不懂大数据也能懂电商数据分析方法论。在实际分析中，其实不需要这么复杂的算法。大家需要的是：只要掌握了这四个思路，基本可以应付日常的分析工作。思想和数据的对比主要是横向和纵向两个角度。指标之间的横向比较有助于我们理解预期值的合理性，而指标本身在时间维度上的比较就是我们通常所说的趋势分析。以店铺营业额分析为例：为了纵向对比，我们可以在坐标轴上展示最近30天的营业额，这样可以清楚的看到最近的营业额是否达到预期。当然，我们也可以以周或月（或季度、年等）为单位。其实所有的分析都要考虑实际场景。我们看到今天的成交量比昨天大，可能说明的问题非常有限，因为今天和昨天的性质可能不一样，比如今天可能是星期六，或者刚好是节假日等等。所以我们做纵向对比的时候，比如判断今天（假设是星期六）的成交量是否合理，除了看最近30天的走势数据外，我们还可以考虑：星期六的走势最近10周的营业额如果今天恰好是节日，比如双十一，那么可以考虑和去年的双十一做个对比。（注：因为区间比较长，数据反映的意义可能有限）横向比较比如我们说这周店铺的营业额增长了10%，我们应该高兴吗？你当然应该高兴，但这种上涨背后是否隐藏着危机？当然还有，比如你的竞争对手本周的营业额增加了20%！当你沾沾自喜时，你可能已经被竞争对手拉开了距离。也就是说，我们需要一个参照系来判断一个现象好不好。在现在的电子商务时代，你完全有可能知道你的竞争对手的营业额增加了多少。再举一个比较常见的例子：如果我在不同的地方（或平台）开了很多店，A店某个产品的营业额增长了10%，这是值得高兴的事吗？显然不一定如此。我们还需要比较产品A在各个店铺的涨幅，比如我们可以比较平均曲线。分割思想利用变换的思想，我们基本上可以判断一个指标（比如成交量）是否合理。但是，仅仅知道它是否合理是不够的。我们还需要知道问题所在。这时候，我们可以使用细分的思路。通过细分的思路，解开分析对象，逐步定位问题点。细分的角度可以有很多，细分的越多，对问题的描述就越准确。比如看趋势，我们知道这个月的营业额下降了，现在我们用细分的思路来找出问题：营业额细分=客单价X客单数比客单priceandcustomers根据客户数量的变化趋势，我们可以判断出影响营业额变化的主要因素有哪些。如果是客户数量，我们会细分客户数量。客户数细分客户数=新客户+老客户老客户=二次交易客户+多次交易客户一段时间内的新客户反映店铺的引流效果，老客户反馈店铺的产品质量和服务品质、维保营销等。对于门店来说，促成二次交易非常重要，尤其是对于电商客户来说，因为对于电商来说，转客成本远低于线下。客单价细目客单价=成交价X人均成交笔数人均成交笔数这是店铺值得关注的一个指标。可以最直接的反馈店铺的服务质量和客户维护营销效果。如果数值太小，说明该店铺的客户流失率很高，需要引起注意。成交价格反馈通常是指导购的能力、促销活动的效果等，具体来说，这个指标也可以分解。成交价的细分??成交价=单价X联率成交价的涨跌可能反映出很多问题，分解后就很清楚了。单价的变化通常是由促销力度、商品结构和消费结构的变化（如季节性因素等）引起的。联合率反映了店内导购的能力，或者促销方式的效果（比如买一送一），也是店长应该关注的一个指标。细分的思路其实就是用更小的量化指标不断细分一个大的指标，从而达到定位问题的目的。改造思想细分的思路可以垂直定位问题，但是光有细分是不够的。这些指标从哪里来，每一步的转化率是多少，哪一步转化不好可以改进？这些都可以通过转化率来分析。比如我们要分析本周的活跃客户数（发生交易的客户数），那么我们就需要分析这些活跃客户从哪里来。梳理起来，我们可以简单地分为以下4个步骤：进店顾客数==”浏览过商品的顾客数==”下单顾客数==”浏览商品的顾客数在这里成功交易4个步骤会有3个转化率，哪些步骤转化率高，哪些步骤转化率低，历史走势如何，是否合理，是否有提升空间等。通过转化思想的应用，可以有效地指导和优化实际的操作工作分类思维上面我们介绍了比较、细分、转化三种实用的数据分析思想，现在我们再介绍一个非常实用的思想，那就是分类思维。简单地说，分类思维就是把一些对象按照一定的规则分成若干类，然后分析每一类的特点来指导我们的行动。分类严格来说其实是细分的一种，只是因为比较重要，所以单独开发。分类思想有很多应用。比如对客户进行分类，我们可以使用RFM分析模型，或者干脆使用某个指标的值（比如渠道标识，这样我们就可以分析每个渠道的客户质量等）。基于这些客户的分类，我们可以进行精准的客户营销。在电商或者零售行业，我们经常会做分类和产品分类。经典分类是按类别或ABC分类。这些对我们的产品运营非常重要。当然，还有非常复杂的分类方法，比如聚类算法，但这些不在我们的讨论范围之内。总结比较、细分、转换、分类其实都是很简单的数据分析思路，但是如果你掌握了它们，培养了这样的意识，一定会受益终生。***：所有的数据分析方法都只是技术，真正的方法是你对数据使用场景的深刻理解。没有使用场景的数据是没有价值的。
