跳到主要内容

电商数据分析案例

场景​

你是某电商平台的数据分析师，近一个月 GMV 环比下降 15%，请分析原因并给出优化建议。

分析框架​

第一步：指标拆解​

GMV=访问用户数×转化率×客单价GMV = 访问用户数 \times 转化率 \times 客单价

进一步拆解：

GMV=UV×加购率×下单率×支付率×客单价GMV = UV \times 加购率 \times 下单率 \times 支付率 \times 客单价 
-- 电商核心漏斗分析
WITH funnel AS (
    SELECT
        DATE_FORMAT(visit_time, '%Y-%m') AS month,
        COUNT(DISTINCT uv.user_id) AS uv,
        COUNT(DISTINCT cart.user_id) AS add_cart_users,
        COUNT(DISTINCT ord.user_id) AS order_users,
        COUNT(DISTINCT pay.user_id) AS pay_users,
        SUM(pay.amount) AS gmv
    FROM page_views uv
    LEFT JOIN cart_events cart ON uv.user_id = cart.user_id AND uv.visit_date = cart.event_date
    LEFT JOIN orders ord ON uv.user_id = ord.user_id AND uv.visit_date = ord.order_date
    LEFT JOIN payments pay ON ord.order_id = pay.order_id
    GROUP BY DATE_FORMAT(visit_time, '%Y-%m')
)
SELECT
    month,
    uv,
    add_cart_users,
    ROUND(add_cart_users / uv * 100, 2) AS cart_rate,
    order_users,
    ROUND(order_users / add_cart_users * 100, 2) AS order_rate,
    pay_users,
    ROUND(pay_users / order_users * 100, 2) AS pay_rate,
    gmv,
    ROUND(gmv / pay_users, 2) AS avg_order_value
FROM funnel
ORDER BY month;

第二步：维度下钻​

-- 按渠道拆解 GMV 变化
SELECT
    channel,
    SUM(CASE WHEN month = '2024-01' THEN gmv END) AS gmv_curr,
    SUM(CASE WHEN month = '2023-12' THEN gmv END) AS gmv_prev,
    ROUND((SUM(CASE WHEN month = '2024-01' THEN gmv END) -
           SUM(CASE WHEN month = '2023-12' THEN gmv END)) /
           SUM(CASE WHEN month = '2023-12' THEN gmv END) * 100, 2) AS change_pct
FROM order_summary
GROUP BY channel
ORDER BY change_pct ASC;

-- 按品类拆解
-- 按地区拆解
-- 按新老用户拆解

第三步：根因定位​

检查维度可能原因数据验证方式
流量投放预算缩减对比各渠道 UV 变化
转化页面改版导致体验下降漏斗各步骤转化率对比
客单价大促结束，恢复原价平均客单价时序对比
品类某品类缺货分品类 GMV 贡献
用户高价值用户流失用户分层 RFM 变化

第四步：输出建议​

## 分析结论

1. GMV 下降 15% 的主要原因：
   - 付费流量 UV 环比下降 25%（投放预算 12 月为大促期，1 月恢复常态）
   - 3C 品类转化率下降 8%（竞品促销分流）

2. 优化建议：
   - 短期：恢复核心品类投放预算，增加 3C 品类优惠券
   - 中期：优化搜索推荐算法，提升自然流量转化
   - 长期：建立用户分层运营体系，提升高价值用户复购

面试应答要点​

答题框架：STAR-D
  1. Situation：明确指标和变化幅度
  2. Task：需要定位原因并给出建议
  3. Analysis：指标拆解 → 维度下钻 → 根因验证
  4. Result：量化结论 + 可执行建议
  5. Data：每一步都要有数据支撑

相关链接​