数据指标是么？——是一个切入数据的角。有了数据指标的存在，才知道需要采集么数据、需要持续监测么数据、么角来和历史表现做对。
数据指标的类型各种各样，有指标是被泛使用的， DAU、新注册用户数、PV 等；还有指标，是带有强烈的业务特征的，例直播平台能关注新增主播数量，酒店预订业务更能关注房间预订量，等等。
那在电商场中，应该看哪数据指标？下文中，笔者依据工中的数据分析经验，为你梳看电商数据的基本逻辑和视角，并详细解读 10 条电商场景里见的数据指标。
1. 从事的发顺序角度看：流→行→交易
电商中看数据，首先需从事的发逻辑去理解它。从事发的先后顺序，先得用户过（流），然后这浏览挑选加购（行），后付款（交易）。也就：流→行→交易，这三的骤顺序，构了一完整的电商交易事件。
2. 从排查问题的角度看：交易→流→行
面对真实业务场景，怎么去看数据效率？
就如同你看一棵树长得怎么样，会把它的有叶子都扒过来看一遍，而是先从整体长势看它是否大繁茂。同，推荐的分析角是：从宏观到微观，就是交易→流量→行为。
先看最终的结果，也就是易数据。看有没有明显的涨跌，给个周期 / 次运营件的成败定个。
如果交易数据有显涨跌的，再进一步判断是否是因为流量数据的涨跌而造成的。因为流量数据是决定了最终交易规模高低的最重要响因素之一。无论你的运营策略多妙、商品优惠多高，如果完全没流量进来访问，也就不会有成交的爆发。
最后，如流量涨跌没有呈现显著高低，可以从为去拆解，看关键为数据是否有值关注异常。例如，若是研究电商下单黄流程是否存在问题，可以拆解为看搜索、商详、加、订单这几个关键路径流量漏斗，是否存在某个节跳出特高情况；若是 618 主会场，可以把页订单出拆解为楼层订单量、要楼层订单量，看主楼层订单量是否到预期。
以骤，可以帮我们速建立对于看电商数据的基本视角；但一的分析，就需对指标行深的挖掘了。
1. 交易：终极目标
GMV 和订量（GMV：订金额）
在析之前需要识，这个指标是一个结果的描述。它可以用以判断交易结果的成败，但同也存在局限性：它只是最表层、最宏观的数值，有非常多的变量可以响和决定它，因此，它只能说结果（好或坏），但无法直给出造成结果的因（为什好或坏）。
此，我们需要警惕把这些宏观指标与某个原链接，接出判断结论。例如，我们不能看到 GMV 涨了，接下判断说，这代表我们运策略成功了——这个结和原缺乏更多论证，需要进步溯。如何避免这脑袋判断呢？从公上去导是比较客观做法，如下图是数懒里个分析功能，可以看出：为 UV 大幅下降，虽然转化率有较大提升，仍导致订单量大幅下降，所以最终导致引入订单额降了。
△ GMV 公分析，图表来自数懒分析平台
转化率（转化率 = 引入订单量 / 流量）
它描述是流量转化效率特征，首先受品类特性影响，例如奢侈品类转化率，大概率比消费品低。另个转化率影响素是运玩法，比如派发更多优惠券，也会令用户更容易转化。有个素，即引入流量与前落地页匹配度，如导入价格敏感型用户进入到新品专题频页，会有导致低转化率风险。
客单价（客单价 = GMV / 引入订单量）
它描述了个订单平均成交额，具有比较强品类特征，比如奢侈品类客单价，天然是比消费品客单价高。时，如进了拼单满减等运策略，也能够刺激用户单买更多商品，进而提升客单价。
UV 价值（UV 价值 = GMV / 流量）
它描述是个 UV 出平均额，也能侧看出流量质量、流量与业务匹配程度。试想个页，如它 UV 价值高，那么也代表它引入更多类流量，它能创造更大 GMV。此 UV 价值也是个很要指标，和转化率起综合看，可以用来评估到底哪个业务 / 页值投入更多流量。
思考：UV 价客单价什么不同？
- 影响素不：UV 价值更受流量质量影响；而客单价更受卖货影响；
- 使用场景不同：UV 价可以用估页面 / 模块的创造价的潜力；客单价可以用比较品类商品特征，但一页面客单价高，并不表它创造价的能力强，只能得出这页面的品类趋近于卖高价格品类的。
2. 流量：决定成败
UV & PV（页面浏览人数、页面访问次数）
UV 描述访问的人数，是一个很重要的数据指标，它的少往往决定最终 GMV 的高低。UV 源自各种途径，例站外告、站内的资源位分、用户主动回访流量、裂变活动的分享引流等。
PV 描述了访问的次数，例如用户一访问了这个页面3次，这候会计算为 3 PV 和 1 UV。也就是说，PV 比 UV 多了某段间内用户多次访问的息。若要页面的流量量，无论 UV 还是 PV 都是可以的。
人均浏览次数（人均浏览次数 = 页面访问次数 / 页面浏览人数）
这个指标描述了某段间内，每个用户均浏览页面的次数。不同的景会有不同的值，需要根据体的景来判断高低。有些情况会出现 PV 高出 UV 多的景，如存在需要用户多次回访的玩法、有段运营的策略（e.g. 一三次红包雨）等等，需要体景体析。
3. 行为：寻根溯源
点击率（点击率 = 模块点击人数 / 页面浏览人数）
用户对此模块的点击人数，在所有进页面的流量中的百分比。以看用户对模块的需求强烈程度的评判指标之一。与页面流量和页面 GMV 的关系类似，模块的点击率与模块的产出是强相关的（下图，横轴是各模块）。
△ 各模块的点击率 & 订单金额占比对比，图表来自数懒分析平台
点击率的响因素有：
- 模块在页面中的位置：若放得越高，则越能被更的用户看见，么点击率高的能，就比放置位置低的模块要来得更高。毕竟页面越往下，看到的用户就更少。
- 模块本身的吸引程度：比如模块本身是个优惠券集楼层，就比没有利益点的普通模块更吸引人、更容易获得更多点击。此外，模块的式计、主题表述的清晰否、主题对用户的吸引力和潜在用户群大，这些都会响模块的吸引力。
曝光点击率（曝光点击率 = 模点击人数 / 模曝光人数）
户对此模的点击人数，在有看到此模的流量中的百分。与点击率的公式对可发现，点击率的分母是有进入页面的流量，但户的浏览行为永远是浏览得越深，流量越的。这就导致位置越深的模算点击率就越吃亏，因为相当一分流量压根就没有看到这个模，被算进分母里了。而曝光点击率，就是一个除了页面位置对模的影响后，可来相对公平地较各模的吸引的数据指标。
思考：什么场用点击率，什么场用曝光点击率呢？
- 当想要单纯评估楼层对户的吸引时，可看曝光点击率；
- 当想要综合评估楼的整效果与贡献时，看点击率，毕竟它与楼 GMV 相关更高；
- 曝光需要殊埋点，且可能会响页面性能，因此多候没有法获取曝光数据，也只能点击率了。
曝光点击率的使用注意：
首屏内的楼层的曝光点击率，数据可能不准确。首屏的曝光 UV 是最大的，面包含了各种异常情况，例如一进页面就跳出，也算作曝光。因此导致首屏的曝光点击率往往会偏（如下图所示），无法其楼层比较。若想比较首屏情况，建议点击率一起综来。
△ 各屏的曝光点击率差异，图表来大促某页面的数据析
曝光率（曝光率 = 模块曝光人数 / 页面浏览人数）
这个数据可以出用户在页面上的浏览深度如何，有百之多少的用户了哪一屏。从这个数据中，可以发现一些关键的节点。例如，若的业主推是在第二~三屏的位置，但最终发现曝光率在第二屏便暴跌，这便是存在问题的，说不定需要把主推内容再往上提一些，或者需要去排查首屏是否有会令用户立即跳转和跳出的内容……这便是曝光率这个数据指标，可以带来的析价值。
停留长
这个数据指标好理解，是描述用户在页面上均停留多少秒。
思考：曝率下跌曲线越慢 / 浏览深度越深 / 留时长越长，代表我们页做越好吗？
曝光率停留时的影响因素比较一致，因此可以合一起解释。曝光率的下降曲线、停留时的与短，影响因素这些：
人的生极限：人是机器，根据研究，「人受干扰地执行单一操作的时长为 6s ~ 30s 」[注1]，超过这一数，户就会走神。可想而知，户在单一页面上停留的时间是有上限的，因页面放置入的容多而变。一个反例，是通过利益点来吸引户在页面上浏览得更深，这但与生极限相悖，把户自然的浏览行为和目标，硬生生变成了为了追寻更多利益点而进行类似成任务的操作。除了利益点交换一个好看的数据外，这样的做法似乎没带来更多的产。
页面定位及内容：在双 11 主场中，用户的行为模式趋近找优和找目标品类，么他能不在里浏览太屏数、也不停留太久——个时影响曝光率和停留时长的，就是他有快能找到感兴趣的优，因此，并不能说浏览深度越深、停留时长越长就越；在 BI（千人千面）品瀑流中，用户的行为是闲逛和挑选，时他更能浏览更的屏数、停留更长时间——因此浏览的品越，以说是对最终效益最的。
异常情况：例如加载异常、页面崩溃的景，就会导致停留长异常低、二屏后曝光异常低。
综上，我们应该根据具体场景、过数历史数据比，去设定和校正目标曝率、目标留时长。平日看这两个数据，可以作个监测异常数据，在正常范围内波动不需要过度解读，旦发现特异常情况，再进具体分析。
参考资料：
[1] Jeff Johnson：《认知与设计：理解 UI 设计准则》，北京．民邮电出版社，2011年版，第132页。
欢迎关注「京东设中JDC」的微信公众：
浙公网安备33011002017549号