Excel数据分析在电商行业中的应用

南玉兰，闫拴虎

（1.国网电子商务有限公司，北京 100053；2.国网电商科技有限公司，天津 300309）

对电商行业而言，数据分析在电子商务运营工作中尤为重要，数据分析使电商行业很多工作的开展有据可依，如：描述性数据分析描述以往发生了什么，诊断性数据分析解决为什么会发生，预测性数据分析可以预测将来可能会怎么样，规范性分析指导该如何做[1]。对于企业而言，知道以往发生了什么、为什么发生、如何做、将来业务走势如何尤为重要，因为这关系到公司的长久发展。数据分析不是单纯地利用工具开展分析，而是有一套行之有效的流程，因为单纯的结论若脱离实际业务，数据分析将毫无意义，让数据分析与实际业务相关联，从中提取洞见，为企业发展提供参考，以减少未来的不可预料，是数据分析的根本意义所在。

对于数据分析，人们一般人会有2个误区：①认为只有专业研究人员或进行数据分析职业的电子商务从业人员才会进行深入的数据分析；②认为数据分析就是掌握多种工具和软件，甚至需要精通编程语言才能胜任[2]。其实，不论哪种行业哪种岗位，培养数据思维，掌握数据分析，会达到事半功倍的效果，比如考勤人员可以运用数据分析员工考勤，从到岗时间分析员工工作状态与实际工作产出的关系；电商行业应用活动频率及多样化与交易数据的关系，检测活动效果[3]；销售主管可以运用工作时长数据分析团队加班对绩效的影响；行政人员可以收集某个时段在工位人数数据，分析员工在什么时候容易疲惫，选择在疲惫时段增加几分钟活动；业务一线人员可以统计与客户联系频率及成交量，分析沟通频率与成交率之间的关系等[4]。由此可见，数据分析可以运用在各个场景，只要具备了数据思维，万事万物皆可分析。关于数据分析的具体实施，掌握多种工具是好的，但Excel具备数据分析的功能，且人人知晓，人人都会运用，不用非常专业，只运用其简单的公式计算及数据透视功能，亦可以满足绝大多数据分析的需要[5-6]。借助强大的函数、数据透视表功能，能快速、简便、高效、灵活地开展数据清洗、筛选及分析工作[7]。本文讲述了数据分析步骤并用案例展示数据分析在电商行业中的实际运用。

1 当前数据分析在电商行业中的运用

随着科技的进步和互联网行业的迅猛发展，电商交易已渗透至各行各业。人们可以利用电商交易进行网上购物、网上教育、网上点餐等。互联网在经济、政治、军事、医疗、教育等各领域都有着广泛的应用。电子商务便是依托互联网发展起来的，此种交易形式打破了时间、空间的限制，使得交易更加高效。只要电商企业和消费者之间存在联系，就会产生相应的商业数据。马云曾说过：“我们是通过卖东西收集数据，数据是阿里最值钱的财富。”由此可见数据的重要性。然而，单纯的数据是没有任何价值的，需要进行收集、归类、分析等高效处理，数据对电子商务产生作用才是有价值的。目前，数据分析在电商行业中的价值主要体现在用户洞察、精准营销、库存管理、未来预测4个方面[8]。

1.1 用户洞察

许多商家在用户购买过程中依靠数据对用户展开研究，准确地计算和掌握用户的兴趣与购买活动，形成用户综合特征画像，如用户的年龄、性别、所属行业、常用网络、所用终端、业务类别、使用时间和位置、场景等[9]。可以把客户进行分类，不同等级的客户采用不同的营销策略，提供不同的服务和产品，有效提高商品数据搜索功能的准确度，满足用户个性化需求，从而促进用户购买行为。

1.2 精准营销

精准营销建立在充分了解用户的基础上，通过用户洞察，了解用户的基本信息、行为数据等。电商企业通过精准的划分用户，迅速而准确地定位产品，从而提升营销精准度。另外，对于电商企业来讲，不能像传统企业那样，在空间上触达用户，所以每一笔订单、每一笔交易背后的用户，都是商家无形的财富，及时了解客户需求变化，增强用户黏性[10]。互联网具备社交属性，每个客户背后都会有庞大的社交圈，依托于用户洞察与良好服务，促使客户转发、分享等行为，从而扩大营销覆盖面。

1.3 库存管理

库存直接关系到公司的命脉，库存积压，产品流通速度缓慢，间接体现公司物资调配不合理、销售缓慢、生产过剩等问题，直接反映出公司经营异常[11]。与库存积压相反的库存不足，体现了公司销售预判能力薄弱、物资调配能力欠缺等问题。因为订单具备随机性、时效性，针对订单的取消、退换等变更行为，传统的库存管理模式下，沟通成本加剧，针对大笔订单，有严重的误差和滞后的可能性，最终导致企业损失利益。运用电商网络数据技术，搭建库存系统数据仓库，订单数据根据实际实时更新，商家可以实时了解商品库存变更状况。另外，根据市场供应的特点，及时掌握共需，相应地调整库存，利于企业提升资金利用效率，抵抗风险[12]。

1.4 未来预测

根据现有已发生数据，开展月度、季度、年度等多维度数据分析，利用同比、环比等方式，预测未来业务数据，协助企业及时调整人员配比、调整业务方案，利于企业提前做出合理化决策[13]。

2 数据分析实施步骤

2.1 提出问题或需求

分析数据的根源是解决一定的问题或具有某种需求，有问题或需求才会针对性地分析数据，从数据中得到问题的答案或满足需求，脱离实际的问题或需求，对数据开展“想当然”的分析，即使分析再透彻也是无用的[14]。

2.2 理解数据

理解数据包含2方面：①针对要解决的问题采集相应的数据集；②查看数据集中的信息，了解每个字段的意义和数据集的描述性统计信息。

2.3 数据清洗

数据清洗也就是数据的预处理，这占据了数据分析的大部分时间。只有清洗完成的数据才能用于之后的分析。数据清洗大致可分为7个步骤，即选择子集、列名重命名、删除重复值、缺失值处理、一致化处理、数据排序、异常值处理，每一步都需要针对具体情况具体分析。

2.4 构建模型

对清洗完成后的数据进行数据分析，通常是对业务问题进行具体分析，得出问题的答案。简单的构建模型是进行一些描述性统计分析，得出一些业务指标。

2.5 构建数据可视化

构建数据可视化就是将分析问题得出的结果用图形或图表的形式直观展示出来，便于相关人员理解。

3 运用数据分析步骤开展实际案例分析

以国网电商省管产业车辆交易平台数据为数据模型，开展数据分析，该数据主要体现各省采购数据及供应商销售数据等。

3.1 提出问题或需求

该业务在实际过程中，真正提出需求的关联到3方，即用户方、商城方、销售方。用户方需求集中在各省管产业管理部门需要知道本省采购数据及采购进度、各下属平台公司的采购表现；商城方即商城运营人员、业务人员，需要知道交易量及业务利润、各省下单数据及占比、明年预估数据；销售方涉及销售厂家和对应经销商，厂家需要知道各经销商销售数据。

综上，在提出问题或需求阶段，总结出以下3条需求：①各省采购数据及下单进度，以某个省为例分析下属公司采购表现；②分析现有交易额及业务利润、预估下一季度交易量；③以某厂家为例，分析其各省属地经销商销售数据。

3.2 理解数据

实际报表字段居多，根据需求，采集与问题相关数据集，将有关字段摘取至新表中。精简后的字段，如图1所示。

图1 数据分析保留字段

理解其中的信息，具体如下：商品数量为采购单位购买数量、供应商销售数量，商品总额为订单总金额，成本总额为运营方即商城方采购成本，原厂商名称为厂家公司名称，经销商名称为厂家各省属地经销商名称，订单生成日期为下单时间，平台公司名称为各省具有管控职能的省管产业单位，省公司名称为各省电力公司名称，作为各省下单的标识字段。

3.3 数据清洗

清除订单状态为取消和关闭的订单，保留有效数据。其具体操作为筛选订单状态字段，将交易关闭和申请取消的订单取消勾选，获取到实际有效订单，如图2所示。

图2 数据清洗保留有效订单

时间格式处理。因为要分析月度、季度数据，所以对现有日期格式进行调整，只提取月份，将时间改为月度显示。现有时间格式如图3所示。

图3 原始报表时间格式

修改为单元格格式与实际数值都为月份显示，以便于做数据分析，如图4所示。

图4 数据分析所需时间字段

按照以往的概念，只要设置日期的单元格格式即可，但修改的只是日期的单元格格式，而非实际数值，导致做数据透视分析时仍以实际数值显示，如图5所示。

图5 日期格式与实际日期数值不一致

因此，将订单时间列复制到新表中做数据处理，采用“分列”工具，将“年”和“月”后的时间删除。将时间列在新表中再次复制一列（为方便区分，称为B列），方便处理后跟源数据做比对，保证准确性。选中B列，按照数据—分列—固定宽度顺序操作，点击下一步，如图6所示。

图6 日期分列处理

在分列区域单机鼠标，添加分列线，并拖动使月份分离出来即可，如图7所示。

图7 日期分列增加分列线

日期选择YMD，如图8所示。

图8 日期分列后格式选择

点击完成，得到如下效果，如图9所示。

图9 日期分列完成

保留月份列，与原数据做比对，比对无误，处理月份数据，如图10所示。

图10 日期处理

3.4 构建数据可视化

数据清洗完毕后，利用数据透视表开展数据分析，同时，将结果可视化展现。

回顾需求提出阶段的3个问题，进行分析。

3.4.1 各省采购数据及下单进度

以某个省为例分析下属公司采购表现。选中整个数据表，插入数据透视表，字段列表中，勾选问题涉及的字段，即商品数量、商品总额、省公司名称，得到各省公司的采购数据（因涉及数据保密，数据为模拟数据，取部分数据，非真实数据），如图11所示。

图11 省采购数据透视表

将数据进行一致化处理，省份统一名称，金额以万元小数点后2位显示。

选中处理后的表格数据，插入图表，进行可视化展现，如图12所示。同样的方法也可以分析采购金额占比。

图12 省采购数据及采购数量占比可视化展示

3.4.2 分析现有交易额及业务利润，预估下一季度交易量

原始数据中，没有利润字段，需要增加一列利润字段，计算利润，利润=销售价－成本价。

更换数据透视维度，字段列表保留商品总额、订单生成时间及利润。参照如上方法，将结果采用图表可视化展现，如图13所示。

图13 月度下单金额及利润

从图中可以看出，2月份、6月份下单金额较多，因为春节后购买批复结果下达，2月份达到购买小高峰；其次每年6月份新车型切换，采购单位购买意愿旺盛。小高峰以前要准备充足人手来应对爆单，以保证服务质量。

预估下一季度交易量，从图表走势来看，第四季度相较于第三季度有下降的趋势。

使用Excel中用TREND函数来做粗略预测。对于实际业务来讲，第一季度因去年采购工作刚结束，各单位采购意向处于极为不均衡状态，采购数据参考性较弱，以二、三季度数据进行第四季度预测分析，以减小预测误差。

TREND函数：已知Y（必选），已知X（必选），新X（必选）。在案例中，X（必选）值为需要推测的月份，如图14所示。

图14 TREND函数的使用

最终预测数据如图15所示。

图15 TREND函数粗略预测三季度数据

TREND函数只做粗略预测，具体还要结合业务实际考虑。

3.4.3 分析各省经销商销售数据

以某厂家为例，分析各省经销商销售数据。更换数据透视维度，字段列表保留原厂商名称、经销商名称、省公司名称，如图16所示。

图16 各省经销商数据分析字段

筛选某个厂家，可以得到各省经销商销售数据，如图17所示。

图17 特定厂家不同区域经销商数据

根据以上方法，更改不同的字段列表，可以展开其他维度分析，分析的维度越多，发现的问题、得到的洞见越多。针对字段多的报表，使用不同的统计指标，得到的结果也不一样，对工作也会产生不同的指导意义。

4 结论

数据分析在电商行业中不可或缺，其对业务具有巨大的指导意义，利于企业进行精准营销、库存管理及人员调配等[15]。本文解除了只有专业人士及数据分析岗位的工作人员才有必要了解数据分析的误解，指出了无论哪个行业哪个岗位的人员都可以具备数据分析思维，数据分析可以运用于各行各业，以数据分析结果为思考，可以增强思考深度，让工作起到事半功倍的效果[16]。本文亦阐述了数据分析步骤，帮助人们理清思路，明白数据分析需要做哪些基础工作，方便顺畅地开展数据分析。Excel作为常用工具，很多功能往往容易被忽略，本文借助此工具并结合实际案例，按步操作，应用数据透视表作为数据分析基础工具，借助函数、筛选、统计、分类等[17]，演示了数据分析在电商行业数据中的应用，对于想了解数据分析的人员，具有鲜明的指导意义。