作为一个电商PM，我们需要数据，需要一系列的数据支持运营更好的“输出”。

在电商企业中，PM往往都不是主导性的岗位，例如：在淘宝的主导是运营，唯品会的主导是能够拿到什么样的商品放到平台上（采购选品型）。

简单的产品设计（功能设计），一个大学毕业生接受培训后都能做到。作为PM，我们只有更贴切的了解市场，剖析业务，才能更好的服务企业。

如何留住客户，是一个老生常谈的话题。对于电商企业来说，最好的数据莫过于高复购率，高客单价。所以我们需要活动，需要运营，去引导新老客户消费。

那如何切入这个活动满天飞的电商时代，为企业获得更好的收益和发展？

我们需要数据，需要一系列的数据支持运营更好的“输出”。毕竟每一个产品都会经历技术为王、产品为王、运营为王、商业模式为王的过程，电商行业的商业模式已经有人验证是可行的，剩下的就是如何更好的运营。

说回本章的重点——“数据”。作为一个电商PM，你需要知道下面这些数据代表什么。

如果说，一个电商平台要建设一套数据统计系统，一定少不了上面任何一个数据。大家都知道电商包罗万象，一个电商平台的诞生，所涵盖的基础模块非常多，关于数据统计的工作量可想而知。

在统计数据前，需要给各个模块添加数据埋点，所以必须清晰每个数据对应的含义，定下的规则避免后期反复修改，影响数据的准确性。

对于平台型电商而言，需要统计的数据大致分为平台数据与商家数据，接下来我们则一一为大家分享这些数据对应着什么。

1、平台数据

平台数据一般会统计“客户数据”、“流量数据”、“渠道数据”、“商家概况”、“商家数据”。

（1）客户数据

作为平台方，我们关心的客户数据如上图所示，一边是来自社交平台的粉丝，一边是来自平台自身的客户。

• 关注数：指客户对（平台的）社交平台关注数，包括对微信，微博等的关注；
• 净增长粉丝数：指新增的粉丝量与流失的量之间的差额；
• 流失粉丝数：指流失的粉丝数；
• 环比增长率：同比上期，增长粉丝数的比例，公式算法：（（这期-上期）/上期）*100%；
• 注册客户数：指已注册了平台账户的客户数；
• 会员数：指成为平台会员的客户数（各个平台规则不同，例京东会员则￥198/年）；
• 非会员数：指未成为平台会员的客户数；
• 新注册客户：筛选期间内，同比此前新增的注册客户数；
• 日活跃客户：（一般对APP而言）以设备ID为依据，1天（00:00-24:00）之内，访问App的不重复客户数；
• 月活跃客户：（一般对APP而言）以设备ID为依据，指1月之内至少访问一次APP的独立客户数；
• 客户性别：客户性别，一般分为男，女，未知；
• 客户年龄：客户年龄；
• 客户地域：指客户的设备定位区域；
• 消费水平：指客户在平台消费后平台给与的等级划分（基础建设可先不计算这一数据）；
• 渠道客户：指来自不同渠道的客户（例网红直播从快手引流至淘宝，则该部分客户为淘宝的渠道客户）；
• 访问时段：指客户访问的平台的时间段分布。

（2）流量数据

• 独立访客（UV）：（一般针对H5/PC）指访问平台的一台电脑或客户端算为一个访客，00:00-24:00内相同的客户端只被计算一次；
• 页面浏览量（PV）：（一般针对H5/PC）指页面访问量，每打开一次页面PV计数+1，刷新页面也是
• 访问次数：指客户从开始访问平台到最终离开平台，计为1次访问。若客户连续30分钟没有访问新页面和刷新页面，或者客户直接退出，则定义为本次访问结束；
• 跳出率：指客户只访问了首页就离开的访问量与所产生总访问量的百分比；
• 访客地域：指客户访问平台时设备/客户端定位的区域；
• 访问页面：指客户访问的页面；
• 访问品类：指客户访问的商品品类；
• 访客年龄：指访问平台的客户的年龄；
• 访客支付转化：指客户在每一个页面的访问量的占比率（例访问首页100人，详情页50人，购物车30人，支付页10人，支付成功9人）。

（3）渠道数据

• 广告投放数据：指平台投放广告数据（指广告曝光量、曝光人数、点击量等，此处不细化）；
• 渠道分布数据：指平台各个渠道的分布情况；
• 渠道数量：指平台的渠道数量；
• 点击量：指从渠道导入的客户点击平台次数的累计；
• 导入UV：指从渠道导入流量的UV数据；
• 导入PV：指从渠道导入流量的PV数据；
• 导入访问次数：指从渠道导入流量的访问次数；
• 平均访问时长：指从渠道导入的客户的平均访问时长；
• 订单笔数：指从渠道导入的客户的总下单笔数；
• 付款笔数：指从渠道导入的客户的总付款笔数；
• 订单金额：指从渠道导入的客户的总下单金额；
• 付款金额：指从渠道导入的客户的总付款金额；
• 转化率：指从渠道导入的客户付款订单数与下单数的比率，订单转化率（计算公式：付款笔数/订单笔数）；
• 跳出率：指从渠道导入的客户的跳出率。

（4）商家概况

• 商家数量：指平台的商家总数量；
• 地域分布：指平台的商家区域分布（根据入驻时填写的地址统计）；
• 品类分布：指平台的商家的品类分布概况（例家电数码100家，服装服饰5000家等分布情况）；
• 商家类型：指平台的商家类型分布情况（例品牌店1000家，厂家200家，经销商300家）；
• 投放模块：指商家在平台投放流量的模块；
• 投放金额分布：指商家在平台投放流量的金额分布；
• 投放占比：指投放流量的商家占比平台总商家数量。

（5）交易数据

• 下单笔数：指商家的下单笔数（可按某个商家筛选，不筛选则指整7个平台商家的下单笔数）；
• 付款笔数：指商家的付款笔数（可按某个商家筛选，不筛选则指整个平台商家的下单笔数）；
• 下单金额：指商家的下单金额（可按某个商家筛选，不筛选则指整个平台商家的下单笔数）；
• 付款金额：指商家的付款金额（可按某个商家筛选，不筛选则指整个平台商家的下单笔数）；
• 复购人数：指不小于1次在商家增涨商品的客户累计总数；
• 订单状态分布：指订单状态的分布情况（例待支付50单，待发货60单等）；
• 订单金额分布：指订单金额在多个区间范围内的分布情况（例订单均额在300-500的500单，500-1000的200单等）；
• 订单渠道分布：指订单来源于不同渠道的分布情况；
• 订单地域分布：指订单的收货地址区域总体分布情况；
• 转化率：指客户付款订单数与下单数的比率，订单转化率（计算公式：付款笔数/订单笔数）；
• 复购率：指客户增涨次数大于1次的次数占比总客户增涨次数（还有另一种算法，此处不细说）；
• 支付率：指付款客户数占比下单客户数，订单支付率（计算公式：付款人数/下单人数）；
• 支付金额：指客户在商家支付的金额总和；
• 支付方式：指客户在商家支付的方式总和（例支付宝、微信支付、信用卡支付等）；
• 币种类型：指客户在商家消费支付的币种类型（例现金、积分、消费券等）；
• 支付结果：指客户在商家消费支付的结果分布情况；

2、商品数据

• SKU数量：指商家SKU的数量；
• SKU销量：指商家SKU的销量；
• SPU数量：指商家SPU的数量；
• 一级类目数量：指商家一级类目的数量；
• 二级类目数量：指商家二级类目的数量；
• 三级类目数量：指商家三级类目的数量；
• 品牌数据：指商品所属品牌的数据情况。

3、客户数据

• 下单客户：指在商家下单的客户数；
• 付款客户：指在商家付款的客户数；
• 会员数据：指商家的会员数据（会员数、会员画像等）；
• 客户留存率：客户在某段时间内访问商家，经过一段时间后，仍然访问商家店铺的客户，被认作是留存客户。而留存率则是该部分客户占比此前的某段时间访问商家的客户数；
• 店铺收藏客户数：指收藏过商家店铺的客户数总和。

4、流量数据

• 访客数（UV）：指访问商家的一台电脑或客户端算为一个访客。00:00-24:00内相同的客户端只被计算一次；
• 浏览量（PV）：指商家页面访问量，每打开一次页面PV计数+1，刷新页面也是；
• 浏览次数：指客户从开始访问商家到最终离开商家，计为1次访问。若客户连续30分钟没有访问新页面和刷新页面，或者客户直接退出，则定义为本次访问结束；
• 浏览时长：指客户浏览商家店铺的平均时长；
• 访问时段：指客户访问商家店铺的时间段分布情况；
• 访问品类：指客户访问商家店铺的商品品类分布情况；
• 分享次数：指客户分享商家店铺或商家商品的次数总和。

5、营收数据

• 总营业额：指商家的总营业额；
• 待结算金额：指商家等待结算的金额（有些平台会将资金控制在平台内，等待结算后才到账）；
• 待退款金额：指商家店铺下待退款的金额；
• 已退款金额：指商家店铺下已成功退款的金额；
• 已到账金额：指商家已到账金额(一般用于提现，属于商家真实收入）；
• 退款率：指商家收到退款的订单笔数与同期成功交易（付款）的订单笔数的比率。

6、物流数据

• 待发货数：指商家还未发货的订单数；
• 已发货数：指商家已经发货的订单数；
• 已收货数：指客户已经签收的订单数；
• 平均发货时长：指所有商家的平均发货速度（计算公式=所有商家发货时长/商家总数）；
• 快递公司分布：指所有商家所使用的快递公司的分布情况；
• 未签收：指客户未签收的包裹数；
• 已签收：指客户已签收的包裹数；
• 已拒签：指客户拒签的包裹数；
• 待退回：指客户已申请退款，但包裹还未退回的包裹数；
• 已退回：指客户已经完成退货的包裹数；
• 签收时长统计：指所有客户的平均签收时长；

总结

到此我们就把所有基本的元素讲完了，如果你愿意花点时间阅读，你会发现这些数据并不难以理解，也不繁琐。作为电商PM，凡事都要能做到模块化，就以这个数据为例，将数据分块后，每一块的数据其实并不繁琐，所以我们只要记住一个模块，其他模块便能举一反三。

有人会问：即使看了这么多数据，也不知道怎么去建设一个数据统计系统。

其实很简单，这里的每一个模块都是并列的关系，在把模块关系确定下来后，用各种可视化的结果来丰富你的模块。

这些数据网上都有，为什么我又要重新写一遍，我觉得原因有两个：

其一，对于数据而言，人的大脑记忆力不够强，当你能够完整的整理一遍后，能够更有利于你清晰的理解和界定数据的规则。

其二，应该还是有很多童鞋需要这样一份完整的数据统计列表，在功能建设中，可以参考分享改进，也达到我的目的了。

最后的最后，再推荐给大家一款图形插件：百度的ehart，很好用，里面有很多案例选择，不必麻烦前端大神重新去写一遍。