电商相关面试_gmv cr-CSDN博客

本文链接：https://blog.csdn.net/SDFAA1/article/details/123908099

抖音电商和淘宝的区别

抖音确实已经是一款国民级产品，但抖音电商很多人还是不知道的，因为人们会误解抖音电商只是把一个产品视频发在了抖音上，或者只是靠抖音进行引流做微商，其实不是的。如果抖音电商一定要归类的话，它应该属于内容电商，就是通过内容进行带货，当然，抖音官方给了个更加洋气的定义“兴趣电商”。它绝对不是所谓的微商的升级版，也不是平台电商。

下面我给大家介绍一下抖音和平台电商的区别，在我们的认知里面，淘宝是一个大市场，所有的买家和卖家都可以通过淘宝这个大市场进行交易，它是一个交易平台，对吧。那么抖音的定位是什么？抖音的定位是一个短视频社交平台，注意是社交平台，你会发现视频主都是晒一下旅游，秀一下段子，分享一下新奇的东西，展现一下美好的生活等等，等等。所以你们不要把淘宝跟抖音理解成同类平台。

兴趣电商就是人们对美好生活的向往，满足用户潜在购物兴趣，提升消费者生活品质的电商。

抖音拥有良好的内容生态，拥有众多优质创作者、多元化用户和相对成熟的兴趣推荐技术，先进的算法根据浏览短视频的记录，每个视频停留的时间，不同视频的完播率，点赞，评论，转发数，来给用户进行用户画像，兴趣爱好，根据用户画像，视频内容进行标签，在内容池匹配用户喜欢的内容然后展示出来。

1）用户画像，系统根据用户基本属性（比如：性别、年龄、学历等）、兴趣爱好（比如：科技、娱乐、体育、金融等）等数据集，然后给肪定义相关的标签。

2）内容画像，系统根据内容的层级分类、关键词、实体词等分析出特点，给各类内容打上相关的标签。

3）用户与内容匹配，有了用户标签和内容标签之后，系统根据用户画像、内容画像，在内容池里面匹配出用户喜欢的内容然后展示出来。

4）排序，系统要面对数亿级的用户和内容，同时还要考虑用户的喜欢会不断的发生改变，为了让挑选的内容更加的贴近用户想要的、更加符合用户喜欢，系统需要对内容进行排序。

淘宝消费，一般是因为我们产生了某种需求，需要购买某件物品，然后我们打开淘宝搜索，从中选出自己比较满意的，最后下单等收货。而在抖音消费，更多的是因为我们在刷视频的过程中，被“安利”到了，然后一时兴起下单了。淘宝用户多是有需求才有消费，而抖音用户则是有兴趣就有消费。在抖音电商，只要你能打动用户，勾起用户的兴趣，就可能触发用户的消费行为。

抖音短视频在内容承载展示的效果超过传统电商的图文详情，场景化的体验。

what（什么是数据指标体系）：

基于业务目标，搭建起的数据维度的集合，衡量和促进完成业务目标，做到可衡量、可行动

why（为什么要搭建数据指标体系）：

O（业务目标、Object）：用户侧，我们的产品或者功能存在的意义是什么？能够满足什么需求？公司侧，公司的核心目标是什么？是DAU还是GMV？从商业角度，很多公司会选取GMV

S（业务策略、Strategy）：为了达成业务目标，我们应该采取什么样的业务策略？

M（业务度量、Measure）：衡量策略是否有效？目标是否达成？

以抖音直播为例，这里以海盗模型（AARRR）及OSM耦合，搭建起业务目标图。抖音直播的关键业务指标可以简化为找到看直播的用户（进入直播间人数）→转化为经常看直播的用户（活跃用户数）→转化为收入（礼物金额、电商GMV）。

这里可以发现，在业务转化的每一个流程中，列出了很多指标，可以做一个简单的分类，分为结果性性指标和过程性指标，收益（Revenue）环节中，GMV就是结果性指标，同时，GMV结果性指标，也可以分解为过程性指标，GMV可以分为推广时长*直播间转化率*电商CTR*购买转化率*客单价。

UJM模型：搭建用户流转地图

什么是UJM（User Journey Map）用户流转地图呢？

本质上来说就是梳理用户在产品中的完整使用流程，拆解用户所处的每一个阶段、了解用户阶段的行为、明确每个阶段的用户产品目标、发现产品与用户的接触点、最后从接触点中找到产品的痛点和机会点。

同样的，以抖音直播为例，构建一个简单的用户流转地图，解答流量从哪里来、用户在直播间的动作和用户后续的高价值行为这三个问题，并标注出用户在各个流程环节的转化率。

例题2 异动分析

GMV下降了20%怎么分析？（**GMV=访客数（uv）订单转化率(cr)单均价**）

人货场角度（第一步 → (第二步) → 第三步 → 第四步）：

1、从人的角度来看。主要会考虑

① 新老客户

② 不同地区客户

③ 不同渠道客户

④ 是否VIP客户

⑤ 不同获取方式客户

通过数据一一验证。例如，若数据表明，新用户带来的GMV同比下降25%，但老用户带来的GMV同比上升了1%，则可以将原因定位在新用户身上，推测是否拉新活动失效，导致新用户下单减少；若数据表明h5渠道客户GMV同比减少了70%，可能需要验证h5端是否能够正常的提交订单。

2、从货的角度来看。主要会考虑

① 不同品类

② 不同价位

③ 不同商家

通过数据一一验证。例如，若数据表明去年连衣裙品类产品的GMV占整体GMV比例高达40%，但GMV同比下降了30%，则大胆推测可能是由于连衣裙品类表现不佳，导致整体GMV同比下滑严重。若发现有一批去年同期十分活跃、产量较高的商家，今年没有上架产品，可能是因为商家维护、商家合作政策的变动，需要具体评估后考虑是否追回这批商家。

3、从场的角度来看。主要会考虑

① 企业内部活动

② 行业整体表现

同样通过数据进行验证。例如，若数据表明去年同期活动数量较多且GMV较高，而今年并没有开展类似的活动，可能推测今年GMV同比下滑是活动的影响。

逻辑树角度（第一步 → 第二步 → (第三步) → 第四步）：

提出第一层假设：GMV的同比下降主要受到访客数、转化率、单均价的影响。

验证假设，定位异常的分指标。

经验证，假设二：转化率的影响成立。

对【转化率】进行二次假设与分析，可利用人货场模型或者从产品、技术、运营侧考虑因素

暂时先考虑① 下单页面流程的变动 ② 去年3月上线新活动 ③ 新产品上线效果不及预期

首先考虑①下单页面流程的变动。一般会用漏斗分析（不知道漏斗分析是什么的……建议直接百度或者知乎）来观察数据。查看从【产品详情页】->…………->【支付成功页】的用户浏览转化漏斗，可能发现在【支付付款页】->【支付成功页】的转化率同比下降严重。推测是因为app开发或者产品流程管理问题，导致用户在支付付款页无法付款，造成转化率降低——建议开发与产品合适下单流程是否存在卡点。

其次考虑②去年3月活动的影响。假如和运营沟通后，了解到去年3月同期开展了“开学季”活动，且活动表现优异。数据结果也表明活动期间转化率与活动前后相比，有明显提升，假如数据长这样：

推测由于今年未开展活动，导致转化率同比下降，进而对GMV产生影响——建议运营人员参考去年活动标准，选择合适时机继续开展营销活动。

最后考虑③新产品上线是否效果不及预期。有运营的同事告诉你，今年3月更换了主推产品，这批产品都是之前没有销售记录的。数据的结果也表明新产品的转化率明显低于老产品，推测新产品上线效果不佳对转化率有明显影响，建议考虑更换产品。

验证第三个假设：客单价的影响。

若数据显示2018年3月和2019年3月的单均价没有明显差异，则假设三不成立；

若2018年&2019年三月的单均价分别为191元、154元，假设三成立。在考虑单均价变动时，我们仍然需要对【客单价】进行二次假设，假定①优惠活动②产品市场价格下降的影响，简单表示如下：

先考虑①优惠活动的影响。但由于在假设二中已经获取了信息，2019年3月并未开展优惠活动，反而在2018年3月是有活动的。所以①并不成立。

接下来考虑②产品市场价格下降的影响。通过市场调研，了解到主营产品在这两年得到了规模化生产，出厂成本价格大幅下降，市场卖价也逐步下降，19年均价比18年均价下降了10%以上，所以②成立——推测行业市场的规模化发展影响了单均价，进而造成GMV的同比下降。

总结

第一步：确认数据真实性
- 在开始着手分析前，建议先确认数据的真实性。我们经常会遇到数据服务、数据上报、数据统计上的BUG，在数据报表上就会出现异常值。所以，找数据流相关的产品和研发确认下数据的真实性吧。
第二步：明确定义，并拆解指标，进一步定位原异常部分，指出拆解方法的局限性：假设缺陷、分布缺陷、估算保守/激进
第三步：问题定位初步拆分维度，定位原因大致范围。计算影响系数：(今日量-昨日量)/(今日总量-昨日总量)影响系数越大，说明此处就是主要的下降点
- 人
  - 用户类型（新老、付费续费、是否VIP等）
  - 用户画像各方面(地区年龄、性别、职业等)
  - 拆登录渠道：app/小程序/PC/m端等
  - 拆入口：点图标进入/push调起等
- 货
  - 拆品类
  - 拆价格
  - 拆供应商
- 场
  - 拆平台：IOS/安卓
  - 拆版本：新/老版本
  - 拆区域：省份/国家
  - 拆时间：访问时段、淡旺季、产品周期性(同比、环比)
第四步：原因分析对维度、细分指标进行原因分析，综合考虑以往数据异常原因、产品运营技术侧调整、初步定位的影响范围最可能由什么原因造成，再结合自身业务经验确定几个最可能的原因假设，给这些假设排数据验证的优先级，逐一排查。
- 外部因素
  - PEST方法
  - 产品调研方法论（市场、竞品、社会(舆论生活方式、价值观、消费心理) ）
- 内部因素
  - 产品侧：
    - 功能调整
    - 策略调整
  - 技术侧：
    - 接口不稳定
    - 系统故障
    - 网页打不开、加载慢
  - 运营侧：
    - 运营策略
    - 广告投放
    - 运营活动（提活跃、促留存、拉付费）
    - push效果
    - 拉新渠道

单个直播间的GMV下降原因分析

1、通过GMV与总观众人数的相关性可以看出，GMV与总观众人数呈显著正相关，说明观众总人数与GMV之间存在直接关系，旦相关性较强，观众人数越多，GM越高。在这组变量中，将观众人数替换为系统推荐流量可以更好的理解其中的算法。因此在运营过程中应该追求较高的系统推荐。这里需要思考的是，在主播能力无法短时间大幅提升的博况下，如何通过运营层面快速提升状取推存流量的能力。

2、通过GMV与商品点击率的相关性可以看出，GMV与商品点击率不存在显著相关，因此从单一品类来看，商品点击率是相对稳定的状态，并不是GMV的直接影响因素，但其或许是GMV的间接影响因素。

3、通过GMV与下单转化率的相关性可以看出，GMV与下单率具有较高的相关性，从指标角度来看，GMV是销售额，而下单转化率是一个比率，销售额与某一比率往往不会呈现相关性，而该数据表明V与下单率具有显著相关，说明GV与下单率之间存在一个中价变量，或许是下单转化率的提升会使得直播间的流量推送变大，进而促使M提升。当然，这个假设需要更多数据与指标进行进一步的验证。由此可知，我们在直播时，转化率相对于点击率来说，是更加重要的指标，我们可以在话术上进行升级，减少引导点击的话术并增加引导下单的话术，同时还可以通过优化详情页来提升转化率。

4、通过GMV与平均播放时长(AWD)的相关性可以看出，GMV与平均播放时长不存在显著相关，这说明在当下阶段，平均播放时长并不能直接影响GMV。从平均播放时长的公式可以看出AWD=Views/Duration,平均插放时长虽然不会直接对整体人盘产生影响，但是从个体角度来讲，或许对会产生影响。

此时提出另一个假设，平均播放时长是通过影响UV(=GMV/Views)进而影响GMV的。从UV与平均播放时长的相关性可以看出，V与平均插放时长存在显著相关关系，因此印证了平均插放时长会对产生影响，但进一步分析发现，GMV与UV同样不存在相关关系。说明平均播放时长与单位用户价值在目前阶段均下是影响GMV的主要因素，尤其平均插放时长对GMV的触达路径更长，因此当下不需要太考虑平均播放时长对GMV带来的影响。

5、通过GMV与直播时长的相关性可以看出，GMV与直播时长有显著相关关系，因此我们可以通过最直接的拉时长的方法，提升单场GMV。但在这里需要注意的是，时长与GMV的正相关有一个前提，也就是直播间内容质量不变的情况下才会产生正相关，因此实践过程中一定要时刻注意主播状态，如果主播过于疲鱼，一味拉时长，会导致人效降低。

SQL中字符串截取函数(SUBSTRING)

1、left（name,4）截取左边的4个字符

列：

SELECT LEFT(201809,4) 年

结果：2018

2、right（name,2）截取右边的2个字符

SELECT RIGHT(201809,2) 月份

结果：09

3、SUBSTRING(name,5,3) 截取name这个字段从第五个字符开始只截取之后的3个字符

SELECT SUBSTRING('成都融资事业部',5,3)

结果：事业部

4、SUBSTRING(name,3) 截取name这个字段从第三个字符开始，之后的所有个字符

SELECT SUBSTRING('成都融资事业部',3)

结果：融资事业部

5、SUBSTRING(name, -4) 截取name这个字段的第 4 个字符位置（倒数）开始取，直到结束

SELECT SUBSTRING('成都融资事业部',-4)

结果：资事业部

6、SUBSTRING(name, -4，2) 截取name这个字段的第 4 个字符位置（倒数）开始取，只截取之后的2个字符

SELECT SUBSTRING('成都融资事业部',-4,2)

结果：资事

注意：我们注意到在函数 substring(str,pos, len)中， pos 可以是负值，但 len 不能取负值。

7、substring_index('www.baidu.com', '.', 2) 截取第二个 '.' 之前的所有字符（substring_index默认就是往前取）

SELECT substring_index('www.baidu.com', '.', 2)

结果：www.baidu

8、substring_index('www.baidu.com', '.', -2) 截取第二个 '.' （倒数）之后的所有字符

SELECT substring_index('www.baidu.com', '.', -2)

结果：baidu.com

9、SUBSTR(name, 1, CHAR_LENGTH(name)-3) 截取name字段，取除name字段后三位的所有字符

SELECT SUBSTR('成都融资事业部', 1, CHAR_LENGTH('成都融资事业部')-3)

SUBSTRING 只能往后取，SUBSTRING index可以往前取（len设置为负）

`抖音短视频如何评价视频质量都高低`

视频质量打分标准

要想有好的播放量，取决于两个重要指标，即账号的质量以及每个视频的互动数据。抖音机器算法会根据这两个大的数据进行评分，具体评分内容如下图：

1.点赞率
抖音作品是否获得系统推荐，受到播放量和点赞率的影响，一个作品的基础点赞率为3%，通过视频的点赞数除以播放数来进行计算，一般点赞率在3%以下（阈值的计算）的作品会被系统判断为劣质视频，从而被判定为减少推荐，更严重的会不受到系统推荐。
2.评论量
用户评论能够反映抖音作品在用户中受欢迎的程度以及与互动效果的展示。一般优质的爆款视频，评论量的百分比在10%~50%之间，一般情况下为30%，低于最低范围10%的作品很难成为爆款视频。
3.转发率
发布的抖音作品是否能够引起用户转发，能够判断作品是否给用户带来价值，一般情况下，爆款视频的转发量会高于评论量特别是在垂直细分领域的账号视频，高转发数是打造爆款视频的关键组成部分

SELECT user_id, MAX(diff) AS biggest_window
FROM
(SELECT *,
DATEDIFF(LEAD(visit_date,1,'2021-1-1') OVER(PARTITION BY user_id ORDER BY visit_date ASC),visit_date) AS diff
FROM UserVisits) a
GROUP BY user_id
ORDER BY user_id
LEAD(date,1,today) OVER (PARTITION BY user_id ORDER BY visit_date )

FIRST_VALUE(SCORE) OVER (PARTITION BY 学科ID，SCORE ORDER BY SCORE )