晓野表示，企业业务总有波峰波谷之时，如何按照企业 80-90% 的业务峰值来规划数据库的存储容量和计算资源的话，将给应用带来一定的业务连续性的妥协和挑战。因此大多数企业都是按照峰值留有余地来选择数据库的计算资源，这将造成成本上的浪费。而 Serverless 数据库服务可完成无差别的繁复工作和自动化扩展。

Amazon DynamoDB 是亚马逊云 科技 自研 Serverless 数据库，其诞生最早可追溯到 2004 年，当时亚马逊电商作为 Oracle 的客户，尽管对于关系型数据库在零售场景的需求并不频繁，70% 均是键值类操作，此时倒逼亚马逊电商思考：为什么要把关系型数据库这么重得使用？我们可以设计一款支持读写、可横向扩展的分布式数据库吗？后来的故事大家都知道了，这款数据库就是 Amazon DynamoDB，并在 2007 年发表论文，掀起业界 NoSQL 分布式数据库技术创新大潮。

Amazon DynamoDB 可为大规模应用提供支持，支撑亚马逊自身多个高流量网站和系统，如亚马逊电商网站、亚马逊全球 442 个物流中心等。在亚马逊电商一年一度 Prime Day，光是针对DynamoDB API 的调用达到数万亿次，最高峰值请求达到每秒 8920 万次。由此可见，DynamoDB 拥有高吞吐、扩展性、一致性、可预测响应延迟、高可用等优势。

智能可穿戴设备厂商华米 科技 ，在全球 70 多个国家拥有近 1 亿用户。仅 2020 年上半年，其手表出货量超 174 万台，截止到 2021 年 2 月，华米 科技 的可穿戴设备累计记录步数是 151 万步，累计记录的睡眠时间是 128 亿个夜晚，记录心率总时长达 1208 亿个小时。如此庞大的数据同时必须保证极高的安全性和低延迟相应，如何保证稳定性是巨大的挑战。

DynamoDB 帮助华米 科技 在任何规模下都能提供延迟不超过 10 毫秒的一致响应时间。华米 科技 健康 云的 P0 和 P1 级别故障减少了约 30%，总体服务可用性提升了 0.25%，系统可用性指标达到 99.99%，为华为 科技 全球化扩展提供了有力的支撑。

最新无服务数据库产品是 Amazon Aurora Serverless V2 提供瞬间扩展能力，真正把扩展能力发挥到极致，在不到一秒的时间内，将几百个事务扩展到数十万的级别。同时在扩展时每一次调整的增量都是非常精细化的去管理，如果按照峰值来规划数据库资源，可实现大概90%的成本节省。目前 Amazon Aurora Serverless V2 在全球实现预览。

第三个理念是全球架构、一键部署。 在全球化的今天，如何支撑全球客户的业务扩展连续性、一致性、以最低延迟带给到终端客户上，对数据库提出新的挑战。

亚马逊云 科技 提供 Amazon Aurora 关系型数据库Global Database、Amazon DynamoDB、Amazon ElastiCache 内存数据库、Amazon DocumentDB 文档数据库都能利用亚马逊云 科技 的骨干网络提供比互联网更稳定的网络支撑，以一键部署的方式，帮助客户实现几千公里跨区域数据库灾备，故障恢复大概能在一分钟之内完成，同时跨区域的数据复制延迟通常小于一秒。

第四个理念是平滑迁移、加速上云。 目前，450000+ 数据库通过亚马逊云 科技 数据库迁移服务迁移到亚马逊云 科技 中，这个数字每年都在不断增长。亚马逊云 科技 提供 Amazon DMS、Amazon Database Migration Service 等工具让开发者和企业进行自助式云迁移。另外，对于迁移过程中可能会需要的支持，可通过专业服务团队和合作伙伴网络成员，为客户提供专业支持，还通过 Database Freedom 项目帮助客户降低他们的顾虑。

今年 11 月，最新产品 Babelfish for Amazon Aurora PostgreSQL 在全球和中国两个区域正式可用，可加速企业上云的迁移，实现让企业可以利用原有的技术栈、原有的 SQL Server T-SQL的人员可以利用到云数据库进行创新。

第五个理念是 AI赋能，深度集成。 我们观察到，ML 技术赋能数据库开发者，开发者无需具备机器学习专业知识，就可进行机器学习操作。在此潮流下，亚马逊云 科技 推出 Amazon Neptune，借由 Deep Graph Library 和 Amazon SageMaker 驱动图神经网络。

今年 8 月，Neptune ML 在中国正式可用，允许数据工程师不需要掌握机器学习的技能直接从图数据库里导出数据、转换格式、训练模型并发布，用 gremlin 语句调用训练成的模型在数据库里实现推理，进行欺诈检测，推荐物品。

目前，亚马逊云 科技 加速在中国区域服务落地，2021年至今新发布 60 多个数据库服务与功能。亚马逊云 科技 正是通过上述五大数据库理念，打造丰富的数据库产品家族，在全球智能化发展趋势下，为企业提供更快更好的数智服务，释放数据价值，并连续六年入选 Gartner 领导者象限，得到业界和客户的深度认可。

6. 抖音的五大数据是什么

抖音的五大数据分别是完播率、点赞率、评论率、转化率、关注比。1、完播率：15秒以内的视频完整播放，是视频的合格线，完播率高，抖音官方才会进行下一个流量池推送。2、点赞率：若完播率是合格线，点赞便是优品的推荐，点赞越高得到的推荐也就越多。

演示机型：Iphone 12&&华为P40&&小米11 系统版本：iOS14.4&&EMUI11&&MIUI12.0.7 APP版本：抖音 v16.8.0

抖音的五大数据分别是完播率、点赞率、评论率、转化率、关注比。

1、完播率：15秒以内的视频完整播放，是视频的合格线，完播率高，抖音官方才会进行下一个流量池推送。

2、点赞率：若完播率是合格线，点赞便是优品的推荐，点赞越高得到的推荐也就越多。

3、评论率：视频评论的人越多，证明视频的内容越好。

4、转化率：转发的人越多，传播的范围就越广，叠加推送的几率也会增加。

5、关注比：关注作品的人越多，说明内容对用户产生的价值就越大。

7. 电商平台应该分析哪些数据具体怎么去分析

电商三个底层因素：曝光、点击、反馈，可以从这三个纬度进行深入分析。例如影响曝光的因素有关键词的数量和排名，一个词代表着一个被买家找到的渠道，能覆盖越全越好，排名跟你排在第几页有关，我们都知排名越前被买家看到点击的概率越大，目前大部分电商平台的第一页很多都是付费的位置，所以这里面会涉及到付费工具的使用问题了，工具包含了固定排名、顶级展位、直通车、橱窗、信用保障、评价体系等，剩余的才是自然排名，自然排名是建立匹配的基础上去延伸排序的。点击的影响因素很多，几个重点的要去关注优化：产品相关度、图片质量、排名位置、评价体系、信用保障、销量、回复率等。反馈的影响因素我只提两点：产品内容描述页和旺铺。

8. 电商运营的五大关键数据指标

电商运营的五大关键数据指标
先来看一个例子。问：如果网站平均停留时间越长说明了什么问题?
对于同一种类型的网站或者同一个品类的电商网站，平均停留时间越高表示网站越有吸引力，换句话说，停留时间长短是衡量网站黏性的最重要的指标。不仅如此，停留时间与成交也有很强的正相关关系，如下图所示：
其实，平均停留时间对销售额有正面积极的作用力不仅被用在网上，在线下的传统零售行业也被运用的淋漓尽致，譬如增大商场货架的距离可以增加女性消费群体的逗留时间从而促进购买。当然，这里还牵涉到另外一个问题，就是增加货架距离固然可以提升销售额但是同时单位面积内销售产出有可能变小了，所以需要测算之后进行比较才能做出决策。同时，还要考虑定位问题和实际条件限制。
一、建立日常运营的数据指标的重要性
量化公司日常运营健康状态的指标簇，相当于飞机的“仪盘表”(有时候也称为“晴雨表”)，通过这些指标就能判定公司是否运行在正常的轨迹上。所有的世界500强企业都有晴雨表体系，它有两方面作用：1)决策支持;2)考核业绩。
二、如何正确看待运营数据指标
在之前笔者关于讲解品牌的帖子，笔者曾多次这样比喻：通过数据指标判断一个网站是否健康就好比去医院体检，比如抽血化验，血小板总数丶白细胞总数丶红细胞压积容量丶淋巴细胞百分比丶粒细胞百分比等项目数据就类比于电商网站数据指标，通过指标就能判断网站是否运营良好，所以需要知道两类值：实际值和参考值。但是难点在于，如果没有足够的经验，往往很难将数据指标与背后的问题一一对应起来。
三、常见的日常运营指标有哪些
鉴于电商行业的格局，天猫和淘宝所占的市场份额目前领先的所以就以淘宝和天猫的数据指标为例，其它独立B2C商城数据指标可以适当比靠这些指标，基本上大同小异。
常见的指标，其意义也非常明朗，限于篇幅不再赘述，以上指标主要针对PC端，移动端可以参考上表进行相应合理取舍得出指标。另外，部分数据指标行业并没有严格和严谨的定义，多数是一家之言不足以作为通用标准，所以，一些指标是可以自定义的，只要在数据进行核对和比较时，务必清楚地知道数据得出的前提，或者说是口径。这里有四个指标需要特别解释下，大家可能稍微陌生一些。
第一个指标：商品集中度，表示的销售额或者销售量之中，占比80%(具体数字可以自行约定)的商品数量或者比例。一般来讲，商品集中度越高越方便下单和追单，也就是补货更加容易，但是同时也暴露优质商品较少，有潜在风险，尤其季节性快消品类目，一旦处于换季边缘，集中度高的商品不给力，整个销售业绩将受到重挫，所以要联系所处品类的行业参考值，合理观察“商品集中度”;
第二个指标：商品动销率，商品动销率=动销品种数店铺经营总品种数*100%，动销品种数：店铺里有销售的商品种类总数;
第三个指标：库销比，库销比=店铺即时库存或期末库存周期内总销售，其中库存和销售可以是数量亦可以是金额。
第四个指标：客户重合度，现在很多电商公司都是实施全网铺货和多品牌的战略(多品牌定位可以使市场覆盖面更广且抵御风险能力更强)，为了使新品牌更快更有效的启动和成长，通常的做法是在初期把成熟品牌的网站流量导入到新品牌，加速其生长，这时候一定要计算新品牌和老品牌之间的客户重合度，以便达到一定的阈值可以使新品牌与老品牌解绑，让其独立行走。过早地撤走流量可能致使新品牌发育迟缓甚至发育不良，过晚撤走流量可能致使多品牌同质化，品牌定位无区隔，不能有效产生增量市场。当然，追踪成熟品牌与新品牌重合客户的差异和特质只用“重合度”一个指标显然是不够的，我们可以这样来比较两个品牌，假设成熟品牌是A，新品牌是B：
(1) 两个品牌的客户重合比例是多少?
(2) 在 (1)的基础上，计算重合客户的重复购买率?
(3) 在 (1)的基础上，计算重合客户自从在B买过商品之后就再也没有回到A购物过的客户比例?
(4) 在 (1)(2)(3)的基础上同时满足，客户的比例是多少?
这里必须着重强调一点：数据指标的统计务必保证100%的准确性。数据的准确性不仅决定了将来做数据分析丶挖掘和数学建模的深度与广度，更体现了数据的权威性，尤其关键指标的统计倘若经常出现差池，会让所有人对数据失去信任，对基于数据得出的结论也随之信心瓦解了。
四、“晴雨表”的作用
那么，建立晴雨表有何作用呢?不言而喻，作用是很大的，分为直接作用和间接作用。一方面，晴雨表可以作为数据存档的基本单元，方便及时调用;另一方面，可以自由抽取其中的关键性指标生成运营日报丶周报和月报等。建立晴雨表相对比较容易做到，但是解读晴雨表数据指标的能力就需要漫长经验的积累，否则无法看到数据背后所代表的业务状况。解读数据需要把控以下关键点：
(1)知道该指标的实际值和行业参考值。例如想知道店铺的转化率水准是怎样的，就必须了解行业TOP卖家的平均转化率数值。
(2)优先注意数据奇异点和数据拐点，突然变大或者变小的数据一定是受到外力的作用。例如给客户短信群发，应该在短信发出去之后极短的时间内便会出现流量拐点，如果没有出现相应的流量拐点表明短信通道没有发送出去(短信延迟)，或者客户对于长期的短信已经产生免疫的作用，抑或促销活动不能吸引到客户。
(3)数据要有对比，可以是同比，也可以是环比。
(4)选取合适的数据呈现形式。依据数据想要表达的意思选择相应的呈现方式非常重要，生动形象的数据展现形式能有助于快速抓住重点。
五、请大家一起来讨论下这些数据指标的变化代表的意义
关于数据解读，需要依靠某单个核心指标来解读，但是有时候也需要联合一组指标综合研判。笔者随机例举5个问题来讲解如何通过指标来解析数据背后的意义。请大家先把答案写在回复中。
1.对于网络女装品牌的估值应该看哪些指标?
2.如果收藏人数多但是成交人数少是什么原因?
3.翻页数(PV/UV)越大表示网站越好么?
4.回头率低一般是什么原因造成的?
5.某件商品销量下滑一般是什么原因?