跨境电商——简单好用的API接口大全||分享

 01

用数据分析解决问题

 明确问题

通过观察现象，把问题定义清楚，要明确数据来源和准确性，通常可以从时间、地点和数据来源上进行确认。

其次对业务指标进行充分的理解，包括指标和含义，以及和谁对比的问题。

比如某店铺上半年完成的利润，与年初制定的月平均盈利500万的目标还有很大差距，领导要求找到没有达标的原因。

首先要确认数据的准确性，明确是哪个部门提供的，每个月的数据是什么，数据是否核对清楚无误？

然后理解其中的指标，利润是如何定义的等，和上半年相比出现了差距。

注：

• 避免主观臆断

分析原因

分析原因要搞清楚两个问题：

• 哪里出了问题

• 为什么会出现这个问题

首先分析关键因素，运用多维度拆解分析法，对每个指标进行拆解，如销售=销售收入-销售成本-营业外支出，销售收入还可以拆解为客单价X用户数，至于拆解到什么程度，要根据对业务的理解和实际问题灵活把握。

再用假设检验分析法，找到具体是哪里出了问题。

找到哪里出了问题后，可以进一步深入分析，如可食用相关分析来分析深层次的原因。

提出建议

在提出建议这一步，通常可以使用回归分析、AARRR模型分析的方法。

使用回归分析，是为了计算出某个原因能够对目标造成多大程度的影响，如预测销售收入要达到多少才能实现下半年利润4000万的目标。

接下来是实战部分，讲了12个行业的业务知识、常用指标，以及案例分析，先从电商行业开始

02

国内电商行业【国内主流电商数据采集API接口】

 4种业务模式：

• B2B：企业卖家——企业买家，如阿里巴巴，订单量大

• B2C：企业卖家——个人买家，如天猫、亚马逊、“XX官方旗舰店”

• C2C：个人卖家——个人买家，如淘宝

• O2O：卖家线上——买家线下

电商行业经历了从流量运营到用户运营的升级

业务指标

• 新老用户数量占比

• 新老用户金额占比

• 复购率：复购用户的占比，通常衡量一个较长的时间段，反映用户忠诚度

• 平均复购周期：用户重复购买的平均时间间隔

• 回购率：分析短期促销活动对用户吸引力的指标

电商常用指标可分为人与货两大类，分别是用户交易和商品管理指标
用户交易：

• 访客数UV：商品所在页面的独立访问数

• 加购数：将某款商品假如购物车的用户数

• 收藏数：收藏某款商品的用户数

购买阶段：

• 成交总额GMV

• 支付转化率：付款用户数/访客数

• 折扣率：GMV/吊牌总额

收退货：

• 拒退量：拒收和退货的总量

• 拒退额：拒收和退货的总金额

• 实销额：GMV减去拒退额

备货指标：

• SPU数：款号，如iphone 9就是一个SPU

• SKU数：指某款号的具体货号，具体到颜色、尺寸，如iphone 9 有3个SKU，分别是黑色、白色和红色

• 备货值：吊牌价 X 库存数

发货售后：

• 售卖比：售罄率，GMV/备货值，用来看商品流转情况，对库存进行优化

• 动销率：有销量的SKU数/在售SKU数

案例：回购率下降分析

明确问题：发现2019年双十一用户回购率下降，分析原因

对比分析发现不管是用户数还是回购人数较2017、2018年都有增长，但回购率却下降，这是我们前面说的辛普森悖论，原因应该是回购人数的增长没有赶得上基数的增长。

运用多维度拆解分析法，先从R值进行拆解，也就是RFM分析中的那个R值，最后一次购买时间间隔，从R<=365和365<R<=730两个组对比历年的基数、回购数、回购率，发现19年反而比18年的值都高，说明R值不能定位回购率下降的原因。

接着从F值进行拆解，就是购买频次，拆解为F=1和F>1，发现仅购买一次的基数用户回购率下滑较大，造成整体回购率降低，可以从F=1的基数用户出发，进行更深入的分析

把F=1的用户再按照R值分成多组，发现90<R<=180这个组的回购率同比下降最大，是造成F=1用户回购率下降的主要原因，倒推日期，终于找到了原因，2019年“618”大促带来的新用户有大量用户没有留存下来，这些新用户主要是平台的推广页的广告吸引的许多低价尝新的用户。

03

跨境电商行业【跨境电商数据采集API接口】

跨境电商是通过跨境物流送达商品、完成交易的国际商业活动。3种业务模式：

• 平台型：邀请卖家入驻跨境电商平台，如天猫国际

• 自营型：跨境电商平台自己运用，如小红书、考拉海购

• 混合型：兼有平台型和自营型，如亚马逊