大数据的四大特点（4V）

大数据的四大特征（4V）

1、是数据体量浩大（Volume)。截至目前，人类生产的所有印刷素材的数据量是200PB(1PB=210TB)，而历史上全人类说过的所有的话的数据量大约是5EB(1EB=210PB)。当前，典型个人计算机硬盘的容量为TB量级，而一些大企业的数据量已经接近EB量级。

2、是数据类型繁多（Variety)。这种类型的多样性也让数据被分为结构化数据和非结构化数据。相对于以往便于存储的以文本为主的结构化数据，非结构化数据越来越多，包括网络日志、音频、视频、图片、地理位置信息等，这些多类型的数据对数据的处理能力提出了更高要求。

3、是价值密度低（Value)。价值密度的高低与数据总量的大小成反比。以视频为例，一部1小时的视频，在连续不间断的监控中，有用数据可能仅有一二秒。如何通过强大的机器算法更迅速地完成数据的价值“提纯”成为目前大数据背景下亟待解决的难题。

4、是处理速度快（Velocity)。这是大数据区分于传统数据挖掘的最显著特征。依据IDC的“数字宇宙”的报告，估量到2020年，全球数据使用量将达到35.2ZB。在如此海量的数据面前，处理数据的效率就是企业的生命。

在电商运营中，你觉得数据分析有多重要呢？为什么

很多第一次做电商运营的人都不知道要怎么做分析，我之前也做过互联网运营，一开始无非就是看看PV、UV，分许分析流量就完事了，但是很快老板就会发现我的分析结果根本没有任何价值，因为分析这些东西根本毛用都没有！

但是我也很无奈，因为这些常规数据就绑定着我的KPI，要是不做的话，我就会被扣钱扣工资，运营分析还能怎么搞出花来？老板是为了公司盈利，我也要为了生活啊。

后来我才知道，不是分析方法和内容不对，而是没有关注到重点的数据。

顿悟的方法很简单，往问一个专业的搞数据分析的就行了，我有幸就碰到了这么一位，简直称得上是扫地僧一样的隐躲人物，几句点拨就足够我学习的了。

既然题主问的是电商，那么就先说一下电商的盈利模式，很简单：

客户看中了你的产品或者服务，你把产品和服务卖给客户，一个订单完成！

电商公司和o2o类公司都是这种模式，公司的收进是由一个个订单堆积出来，订单是由用户购买了相关的商品或服务产生，可以说用户和商品或服务为订单的两大基本元素，公司收进下降、增长、反常最终都可以追踪到用户与商品这两大元素上。这样我们将公司收进相关数据拆解为三大模块：用户、商品或服务、订单。作为运营人，我们最主要要关注的就是两个字——用户。

公司收进、订单都是由用户消费所产生，用户的消费流程可以划分为以下四个阶段：引流、转化、消费、存留。

当然我们期看最理想的情状就是吸引和转化最多的用户、让他们买我们的产品，并且留住他们好让他们一直买。然而现实是残暴的，我们能做的，就是对这些数据进行分析，依据数据情状进行策略对调整，让现实与理想情状之间的距离越来越近。

我们一般将用户分为新用户和老用户，如下图所示：

无论新老用户，我们都会关怀两块内容，一个是引流（拉新），一个是转化，最终以数据的形式体现出来，就是流量与转化率。

一个购物中心，建在荒郊野外，没人进来，装饰再奢华也没什么卵用。用户是有限的，我们需要精打细算，实现对每种渠道每种类型的流量来源的最大价值利用。

分析目的：通过对流量的分析，保证流量的稳定性，并通过调整，尝试提高流量。

分析内容：基本数据指标有访客数(uv)、浏览量(pv)、访问次数(visits)，是常用的衡量流量多少的数据指标；平均访问深度(浏览量/访问次数)、平均停留时间(总停留时间/总浏览量)、跳失率(跳出次数/访问次数)是用来衡量流量质量优劣的指标。

分析角度：

1. 看察流量法则，便于活动安顿、服务调整

上面这个图使用FineReport做的UV分析，可以发现以下法则：一天当中，访问集中在9点到11点和14点到17点这段工作时间，一年中则在春节前后的访问量比较大，每周中也是访问集中在工作日。

一般来说，流量都是以天天中的时段、季节、节假日、星期这样的法则来分布的。所以可以将以上几面统一放到同一页面中进行看测，可以全面的了解使用的访问法则。并且通过对渠道、业务的抉择，可以看测具体的渠道、业务的访问法则。

2.发现流量反常，分析反常原因并及时调整

通过对上图的看察，可以发现反常现象：

3月21日到4月17日到流量图中，工作日到流量一般都保护在2400左右，而看察4月18日到5月15日到图，发现流量从4月19日下滑开始，很少突破2000，也就是流量在近一个月有明显下滑。原因可能是对手购买了竞价排名、自己的seo做的不好等等。

一般来说，流量以周为单位，周期性分布的情状是比较多的，将视角拉长，一次性多看几个周的数据，便于发现问题。将一段时间内的数据与历史数据进行对比，也有助于问题的发现。

除上图中对流量反常的简单监控外，可以对流量进行进一步分解，如下图所示，通过图表联动，看察具体渠道或者业务的流量情状，从而完成对问题的追踪定位，例如通过进一步分析发现，4月中旬开始的流量下降主要出现在pc端，那么可以进一步缩小问题的领域。

3. 看察流量结构，分析其合理性，并作出调整

流量结构一般可分为渠道结构、业务结构、地区结构。通过查询一段时间内的各结构占比，了解流量组成。

如上图所示，在渠道中，pc占比相对过大，而app占比不高，app对于用户具有更大的黏度，所以应分析app占比过低原因，并想方法提高app流量占比。下面的折线图可以对各渠道的流量情状进行追踪，分析占比不合理是短期内出现的，还是长期存在的、辅助问题的分析。

4. 追踪流量情状，衡量活动或者调整效果

对流量的追踪，一般就是对流量的监控，看察活动前、活动中、活动后的转变情状，评估活动效果。一般来讲，活动期间流量会大幅提升，活动后有一定回落，是一个成功的活动。假如活动期间流量上升幅度不大，或者活动结束后流量大幅度跌落，甚至流量低于活动前的正常流量很多，都不能说是一个成功的活动。

在完成引流的工作后，下一步需要考虑的就是转化了，一个崭新的用户一路走来到完成交易，中间需要经历：

浏览页面（下载app）->注册成为用户->登陆->添加购物车->下单->付款->完成交易

每一环节中都会有用户流失，提高各个环节的转化率，一直是互联网公司运营的最核心的工作。转化率的提升，意味着更低的成本，更高的利润。

分析目的：了解各环节转化情状，分析其反常或不合理情状，进行调整，以提升各环节的转化率。

分析角度：关于转化率的各种名词也特殊多，有静默转化率、登陆转化率、咨询转化率、付款转化率等等，然而并不需要考虑这些词，只要关注用户从接触使用到成交中的几个环节就好。

我们依然使用FineReport中图表的形式来从各个角度对转化数据进行展示分析。

1.看察各环节转化率，分析其合理性，针对转化率反常环节进行调整

上图所示，传统漏斗图只能展示一条路径的转化率情状，稍加修改后，可实现对比功能，例如上图所示的新老用户的转化率的对比。可以依据实际情状中在该图中加进更多环节，例如注册、收躲、开工、竣工等。

从上图中，我们可以发现这样一个问题，下单到付款中的转化率过低，正常来说，用户只要下单，付款的比例是比较大的。对于这个反常，我们来做下推测：

• 又看了下其他家的商品或服务，发现了更好的，就取缔了付款；
• 付款前习惯性的问下相关的人进行确认，然后发现计划有变，所以取缔付款；
• 到了付款的时候发现居然不支持支付宝，无奈取缔付款；
• 下单后被告知没货；
• 页面好卡，怒而弃之；
• 余额不足

总体上可以分为两类：用户本身原因，系统设计原因。上图中这么出现付款率这么低的情状，基本上可以确定是系统原因。然而具体是哪块的设计出了问题，可以进一步细化追踪。

如上图所示，点击相应阶段，联动出下面各渠道与各业务的转化率明细，可以看出，各渠道的转化率区别较大，其中pc端转化率明显偏低，而各业务之间的转化率区别不大，基本可以确定，是pc端存在问题，导致转化率偏低。

上图中的付款转化率低的太明显，只要不瞎都能看出这转化率出了问题，但是往往转化率的问题并没有这样的明显，那怎样定位自己的转化率是否合理，哪个阶段的转化率有提升空间呢？陆续看下面这张图：

上图是通过多角度对比来分析业务转化率的健康状况，包括与自己同期对比、行业中与自己相似产品对比、行业中优异的产品对比。对比各环节转化率的不同，产生数据上的冲击，所有落后的节点，都是可以提升的空间。

2. 追踪转化率转变，用于反常定位和策略调整效果验证

除流量外，转化率也是需要追踪的，将时间的维度拉开，分析各阶段转化率随着时间的波动，也是很有看点的。

如上图所示，在4月17日到21日中间，转化率出现下滑趋势，通过渠道转化率与业务转化率两个图表的联动，可以追踪定位导致转化率下滑的渠道或业务。常见的原因，公司运营部门投进了某个渠道进行妥善，新的渠道带来了新的流量，而该渠道所引进的用户质量却偏低，拉低了整体的转化率。

3. 看察各渠道转化情状，定义渠道价值，并依此适当调整运营策略

气泡图在传统图表中信息量涵盖相对是比较大的，上面这张图x轴和y轴分别表达流量和转化率，y轴可以依据分析内容不同切换成点击率、注册率、架构率、下单率等等，气泡大小表达的为渠道ROI。从上图中可以看出，在右上象限中的渠道价值是比较大的，再综合考虑ROI，还可以看出渠道性价比情状。

4. 分析各环节转化周期，分析用户习惯，为制定运营策略提供依据

这种场景通用性并不是很强，会和公司业务相关联，有些业务的交易是分成多个阶段来完成，这种情状可以对转化周期进行分析。

上图中可以看出，该业务的付款与成交一般在前四面完成，而第五周开始趋于稳定。知道以上信息后，可针对第五周未付款或完成交易的用户进行询问，提高转化率。另外可制定四面内完成交易有奖励等活动来缩短成交周期，因为图中可以看出，绝大部分用户四面时间足够完成服务检查、订单确认等工作。

互联网行业的拉新成本现在都很高，要投进广告、投进时间，这些都是成本。假如用户还没有产生什么价值就流失了，那一定是亏了。相反，拉过来的用户，存留的时间越长，产生的价值也就越大，也才能弥补其他流失用户所产生的缺失。因此，提高用户的存留时间，也是提高公司收进，为公司发明更多价值的重要一环。

分析目的：通过分析用户的日活/存留，来扶助运营人员发现问题、监控数据，为调整策略提供数据支持，达到提高日活/存留的效果。

分析角度：

1.日活监控，看察用户活跃数据，分析日活健康度

活跃用户一般可以分为以下三类：

有些公司可能不太关注回流(一定时间内没有登陆的用户再次登陆)这部分用户，我将它列出来，是认为了解回流用户的日活情状在一些场合中是有价值的，例如活动期间、发优惠券测试，是否会对流失用户的回流产生了作用。

上图中是用finereport做的堆积面积图，其面积大小为各类型用户数，堆积总高度为总活跃用户数。对于日活数据来说，相对理想的情状是老用户占比较高，为活跃用户主力，并且显现逐步上升的趋势，代表产品对新用户的粘性较好，总体拉新存留大于流失用户。否则，要么是新用户的存留率过低，要么是老用户的流失率过高，都需要进行调整。

2.看察存留法则，定位存留阶段，辅助市场活动、市场策略定位等

存留法则分析应该分开对待，一部分高频小额订单(例如外卖)这种互联网公司，其分析模式类似于游戏、知乎、SasS平台，会以日为单位来分析存留。

如上图所示，这种用户登录频率较高的使用，可以通过上图分成三个阶段，过滤期、试探期、平稳期。刚开始接触一个使用的用户中，有大量的用户是质量不高的用户，不可避免的要经历一个存留率大幅下降的阶段，但这一阶段周期一般较短(我认为这一阶段可能更多的是使用筛选用户)。在这一阶段过往之后，用户会对使用进行详尽的试探，是否让自己称心，这段期间也会有部分用户流失。最后留下的就是相对稳定的用户了。

上图可称之为手枪图，该图可以看出用户存留的整体情状，存留率有没有越来越高，产品粘性是否做的够好，通过上图可以看出一定的问题来。但要像日存留那样，找出用户存留的三个阶段是比较困难的，因为用户是否存留下来更多的取决于消费体验，并且消费体验周期过长，很难推断用户是否会再次消费。

3.对比不同用户、产品功能的存留情状，分析产品价值、辅助产品调整

如上图所示，通过对比，发现使用了分享功能和收躲功能的用户的存留率相对较高。得到这样一个信息后，可以通过产品上的调整，来鼓励用户使用分享、收躲等功能，以此来提高用户的存留率。

这种对比可以是多种形式的，将功能抉择换成用户分类、用户来源，可以从不同的角度来看察问题。例如，假如发现男性用户的存留率比女性用户低，那么一是可以提醒反思造成这种情状的原因是什么，或者是可以调整产品妥善渠道，以吸引女用户主。

存留率是互联网公司非常关注的指标之一，而很多公司会对存留率进行非常深进的挖掘。上文提供几种存留率常用的展现形式，为分析存留率提供一定的参考。