Appearance
06电商数据分析：京东App的详细产品分析
今天我讲一下京东 App 的详细产品分析。
目前电商数据分析比较成熟，整个分析脉络非常庞大，如果我单纯地讲一些分析方法可能会大同小异，所以本节课以零售的北极星指标（关键性指标）交易额为切入点，针对交易额的核心转化率做一些分析，并且对新用户的获取进行一些场景分析。
本课时分为四部分：
如何看待京东 App；
整体数据的分发效率；
漏斗分析；
新用户分析。
如何看待京东 App
当你拿到一个 App 时，首先是从用户视角去体验，以京东 App 用户视角为例（如下图所示）。
App 的主界面主要分为以下几个模块。
搜索：流量最大的入口。
广告 Banner：用于各种活动宣传。
导航：十宫格（超市、数码、美妆等十大类主要产品），受众覆盖广，分类相对比较稳定。
Feeds 流：电商+内容。
个性化推荐：实现千人千面。
底部 Button：五大主模块（我的、购物车、发现、分类、首页）方便快速查看。
首先作为分析师，视角要高于普通用户，除了知道有哪些功能模块以及所在位置以外，还要更深入且有层次性地去看 App。比如，当前产品有什么痛点，怎么样去优化？这里有三个问题需要你思考。
引流（场）：首页作为最大的带量位，分发效率怎么评估。
漏斗（货）：北极星指标交易额只是一个数字，更加重要的是理解这个数字转化的过程。
用户（人）：作为一款非常成熟的 App，老用户相对比较稳定，但新用户获取应该怎么优化。
其中引流是对整个 App 的整体分析，漏斗是对核心路径的分析，用户是对产品当前痛点进行分析。
整体数据分发效率
对于分发效率的评估除了要关注日活、留存、渗透率等常规指标外，还要找到能反映产品问题的指标。比如 CTR 和人均访问页面数，这两个指标就能很好反映产品问题。
- CTR：CTR = 点击 UV / 曝光 UV，反映用户点击欲望的指标。
点击 UV：每天有多少用户点击进入到页面。
曝光 UV：每天有多少用户看到了页面。
这个非常重要，因为只有点击才能产生交易，如果较小，首页问题较大。
- 人均访问页面数：总访问页面数（PV）/ 总访问 UV。
总访问页面数 PV：点击所有页面的次数总和是多少。
总访问 UV：点击所有页面的人数总和是多少。
因为存在一个人点击多次页面，所以只有多访问页面，才有可能产生交易。
围绕这两个指标，按照维度拆解方法可以发现更多问题。比如 CTR 突然低了，那是所有页面的 CTR 均低还是个别页面低？我以人均访问页面数来举例说明为什么这个指标非常重要。
这是 6 月 1 日到 6 月 30 日京东 App 的人均访问页面数 （下图所示，数据为模拟数据），可以看出在 6 月 1 日到 6 月 18 日，这一周呈明显上升趋势。
从上图可看出人均访问页面数在 6 月 18 日峰值非常明显，可以理解为京东 "618" 活动导致。基于这个发现，我们按照功能维度（搜索、十宫格、个性化推荐）进行拆解，拆解之后的数据如下图所示。
从上图可知，个性化推荐和十宫格并没有明显的上涨，而搜索的人均访问页面数有一个大增。因此我们可以有两个结论：
是首页对搜索的分发能力最强；
是"618"活动主要影响搜索这个坑位，因此在活动期间或者下一年的活动要把资源和人力都投入搜索，同样在发布版本时也需要观察这个重要指标。
基于日活、留存、渗透、分发效率，基本上就掌握了 App 的整体数据。作为一名优秀的分析师，除了要把自己负责的产品做好外，更重要的是不设定边界，要主动去了解整体数据。在这个过程中，你需要找到负责的产品跟大盘的数据关系，一般是以下三种。
该产品确实带来了大盘的提升。
该产品只是在抢大盘的流量，比如该产品模块的流量在涨，但是大盘在跌。
该产品部分在抢大盘流量，对大盘有部分提升，提升度是多少。
所以一定要找到业务功能与产品核心指标的关联性，并且要量化，一定要量化。
漏斗分析
了解完整体数据之后要看具体的细分数据，虽然整个 App 的坑位很多，但一切都是围绕交易额这个目标。因为电商交易额的本质是转化率，所以任何坑位都绕不开漏斗模型。从前面数据可知，所有的坑位中"搜索"是最大的流量入口，因此这里就以"搜索"为例，它整体的漏斗如下图所示。
这些漏斗按照普通用户体验一下产品就能够画出来，当我们知道具体的漏斗模型之后，接下来要知道每一层漏斗的影响因素。这里有三个方法：
请教老同事，因为他们的经验很丰富，对每一层漏斗的影响因子都非常熟悉；
买一些电商类的书籍回来查看，因为电商已经很成熟，所以市面上的书很全面；
用不同的测试机（苹果、华为、iPad 等）去体验产品，往往就有一些新发现。
下面我们来看下每层漏斗的影响因素。
搜索主界面的全部 UV：这是引流渠道，看用户是通过桌面图标进入搜索还是其他路径。
店面页 UV：搜索框搜索、热点搜索、语音搜索。
详情页查看 UV：客服、评论、店铺设计、商品属性。
加入购物车 UV：尺寸、颜色、数量。
提交订单 UV：物流、是否支持7天无理由退货、发票、运费。
收银台 UV：支付方式是否多样。
交易成功 UV：密码错误、冲动消费、界面异常、其他打断。
漏斗模型举例：在最后一步，用户到收银台准备付款，但是成功率只有 70%，这个时候就有问题------最后一步转化率太低。经数据分析工具排查，用户还没有到输入支付密码那一步，所以支付侧的问题不大，所以要去研究这部分用户在收银台界面还做了什么？我们先看下界面展示，如下图所示。
这是京东收银台，我们可以发现支付方式比较齐全，支持主流的银行卡、微信支付（这里没有支付宝，因为竞品关系），所以说在支付方式上问题不大。但是基于埋点数据发现有很多用户去点击右上角的订单中心，点击后如下图所示。
我们通过热力图模型发现有很多用户在点击地址这个位置，其实地址这个地方是点不了的，但是用户以为能点，因此就猜测很多用户因为地址错误又无法直接修改，没有耐心直接放弃支付。进一步就可以通过数据去验证，比如说用户研究或者直接在这里做一些地址修改的小版本上线。
我整个分析逻辑虽然简单，但在实际过程中非常考验分析师，除了各种底层数据表之间的关联之外，还有很多时候"基础建设"不一定允许。比如说这里热力图模型不一定有，这个时候就要去看用户行为数据。后来我专门去竞品淘宝 App 的订单中心看了一下，在它的订单详情页左下角有一个"更多"修改地址（如下图所示）。这代表淘宝之前必然是发现了有这样一个优化点，然后进行了全版本上线。
其实电商的大部分数据分析都会跟漏斗有关，除了经验之外，更加重要的是对产品本身的多体验。因为电商 App 页面太多，各种入口也非常多，而你作为一个用户，往往习惯已经固化，所以会造成思维固化。只有多去体验 App 的各种入口、各种页面、各个 Top ，你才能对用户数据有更好的了解。平时也要多向竞品学习，保持好奇心和敬畏心，只有这样，你才能慢慢关注到其他同学关注不到的点，而这些是培养良好微观体感的重要一步。
新用户分析
京东作为一款非常成熟，在一线城市有很多忠实用户的 App，当前在用户体量上还是与淘宝 App 相差较大，因此我们会看到京东与各方 App （微信、爱奇艺等） 战略性合作，共同拉新。
拉新必然就要衡量拉新效果和拉新优化，京东实际活动拉新效果内部数据我们肯定不太清楚，但是作为一名分析师，可以去看整个 App 在拉新上可以优化的点。拉新如果做得好，比老用户分析更容易出成绩。
同样以新用户产品体验为切入点，因为新用户跟老用户实际上最大的差异点，是新用户有一个新人大礼包，所以我们就看这个点目前有哪些优化空间。
新用户打开 App 时，会出现这样一个弹窗新人大礼包，如下图所示。
可以看到有一个 6 元的京东支付无门槛券，还有一个 35 元的京东全品类券，同时下面有"注册领取"按钮。在这个界面，用户除了点击右上角的"X"之外，只能点击"注册领取"，当点击"注册领取"之后就进入到第二个界面，如下图所示。
这界面有"新人大礼包""新人专享 188 元礼包" 主题文字描述，中间位置是不同金额的京东支付券、运费券、服装专享券、超市专享券等。这里超市券是满 79 元可用，电子文娱券满 499 元可用。这个界面你只能点击下面"立即领取新人大礼包"按钮，点进去之后就是注册 UV，所以我们肯定要先看一下优惠券的漏斗数据。
新人大礼包曝光 UV 是多少？
上一级，"注册领取"点击 UV 是多少？
"立即领取新人大礼包"点击 UV 是多少？
注册用户 UV 是多少？
这是新用户进来之后主要的过程。基于这个优惠券策略，我们分析下可以优化的空间。
逻辑性。作为一名新用户，对于任何 App 都比较陌生，所以第一感觉是先浏览。给用户发优惠券固然能提升用户的首日消费概率，但用户的第一想法是先逛逛，结果设置是引导用户去注册，这在用户视角上有点不通，点击率必然不会很高，很多用户会直接点那个"X"。如果用户要进行消费，可以在支付步骤或商品详情页处提醒要先进行注册。
优惠券分发。首页曝光的是 6 元京东支付券和 35 元全品类券，而在 188 元大礼包里面实际上有 8 元运费券、40 元电子文娱券、20 元超市券。对于一名新用户，京东支付就很陌生，35 元全品类券需要消费 500 元才能使用，要求有点高，是否可以做两点优化。
在首页优惠券曝光上，把 6 元京东支付券替换为每个用户都知道并且在意的 8 元运费券。20 元的超市券满 79 元就可以使用，这非常划算。所以可以把 20 元的超市券放在首页，具有一定概率的曝光。
京东本身的主流用户群体是电子，所以用 40 元电子文娱券去替换 35 元全品类券，一方面是优惠更大，另一方面会让用户有一定惊喜感，当然更好的是在优惠券推荐的时候也加入个性化（这一块京东肯定有数据，研究用户数据后再做处理即可）。
- 文案。"新人大礼包"详情页除了优惠券占用了中间坑位外，上下位置均没有有效内容，可以增加更多坑位曝光，并植入识别度高的文字。比如"可用"换成"立减"，因为"可用"是描述性词汇，用户不敏感，"立减"是动作性词汇，用户有感觉。
第三是文案："新人大礼包"详情页除了优惠券占用了中间坑位外，上下位置均没有有效内容，可以增加更多坑位曝光，并植入识别度高的文字。比如"可用"换成"立减"，因为"可用"是描述性词汇，用户不敏感，"立减"是动作性词汇，用户有感觉。
新用户与老用户相比，由于对 App 不熟悉，因此在漏斗环节，可能会有几个特征:
用户行为较为离散化，数据上可能有几个主要漏斗；
在某个环节转化率远比老用户低；
新用户当天以逛为主，不下单，过一定时间段后再下单。
数据分析师能做的就是：把自己当作一个新用户去体验各种路径，并对异常漏斗进行维度拆解（比如，是不是某个渠道的新用户转化率低引起整体偏低）。
总结
总结下今天的课程。
首先是首页分发效率，对于一款电商 App 来说，它的首页分发效率是最重要的。你在做电商 App 分析时首先要看首页的分发效率，这里如果有问题，那问题就比较大，相当于有很多用户进来之后，导流效果比较差，所以优化空间很大。
第二是漏斗模型，它不仅仅针对电商 App ，基本上所有 App 都会用到漏斗模型，这是很经典的分析方法。比如我们知道某一层到某一层的漏斗，但是转化率低，那为什么低？那这里面就有很多学习方法，看书、问一些经验比较丰富的老同事或者自己去揣摩。
第三是新用户分析，对于一款 App 来说，新用户分析难度会比老用户大一点，因为新用户第一次进入，"行为"变化比较大，所以新用户的分析会更加有挑战性和有趣感。
整个电商分析体系非常庞大，我们的课程只能挂一漏万，最重要的是你能学到一些东西。
你学完本课时可以思考下这个问题：你日常使用的电商 App 有哪些优化空间和思考点? 你思考后可以在留言区进行留言。