用户|电商业务数据分析实践指南( 三 ) 阶段|初始|直播|用户|直播间

第二，在订单交易表的基础上，进行三个维度数据的加工，字段是用户ID、最近一次消费时间间隔、消费频率、消费金额，这样即可对每个用户进行加工生成比较详细的RFM加工表；
第三，进行阈值划分，常见方式是直接求均值，还有比较特殊的如阶段打分等；
第四，对阈值划分后就可以判定用户属于八个细分人群里的哪种，然后对用户进行打标识，属于重要发展客户还是维系客户等。

文章插图
RFM分析的优缺点：
RFM分析的优点主要有两个：第一个是数据的获取性好，主要用订单交易表即可，只要有成交数据，即可进行RFM分析，这是最大优势；第二个是模型的分层可解释性强，此模型是直接基于逻辑进行分解，因为有很多模型如算法模型等分析很难对业务解释清楚，但通过RFM分析模型划分成八个用户类别的解释性很强。
缺点：第一个是滞后性，因为其分析的是购买行为，只有用户发生购买后才能进行分析；第二个是不同行业应用起来有差别，比如耐消品冰箱，用户购买后可能十年内都不会再复购，这种情况下，RFM分析就丧失分析的价值和意义。
2. 留存分析
文章插图
留存分析在电商里非常常见，常用于分析用户在获取后的一段时间内，在网站或APP的留存情况，这里需注意的是留存分析一定要加上日期，比如很多网站留存率50%的数据没有参考性，是因为其并没有说明是次日留存还是30日留存，这是有明显差别的，网站一年后的留存率肯定比网站一个月的留存率或次留存率含量更低，时间越长留存越少是很正常的，如果只提留存率高低，而不提时间，这个留存是没有任何对比分析意义的。

文章插图
留存分析还需要关注开始行为和结束行为，比如通常网站分析留存是用户第一次登录后在多长时间内再次登录；或者开始行为定义为用户第一次注册后在多长时间内再次登录，不同的开始结束行为定义对留存分析也完全不一样，如果把开始行为定义成第一次购买，结束行为就可以定义为复购。
还需关注分析周期也就是时间力度的问题，比如统计的是天利率还是月利率，这是有明显差异的。
3. 漏斗分析4. 路径分析5. 归因分析三、电商数据分析案例实践在接下来的部分，少东老师分别讲解了漏斗分析、路径分析、归因分析以及分享了电商数据分析案例实践。
囿于篇幅有限，想要观看完整视频的朋友可扫描下方海报的二维码添加会员学习顾问@betty老师的微信，并备注“少东”，即可获得观看链接。
四、本月直播回顾本次会员直播课程，少东老师为大家详细讲解了电商业务数据分析实践指南，希望大家都能有所收获~
每周三/四晚上8点，起点课堂会员平台都会邀请一线的互联网产品、运营实战派专家，与大家分享最新的产品行业动态、运营玩法和干货知识。
【用户|电商业务数据分析实践指南】每个月的会员直播都有月度主题，每周直播围绕月度主题展开。本月主题如下：