-
讓品牌有溫度、有情感
專注品牌策劃15年
-
當前位置：首頁 > 創(chuàng)意學院 > 技術 > 專題列表 > 正文
電商數據查詢（電商大數據查詢平臺）
發(fā)布時間：2023-04-14 07:28:34
稿源：
創(chuàng)意嶺 閱讀：
94
大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于電商數據查詢的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。
開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等
只需要輸入關鍵詞，就能返回你想要的內容，越精準，寫出的就越詳細，有微信小程序端、在線網頁版、PC客戶端
創(chuàng)意嶺作為行業(yè)內優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008
本文目錄:
一、電商API都有哪些數據？什么作用？
電商 API 通常提供以下類型的數據：
1. 商品和價格信息：提供商品的屬性、價格、庫存量以及其他相關信息，方便在線商店管理和維護商品信息。
2. 購物車信息：提供購物車中商品的信息，包括商品數量、價格、名稱、圖片等。
3. 訂單信息：提供訂單的相關信息，包括顧客信息、商品信息、支付方式等。
4. 物流信息：提供訂單的狀態(tài)、物流信息、包裹跟蹤信息等，方便顧客查詢訂單狀態(tài)。
5. 營銷數據：提供當前活動、優(yōu)惠券、打折信息等，增加顧客購買的動力和促進銷售。
電商 API 的作用包括：
1. 提高效率：API 可以自動化地進行數據更新和管理，提高在線商店的效率和效益。
2. 提供連接平臺：不同的電商平臺之間可以通過 API 進行數據連接，方便商家在不同平臺展示和銷售商品。
3. 改善用戶體驗：API 可以提供更準確、更快速的數據查詢和展示，改善顧客購物體驗。
4. 促進商業(yè)生態(tài)：API 可以方便開發(fā)者進行二次開發(fā)，提供更多應用和服務，促進商業(yè)生態(tài)的發(fā)展。
總之，電商 API 可以方便、快捷地獲取電商平臺的相關數據，為商家的數據管理、顧客體驗、銷售和營銷提供有效的支持和幫助。
二、抖音電商數據一個周期多少天
抖音電商羅盤數據可查詢周期延長!
在抖音電商羅盤的日常使用中,多數模塊支持按7天、30天、90天、自然天、自然周和自然月查看數據,但羅盤目前僅提供最多90天/12周/3個月的數據分析功能。如果商家需要查看90天/12周/3個月之前的數據來分析自身經營狀況的進步情況和對比分析,目前羅盤的數據周期無法幫助商家實現這個功能。
三、如何用SQL分析電商用戶行為數據（案例）
本文以“淘寶用戶行為數據集”的分析全過程為例，展示數據分析的全過程
——使用工具：MySQL，Excel，Navicat，PowerBI
——分析類型：描述分析，診斷分析
——分析方法：漏斗分析，用戶路徑分析，RFM用戶價值分析，活躍/存留分析，帕累托分析，假設驗證分析。
（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號后臺回復“用戶行為分析”領?。?/p>
（目錄如下）
1.分析流程和方法
當沒有清晰的數據看板時我們需要先清洗雜亂的數據，基于分析模型做可視化，搭建描述性的數據看板。
然后基于描述性的數據挖掘問題，提出假設做優(yōu)化，或者基于用戶特征數據進行預測分析找規(guī)律，基于規(guī)律設計策略。簡單來說：
——描述性分析就是：“畫地圖”
——診斷性分析就是：“找問題”
——預測性分析就是 ：“找規(guī)律”
在數據分析中有兩個典型的場景：
一種是有數據，沒有問題：需要先整體分析數據，然后再根據初步的描述分析，挖掘問題做診斷性分析，提出假設，設計策略解決問題。
另一種是已經發(fā)現了問題，或者已經有了假設，這種做數據分析更偏向于驗證假設。
2.淘寶用戶行為分析
本次是對“淘寶用戶行為數據集”進行分析，在分析之前我們并不知道有什么問題，所以需要先進行描述性分析，分析數據挖掘問題。
我們首先來看下這個數據集的元數據：
根據以上數據字段我們可以拿用戶行為為主軸從縱深方向提出一些問題，然后再從數據中找答案
縱向：
——這個數據集中用戶的日活躍和周活躍時間有什么規(guī)律嗎？
——在當日活躍的用戶次日，三日，四日……還有多少活躍？
深向：
——用戶從瀏覽到購買的整體轉化率怎么樣？
——用戶從瀏覽到購買的路徑是怎么樣子的？
——平臺主要會給用戶推送什么商品？
——用戶喜歡什么類目？喜歡什么商品？
——怎么判斷哪些是高價值用戶 ？
下面是叮當整理的常用分析方法：
我們可以給前面的問題匹配一下分析方法，便于后面的分析：
為了便于后面的數據分析，在分析之前我們需要先對做一下清洗
看元數據（字段解釋，數據來源，數據類型，數據量……）初步發(fā)現問題為之后的處理做準備。
確定缺失值范圍，去除不需要字段，填充缺失內容
根據元數據格式和后續(xù)分析需要的格式對數據進行處理
去除重復值，異常值
——去除重復值：并把用戶ID,商品ID，時間戳設置為主鍵
——異常值處理：查詢并刪除2017年11月25日至2017年12月3日之外的數據
查詢并刪除小于2017-11-25的
——驗證數據：
——分析思路：
——SQL提數：
——Excel可視化：
活躍曲線整體為上升狀態(tài)，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。
用戶在周六周日相比其他時間更活躍（周六周日為休息日，用戶有更多時間）
一天內用戶活躍的最高峰期為21點（用戶在這個時間段空閑較多）
——分析思路：
——SQL提數：
列出每用戶每天及當天后面又活躍的日期，并創(chuàng)建“活躍時間間隔表”用于后面求次日存留，三日存留……
對“活躍時間間隔表視圖”引用進行分組統計，計算每日存留人數并創(chuàng)建視圖
對存留人數表進行計算，統計活躍用戶留存率
——Excel可視化：
——分析思路：
——SQL提數：
-把各種用戶行為分離出來并創(chuàng)建視圖方便后續(xù)查詢用戶行為數據
查詢整體數據漏斗
——Excel可視化：
用戶從瀏覽到購買整體轉化率2.3%，具體主要在哪個環(huán)節(jié)流失還需要再細分用戶路徑分析
——分析思路：
——SQL提數：
——PowerBI可視化：
用戶從瀏覽到購買的路徑主要有4條，路徑越長轉化率越底
路徑1：瀏覽→購買：轉化率1.45%
路徑2：瀏覽→加購物車→購買：轉化率0.33
路徑3：瀏覽→收藏→購買：轉化率0.11%
路徑4：瀏覽→收藏→加購物車→購買：轉化率0.03%
——分析思路：
——SQL提數：
——Excel可視化：
——描述性分析：
瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對越小，同階梯內的商品越多。
瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠超其他類目。
——分析思路：
——SQL提數：
查詢計算商品轉化率，升序排列，取前100個
——Excel可視化：
——描述性分析：
從商品看：有17款商品轉化率超過了1。
從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉化率TOP100的商品中。
——分析思路：
用戶價值分析常用的分析方式是RFM模型
本次分析中的R,F,M具體定義（僅用于演示分析方法，無實際業(yè)務參考價值）：
——SQL取數與分析：
1）建立打分標準：先計算R,F的值，并排序，根據R,F值最大值和最小值得區(qū)間設計本次得打分標準
-查詢并計算R，F值創(chuàng)建視圖
-引用RF數值表，分別查詢R,F的最大值和最小值
-結合人工瀏覽的建立打分標準
2）給R，F按價值打分
3）計算價值的平均值
4）用平均值和用戶分類規(guī)則表比較得出用戶分類
——Excel可視化
通過描述性分析得到可視化的數據后我們一般會先看一下是否符合業(yè)務常識
如果符合常識接下來我們會通過與行業(yè)平均數據和本產品的同比環(huán)比對比看是否正常，如果不正常就要找原因，設計解決方案，如果正常那就看是否有可以優(yōu)化的地方。
我們首先來看一下這些描述性分析是否符合業(yè)務常識和指標是否正常：
1.活躍曲線整體為上升狀態(tài)，同為周六日，12月2號，3號相比11月25日，26日活躍度更高。
2.用戶在周六周日相比其他時間更活躍
3.一天內用戶活躍的最高峰期為21點
4.從2017年11月15日致2017年12月3日，活躍用戶新增38%
5.從2017年11月15日致2017年12月3日，活躍用戶次日留存增長18.67%，當日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。
6.用戶從瀏覽到購買整體轉化率2.3%
7.用戶從瀏覽到購買的路徑主要有4條，路徑越長轉化率越低。
8.瀏覽量top100的商品瀏覽量呈階梯分布，越靠前的階梯之間的落差相對越大在這個階梯中的商品越少，越靠后商品瀏覽量階梯之間的落差相對越小，同階梯內的商品越多。
9.瀏覽量TOP100的商品所屬類目中，4756105，3607361，4357323三個類目瀏覽量遠超其他類目。
10.從商品看：有17款商品轉化率超過了1。
11.從類目看：這些商品所屬類目分布均勻，除965809，4801426，2735466，2640118，5063620，4789432，2945933這7個類目之外，其他類目都只有一個商品在轉化率TOP100的商品中。
根據以上診斷分析我們梳理出了以下假設，做假設驗證。
假設1：這些商品中有高轉化率的爆款商品
對比瀏覽量TOP5的商品，發(fā)現這些商品轉化率在同一類目下并不高，假設不成立
假設2：4756105，3607361，4357323三個類目屬于高頻剛需類目
-創(chuàng)建類目購買頻次表
-計算類目購買頻次平均值
-查詢4756105，3607361，4357323三個類目的購買頻次
4756105，3607361，4357323三個類目的用戶購買頻次明顯高于平均值，假設成立
假設3：有部分用戶是未點擊商詳直接從收藏和購物車購買的。
用戶不是直接從收藏和購物車購買的，只是后續(xù)復購未點擊商詳，假設不成立
假設4：淘寶推薦的商品主要是“同一類目下的高轉化商品”
用Excel對瀏覽量TOP100的商品ID和轉化率TOP100的商品ID進行去重，結果無重復值，假設不成立
3.結論：
1）用戶活躍：用戶活躍曲線整體呈上升趨勢，在一周中周六，周日活躍度比平時更高，在一天中用戶活躍曲線從凌晨4點開始往上升，在中午12點和下午5~6點有兩個小低谷（吃飯），到晚上9點時活躍度達到頂峰。
2）用戶留存：從2017年11月15日致2017年12月3日的用戶留存數據來看，淘寶的用戶留存數據較好，活躍用戶次日留存增長18.67%，當日的活躍用戶留存也在快速增長，第七日留存比次日留存高18.56%。
3）用戶轉化：整體轉化2.3%，用戶從瀏覽到購買的路徑主要有4條，路徑越長轉化率越低。
4）平臺推薦與用戶偏好：從數據集中的數據來看，排除用戶興趣偏好標簽，淘寶給用戶用戶推送的商品主要是高頻剛需的類目，促使用戶復購，流量回流平臺。
以上結論受數據量和數據類型的影響，并不一定準確，僅用來練習數據分析方法。
（考慮到閱讀體驗文章中只放了SQL截圖，如需PDF版本，再公眾號后臺回復“用戶行為分析”領?。?/p>
四、電商數據分析需要哪些工具呢？
進行電商數據分析，找一個靠譜的數據分析平臺就可以，情報通是市面上電商數據分析比較好的工具。
情報通可以提供淘系數據，包含天貓和淘寶的全類目行業(yè)銷售數據、品牌銷售數據、熱銷寶貝數據、價格分布數據、站內推廣數據、熱搜詞數據等，基本滿足日常調研的幾個維度。使用情報通，需要按照套餐付費，基本上老客戶都是常年合作的，可以詳細的查詢到行業(yè)數據銷售數據等。目前情報通能看到國內電商平臺淘系、京東的行業(yè)數據，境外Lazada等平臺的行業(yè)數據，以及抖音直播平臺的電商數據等。
要想了解更多關于電商數據分析的問題，建議關注情報通。情報通中的店鋪分析模塊可以查看競爭對手、自己和分銷渠道等任意店鋪最近、本月和上月所有寶貝銷量、均價和銷售額，每天密切跟蹤競爭對手、自己店鋪和分銷渠道等任意店鋪改名、調價每個記錄，通過制作各版塊分析圖支持同比數據，通過分析找到全新表現出色的分銷渠道。
以上就是關于電商數據查詢相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內容。
推薦閱讀：
贛公網安備 50019002502384號
