電子商務的三級分析方法：描述性、預測性和規範性

描述性、預測性和規範性分析數據是電子商務業務穩定發展的三大支柱。 您可能不會使用這些特定的定義，但您肯定已經使用了至少兩種此類數據來提高您的網站效率。

簡而言之，描述性分析旨在分析歷史數據，預測性分析——預測未來表現，規範性——為預測場景制定策略。

讓我們仔細看看每種類型的分析，並定義它們的具體用途。

分析數據作為改善客戶體驗的一種方式

分析的全球目標是：

• 識別和改進業務弱點
• 識別並增強其優勢
• 確定新的有效解決方案並找到有關如何實施它們的想法。

在電子商務中，分析工具現在可以衡量業務的各個方面：從運營流程到網站上的客戶行為。 但特別是在客戶體驗方面，數據分析是當今最令人興奮的科學。 根據《哈佛商業評論》 ，首先，原因在於以客戶為中心的文化，零售公司將其列為成功的最關鍵因素（高於管理層） 。

大多數大公司創建了一個單獨的部門，只專注於數字體驗。 例如，ASOS 的這樣一個部門有五個團隊：產品管理、用戶體驗、洞察與分析、客戶戰略與洞察和數據科學。 他們用於推薦或識別客戶終身價值數據的深度學習算法確實令人印象深刻。

儘管有GDPR法律，但幾乎每個電子商務網站都會收集客戶數據。 40% 的公司使用它來定製或個性化體驗，37% 的公司使用它來預測或預測消費者需求，20% 的企業使用它來創建全渠道體驗。 所有這些都與說明性分析有關，說明性分析總是包括描述性和預測性分析。

什麼是描述性分析？

這很容易定義術語“描述性分析”，因為它來自“描述”一詞。 基本上，這是您在過去特定時期內的表現統計數據。 在電子商務中，這可能是您的 Google Analytics（分析）帳戶中的所有指標，例如轉化率、客戶流失率、特定廣告活動中的 CPC、平均訂單價值或重複銷售次數等。 或者它可能是您的 CRM 數據——2018 年 5 月的收入或總銷售額，等等。

描述性分析使您可以監控哪些實施效果更好並產生更多收入，哪些實施效果不佳並推動您的業務下滑。 因此，這種類型的分析包括兩個主要階段：

• 數據聚合；
• 數據挖掘。

您可以使用描述性分析的一些目的：

• 檢查您的實際受眾；
• 深入了解消費者行為模式；
• 了解您的產品的整體需求並分析特定類別/細分/時間等內的需求。
• 評估營銷活動的有效性；
• 通過搜索查詢受歡迎程度檢查對產品的需求；
• 評估實際交付成本和時間。
• 比較不同時期之間的指標等等。

現代分析軟件主要是為描述性分析而設計的。 在測量工具的幫助下，您不僅可以在您的網站上，甚至在實體店中，都能收到幾乎所有客戶行為的報告。 例如，您可以跟踪產品頁面和實體店貨架上查看次數最多的區域的熱圖。 然而，時尚正在發生變化，許多工具現在都試圖通過預測分析功能來增強他們的服務。

描述性分析的成功很大程度上取決於您的 KPI 治理。 精心設定和安排的目標是進一步有效的預測和規範分析的堅實基礎。

什麼是預測分析？

所有旗艦電子商務公司都強調預測策略是決策過程、定價、運輸、營銷和個性化的必要條件。 就定義而言，預測分析是對當前和歷史網站以及營銷績效、消費者行為和購買模式的分析，以預測銷售趨勢並排除風險。

如果描述性分析需要“閱讀”數字和圖表的技能，那麼預測分析需要深入的知識，將這些數字解釋為“將會發生什麼？”問題的答案。

您設法收集和處理的歷史數據允許：

• 確定市場上最優惠的價格；
• 改善網站用戶體驗；
• 個性化促銷；
• 預測每個季節的需求量；
• 預測黑色星期五應該有多少經理支持客戶；
• 確定暢銷產品的相關產品；
• 尋找 A/B 測試的想法；
• 優化庫存；
• 加強您在銷售漏斗等各個階段的行動。

Dresner Advisory Services最近的研究表明，只有 23% 的企業使用預測分析，而 26% 的公司甚至不打算使用它。

您可能還對這篇文章感興趣：9 個推動電子商務營銷決策和銷售的 Google Analytics（分析）報告

什麼是規範性分析？

規範性分析已成為營銷界的流行語，是統計發現的自動化，以簡化您的運營決策並改善未來的無縫購物體驗。

算法來了。 他們使以下電子商務技巧成為可能：

• 向訪問者推薦您網站上最合適的產品，這些產品對具有相似行為模式的其他訪問者感興趣；
• 以高低平均支票向訪客顯示不同的價格；
• 控制庫存並在缺貨時通知您；
• 確定用戶接下來會購買什麼。

換句話說，業務分析的第三階段允許針對現有問題提出具體的解決方案，並在實時和歷史數據分析期間進行預測。

您可能還對這篇文章感興趣：如何分析您網站上的購物行為：5 個簡單步驟

您需要分析來自動化耗時的流程

電子商務分析的未來與人工智能技術相關。 根據透明度市場研究，預測分析軟件在 2019 年在全球範圍內達到了 6.5 B 美元。

Google Cloud ML（機器學習）引擎是在預測性分析和規範性分析的交界處執行的頂級多功能軟件之一。 它為零售商提供以下五種解決方案：

• 視覺產品搜索使在線商店可以將 Google 長度類型功能集成到他們的移動應用程序中。 宜家。 例如，它允許用戶拍攝家居物品的照片，以便在在線目錄中找到它或類似的物品。

• 推薦 AI允許零售商通過產品推薦系統改善用戶體驗，該系統根據特定客戶的偏好和品味提供個性化產品。

• Contact Center AI旨在通過 Google 的語音識別和搜索技術構建現代護理體驗

• AutoML Table有助於預測客戶需求。

• 實時庫存管理和分析允許跨貨架、過道和倉庫跟踪產品的可用性。

另一個用於預測分析的工具是排名第一的國際軟件Microsoft R Open 。 可以使用其他技術，例如高級更改檢測、核心和芯片技術等。分析服務用於客戶情緒分析、垃圾郵件檢測和路由客戶請求。

Profitect規範性分析平台使用處理 7 種數據的算法：

• 庫存變動；
• 每個銷售點的活動；
• 交付和接收；
• 物流和倉庫；
• 計劃和購買；
• 營銷業績；
• 循環商業。

該工具創建自己的場景，在不同的情況下採取什麼行動。 例如，系統會通知負責人某個 SKU 缺貨。 可以根據您的需要修改這些場景。 該公司承諾，他們的規範分析軟件可以幫助零售商提高 300% 的投資回報率。

您可能也對這篇文章感興趣：2019 年在線商店的 6 大電子商務分析工具

零售商如何使用預測性和規範性分析

使用分析算法最流行的案例研究之一是亞馬遜的專利“預期運輸”模型。 它處理有關先前客戶購買、他們的訂單頻率、購物車內容和搜索歷史的數據，以確保將相關產品運送到最近的消費者中心。 該軟件縮短了交貨時間並優化了運輸成本，幫助市場增加了銷售和客戶體驗。

ASOS 展示了另一個使用基於數據的定價軟件的例子。 該程序跟踪競爭對手網站上的價格和其他市場數據，以告知公司經理庫存的產品、選擇的價格以及折扣的時間和數量。 這家時裝零售商表示，使用這個工具，他們成功地將一年的銷售額提高了33% 。

結論

分析中的三級定性方法在電子商務業務發展中始終顯示出出色的結果。

描述性分析佔用了大部分時間——整個過程的60%-75% 。 這個階段需要深思熟慮地決定您將收集哪些數據、如何以及在何處使用這些信息，以及它可以為改善您網站上的客戶體驗帶來哪些好處。 由於對客戶購物模式和運營效率的洞察，歷史數據主要用於報告，是預測性和規範性分析的堅實基礎。

預測分析佔整個過程的20%-30% 。 根據調查結果，它可以預測和模擬未來事件。 這些數據用於機器學習，以預測關鍵受眾的平均支出、CPC 成本、價格波動、產品需求等。

最後，佔整個流程5-20%的規範分析旨在為預測的問題尋找自動化解決方案。 正在積極開發和改進的 BI 算法現在允許電子商務所有者避免人為錯誤，委託大量活動。 機器人現在可以控制大型企業並確保為每個客戶提供個性化的方法。 如果沒有規範性分析，我們就不會有亞馬遜或阿里巴巴集團，他們宣揚以消費者為中心的文化理念，成為這個市場的潮流引領者。