漏斗原理
数据分析能够帮助我们更好地进行运营决策，数据分析能够很好的为转化用户提供参考与数据支撑。
商业领域的数据分析，就是为了给商业行为提供良好的数据预测以及效果评估，在互联网界也是如此。我们在目前商业环境所做的每一项活动都直接或者间接与用户有着联系，其目的本质都是一样，为了让用户成为你的消费者，更进一步的持久消费者。因此数据分析，也应该为转化用户提供参考与数据支撑。毕竟没有用户转化为消费者这个过程，所有的分析都是天方夜谭。数据的结论与行为的预测彼此就是一个循环论证的过程。
首先澄清一下数据分析其实并不是什么高深的学问，在现实的职场实战中，涉及涵盖的数据分析的方法以及复杂性是远低于在学校里习得的专业知识。什么卡方检验，方差分析，回归分析显著性检验等等在非用研以及非专业统计分析领域是很少涉及的。（当然那些学过数理统计学的专业人士也不屑于本文提到的内容，如果大家对这些看起来比较高深的分析方法有兴趣可以自行脑补）。本文只给运营以及一些涉及产品方向的岗位提供分析思路并结合实际案例对我所涉及的领域，抽丝剥茧，给大家一个更加直观的用户转化方面涉及数据分析的知识覆盖。
互联网的大用户概念我们可以直接简单粗暴认定为流量，这里的流量并不是指的简单的IP,UV,PV也可以指来电数，访客人数，人流量等概念既然是流量也就有其自身的数量。我们在对流量转化的数据分析时都会基于一种逻辑方案———流量漏斗转化模型进行分析。
原理很简单，我们可以形象的认为自身的互联网产品其本身就是一个虚拟的漏斗，用户在进行浏览到最终完成下单行为（或者其他我们认定的转化行为比如注册，关注，转发等）有多少被直接阻挡在了“滤网”之上，有多少顺利的达到了我们预设的“转化行为区域”。当然，我们所有的活动都并不是一锤子买卖，因此也要从横向（时间）维度来分析问题。持续的转化用户，保持老用户的消费活力也是分析工作的重中之重。当然，我们在转化流量不仅仅是指的转化的数量而且还指转化的质量，说的比较简单点，就是要提高单个用户的消费价值。在横纵两个维度方面，在这些层层“滤网”中，我们是如何透过这些数据分析问题的呢。
以大型电商网站下单流程为例，我将从流量来源-中间页面访问-详情页-加入购物车-提交订单-复购这几个阶段展开说明。
一，流量来源
流量进入主站的第一道障碍通过不同渠道进入的主站（或者该渠道引入流量的承接页），主站页面即是第一层“滤网”我们用穿过第一层滤网进入二级页面的通过率来衡量渠道的流量的质量。通常我们用来衡量页面的流量质量的指标包含如下：页面UV点击率，页面停留时间，跳失率。
想要通过第一层“滤网”，需要必要的动作就是产生点击行为，而点击行为会产生两个数据：页面UV点击率=页面点击总次数/页面UV数；跳失率=通过一个入口进入就离开的次数/通过该入口访问的总次数。点击率越高，说明页面呈现的内容有吸引力能够有效的吸引用户的关注；跳失率越高，说明页面呈现内容具备欺骗性，所呈现的链接内容和文案不具备吸引力。因此在进行第一层滤网的优化方面尽量提高页面的点击率，降低页面的跳失率。尽量让用户下沉到二级页面（或者目标页面）。同时通过这个数据也可以判断流量来源的质量是否过关。
一般而言，页面低质量的流量判断往往符合以下几个特点：在排除页面问题的情况下产生的：1，低点击率；2，高跳失率；3低页面停留时间。
这些低质量流量产生的原因主要有几个方面：1，渠道引流上呈现的文案内容与承接落地页面不符。2，投放渠道上，与目标用户活跃范围不符的渠道，也就是说投放的渠道不精准。3，承接页出错等以及其他原因（包含但不限于404错误网页过期，跳转出错等）。
既然说到这，顺便也给大家看看外部渠道的各种引流的优劣：
以上表格内容，并不一定十分准确，大家可以抱着批判的态度研究论证一下。
二，中间页面访问
在页面访问阶段，流量成功通过第一道“滤网”进入到中间页阶段，中间页包含：搜索列表页，专题活动页面，频道页面等。不同的中间页也有不同的数据指标反映着页面内容的好坏以及流量的走向。中间页的好坏考量最终是有多少访客进入到了商品详情页，因此有一个指标非常重要：UV到达详情页转化率=详情页UV/中间页UV
搜索列表页
搜索列表页在大型电商网站中有着不可代替的重要作用，也是站内流量的主要来源，承接着站内商品检索，品类布局的重任，区分搜索页面与列表页面主要是看链接字符，搜索页面的链接往往包含search字符，列表页（或者可以叫类目页）链接包含list字符。搜索页为依据用户输入的关键词来进行整体检索后呈现给用户商品陈列页面。而列表页则是与网站商品类目后台直接关联，呈现品类最全的页面。两者的功能都是为了给予用户更好和更快的定位到想要查看的商品（或者内容）。以下为分别为几个B2C电商的的搜索和类目页链接的开头：
京东搜索：https://search.jd.com/Search?keyword=关键词代码
京东列表：https://list.jd.com/list.html?cat=列表页代码
苏宁搜索：http://search.suning.com/关键词代码
苏宁列表：http://list.suning.com/列表代码
其他就不一一列举了，搜索列表页的数据指标的考核目的就是为了能让用户更加精确快速的找到自己的想要的产品，因此在这一级的页面中数据指标包含如下：
搜索点击率=点击次数/搜索次数；这个指标衡量搜索页面的呈现质量，理论上而言搜索点击率要在200%及以上才是比较健康。（不绝对）
UV到详情页转化率=详情页UV/搜索或者列表页UV；该指标在搜索和列表中同样适用，用来平衡点击率的作弊可能，也是反映三级页面呈现质量的指标之一。
搜索无结果次数：用以反映关键词涉及的品牌品类缺失或者未关联指标。当然搜索无结果词的次数是越低越好。对于搜索词呈现结果为空的品类，需要综合评估后决定是否对相关类目开启招商，引进产品线；对于未关联的品类需要着重优化页面重新关联。
搜索结果页首屏点击率=搜索首屏点击次数/搜索次数；该指标用以衡量搜索结果首屏的商品排序质量与呈现质量。该数据指标的好坏可以间接的反映出搜索词呈现的页面排序是否合理，是否符合用户的需求。同理列表页的首屏指标也与此一样只是名称不同而已即列表页首屏点击率=列表页首屏点击次数/列表页PV.
搜索次数：搜索词产生的搜索次数。（可以理解为搜索PV）一个搜索词的搜索次数高表示该词所涉及的类目需求量高，反之亦然；如果是在列表页则为访问PV
搜索人数：搜索词被多少人搜索的数量（可以理解为搜索UV）；一个搜索词的搜索人数高表示该词所涉及的类目需求量高-主要是为了防止出现搜索次数作弊的情况，反之亦然如果是在列表页则为访问UV
高级筛选项点击次数：在搜索列表页中，页面顶部的高级筛选项是为提供快速定位而设立的，高级筛选项的点击次数和使用率也可以为运营人员提供商品热度参考。举个例子：在客人搜索“单肩包”或者访问单肩包的列表页，在这些页面中都会出现比如材质，价格款式等参数项来给用户选择筛选，通过监控页面的筛选参数的点击次数，可以得到相关“单肩包”哪些款式哪些材质多少价位是消费者主要关注的，并以此来进行主推产品的规划。
在理出了这些指标之后，如何分析这些指标数据呢？
根据搜索词的搜素次数搜索人数重点关注排名靠前的高搜索量的关键词，搜索量高，代表关注度高，接受性强。
热门搜索词关注其点击率与详情页到达率。分为几种情况：一，点击率过高，UV到详情页到达率一般，可能出现了点击作弊的情况（商户用来刷新排名）；二，点击率高，到达率也高。说明该关键词的搜索结果页面运转良好同时也说明该关键词页面排序合理，反之则需要优化。
高级筛选项参数点击次数过低，使用率较少则需要重新设置高筛项展示项目。提高使用率。
对于搜索无结果的关键词则需要进行深度分析，是否是系统问题或者为未涉及未引进的产品，并反馈给招商采购部门用以提供采购参考。
总结归纳：针对搜索列表页的数据分析归为3点：高搜索词重点优化提高点击转化；无结果词分析反馈；页面点击注重高筛适用率方便用户快速定位。
分析逻辑：以让用户下沉到详情页为目的逐一分析，各个击破。
频道页/活动页
频道页和活动页是常规三级页面，在B2C电商中起着常规类目集合体和活动流量承接页的作用，在频道页和活动专题页上也有着数据的计算和分析逻辑，其主要的数据指标也是让用户下沉至详情页。（基于这样一种假设，用户只有在详情页才有可能产生转化，这种假设已经被证明-至少绝大部分情况是这样。）频道页和活动页虽然具体的数据指标与搜素列表页有所不同，但是他们的最终目的都是相同的。频道页活动页的数据指标包含：
点击率=页面点击数/页面UV数；一般情况而言，点击率用来衡量频道页入口链接图和轮播图的质量，是否吸引人，文案是否贴切相关，当然也能形容商品的铺排是否合理。
到达详情页转化率=到达详情页UV/页面UV；用以形容活动页的产品铺排布局是否合理的指标之一。当然有时候活动页也是需要考核成交转化率=成交件数/详情页UV，有时候还包含页面停留时间的维度。
低点击率的区域可能存在以下几种原因，一，是图片以及图片里的文案不能吸引消费者点击，需要调整。二，产品头图展示样式不合理需要调整图片内容或者调换商品。三，展示区域位于首屏以下，关注度不高-需要调整展示位置。
分析逻辑：还是以用户下沉为目的，分析涉及的元素逐个排查。
三，详情页&购物车&订单
详情页作为流量转化的关键页面，是前台承载商品信息的最基本单位。也是用户是否决定下单购买的最最重要的一环。因此在分析详情页的时候，数据指标更多的是详情页的质量和它的转化率。当然这两者是相互联系的，从现有的数据来看，详情页的质量高低与其转化率确实是存在正相关的关系。而详情页质量的高低从数据的量化反映来看有两个数据指标：一，平均页面停留时间；二，加入购物车数。
平均页面停留时间=页面停留总时间/访问UV数该指标与页面的呈现布局有着明显关联，包含商品参数介绍，详情图片描述，客服在线情况，好评率等。
加入购物车数：用以反映该商品有多少有意向购买者，为即将转化的关键步骤。加入购物车的数量多少由基本以下几个因素决定：
详情页页面综合质量（图片，排版，展示，参数说明，售后信息）；
在线客服综合服务指数（响应时间，在线时长，答复满意度）；
评价信息（好评率，差评回复内容，晒单信息）。
从数据的角度讲，详情页反映出的问题仅仅通过一个平均访问时长是很难概括的，没办法分解到具体某一个细节来层层分解问题。不过这个时候“经验”的加入就能很好的平衡这一点。这里的经验表示已经经过了长期的实践且数据论证的结论。（这里给大家安利一下数据观点：数据不是万能的，有时主观的判断更具代表性，这也是为什么这个世界上有着那么多的出人意料产品和逆风而上的创意）
购物车是一个特别有趣的设置，对于快消品标准品的电商网站来说，设置购物车一方面是为了节省用户挑选多个商品的付款时间，更出现了一个更加意想不到的好处，就是提高了客单价。在配合满减用券等促销手段的帮助下购物车必然能够起到事半功倍的作用。
在购物车中如果大量积压了客户选购的商品，如果用户始终没有进行下单支付，即加入购物车数较大，这个时候则需要采用短信催付，邮件催付，以及APPpush等手段来促进用户转化。
订单页面是纵向转化的最后一环，在这个界面最主要的目的就是尽量让用户尽快付款，达到最后的转化。考核的数据为：有效订单转化率=成交订单数/有效订单数，在这个阶段促成转化是较为简单的如果有效订单转化率较低就要分析是否支付页面存在问题，系统提交流程是否出错等。在排除系统问题后同样可以使用短信apppush邮件等手段进行催付。
最后作为总览全局的用户转化指标：UV成交转化率=成交订单数/页面UV数
作为考核整体用户转化的指标；平均UV价值=成交金额/页面UV数作为考核整体用户质量的指标，值越高，表示质量越高。
总结：层层下探，逐个击破直到完成付款
四，复购（横向持续转化）
有句老话说的好，叫不做一锤子买卖，因此这里就涉及到一个新的指标：
复够率=一段时间内重复购买的客户数/一段时间内产生购买的客户数，该指标则要求我们从横向时间维度来分析数据，也很容易理解。有据可查，一个成熟期的购物网站其老用户贡献的销售额占据总数的60%-70%之多。因此我们在看到流量漏斗的转化模型的同时，更加要加深对会员的分层管理，用良好的服务于产品以及具有创意和力度的活动维系你的老用户。
复够率过低：1，表示没有对老会员进行足够的唤醒，可通过短信push线下广告等等活动进行推广激活；2，也有可能近期投入的拉新的资源较多，导致新客增多降低了复够率，需要核实拉新活动的数据；3，超低价或者超优惠活动引流也会导致大量新用户引入，也会对复够率产生影响。上面的两点并不是对复够率有坏的影响，针对的客群不同，数据也应有所取舍。
以上就是针对电商下单流程的整个过程，当然有很多模块并没有提及，比如智能交叉推荐等。大家只需要理解其中的数据分析的逻辑即可。不同的页面，不同的时间，转化用户的目的不同，根据各个阶段的目的，分析不同事件节点的数据，层层推理即用户数据的分析之道。有关会员管理的相关数据（唤醒激活留存）大家可以自行度娘脑补，不再赘述。
安利几个针对数据分析中的几点小tips：
不要盲目相信数据，数据为王本身就是悖论，只有结果为王。
单日的数据波动较大不具备参考性，需要横向统计，分析趋势图，解释转折点
能变成图表就不要用表格展示。
分析结论简单化
以上观点，均属于个人见解，不代表权威性不代表绝对准确，谨慎采纳。
相关阅读
Java中Map的 entrySet() 详解以及用法(四种遍历map的
Entry 由于Map中存放的元素均为键值对，故每一个键值对必然存在一个映射关系。 Map中采用Entry内部类来表示一个映射项，映射项包含
此文章转载自：https://blog.csdn.net/heroacool/article/details/51014824迪杰斯特拉(Dijkstra)算法是典型最短路径算法，用于计算一
会话（Session）跟踪是Web程序中常用的技术，用来跟踪用户的整个会话。常用的会话跟踪技术是Cookie与Session。Cookie通过在客户端记录
如今泛娱乐平台的YY最初依托语音聊天起家，以陪我、比邻等的电话社交曾经也火爆市场，然而搜遍各大创业媒体，市面却鲜有一篇关于语音社
如今，代运营行业服务的类型越来越多，微信、网站、网店等几大类型都在各大信息平台都会有推广展现，就连网店也有代运营，但是代运营究竟