浅析数据分析在移动电子商务中的应用

王依然

摘 要：得益于互联网及智能手机市场的快速发展，移动电子商务正迎来爆发式的增长。同时，也成为市场经济的重要组成部分。移动电子商务彻底改变了传统的生活方式和交易方式。而在移动端电子商务运营中，数据分析是提高效率与决策有效性的重要环节，通过数据分析，可以实时了解产品与用户信息，有利于企业更好的做出判断。本文基于数据分析的理论和技术手段，分析了移动电子商务中数据分析的具体性能标准和价值所在，归纳了目前移动电子商务获取有效数据的方式，对数据时代下移动电子商务产品的发展提供一定的参考价值。

关键词：数据分析；移动电子商务；数据获取；发展

一、移动电子商务的定义

移动电子商务（M-Commerce）是由电子商务（E-Commerce）衍生出的新生概念。随着互联网的不断发展，移动电子商务正在全世界范围内的普及和发展。移动电子商务本质上是电子商务技术的一种创新，基于移动无线网络，依托手机等个人移动通信设备，使用户能够减少时间和空间的限制并进行活动，是电子商务的一种新形式，并改变了电子商务的传统格局。

据艾瑞咨询最新统计数据显示，2016年移动购物市场交易规模约3.3万亿元，占网络购物总交易规模的70.2%，继2015年超过PC端之后，成为电子商务的主流渠道。同时，根据最新的一季度报告预测，2017年第三季度左右，全球移动电子用户将达50亿左右。

二、移动电子商务中的数据分析与应用

数据分析是移动电子商务重要的组成部分，同时也为产品决策提供重要参考。针对移动产品，数据分析就是利用挖掘数据的分析方法与技术手段，在手机用户大量的交易数据中总结产品流量和顾客转化率之间的规律和特点，分析消费者的消费特点。具体则是通过网络和交易信息提取客户、市场、产品环节的数据，然后建立相关模型，在更加动态化的商业环境下，能够更有效的优化产品及商业模式。

1.数据挖掘

通过自动化或半自动化的工具，数据挖掘可以挖掘出数据内部隐含的模式，并从中发掘信息或知识，同时从已有的数据中提取模式，提高已有数据的内在价值，并且把数据提炼，转化成为知识。在移动电子商务的运营之中，针对大量繁杂的客户消费及使用數据，需要应用多种数据挖掘技术来分析客户特征，获取用户关注点，培养用户忠诚度，并在此基础上制定有效的营销计划来吸引优质用户。

在数据挖掘中最常使用的四种分析法：分类分析，关联分析，序列模式分析和聚类分析：

（1）分类分析可以定义区分数据类或概念的模型和函数，以便能够使用模型预测未知类标记的对象类。

（2）关联分析通常利用数据关联规则进行数据挖掘，其目的是挖掘隐藏在数据间的相互关系。

（3）序列模式分析同样也是为了挖掘数据之间的联系，但侧重于分析数据间的前后序列关系。

（4）聚类分析，是指根据“物以类聚”的原理，将本身未有类别的样本聚合成不同的簇，并对每一个簇进行描述的过程。

2.数据处理

（1）数据收集

一款移动电子商务产品的分析团队在处理数据前，首先要解决的问题是数据源的收集。数据收集可以分为二大类。第一类是直接能获取的数据，通常为内部数据。第二类则称为外部数据，是需经过加工整理后才能得到的数据，如手机应用平台的下载数据。

（2）数据清洗

数据清洗是数据处理中的重要部分，通过工具或编程，如Excel，Python，对数据进行筛选、清除、补充、纠正，其目的是从大量杂乱无章、难以理解的数据中抽取并推导出对解决问题有价值、有意义的数据。清洗后保留真正有价值的数据，为数据分析减少障碍。

（3）数据对比

对比，是数据分析的切入点。如果参照缺失，数据则无法确定定量的评估标准。分析过程通常采用二点切入法进行数据对比分析：横向对比与纵向对比

①横向对比，是与行业平均数据，以及竞争对手的数据进行比对，以市场为轴心。

②纵向对比，则是和产品自身的历史数据进行对比，以时间为轴心。

（4）数据细分

数据对比发现了问题后，需要用到数据细分来确定问题数据的范围，根据移动产品的差异对数据异常的范围和精度进行分析，随后进行测试与修正。数据细分通常情况下先分纬度，再分粒度。

三、数据分析

数据分析是指用适当的比较或统计方法对收集来的第一手和第二手资料进行分析，以求最大化地开发出数据资料的功能并发挥数据的作用。为了提取有效信息和形成结论，通过分析手段，可以对数据加以详细研究和概括总结。在进行正式的数据清洗，确保了数据可靠性与完整性后，可对所获取的数据进行多层面的具体分析。根据不同的数据分析层面和结果导向分类，在移动电子商务的数据分析中常应用两种分析类型。

第一种，传统电子商务营销管理中的常用分析：SWOT、4P、PEST、5W2H、Userbehavior等；第二种是统计分析：描述统计、假设检验、相关分析、方差分析、回归分析、主成分与因子分析、决策树等。

1.数据分析方法

对于第一种类型的数据分析，常可以采用比较分析法来确定基本的分析方向以及产品导向。比较分析法分为两种类型，同比与环比。

为消除数据周期性波动的影响，同比将移动产品本周期内的数据与之前周期中相同时间点的数据进行比较，计算同比增长率。而环比则反应数据连续变化的趋势，将本期的数据与上一周期的数据进行对比。同环比能为产品整体运营的发展状况提供有力的参考，但必须建立在一定的基础上和环境上。

对于统计分析，最常用的是相关分析以及回归分析。相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则通过分析现象之间相关的具体形式，确定因果关系，并用数学模型来表现其具体关系。举例来说，对一个移动电子团购平台的产品来说，从相关分析中可知“质量”和“用户满意度”变量密切相关，但只有通过回归分析方法才能确定这一对变量之间到底是哪个变量受哪个变量的影响，以及影响程度如何。

2.数据分析应用

在移动端电子商务中，APP数据分析对于开发者或运营者都是十分重要的环节，主要数据分为4个方面：用户来源、用户属性、转化率及用户忠诚度。

（1）用户来源

对于移动产品平台来说，获取用户的渠道很多，如CPA广告、交叉推广、限时免费等等。开发者从多个维度的数据来对比不同渠道的效果，比如从活跃用户、次日留存率、使用频率、使用时长等角度对比不同来源的用户。通过渠道对比，可以高效地找到最适合产品发展的渠道，以便不断完善推广策略。为了追踪App渠道来源，可以用到两种不同的方法：

①Android渠道追踪方法

国内Android市场被数十家应用商店所割据，Android渠道追踪主要围绕其中几种渠道展开。具体来说就是开发者为每一个渠道生成一个渠道安装包，不同渠道包用不同的渠道ID来标识。当用户下载了App之后，运营人员就可以通过渠道标识查看各渠道的数据。

②iOS渠道追踪方法

不同于Android的开放生态，iOS是一个完全封闭的系统。在苹果的唯一性原则以及严格的审核制度下，Android打包的做法在此则无法生效，可以通过Cookie追踪渠道更为高效的追踪数据。

（2）用户属性分析

在吸引用户下载使用之后，产品运营及开放方要尽可能地详细了解用户的设备型号、网络及运营商、地域、用户性别等宏观层面的用户特征。这些特征数据可在产品改进、应用推广和运营策略的制定上提供有力的方向性依据。

①同期群分析是一种基于同期群的核心数据及行为的对比分群方式，按用户的新增时间将用户分群，得到的每个群就叫同期群。

②获取成本分析，是指获取到一个真实的新用户所付出的平均成本。同时也要注意用户回报弥补获取成本的速度，尝试不同的渠道并跟踪用户的行为，使用如K因子传播作为降低获取用户成本的手段。

③用户终生价值分析，是指用户平均会在平台、产品上贡献多少价值。最大化用户营收的方法就是根据用户频度制定不同的定价方案，针对高频用户通过广告、精品内容收费，对于低频用户则采用单次收費模式。

（3）转化率

对移动电子商务来说，产品转化率至关重要，直接关系到开发者的产品收入。如一款移动电子游戏应用，开发者可从道具购买量、关卡和付费人群等多个维度进行交叉分析，从而查看用户付费行为动机和特征，也可以通过漏斗模型进一步分析关键节点的转化率，提高付费转化，增加收入。

（4）用户忠诚度

了解用户在一个产品应用内做了什么，并确保用户喜欢该产品，是移动产品优化产品生命周期的根本。开发者可以从留存用户、使用时长、使用频率、访问深度等维度评价用户粘度，以及RFM（Requency，Frequency，Monetary）来评估用户系数。例如，通过检测每月新增用户在初次使用后某段特定时间内的留存率来对用户进行评估。

统计留存用户的时间粒度很细，主要有次日留存、7日留存、30日留存。

四、数据分析对移动电子商务的意义

无论是公司或个人，在这个新时代，具有数据分析思维是一种更高层次的元认知能力。由于移动互联网的出现，用户数据大量积累，营销方案的制定都是基于数据分析结果来决策。作为移动电子商务公司的数据分析师，必须有对繁杂枯燥的数据进行数据分析的本领，更要有商业敏感性。

随着大数据时代的到来，以数据分析为思维的经营和管理思路将成为移动电子商务市场中消费行为及市场分析的依据，而在这种以数据为主体的决策制定中，企业获取的分析数据是直观、动态、及时的，相比咨询公司或调研公司的滞后分析具有大数据和全样本的优势。利用数据来分析用户的行为习惯，进而揣测用户的心理，深入挖掘用户需求，可以精确得出产品定位及活动，进行决策。

参考文献：

[1]王丹.数据挖掘在电子商务中的应用研究[D].山东科技大学，2012.

[2]艾瑞咨询.《2017年中国移动电商行业研究报告》[R].艾瑞咨询，2017.