在理解了要選擇怎樣的指標來衡量各項業務之後，我們可以對業務有一個客觀和全面的把握，可是數字本身無法告訴我們發生了什麼事情，怎樣可以改進。為了得到更深入的信息，我們需要用到很多的分析工具，這裡我們只介紹最常用和基礎的分析方法：拆分。
一、看數據分佈
最簡單的拆分方法就是不看平均值，看數據分佈。因為凡 是“總和”或者“平均”類的統計數據都會丟失掉很多重要的信息。例如李嘉誠來我們公司參觀，這一時間我們公司辦公室裡的“平均資產”就會因為李嘉誠一個人 被抬高到人均幾億身家。如果有人根據這個“平均資產”數據來判定說我們辦公室的人都是豪華遊艇的潛在顧客，這自然是荒謬的。
可實際上，我們每天都在做著類似的判斷，比如當我們聽到說顧客“平均在線時間”是3分34秒，就可能根據這個時間來進行業務決策，例如設置“停留時間超過3分34秒為高價值流量”，或者設置系統，在用戶停留了3分34秒還沒有下單的話就彈出在線客服服務窗口。我們設置這些時間點的根據是“平均停留時間”，在我們的想象裡，我們的每個顧客都有著“平均的”表現，停留時間大致都是3分34秒，可實際上真正的顧客訪問時間有長有短，差別巨大：
從上圖我們可以看到絕大部分訪問時間非常短暫，而少數人訪問了大量時間，綜合起來平均停留時間3分多，用3分34秒來做為一個關鍵判定點是不合適的。
再舉一個例子，比如我們看到上個月平均訂單金額500元/單，這個月也是500元/單，可能會覺得數字沒有變化。可是實際上有可能上個月5萬單都是400～600元，而這個月5萬單則是2萬單300元，2萬單400元，5千單500元，5000單超過2500元 ——客戶購買習慣已經發生了巨大變化，一方面可能是客戶訂單在變小（可能是因為產品單價下降，採購數量減少，或者客戶選擇了比較便宜的替代品），另一方面 出現了一些相對較大的訂單（可能是中小企業採購，或者是網站擴充產品線見效了）。——看數據分佈可以讓我們更容易發現這些潛在的變化，及時的做出應對。
二、拆因子
很多時候我們很難直接從數據變化中分析出具體的原因，這時可以考慮拆分因子，將問題一步步細化找尋原因。
例如網站轉化率下降，我們要找原因。因為“轉化率”=“訂單”/“流 量”，所以“轉化率”下降的原因很可能是“訂單量下降”，“流量上升”，或者兩者皆是。按照這個思路我們可能發現主要的原因是“流量上升”和“訂單量升幅 不明顯”，那麼下面我們就可以來拆解“流量”的構成，例如拆成“直接訪問流量”、“廣告訪問流量”和“搜索引擎訪問流量”再看具體是哪部分的流量發生了變 化，接下來再找原因。這時我們可能看到說是搜索引擎訪問流量上升，那就可以再進一步分析是付費關鍵詞部分上升，還是自然搜索流量上升，如果是自然流量，是 品牌（或者網站名相關）關鍵詞流量上升，還是其他詞帶來的流量上升——假如最後發現是非品牌類關鍵詞帶來的流量上升，那麼繼續尋找原因——市場變化（淡季旺季之類），競爭對手行動，還是自身改變。假如剛好在最近把產品頁面改版過，就可以查一下是不是因為改版讓搜索引擎收錄變多，權重變高。接下來再分析自己到底哪裡做對了幫助網站SEO了（比如把頁面導航欄從圖片換成了文字），把經驗記下來為以後改版提供參考；另一方面還要分析哪裡沒做好（因為新增流量但是並沒有相應增加太多銷售），研究怎樣讓“產品頁面”更具吸引力——因為對很多搜索引擎流量來說，他們對網站的第一印象是產品頁面，而不是首頁。
三、拆步驟
還有些時候，我們通過拆分步驟來獲取更多信息。
舉兩個例子：
第一個例子：兩個營銷活動，帶來一樣多的流量，一樣多的銷售，是不是說明兩個營銷活動效率差不多？
如果我們把每個營銷活動的流量拆細去看每一步，就會發現不一樣的地方。營銷活動B雖然和營銷活動A帶來了等量的流量，可是這部分流量對產品更感興趣，看完著陸頁之後更多的人去看了產品頁面。可惜的是雖然看產品的人很多，最後轉化率不高，訂單數和營銷活動 A一樣。
這裡面還可以再深入分析（結合之前提到的分析方法，和下一章要說的細分方法），但是光憑直覺，也可以簡單的得出一些猜測來，例如兩個營銷活動的顧客習慣不太一樣，營銷活動 B的著陸頁設計更好，營銷活動 B的顧客更符合我們的目標客戶描述、更懂產品——但是我們的價格沒有優勢等等這些猜想是我們深入進行分析，得出行動方案的起點。至少，它可以幫助我們更快的累計經驗，下次設計營銷活動的時候會更有的放矢，而不是僅僅寫一個簡單report說這兩個營銷活動效果一樣就結案了。（注：這是個簡化的例子，實際上還可以分更多層）
第二個例子可能更常見一些，比如網站轉化率下降，我們可以拆成這樣的漏斗：
這樣拆好之後，更能清楚地看到到底是哪一步的轉化率發生了變化。有可能是訪客質量下降，都在著陸頁流失了，也可能是“購物車–>登錄”流失了（如果你把運費放到購物車中計算，很可能就看到這一步流失率飆升），這樣拆細之後更方便我們分析。
曾經有一個例子就是轉化率下降，市場部查流量質量發現沒問題，產品經理查價格競爭力也沒問題——最後發現是技術部為了防止惡意註冊，在登錄頁面加了驗證碼（而且那個驗證碼極度複雜），降低了“登錄頁面–>填寫訂單信息“這一步的轉化率。
四、細分用戶族群
很多時候，我們需要把用戶行為數據拆分開，看不同族群的人有什麼不同的表現，通過比較異同來獲取更多的洞察。從實踐出發，客戶族群細分的方法主要有三種：
按照客戶屬性細分：根據客戶“是誰”來劃分族群，例如把客戶分成“新客戶”和“老客戶”。按照客戶行為來細分：根據客戶上網行為來細分，例如把客戶分成“瀏覽服裝專區的客戶”和“瀏覽數碼專區的客戶”。很多時候“根據客戶行為”和“根據客戶屬性”這兩者會混在一起，比如一個客戶的行為是“每個月都來買一次東西而且只買最貴的”，可能我們就會在數據庫裡給他標記上“有錢人”，之後“有錢人”就成了這個客戶的屬性之一。按照最終結果來細分：其實是“按照客戶行為來細分”的一種，但是它適用性非常廣，而且用起來非常方便，所以單獨拿出來講一下。
對於這個細分方法，本質上就是根據結果把流量分成“好人”和“壞人”，然後一路比較“好人”和“壞人”從接觸到最後轉化或離開這整個過程中所經歷過的事情有沒有什麼顯著的不同，如果有，則進一步深入考慮這些不同點是否就是造成他們一些是“好人”一些是”壞人“的原因，再想辦法優化這些經歷，儘可能增加”好人“這個族群。
大數據時代的電商分析分法，有興趣的朋友，可以關注多智時代，瞭解更多知識和資訊，如有疑問，請在留言區斧正。
閱讀更多 多智時代 的文章
