¿Qué aspectos se deben analizar en el análisis de datos de comercio electrónico?
En mi opinión, al final de la competencia, la brecha entre operaciones y operaciones se diferencia de los datos y las imágenes.
Hoy sólo tenemos tiempo para hablar de datos.
¿Qué es el pensamiento del análisis de datos?
Creo que el pensamiento de análisis de datos es: convertir el comportamiento en datos, inferir a través de datos.
Déjame ponerte un ejemplo:
Vienes a menudo a mi tienda a comprar compresas menstruales.
Ven a comprar toallas menstruales hoy, sé que tu período llegará en aproximadamente una semana. Según la cantidad y las especificaciones que compre, puedo inferir cuánto dura su período y cuánto cuesta. Saca medio año de tus compras y puedo deducir qué tan estable es tu ciclo.
Si no te veo comprar compresas sanitarias desde hace dos meses. . . Debe haber sido hace dos meses que se rompió la gabardina de tu novio.
Al consultar los registros de compras de mi novio, supe que los impermeables de esta tienda podrían no estar a la altura.
Para verificar si no está calificado, veamos si su tasa de recompra dentro de medio año es mucho menor que la de sus pares.
Bueno, sólo porque no compraste una toalla sanitaria menstrual, dudo que los impermeables de esta tienda estén a la altura.
Ésta es la idea básica del análisis de datos.
Aprender el pensamiento básico del análisis de datos sólo puede significar que apenas tengas la posibilidad de realizar el análisis de datos.
Luego haz análisis de datos. Hay algunas cosas que debes saber.
1. Muestra de datos: si la selección de la muestra de datos no es razonable, el resultado será completamente incorrecto. Por ejemplo, si voy a una tienda de toallas sanitarias dirigida a tías de 40 años y pregunto a mujeres chinas sobre sus ciclos menstruales, no es nada científico. Ésta es la diferencia entre la adolescencia y la menopausia (este ejemplo muestra que Lin también está involucrado en el conocimiento ginecológico y da la bienvenida a todas las amigas solteras de la edad adecuada para que le escriban para consultarlo).
Un ejemplo que se suele dar en el combate real es: los productos individuales con buenas tasas de conversión no se pueden vender en Poly. Venda algunos artículos con tasas de conversión bajas de forma fija. Si son rentables, se venderán muy bien. ¿Por qué? Piénsalo, no me preguntes, piensa por ti mismo. Si no lo comprende, no intente realizar un análisis de datos de comercio electrónico.
2. Selección de datos: de hecho, encontraremos muchos datos, pero es posible que algunos no sean los que queremos. Así como conoceremos a muchas chicas buenas en esta vida, nos resulta difícil entender quién puede acompañarnos mejor en esta vida. No hay forma de dar un ejemplo de esto. Déjame hacerte una prueba aquí:
Ahora, para aumentar el precio unitario por cliente, nuestra tienda necesita hacer promociones con cupones.
Está bien, dígame, obtenga 10 yuanes de 100 yuanes.
Eso es bueno. Ahora dime por qué hay 100 más en lugar de 110 y por qué hay 10 menos que 20. Saca tus datos.
No me preguntes cómo. No dudes si realmente puedo analizarlo, puedo.
3. Cambios dinámicos: Lo que más solemos utilizar es analizar algunos posibles problemas o cambios a través de cambios en los datos. Sin embargo, cuando una cantidad de datos cambia, a menudo también cambian otros datos. Por lo tanto, necesitamos aclarar qué datos están correlacionados positivamente y cuáles negativamente, y bajo qué circunstancias se establece la relación entre ellos. Por ejemplo, los índices de recaudación normales están correlacionados positivamente con las tasas de conversión, pero hoy en día están correlacionados negativamente. Cuanto menor sea la tasa de conversión, mayor será probablemente la tasa de recaudación.
Hablaré sobre el marco del análisis de datos. Supongo que otros son demasiado vagos para hablar de esto, así que simplemente hablaré de ello.
En cuanto a qué herramientas y datos mirar, que otros digan.
El código es un poco agotador. Gracias