电商数据分析-运营诊断与分析-店铺诊断.pptx

;;;例6-1：某店铺发现业绩下滑，通过两个月的数据对比找出原因。; 将数据按树状结构呈现出来，形成杜邦分析模型，如图6-1所示，可知支付金额的下跌主要是拉新（新访客数）环节出现了问题。;例6-2：用Excel搭建具备自动刷新功能的杜邦分析模型。;选中Excel中的数据后，选择Power Pivot选项卡中的【添加到数据模型】选项，如图6-4所示。;如图6-8所示，选择日期对应的字段名，注意此时选择的是日历表的统计日期。; 如图6-10所示，在关系视图中将日历表和事实表的统计日期连接（单击鼠标左键选中事实表的【统计日期】拽到日历表的【统计日期】上方，松开鼠标即可）。 建立表关系后，如图6-11所示，选择【数据视图】选项回到数据视图。;将第三步计算的度量值添加到数据透视表的值域，如图6-14所示。 第五步：插入日程表。 选中数据透视表，如图6-15所示，在【数据透视表工具】中的【分析】选项卡选择【插入日程表】选项，单击【插入日程表】。;;例6-3：表6-3是某店铺的相关数据，该店铺流量（访客数）持续下降，通过数据找到问题并加以优化，数据采集自生意参谋“取数”板块，按天作为粒度下载文件。 解：按2.2.9节的步骤创建相关矩阵，如表6-4所示，与访客数的相关系数大于0.7的有：支付金额、支付买家数、支付子订单数、老访客数、新访客数、直通车消耗、正面评价数。其中支付相关的数据和访客数有算术关系，可忽略不看，重点关注新访客数，二者相关性高达0.99，新访客数和直通车消耗相关性高达0.94，可能是店铺拉新出了问题，其中直通车的调整可能是主要原因之一。正面评价数相关性达到0.71，也是强相关，应审视店铺的服务、消费者管理环节。老访客数的相关性达到0.85，虽然也属于强相关，老访客数和新访客数的相关性达0.81，因此重点关注新访客数即可。;