电商数据分析-运营诊断与分析-店铺诊断.pptx

;;;例6-1:某店铺发现业绩下滑,通过两个月地数据对比找出原因。; 将数据按树状结构呈现出来,形成杜邦分析模型,如图6-1所示,可知支付金额地下跌主要是拉新（新访客数）环节出现了问题。;例6-2:用Excel搭建具备自动刷新功能地杜邦分析模型。;选中Excel中地数据后,选择Power Pivot选项卡中地添加到数据模型选项,如图6-4所示。;如图6-8所示,选择日期对应地字段名,注意此时选择地是日历表地统计日期。; 如图6-10所示,在关系视图中将日历表与事实表地统计日期连接（单击鼠标左键选中事实表地统计日期拽到日历表地统计日期上方,松开鼠标即可）。 建立表关系后,如图6-11所示,选择数据视图选项回到数据视图。;将第三步计算地度量值添加到数据透视表地值域,如图6-14所示。 第五步:插入日程表。 选中数据透视表,如图6-15所示,在数据透视表工具中地分析选项卡选择插入日程表选项,单击插入日程表。;;例6-3:表6-3是某店铺地有关数据,该店铺流量（访客数）持续下降,通过数据找到问题并加以优化,数据采集自生意参谋取数板块,按天作为粒度下载文件。 解:按2.2.9节地步骤创建有关矩阵,如表6-4所示,与访客数地有关系数大于0.7地有:支付金额,支付买家数,支付子订单数,老访客数,新访客数,直通车消耗,正面评价数。其中支付有关地数据与访客数有算术关系,可忽略不看,重点关注新访客数,二者有关性高达0.99,新访客数与直通车消耗有关性高达0.94,可能是店铺拉新出了问题,其中直通车地调整可能是主要原因之一。正面评价数有关性达到0.71,也是强有关,应审视店铺地服务,消费者管理环节。老访客数地有关性达到0.85,虽然也属于强有关,老访客数与新访客数地有关性达0.81,因此重点关注新访客数即可。;