范文一:电子商务岗位招聘大数据分析报告.000
2015北上广电子商务岗位招聘大数据分析报告
(简本)
二〇一六年四月五日
1. 前言
我国人才供需结构性矛盾一直是社会经济发展中面临的重大问题。从供给看,我国每年有许多高校毕业生面临就业困境。据人社部统计2016年我国高校毕业生为765万,较2015年增加16万,就业压力仍大。从需求看,大量公司招不到满足需求的人才。“岗位找人”和“人找岗位”的现象并存,专业对口比率和专业供求比率失衡现象较突出。其中,电子商务专业尤甚。2015年各行业中互联网/电子商务行业对人才的需求量最大,且该行业以平均8626元的月薪高居榜首,但高校电子商务专业就业率却在教育部高等教育司公布的近两年就业率较低的本科专业名单中。
造成此困境最大原因之一是高校培养的专业人才与社会需求脱节,专业课程培养体系设置不合理,高校缺乏快速洞察当前人才市场需求及其变化的能力。以电子商务专业为例,在传统的教育培养模式中,其理论体系、教材以及教学案例的研发和应用本就滞后,而电商行业的发展却是日新月异,知识体系的更新速度越来越快,高校专业人才培养必然与社会需求脱节。
但高校现有获取专业人才市场需求信息的方式主要还是通过问卷调查,访谈企业人士及求职应聘学生等途径,工作量较大,时效性、科学性、系统性不能有效保证。近年来,招聘网站迅速发展,成为人才市场的主要方式,是了解人才市场需求最为直接的途径,其提供的招聘广告中包含了企业对人才的素质、技能等,真实反映出公司对人才的需求。电子商务及供应链系统重庆市重点实验室大数据分析与决策研究所利用拥有的非结构化数据分析核心技术,对国内主流招聘网站中北京、上海和广州地区电子商务岗位共66925条招聘大数据,进行语义级深度分析,撰写完成了《2015北上广电子商务岗位招聘大数据分析报告》。
本研究报告负责人为电子商务及供应链系统重庆市重点实验室研究员詹川博士(电话:18523103402,邮箱:zchuan@ctbu.edu.cn)
2. 人才市场需求的信息分布状况
2.1招聘岗位类别分布
全部招聘信息对应6大岗位以及17个具体岗位,如图2.1和表2.1所示。在所有招聘岗位类别中,运营类岗位最多,占到总体比重的31%(20890条),其次是技术类(25%,16820条)、市场与销售类(21%,13691条)、职能类(11%,
7404条)、设计类(8%,5212条)、产品类(4%,2908条)。市场对电子商务专业需求量比较大的具体岗位有开发岗、运营岗、营销岗、客服岗、编辑岗等(见表2.1)。开发岗在招聘具体岗位中占最大比重,是最热门的岗位,该岗位招聘对象主要为程序员、架构师、软件/移动开发者等具有计算机背景知识的专业人才。另外,营销、客服等岗位在市场上也占比较大的需求比例。
表2.1 电子商务招聘岗位类别统计表
岗位类别 产品类 技术类 设计类
市场与销售类 运营类 职能类 总计
具体岗位 产品 开发 测试 运维 优化 网页 视觉 营销 市场 运营 客服 编辑 推广 数据 行政 财务 人资
频数 2908 2908 16820 13857 1456 1300 207 5212 2819 2393 13691 10828 2863 20890 7637 5394 4518 2409 932 7404 3436 2295 1673 66925
图2.1 电子商务招聘岗位类别分布
2.2招聘岗位地点分布
进一步探索北、上、广地区发布的招聘岗位类别差异:从每个地区岗位类别的频数排序来看,运营、技术、市场与销售类都在前三;从每个地区岗位类别频数数量上来看,北京对运营类和技术类岗位的需求量大致相当,而上海和广州对运营岗的需求量明显多于技术岗。
表2.2 电子商务招聘岗位地点分布统计表
岗位类别 产品类 技术类 设计类 运营类 职能类 市场与销售类
总计
北京 1530 8175 1820 8512 3243 5690 28970
上海 668 3806 1277 5013 2112 3165 16041
广州 710 4839 2115 7365 2049 4836 21914
总计 2908 16820 5212 20890 7404 13691 66925
2.3招聘岗位薪资分布
对招聘信息中薪酬进行统计分析,招聘岗位给出的月薪大致分布在8个范围:3千元以下(4.32%)、3千元~5千元(31.63%)、5千元~1万元(31.02%)、1万元~1.5万元(14.86%)、2万元~2.5万元(1.65%)、2.5万元~5万元(1.39%)、
5万元以上(0.18%),其中3千元~5千元以及5千元~1万元的月薪范围所占的比重最大。总的来看,电子商务相关的岗位提供的月薪范围差异很大,这与岗位跨度大有关,招聘的岗位既包括基础事务岗位也包括经理、主管等高层管理岗位。
图2.2 电子商务招聘岗位薪资分布
按照招聘岗位类别来看,产品类岗位普遍薪酬较高,月薪1万元以上的比例远高于其他类别的岗位,需求的是产品经理类的高级人才;技术类岗位月薪大多集中在5千元~1.5万元的范围内;设计类岗位月薪集中的范围则在5千元~1万元内;市场与销售类、运营类、职能类等岗位的月薪范围在3千元~5千元这一区间的比重略大于其他类别的岗位。
表2.3 电子商务招聘岗位各个类别的月薪范围比例统计表
月薪范围 3K 以下 3K-5K 5K-10K 10K-15K 15K-20K 20K-25K 25K-50K 50K 以上 未提供 总计
产品类 1.72% 8.08% 24.04% 26.99% 18.12% 5.81% 3.75% 0.34% 11.14% 1
技术类 2.33% 9.85% 30.61% 26.94% 14.85% 3.21% 2.27% 0.22% 9.71% 1
设计类 4.47% 27.94% 39.83% 12.76% 4.20% 0.88% 0.67% 0.12% 9.13% 1
市场与销售类
3.51% 35.32% 37.27% 12.18% 3.32% 0.75% 1.13% 0.18% 6.33% 1
运营类 5.75% 41.72% 29.54% 9.15% 3.72% 0.98% 0.95% 0.16% 8.04% 1
职能类 7.17% 57.70% 21.15% 5.16% 1.57% 0.55% 0.68% 0.14% 5.89% 1
3. 人才市场需求的基本条件分析
3.1招聘岗位经验要求
通过岗位对工作经验要求分析,分别为“应届毕业生”(2503条)、“1年”(10991条)、“2年”(10395条)、“3-4年”(9880条)、“5-7年”(3161条)、“8年以上”(497条),有经验要求的记录数(37427条)占整个招聘记录数的56%,近一半的招聘岗位在“经验”一栏内容为空缺或者经验不限。其中,明显可以看出市场与销售类对经验不作要求的比有要求的多,而技术类岗位对有经验的人才需求更多些。此外,在有经验要求的记录中“1年”和“2年”出现频率较高。
表3.1 电子商务招聘岗位经验要求统计表
岗位类别 技术类 产品类 设计类 运营类 职能类 市场与销售类
总计
应届353 30 119 864 334 803 2503
1年 2282 259 995 3940 1024 2491 10991
2年 3598 492 1139 2948 754 1464 10395
3-4年 3894 789 838 2361 760 1238 9880
5-7年 975 289 173 803 415 506 3161
8年以上 88 41 19 121 129 99 497
无要求 5630 1008 1929 9853 3988 7090 29498
总计 168202908 5212 208907404 1369166925
进一步观察不同岗位对经验的具体要求,每个岗位在不同的经验年限要求中所占的比例如图3.1所示。根据结果展示,运营类的岗位在各个经验取值上都占不小的比例且比例相当,表明运营类岗位既需要经验不多的新人也需要经验丰富的领导人才,这符合运营岗综合管理的性质特点;而技术岗则大多要求3-4年的工作经验,同样拥有1-2年工作经验的技术人才也受市场欢迎;与技术岗不同的是,产品类的岗位则需要相对长的工作经验,因为产品是公司存在的根本,关于产品研发、设计等都关乎公司未来的发展,没有几年行业经验积累的人很难担任此重任;设计类岗位主要包含网页设计以及视觉设计等具体岗位,既需要有新鲜创意和灵感的新人,也需要具有成熟专业的设计人才,因此经验跨度也比较大;职能类的岗位所需经验比例分布呈现两极的特点,这一类主要包含行政、财务、人力资源等具体岗位,一些基础事务并不需要很多的工作经验积累,而像财务之类的岗位则是工作经验越长越好,因为它的知识更新不会很频繁;市场与销售类的岗位对工作经验的要求大多集中在1年以内,这与其专业技术门槛不高有关,
但该类岗位同时也需要经验丰富的领导层面的人才。
图3.1 电子商务招聘岗位类别经验要求比例分布图
3.2招聘岗位学历要求
电子商务招聘岗位对最低学历有要求的记录数(46153条)占整个记录数的69%,超过60%的岗位(41078条)要求最低学历为大专或本科,这两个学历层次上的人才也是应聘大军中的主力。根据表2.5的统计数据,从列的维度来看,分析每个岗位类别下各个最低学历要求占类别数的比例,发现技术类及运营类要求最低学历为本科或大专的占其各自类别数的比重并不是最高的:要求最低学历为本科的占其类别数比重最大的是产品类(44.05%);而要求最低学历为大专的占其类别数比重最大的为设计类岗位(46.26%),其次是职能类岗位(44.88%)。总的来说,每个类别的岗位还是倾向于招聘大专及以上学历的人才,这个比例会根据岗位性质特点略有差异。
表3.2 电子商务招聘岗位最低学历要求统计表
最低学历 博士 硕士 本科 大专 高中 中专 中技 初中及以下
产品类0 19 1281 689 5 16 0 1
技术类 1 115 5965 5699 59 123 27 7
设计类 0 4 932 2411 54 145 21 3
运营类 2 62 4317 7717 589 1139 103 36
职能类 1 19 1472 3323 133 481 16 6
市场与销售类
0 4 1530 5742 661 1094 69 60
总计 4 223 15497 25581 1501 2998 236 113
无要求 总计
897 2908
4824 16820
1642 5212
6925 20890
1953 7404
4531 13691
20772 66925
由于技术类及运营类岗位数量在整个招聘记录数中占很大的比重,且这两类岗位对人才需求集中在大专及本科学历,进一步分析其具体岗位和最低学历要求的关系,如表3.3所示。在技术类的具体岗位中,对最低学历为本科和大专的记录数大致相当,而在运营类的具体岗位中,最低学历为大专的记录数较多。这个差异可能来自于岗位的技术门槛高低,技术门槛高的岗位需要拥有系统理论和专业技能的人才。此外,值得注意的是运营类中的数据方面的人才需求,在大数据发展得如火如荼的背景下,数据人才炙手可热,该岗位更为倾向于本科以上的人才。
表3.3 电子商务技术类及运营类岗位部分学历要求统计表
岗位类别 技术类 运营类 总计
具体岗位 测试 开发 优化 运维 编辑 客服 数据 推广 运营
本科 5965 481 5045 34 405 4317 1262 311 407 344 1993 10282
大专 5699 531 4604 94 470 7717 1778 1902 189 1052 2796 13416
总计 11664 1012 9649 128 875 12034 3040 2213 596 1396 4789 23698
4. 人才市场需求的技能要求分析
4.1技能要求基本分析
我们把电子商务就业技能需求分解成9个一级指标和31个二级指标的体系,对招聘信息中要求的技能进行文本分析,结果如表4.1所示。整体而言,超过70%的企业在招聘时都对人际交往、职业素养和专业资历提出了要求,特别注重求职者的语言表达能力(60.47%)、是否有良好的工作态度(49.11%)以及团队合作能力(40.59%)。具有擅于沟通表达、能够团结合作、有责任心和认真踏实的态度等素质的人最受用人单位青睐。
表4.1 电子商务就业技能基本分布表
技能维度
计算机基础知识
网站建设与维护
搜索引擎优化
办公自动化
网络销售
营销管理
人际交往
职业素养
专业资历
操作系统知识 计算机协议知识
平面设计工具 网页制作工具 编程语言 数据库运用 视频编辑 网站测试 网站架构 视觉感知
搜索引擎运用 网站排名 办公软件 文案编辑、撰写
网络销售平台 网络社交 销售技巧 电商模式 客户获取和保持
网站、专题及活动 数据分析 语言能力 管理能力 团队能力
学习能力 思维能力 心理素质 工作态度 执行能力
工作经验 英语水平
文本频数 5475 4180 1998 20608 4263 2262 14632 5169 162 367 2353 4531 1463 1011 730 11179 4342 7891 16536 3992 8936 1156 1809 3536 12048 9491 3817 47346 40467 13962 27163 52111 22052 14876 18389 32864 15668 52680 52127 2550
占总文本数比例
8.18% 6.25% 2.99% 30.79% 6.37% 3.38% 21.86% 7.72% 0.24% 0.55% 3.52% 6.77% 2.19% 1.51% 1.09% 16.70% 6.49% 11.79% 24.71% 5.96% 13.35% 1.73% 2.70% 5.28% 18.00% 14.18% 5.70% 70.74% 60.47% 20.86% 40.59% 77.86% 32.95% 22.23% 27.48% 49.11% 23.41% 78.71% 77.89% 3.81%
除了具备了以上最基本的技能,工作经验(78.71%)也是企业筛选求职者的条件之一。对大多数企业来说,工作经验不是必备条件,但是强调了有相关工作经验者会优先考虑。
此外,“网站建设与维护”和“网络销售”这两项专业技能需求量较大。这与电子商务的性质有关,电子商务本身就是利用互联网技术来实现商品交换和相关服务的活动,因此相应的技术类及运营类招聘岗位数量所占比重很大,从而对相应的技能要求比重也稍大。其中,企业在招网站建设与维护方面的人才时,更希望他们熟悉或掌握一两门编程语言,对网络销售方面的人才更倾向于招聘懂微信、微博、论坛等社交平台营销的人员。
进一步对电子商务就业技能进行分析,对具体的“关键词”这一维度进行文本频数统计,得到每个一级技能指标下文本频数排名前三的关键词,见表4.2。“计算机基础知识”维度下,Linux 、HTTP 、TCP/IP是要求最多的技能关键词,其中Linux 是企业希望求职者熟悉的操作系统之一,因为大多数电子商务平台是架设在Linux 之上的。“网站建设与维护”指标下,编程语言出现频率靠前,除了排名第一的Java 之外,还有CSS 、HTML 、SQL 、C 语言等,此外美工用的Photoshop 软件也是需要掌握的技能,与之相关的“美术”功底方面的要求也很多。熟悉主要搜索引擎尤其是Google 对搜索引擎优化很有帮助,掌握Office 软件是现代自动化办公的必备技能。网络销售方面,微信营销比微博营销需求更普及,淘宝仍然是开展电商的主要渠道。值得注意的是,营销管理和数据分析是将是未来热门岗位,相应的技能在电商运营中越来越受到重视。
表4.2 电子商务就业技能高频关键词统计表
技能维度 计算机基础知识 网站建设与维护 搜索引擎优化 办公自动化 网络销售 营销管理 人际交往 职业素养 专业资历
Linux Java 搜索引擎 文字 微信 推广 沟通 责任 经验
排名前三的技能关键词
HTTP Photoshop SEO office 淘宝 数据分析 团队合作 学习 英语
TCP/IP CSS Google 写作 微博 活动策划 协调 独立 英语四级
4.2岗位类别与一级技能指标相关分析
相关性表示两个事物之间的依存程度。岗位技能相关分析是分析岗位与招聘
信息文本中要求技能的相关程度,相关值越高,表示该技能与对应岗位相关联程度越高,说明该技能是该岗位特别需要的核心技能。
首先,从整体上对电子商务就业技能进行相关分析。不同性质的岗位侧重的技能要求存在差异(见表4.3):运营类的岗位倾向需要营销管理方面的技能(关联值为2.0);而技术类岗位对网站建设及维护、计算机基础知识方面的技能需求更为明显,技术类岗位不仅对程序语言有明显的偏好,还对操作系统知识有一定的要求;设计类岗位则对网站建设与维护技能有较高需求。此外,市场与销售类岗位对人际交往、网络销售的技能要求比较明显,产品类对专业资历、人际交往、营销管理、办公自动化等方面的技能比较侧重。
表4.3 岗位类别与一级技能指标相关分析表
岗位 类别 运营类
专业资历 16098 1 14428 1.1 10427 0.9 5109 0.9 4097 1 2521 1.1
职业素养 16117 1 12402 0.9 11114 1 5811 1 4321 1 2346 1
人际交往 15074 1 10091 0.8 11154 1.1 5319 1 3442 0.9 2266 1.1
网站建设与维护 2572 0.4 12531 2.4 573 0.1 150 0.1 4391 2.7 391 0.4
网络销售74501.4 15870.4 52581.5 569 0.3 11650.8 507 0.6
营销管理78272 622 0.2 20740.8 320 0.2 494 0.5 711 1.2
办公 自动化 6588 1.8 529 0.2 1420 0.6 1673 1.3 366 0.4 603 1.1
计算机 基础知识 215 0.1 5179 3.7 16 0 19 0 31 0 15 0
搜索引擎优化 792 1.6 428 1 174 0.5 14 0 37 0.2 18 0.2
技术类 市场与销售类 职能类
设计类
产品类
注:“16098,1”代表专业资历这一维度的技能在运营类岗位要求中出现的文本频数为16098,两者的相关值为1. 灰色区域块为相关值高的岗位技能对。
进一步对岗位类别与具体技能关键词进行相关分析,如表4.4所示。在技能关键词这一维度下,每一类岗位对技能需求体现得更加具体。同样对“网站建设与维护”这一维度的技能有较高需求的技术类和设计类岗位,前者更侧重编程语言的运用,例如Java 、PHP 、JavaScript 、CSS 、移动应用开发技术的需求;后者则对美术、创意、创新等设计领域的基本素质比较看重,需要掌握Photoshop 等专业图片处理软件的技能。运营类岗位,微博虽然没有微信出现的文本频数高,但它和运营岗的相关性比较高,可见微博仍然是主要的运营工具之一。市场与销售类工作更多是需与企业外部进行沟通交流,因此对“谈判”等语言能力比较强调,另外需要承受压力和挑战的能力。与之相对的是处理企业内部事务的职能类
岗位则需要细心、认真的职业素质,要能够熟练运用日常办公用的Office 系列软件,最重要的是要具备正直诚实等品质。产品类岗位涉及到网页产品、电商产品、数据产品等的设计及管理,更多招聘的是经理、制作人等高层人才,他们需要对产品进行整体把控,因此严密的逻辑思维能力来判断分析判断形势、设计产品业务流程;除了这项基本素质外,该类人才还需要与时俱进地掌握“数据分析”技能,用数据来支持业务决策。
表4.4 岗位类别与技能关键词相关分析表
岗位类别 运营类
微博 1604,2.4 Java
技术类
4086,3.7 HTML 2452,3.1
市场与 销售类 职能类
谈判 1827,2.8 正直 577,2.6 美术 2768,11.2 逻辑 1028,3.0
文字 4083,2.1 Linux 3624,3.6 Andriod 1697,2.9 挑战 2424,2.5 细心 727,2.6 Photoshop 2833,9.2 数据分析 510,2.8
淘宝 1890,2.1 PHP 2218,3.6 C 1587,2.8 认真 2108,2.2 创意 1593,5.6 创新 638,2.4
技能关键词
推广 5352,2.2 JavaScript 2107,3.5 office 580,2.1 淘宝 537,2.3
SQL 2426,3.4 创新 1081,2.3
CSS 3060,3.1 理解 1398,2.1
设计类
产品类
注:微博(1604,2.4)代表“微博”这一关键词在运营类的岗位要求中出现的文本频数为1604,“微博”与“运营类”岗位的相关程度为2.4。
进一步对具体岗位与技能关键词进行相关分析。表4.5统计了和具体岗位关联度比较大的技能关键词,Photoshop 是网页设计、开发岗以及视觉设计岗的专用工具之一,数据分析技能在数据挖掘、各种优化岗位中要求比较突出,而Linux 是运维工作需要的重要技能。
表4.5 具体岗位与技能关键词相关分析
具体岗位 开发
JavaScript 2069,4.2 文字 2219,5.3 美术 1314,9.6 美术
高关联度技能关键词 PHP 2073,4.1 写作 589,4.1 创意 1000,5.2 Photoshop
Java 3761,4.1
Photoshop 1302,7.6 创意
编辑
网页 视觉
1454,12.6
推广
微博 356,4.3 Linux 581,7.2 数据分析 384,6.4 数据分析 73,4.6
1531,10.6 SQL 188,4.2
953,5.8
运维
数据
优化
注:Javascript (2069,4.2)代表“Javascript ”关键技能在开发岗位要求中出现的文本频数为2069,“Javascript ”与“开发”岗位的相关程度为4.2。
进一步对月薪与具体技能关键词进行相关分析,挖掘企业紧缺的技能需求。通过分析结果(表4.6)可以发现,高新技能几乎都集中在专业技能维度下,尤其是编程语言这一指标下。拥有Hadoop 、SOA 、Hibernate 、Spring 等架构设计、开发经验的人才,月薪大多在2万元以上甚至更高,对这类技能的需求与现在云计算、大数据等技术的兴起有关,招聘对象一般为工程师且需要一定的经验,例如Hadoop 一般需要5-7年的工作经验(59,2.6),而具有成熟SOA 经验一般有8-9年的工作经验(11,5.0)。除了架构技术,具有丰富编程技术经验的人才也是社会急需的,例如后端开发语言Java 、PHP 、Python 、C++、移动开发技术Andriod 等;此外是数据库技术,除了比较常见的MySql , MongoDB 、redis 等新型数据库技能也是社会紧迫需求的。另外,R 、Python 等数据分析技术也在高薪行列,体现出大数据行业发展对人才的迫切需求。
表4.6 高薪岗位的技能要求
月薪范围
XML
10K-15K
520,2.0 Redis 144,3.1 Java 874,2.7 Spring
15K-20K
269,2.4 Struts 116,2.0 SOA 52,2.7
20K-25K
Java
Ajax 536,2.1 Servlet 146,2.1 Linux 714,2.5 HTTP 194,2.3 Redis 34,2.4 Memcache 12,2.6 Linux
J2EE 377,2.1 Memcache 42,3.1 PHP 408,2.3 Hibernate 148,2.0 Shell 98,2.2 rtmp 8,2.3 C++
技能关键词
HTTP 355,2.0 Andriod 350,2.0 Python 154,2.2 Objective-C 93,2.3 Spring
Struts 239,2.1 C++ 314,2.4 Socket 141,2.3 Hadoop 93,3.0 HTTP
Unix 102,2.1 Mysql 290,2.4 JSON 116,2.0 MongoDB 51,2.7 Python
210,2.5 Redis 33,2.8 Memcache 13,3.4
25K-50K
Hadoop 32,4.3
162,2.1 Hadoop 21,2.1 策略制定 8,2.7 SOA 25,5.6
96,2.8 SOA 19,3.3
71,2.3 R 13,2.3
50,2.0 Mybatis 15,2.9
50,2.6 Ruby 12,2.3
由于电子商务相关的岗位需求大多集中在技术类维度下的开发岗,高频以及高相关性的具体技能关键词也大多集中在相应的编程语言技术上,因此提取与编程语言相关的岗位名称关键词(主要是Java 、PHP 、C 、IOS 、Andriod 、.NET 、App 等程序员岗位名),将之与“编程语言”技能做相关分析,选择关联值在10.0以上的联系得到结果如图4.1所示(深色方块代表岗位,浅色方块代表程序语言技能,线条越红越深代表关联度越高)。
其中,Java 程序岗文本频数最大(2867),与之相关的语言技能也较多。通过该图,主要可以解读到关于编程语言的一般知识体系。如图4.1,主要包含了7大编程语言簇集,整理后如表4.7所示。
具体来说,簇1是与Java 岗位紧密联系的语言和框架,J2EE 是企业级的Java 平台, JSP 是Java 在web 上面应用的分支,Servlet 则是Java 编写的服务器端程序,用于交互式地浏览和修改数据,struts 是受欢迎Java 的开发框架。
图4.1 程序岗与编程语言关联图
表4.7 编程语言簇集
簇ID 1 2 3 4 5 6 7
元素
Java 、J2EE 、JSP 、Servlet 、Struts
Ajax 、XHTML 、HTML 、CSS 、JavaScript 、Jquery 、Js 、Zepto 、Bootstrap
Objective-C 、C 、C++、ios 、Visual C++
C#、ASP 、.NET
Groovy 、Scala 、Python 、Erlang 、Ruby 、Shell 、Perl
R 、VBA 、SPSS 、Matlab sed 、awk 、bash 、Memcache
簇2主要包含的是前端开发的语言,例如常用的网页制作技术Ajax 、XHTML 、HTML 、CSS 、JavaScript 、Jquery 、Js 等,Zepto 、Bootstrap 则是借鉴Jquery 思想发展起来的后起之秀,前者主要用于移动端的开发,后者则是是Twitter 推出的一个用于前端开发的开源工具包。簇3主要是C/C++语言家族的集合,其中Objective-C 及ios 和移动开发有关。簇4则是基于C 语言体系上Web 开发技术。簇5主要包含一些面向对象编程语言例如Groovy 、Scala 、Python 、Ruby 等,还有面向并发的Erlang 语言、定义了各种变量和参数的shell 语言、实用报表提取语言Perl ;相对簇内的其他语言来说,Python 和Ruby 更易编写和维护,可以用较少的代码实现同样的效果,而且也更主流一些。簇6包含了R 、VBA 、SPSS 、Matlab 等主流的统计分析技术,常用在数据分析领域。簇7主要是在Linux/Unix上使用的 shell 语言,例如sed 、awk 、bash 等,而Memcache 是一个高性能的分布式的内存对象缓存系统,已经可以支持C/C++、Perl 、PHP 、Python 、Ruby 、Java 、C#、MySQL 和Protocol 等语言客户端。
上述分析,让我们深入了解每种岗位对具体技能需求,高校电子商务专业在课程体系建设时可以综合参考应用广度(文本频数)和相关程度(关联度)来制定符合市场需求的课程体系。对求职者来说,更清楚地明确在申请某个岗位时自己技能的优势和不足,帮助自己制定正确的职业规划。?
范文二:电子商务网站数据分析
电子商务网站数据分析
一、网站分析 &电子商城的业务运营的问题
对于电子商务来说,网站分析表现为研究客户对于在线商品进行的浏览行 为特征, 以及购买的行为特征。 其中关于电子商务的客户购物行为的多样化特征 可以参考下图 :
为了反映电子商城实际运营的中问题 , 网站分析应该主要体现为如下的几个 方面:
市场部门需要知道不同的广告活动带来的客户的实际效果 (浏览 &购 买 ) ——需要具体到不同的市场活动的推广渠道,新老客户,以及地域分布 ; 产品部门需要知道在架商品的“绩效”表现 (浏览 &购买 ) ——需要具体到 在架商品的类别,品牌,以及款式等等 ;
销售部门需要知道销售订单的来源组成——直接登录的客户购买的订单 , 广 告渠道生成的销售订单 , 以及搜索引擎生成的销售订单等等 ;
二、电子商城业务运营问题的解决方法和手段
针对网站分析已经得到的相关结论 , 电子商务的实际问题的解决可以通过 以下三种方式进行解决 :
纯人工的方式——通过手动的调整电子商城的相关的功能和页面 ;
营销规则 (引擎 ) 的方式——通过网站分析得到的相关业务问题, 人工的制定业务 相应的营销规则通过商务智能的方式形式来实现 (如下图 )
推荐引擎的方式——通过数据挖掘和机器学习的方式,计算得到每一个客户的 购物偏好,进而推荐其喜好的商品和促销活动 ;
备注:关于规则引擎和推荐引擎的区别如下:
规则引擎是针对的是电子商城的某一个或者多个客户群 ; 推荐引擎则是精 准到单个用户的偏好
规则引擎是需要电子商城的实际业务的运用人员进行相关的调整和设置 ; 推 荐引擎虽然能够根据实际的业务进行相关的人工干预, 但是其实现是系统自动化 的。
三、规则引擎 &推荐引擎
针对营销规则 (引擎 ) 的实际运用的分析
对于登陆页面的管理 (或者说,高跳出页面 ) ——通过网站分析得到不同的 广告来源的效果不一样 (来源,新老客户,地域等等 ) ,可以通过规则引擎控制不 同的广告来源, 以及新老客户等参数显示不同的促销活动, 这样可以大大的提高 市场活动的转化率。
对于站外搜索 (SEO&SEM)流量来源的优化——由于目前搜索引擎是电子 商城网站的重要并且稳定的流量来源,可以通过网站分析得到重点的关键词 (SEM&SEO)的流量转化中的具体问题,例如搜索引擎的类型,来源,关键词等 等设定相应的营销规则,实现搜索引擎流量细分的个性化着陆页。
对于电子商城网站在线商品的营销规则设定, 可以将电子商城在线商品按照 价格,或者品牌等进行分类,当客户对于某一类商品感兴趣 (浏览 &购买 ) 可以根 据相应的营销规则有针对性推荐业务主打的商品和市场活动。
对于电子商城访问最高的页面, 通过网站分析得到网站内部访问最高的页面 的相应问题, 例如新客户的退出率很高, 可以通过执行相应的营销规则在相应的 页面呈现代金券等网站优惠的促销工具
最后,还有可以根据电子商城客户的实际购物路径和特征,制定相应的业 务规则——例如删除购物的动作,或者访问的页面深度和长度超过既定的区间, 则进行相关的规则营销。
四、针对推荐引擎的实际运用的分析
电子商城的推荐引擎就是提供“一对一”的客户体验, 让顾客在最少的时间 里选择并购买尽可能多的产品。 特别是针对电子商城的在线商品的品牌和类别很 多,并且客户的数量的偏好的差异性很大的情况下,推荐引擎的效果则会更好。 其中推荐引擎的基本实现方式如下:
个性化品牌和品类的推荐——展现在电子商城首页和相应的列表页面,主要目 的在于对于网站的整体流量的导航作用
个性化的商品推荐——展现在电子商城的列表页和商品明细页面,以及购 物车页面等等, 主要目是通过在每一个客户购物的过程中推荐其偏好的商品, 从 而达到 Cross-Sell , Up-Sell , andNext-Sell 。
关于 99click:
99click 是中国领先的互联网营销分析服务商,致力于为客户提供全面的互 联网营销监测以及电子商务网站运营分析服务。
公司成立于 2004年,是国内市场上成立时间最早、技术最为成熟、服务最 为全面的互联网分析服务提供商。 99click 充分认识到中国互联网的快速发展, 必然推动互联网营销市场的发展, 99click 希望努力促进互联网营销行业的健康 发展。 99click 以准确有效的营销效果分析数据指导企业的营销推广,对企业的 互联网营销效果进行全面的数据分析, 从前端的广告投放效果、 终端的网上用户 行为路径分析, 帮助企业及时调整广告投放策略, 改进网站运营结构, 提高销售 额。
99click 采用最先进的 SaaS 模式, 凭借先进的技术优势, 数据的准确稳定, 积极的本土化思考, 赢得了客户的青睐。已与超过 1000家知名企业建立起紧密 的长期合作关系。 在电子商务、互联网服务、汽车、房产、快速消费品、金融 服务、消费电子、家用电器、化妆品、教育服务、通信服务、饮料食品、品牌服 装等多个行业积累了丰富的服务经验。
更多精彩内容请关注 99click 商助科技官方微博 和官方微信(微信公众号: cn99click )
范文三:电子商务数据分析
用数字来看某知名B2C网站的发展内幕和隐私(作者:perplexing)
B2C行业人士强烈建议你看~物有所值
数字是个很有趣的东西,很有说服力,而且也可以更加深入地掌握不同变量之间的逻辑关系。举个例子,我们喜欢说留住老用户,发展新用户,那么老用户和新用户的定义应该是什么呢,直观上说,老用户就是曾经在我这里买过东西的呗,其实这样的定义太简单了,假如今天是2008年4月24号,我们看看如下哪个顾客属于老用户,
1,2002年注册,2002年~2003年曾经购买过27次,但是2004年之后就再也没有来过了; 2,2002年注册,直到2005年才买过一次东西,但是从此人间蒸发了;
3,2008年4月22号注册,4月23号(昨天)买过东西,不知道他以后还来不来; 4,2007年1月注册,2007年1月~2008年4月间,平均每3个月就来买一次。
其实上面的都可以俗称为老用户,但是他的注册时间,购买次数,购买金额,购买频率,最后一次购买时间等数值,对我们都有重要的参考和分析意义,只有细致分析,才能精准营销。
我们来用数字分析一家比较知名的B2C网站的发展历程,名字就不直接说了,我们就用A公司来代替。只是从这些分析中,我觉得可以看出很多隐形的(hidden)有趣现象来。这不属于泄露公司业务,名字和产品都没有写。事实上,我还掌握了好几家的内部数据。我只是想,能够拿出来和大家一起商酌,无伤大雅,可以一起探讨学习。现在,我们从2002年1月1号开始分析,action~~
1,A公司的注册会员发展轨迹
某电子商务公司2002-2007注册用户发展变化
年度 年度注册 每日注册 注册占比 累计占比
2002 7792 21 2.22% 2.22%
2003 27835 76 7.92% 10.14%
2004 39738 109 11.31% 21.45%
2005 72332 198 20.59% 42.04%
2006 98316 269 27.99% 70.03%
2007 105299 288 29.97% 100.00%
总计 351311 / 100.00% /
截止2007年12月31号,A公司累计注册用户35万。淘宝网截止2008年Q1有6200万注册用户,也就
意味着A公司的注册用户只是淘宝的0.56%而已。每天的注册人数从2002年的21个(天)到目前大概300个(天),可以说,A公司的注册用户一直在稳步增长。
中国互联网网民的规模,足以支撑所有的统计规律的圆满实现。我在baidu的index里输入某个关键字的查询次数,比如我输入“电子商务”,发现每天在baidu查询“电子商务”的人数一直稳定在300~500的范围内飘飘荡荡的。昨天查询的人和今天查询的人是不一样的,而且也互相不认识,但是庞大的baidu用户群体造就了美丽平滑的统计大数定律。所以,如果有人问我,今天大概多少网民过生日,我告诉他,大概27万左右,因为网民总1亿,365天每天都有人可能过生日,所以这个27万的正确率绝对80%以上。
2,A公司的年度交易量发展变化图
年度 每日交易额(万) 年度交易额(亿) 每日订单量 平均每单金额(元)
2002 3.13 0.114 54 583
2003 7.31 0.267 118 620
2004 11.02 0.402 172 640
2005 15.66 0.572 240 652
2006 31.34 1.144 462 679
2007 41.83 1.527 614 681
总计 / 4.026 / /
恩,不错,2002年每天只有3.13万的交易量,到了2007年,每天有41.83万了。年度交易额来看,2006年就冲过1亿的关口了。每个订单的金额大概就是650元左右。每天的订单量目前维持在600多一点的规模。除掉每天8小时的睡觉时间,其他时间顾客都可以下单的话,大概1~2分钟就来一个600多元的订单。
3,注册用户的购买情况
如上的2个表格没有意思,这个表格却可以说明很多问题:
购买次数 人数 百分比 人均贡献(元) 总计贡献金额(亿) 累计贡献
0次 185773 52.88% 0 0.000 0.00%
1次 71859 20.45% 548.49 0.394 100.00%
2次 28060 7.99% 1094.03 0.307 90.21%
3次 15496 4.41% 1584.46 0.246 82.58%
4次 10304 2.93% 1990.09 0.205 76.48%
5次 7425 2.11% 2551.32 0.189 71.39%
6次 5273 1.50% 3235.61 0.171 66.69%
7次 4520 1.29% 3655.12 0.165 62.45%
8次 3255 0.93% 4318.95 0.141 58.34%
9次 2717 0.77% 4597.85 0.125 54.85%
10次 2152 0.61% 5182.04 0.112 51.75% 10次以上 14474 4.12% 13622.08 1.972 48.98%
总计 351311 100% / 4.026 /
1)
所有的注册用户中,52.88%的注册用户到目前为之还没有产生过购买;所以注册到购买转化率大概47%; 2)
产生了3次或以上购买的顾客占总体注册用户的18.68%,但是他们产生的总体购买金额却占了A公司有史以来总体交易金额的82.58%,看来2:8定律真的是无处不在~
所以,根据这个结果,我们可以把购买了3次或者以上的顾客定义为公司的核心用户,他们是确保公司基石的重量级客户。
3)
购买10次或以上的有14474人,占注册用户4.12%,但是这小小的4.12%的用户为公司贡献了48.98%的交易额~而且人均贡献1.36万~当然不排除企业客户,但是我们发现,购买频率越高,对公司越是至关重要~
我们这里做个假设:如果不考虑重复购买,所有的顾客只要购物,都只买1次,那么会发生什么情况, 结果是:A公司的交易额将变成目前总体交易额的25%而已~公司总体交易额将缩减75%~可见: 1)
对于一个购物网站来说,忠诚度的培养和顾客的重复购买,是多么关键。
2)
长期进行老用户的优惠措施(积分优惠、折扣优惠等)是公司发展的根本~
4,有过购买的用户,都是注册之后多久会购买,
如下是以有购买记录的顾客为研究对象的,从没购物的不考虑其中。
注册到首次购买的时间 人数 占比
注册后1个月以内购买的 135377 81.78%
注册后2个月以内购买的 140177 84.68%
注册后3个月以内购买的 142892 86.32%
注册后4个月以内购买的 145177 87.70%
注册后5个月以内购买的 147097 88.86%
注册后6个月以内购买的 148752 89.86%
注册后7个月以内购买的 150408 90.86%
注册后8个月以内购买的 151351 91.43%
注册后9个月以内购买的 152262 91.98%
注册后10个月以内购买的 153139 92.51%
这个图表说明了几个很重要的规律:
1)
顾客注册之后如果要购物,那么81.78%的顾客都会在注册后的1个月之内下单; 2)
如果顾客注册之后的1个月之内没有购买,那么他81.78%的可能性永远不会来买了; 3)
如果顾客注册之后的半年之内么有购买,那么他90.86%的可能性永远不会来买了; 4) 如果顾客注册之后1年以内还没有购买,我们就不用追讨了,他很有可能就蒸发了; 4)
所以,要顾客转化,有必要在顾客注册之后的1个月之内通过各种方式引诱他购物;
技巧:顾客注册之后,通过Email和短信通知其购买,甜美MM电话告知,甚至不惜给予丰厚的优惠让顾客来购买。根据统计分析,顾客注册之后产生第一次购买的概率是47%左右,但是一旦产生了第一次购物,那么他购买第二次的概率是60%以上;所以,让顾客产生第一笔交易永远是值得投入的,一旦变成你的老用户,那么他的价值是很大的。
5,顾客的购物频率是怎么样的,
如下的顾客全部是购买了2次或者以上的顾客,因为只购买了1次的顾客,讨论购物频率是没意义的。
购买频率 人数 百分比 累计百分比
0-1个月来买1次 17977 19.19% 19.19%
1-2个月来买1次 18183 19.41% 38.60%
2-3个月来买1次 15476 16.52% 55.12%
3-4个月来买1次 10988 11.73% 66.85%
4-5个月来买1次 8000 8.54% 75.39%
5-6个月来买1次 5658 6.04% 81.43%
6-7个月来买1次 4244 4.53% 85.96%
7-8个月来买1次 3035 3.24% 89.20%
8-9个月来买1次 2145 2.29% 91.49%
9-10个月来买1次 1705 1.82% 93.31%
10个月以上购买1次 6267 6.69% 100.00%
总计 93678 100% /
这个表格也有意思:
1)81.96%的顾客都会在半年之内来购买1次,所以,对我们公司来说:
2个月给没有继续购物的顾客发送优惠的产品信息,必要性:38.60%;
3个月给没有继续购物的顾客发送优惠的产品信息,必要性:55.12%;
6个月给没有继续购物的顾客发送优惠的产品信息,必要性:81.43%;
6)
新老用户交替的科学计算矩阵图
如下这个图是有意义的,是动态跟踪顾客购买记录的矩阵。这个图有点绕口,它观察的是:顾客最后一次下单的情况。
比如,我们拿2002年来说明:2002年注册的那帮家伙,最后一次下单都是什么时候呢,如下的百分比说明:
1)2002年注册的人如果购买了,21.49%的人最后一次购买是在2002年;
2)2002年注册的人如果购买了,8.16%的人最后一次购买是在2003年;
3)......
4)2002年注册的人如果购买了,38.16%的人最后一次购买是在2007年~
这个表格说明:
不管顾客是哪一年注册的,平均来说40%的顾客还是会在目前保持活跃度的,顾客的生命期比我们想象的要长;也就是说:2002年注册的那帮家伙如果产生了购物,他们40%左右现在还在活跃着~2003年注册的那帮家伙如果产生了购物,他们40%左右现在还在活跃着~
2002年 2003年 2004年 2005年 2006年 2007年 总计
2002年注册 21.49% 8.16% 6.44% 8.85% 16.90% 38.16% 100.00% 2003年注册 28.08% 8.47% 9.63% 14.88% 38.94% 100.01% 2004年注册 27.04% 10.90% 17.99% 44.08% 100.00% 2005年注册 35.00% 21.59% 43.41% 100.00% 2006年注册 55.27% 44.73% 100.00% 2007年注册 100.00%
范文四:电子商务数据分析
用数字来看 B2C 网站的发展 、
数字是个很有趣的东西,很有说服力,而且也可以更加深入地掌握不同变量之间的逻辑关系。举个例子, 我们喜欢说留住老用户,发展新用户,那么老用户和新用户的定义应该是什么呢?直观上说,老用户就是 曾经在我这里买过东西的呗,其实这样的定义太简单了,假如今天是 2008年 4月 24号,我们看看如下哪 个顾客属于老用户?
1, 2002年注册, 2002年 ~2003年曾经购买过 27次,但是 2004年之后就再也没有来过了;
2, 2002年注册,直到 2005年才买过一次东西,但是从此人间蒸发了;
3, 2008年 4月 22号注册, 4月 23号(昨天)买过东西,不知道他以后还来不来;
4, 2007年 1月注册, 2007年 1月 ~2008年 4月间,平均每 3个月就来买一次。
其实上面的都可以俗称为老用户,但是他的 注册时间,购买次数,购买金额,购买频率 ,最后一次购买时 间等数值,对我们都有重要的参考和分析意义,只有细致分析,才能精准营销。
我们来用数字分析一家比较知名的 B2C 网站的发展历程,名字就不直接说了,我们就用 A 公司来代替。只 是从这些分析中,我觉得可以看出很多隐形的(hidden )有趣现象来。这不属于泄露公司业务,名字和产 品都没有写。事实上,我还掌握了好几家的内部数据。我只是想,能够拿出来和大家一起商酌,无伤大雅, 可以一起探讨学习。现在,我们从 2002年 1月 1号开始分析, action ! ~
1, A 公司的注册会员发展轨迹
截止 2007年 12月 31号, A 公司累计注册用户 35万。淘宝网截止 2008年 Q1有 6200万注册用户,也就 意味着 A 公司的注册用户只是淘宝的 0.56%而已。每天的注册人数从 2002年的 21个(天)到目前大概 300个(天),可以说, A 公司的注册用户一直在稳步增长。
中国互联网网民的规模,足以支撑所有的统计规律的圆满实现。我在 baidu 的 index 里输入某个关键字的 查询次数,比如我输入 “ 电子商务 ” ,发现每天在 baidu 查询 “ 电子商务 ” 的人数一直稳定在 300~500的范围 内飘飘荡荡的。昨天查询的人和今天查询的人是不一样的,而且也互相不认识,但是庞大的 baidu 用户群 体造就了美丽平滑的统计大数定律。所以,如果有人问我,今天大概多少网民过生日?我告诉他,大概 27
万左右,因为网民总 1亿, 365天每天都有人可能过生日,所以这个 27万的正确率绝对 80%以上。 2, A 公司的年度交易量发展变化图
恩,不错, 2002年每天只有 3.13万的交易量,到了 2007年,每天有 41.83万了。年度交易额来看, 2006年就冲过 1亿的关口了。每个订单的金额大概就是 650元左右。每天的订单量目前维持在 600多一点的规 模。 除掉每天 8小时的睡觉时间, 其他时间顾客都可以下单的话, 大概 1~2分钟就来一个 600多元的订单。
3,注册用户的购买情况
如上的 2个表格没有意思,这个表格却可以说明很多问题:
1)
所有的注册用户中, 52.88%的注册用户到目前为之还没有产生过购买 ; 所以注册到购买转化率大概 47%; 2)
产生了 3次或以上 购买的顾客占总体注册用户的 18.68%,但是他们产生的总体购买金额却占了 A 公司有 史以来总体交易金额的 82.58%,看来 2:8定律真的是无处不在!
所以,根据这个结果,我们可以把购买了 3次或者以上的顾客定义为公司的核心用户,他们是确保公司基 石的重量级客户。
3)
购买 10次或以上的有 14474人,占注册用户 4.12%,但是这小小的 4.12%的用户为公司贡献了 48.98%的交易额!而且人均贡献 1.36万!当然不排除企业客户,但是我们发现,购买频率越高,对公司越是至关 重要!
我们这里做个假设:如果不考虑重复购买,所有的顾客只要购物,都只买 1次,那么会发生什么情况? 结果是:A 公司的交易额将变成目前总体交易额的 25%而已!公司总体交易额将缩减 75%!可见:
1)
对于一个购物网站来说,忠诚度的培养和顾客的重复购买,是多么关键。
2)
长期进行老用户的优惠措施(积分优惠、折扣优惠等)是公司发展的根本!
4,有过购买的用户,都是注册之后多久会购买?
如下是以有购买记录的顾客为研究对象的,从没购物的不考虑其中。
这个图表说明了几个很重要的规律:
1)
顾客注册之后如果要购物,那么 81.78%的顾客都会在注册后的 1个月之内下单;
2)
如果顾客注册之后的 1个月之内没有购买,那么他 81.78%的可能性永远不会来买了;
3)
如果顾客注册之后的半年之内么有购买,那么他 90.86%的可能性永远不会来买了;
4) 如果顾客注册之后 1年以内还没有购买,我们就不用追讨了,他很有可能就蒸发了;
4)
所以,要顾客转化,有必要在顾客注册之后的 1个月之内通过各种方式引诱他购物;
技巧:顾客注册之后,通过 Email 和短信通知其购买,甜美 MM 电话告知,甚至不惜给予丰厚的优惠让顾 客来购买。 根据统计分析, 顾客注册之后产生第一次购买的概率是 47%左右, 但是一旦产生了第一次购物, 那么他购买第二次的概率是 60%以上;所以,让顾客产生第一笔交易永远是值得投入的,一旦变成你的老 用户,那么他的价值是很大的。
5,顾客的购物频率是怎么样的?
如下的顾客全部是购买了 2次或者以上的顾客,因为只购买了 1次的顾客,讨论购物频率是没意义的。
这个表格也有意思:
1) 81.96%的顾客都会在半年之内来购买 1次,所以,对我们公司来说:
2个月给没有继续购物的顾客发送优惠的产品信息,必要性:38.60%;
3个月给没有继续购物的顾客发送优惠的产品信息,必要性:55.12%;
6个月给没有继续购物的顾客发送优惠的产品信息,必要性:81.43%;
6)
新老用户交替的科学计算矩阵图
如下这个图是有意义的,是动态跟踪顾客购买记录的矩阵。这个图有点绕口,它观察的是:顾客最后一次 下单的情况。
比如,我们拿 2002年来说明:2002年注册的那帮家伙,最后一次下单都是什么时候呢?如下的百分比说 明:
1) 2002年注册的人如果购买了, 21.49%的人最后一次购买是在 2002年;
2) 2002年注册的人如果购买了, 8.16%的人最后一次购买是在 2003年;
3) ......
4) 2002年注册的人如果购买了, 38.16%的人最后一次购买是在 2007年!
这个表格说明:
不管顾客是哪一年注册的,平均来说 40%的顾客还是会在目前保持活跃度的,顾客的生命期比我们想象的 要长;也就是说:2002年注册的那帮家伙如果产生了购物,他们 40%左右现在还在活跃着! 2003年注册 的那帮家伙如果产生了购物,他们 40%左右现在还在活跃着!
范文五:电子商务数据分析三年工作总结:无细分,毋宁死 | 36大数据
08年毕业,不知不觉的混进了电子商务行业,又不知不觉的做了三年数据分析,恰好又赶上了互联网电子商务行业发展最快的几年,也算是不错吧,毕竟感觉前途还是很光明的。三年来,可以说跟很多同事学到了不少东西,需要感谢的人很多,他们无私的教给了我很多东西。
就数据分析职业来说,个人感觉这对互联网公司来说是非常重要的,也是确实能够带来实际效果的东西。比如说利用数据分析做会员的细分以进行精准化营销;利用数据分析来发现现有的不足,以作改进,让顾客有更好的购物体验;利用CRM系统来管理会员的生命周期,提高会员的忠诚度,避免会员流失;利用会员的购买数据,挖掘会员的潜在需求,提供销售,扩大影响力等等。
最开始进公司的时候是在运营部,主要是负责运营报表的数据,当时的系统还很差,提取数据很困难,做报表也很难,都是东拼西凑一些数据,然后做成PPT,记得当时主要的数据就是销售额、订单量、毛利额、客单价、每单价、库存等一些特别基础的数据,然后用这些数据作出一些图表来。在这个阶段基本上就是做一些数据的提取工作,Excel的技巧倒是学到了不少,算是数据分析入门了吧。
后来公司上了数据仓库,里面就有了大量的原始数据,提取数据非常方便了,而且维度也多,可以按照自己的想法随意的组合分析,那个阶段主要就是针对会员购物行为的分析,开始接触数据建模,算法等一些比较难的东西,也是学到东西最多的时候。记得当时做了很多分析报告,每周还要给总裁办汇报这些报告,下面详细说一下当时使用的一些主要的模型及算法:
1、 RFM模型
模型定义:在众多的客户关系管理的分析模式中,RFM模型是被广泛提到的。RFM模型是衡量客户价值和客户创利能力的重要工具和手段。该机械模型通过一个客户的近期购买行为、购买的总体频率以及花了多少钱三项指标来描述该客户的价值状况。在RFM模式中,R(Recency)表示客户最近一次购买的时间有多远,F(Frequency)表示客户在最近一段时间内购买的次数,M (Monetary)表示客户在最近一段时间内购买的金额。一般的分析型CRM着重在对于客户贡献度的分析,RFM则强调以客户的行为来区分客户。利用RFM分析,我们可以做以下几件事情:
⑴ 建立会员金字塔,区分各个级别的会员,如高级会员、中级会员、低级会员,然后针对不同级别的会员施行不同的营销策略,制定不同的营销活动。
⑵ 发现流失及休眠会员,通过对流失及休眠会员的及时发现,采取营销活动,激活这些会员。
⑶ 在短信、EDM促销中,可以利用模型,选取最优会员。
⑷ 维系老客户,提高会员的忠诚度。
使用方法:可以给三个变量不同的权重或按一定的规则进行分组,然后组合使用,即可分出很多不同级别的会员。
2、 关联分析
关联分析最原始的案例来自于沃尔玛的“啤酒与尿布”。通俗意义上讲,就是只买了A商品的人,又有很多人买了B商品,那么我们就可以认为A、B两个商品的关联性比较高。很多数据挖掘工具都有关联挖掘,主要使用的算法是Apriori算法,在计算的过程中会主要考察项集、置信度、相关性这三个结果数据,以最终确定商品之间的相关性。除了Apriori算法外,还有许多其他的关联分析的算法,基本上也都是从Apriori发展而来,比如FPgrowth。本人从几年的数据分析经验感觉,关联分析在零售业中并不太实用,挖掘出来的关联度比较高的商品一般都是同类商品或者同品牌的商品,像“啤酒与尿布”这种,很少能够有。
使用方法:组套销售或者相关陈列等。
3、 聚类分析
零售行业的聚类分析主要是指将具有相似购物行为的顾客进行群体的细分,以支持精细化的营销活动,带来更大的营销效果,节省成本。Spss里面的聚类分析主要有两种K-means聚类和系统聚类。也可以在数据仓库中根据顾客购买的商品属性进行会员的聚类分析,这里就不需要算法的支持,只需要根据系统的已经有的商品分类,把购买过相同商品类别的顾客划分到一起。这种方法可能与公司的业务更加贴近。聚类分析是进行会员精细化管理,精细化营销的基础,做好聚类分析,对企业将有很大的益处。
使用方法:对顾客细分,精准化营销。
4、“之”字分析法
该种方法主要是有一种很明确的会员群体,然后通过分析这些会员群体的购买行为,提取这些购物行为的相似点,然后再通过这些相似点返回到整个数据里面,从中抽取更大的会员群体,以制定精准的营销。
再后来,公司又上了SAP,又去BW组去做报表开发,做报表开发这一块能够接触到更多的业务方面的知识,虽然做数据挖掘比较少了,但是数据最终是要指导业务的,所以这对我的成长也算是非常有利的。业务方面主要了解到了几大块:
1、库存管理-库存管理这块主要有正品库存的管理,滞销库存,高库存商品等各种不同类型的库存该怎么定义以及该如何去管理。比如去管理供应商的库存的时候会根据正品库存及滞销库存和库存正常的周转天数来计算该供应商的库存是否在合理的水平,是否该进货还是要减少库存。
2、促销管理-促销管理是以提高销售额为目的,吸引、刺激消费者消费的一系列计划、组织、领导、控制和协调管理的工作。数据方面来说主要是针对不同的促销方式来计算不同的方式收益情况,不同的促销方式可以带来不同的效果,因此在使用促销的时候要审慎的选择,以达到理想的效果。
另外,还有财务报表、采购流程等很多方面的东西,这些接触的比较少就不写啦。
在BW项目组的时候,也经常会帮网站做一些分析工作,自己也自学了两本关于网站数据分析方面的书,感觉学到了一些皮毛,下面说一下吧:
1、 网站流量分析
网站流量的比较重要的KPI指标有浏览量、访问量、独立访客数、跳失率、转化率、页面停留时间、访问页面数、流量来源、流量来源ROI等等。通过这些数据可以全面的反映网站的整体情况。其中跳失率可以用来衡量页面的质量,流量来源及转化率可以衡量市场及营销的工作情况。进行网站数据分析的时候,需要牢牢的把握转化率这一指标,然后由这一指标的变化来寻找其他相关数据的变化,最终找出原因,做相对应的策略,改进我们的工作。
2、 网站分析细分
数据分析行业有句话-无细分,毋宁死,足矣看出细分对数据分析意义。对于网站的数据分析尤其是如此。网站的流量数据量非常大,从整体上看根本都看不出那里会出现问题,所以必须要细分。比如说营销人员需要看的转化率,必须就要细分到每个渠道里面,然后再看到这些渠道来的会员的点击情况,他们都看过那些网页,对什么感兴趣,跳失率是多少,浏览时间多长,最终转化的是多少等等,这样才能看出问题。
3、 网站的短信促销及EDM
在这个电子商务普遍烧钱的时代,花出去的钱到底能有多少能够带来实际的收益呢?在抢占市场的同时,怎么才能做到ROI最大化这个问题急需要解决。公司每天几乎都要发几万条甚至几十万条的促销的短信,短信的反馈率基本上都在2%一下,怎么才能提高转化率,这就需要更精准的用户定位,把钱花到最有可能带来收益的地方。因此网站的短息促销及EDM促销,必须要依据会员的精细化细分,不但要满足客户的需求,更要挖掘出他们的需求。
写到这里基本上写的差不多,通过总结才发觉自己原来很是知道的很少,还有很多需要学习的地方,比如说数学建模方面的知识不够,统计学软件使用不够好,业务了解的不够深入,对整个电子商务行业的发展把握不清晰,这些都是需要以后加强的地方。最近在一个数据分析师的前辈的博客上看到他对数据分析师的要求只有一点,就是要热爱数据。感觉自己还不够,平时工作的时候还不够投入,总觉得是在为公司工作,不是在为自己的兴趣工作,其实一个人每天做的事,一定要都当做是为自己做才行,就算真的不是为自己做,也要从中学到一些东西来变成自己的东西,为自己服务。
by:贾鹏
End.
您可能也喜欢:
转载请注明:36大数据 ?电子商务数据分析三年工作总结:无细分,毋宁死
转载请注明出处范文大全网 » 电子商务岗位招聘大数据分析报