淘宝指数分析的阶段有哪些？（介绍淘宝指数分析的3个阶段）

电商以数据驱动决策，进行商务活动的电商新时代已经到来。数据分析，大致分为三个阶段。

一、数据呈现

第一个阶段是数据呈现，就是简单地展现出现有的一些数据，并做描述统计分析（最大值、最小值、平均值等）。

二、书架分析

第二个阶段是数据分析，是将不同的数据进行交叉分析，运用回归分析等统计分析方法。

三、数据挖掘

第三个阶段是数据挖掘，是将数据做更深层次的分析，运用数据挖掘的模型或相关算法。

数据驱动现在还鲜有卖家为之，多数是因为无从下手。其实从数据分析的角度而言，很简单。只要针对后台的数据进行解析即可，不用花费太多时间去建立新模型，利用现有的模型就可以做好分析。

简单的分析方法也可以借鉴市场营销中的波士顿矩阵、GE矩阵等分析法。再者，阿里集团提供了很多数据产品，如数据魔方、生意参谋、淘宝指数、阿里指数等产品给卖家做数据分析之用。

本文给大家介绍一个案例。该案例的数据由某淘宝店主提供，数据源来自淘宝后台订单数据，敏感信息（买家ID，产品ID等均做了技术性处理）。运用SPSS软件来做解析析。

每一次做营销活动，淘宝店主想知道哪些产品更适合做捆绑营销，以及哪些用户更具有营销的价值。

首先，我们看一下哪些产品更适合捆绑销售，全店近期共有200个宝贝的销售记录。

首先选择直观的网络图来发现潜在关联。网络图的基本功能是反映标志字段的值之间关系的紧密程度，通过不同类型线条来反映链接强度，线条越粗，说明链接越强。比如，买家一起带走某三件宝贝，那么这两件宝贝之间的频数就加2

因为宝贝太多，因此看起来密密麻麻，每个点代表一个产品（已经匿名处理），虽然密密麻麻，但从图中可以发现一个明显的三角形。这个就是强相关的产品。

在这里给网店卖家推荐快速提升宝贝排名技巧

“百度搜【豌豆电商】”门户网站 务必电脑登陆体验最佳效果

人工点击收藏加购流量，名师干货实操视频，登陆注册即可免费享用！

通过调节阈值后，可以看到下图的商品组合图。S287和S159必须捆绑销售，S2009也可以考虑跟两者组合在一起，但不作为首选。S2009和S3929也可以考虑组合捆绑。

但是，该店有200多个产品，应该要有更多的推荐组合才行，因此我们进一步找出商品的推荐规则。

关联规则挖掘常用的模型有Apriori和Carma。

Apriori算法是一种关联规则发现方法，侧重于找出某些特定时间一起发生的情况，以找出那些可信的并且具有代表性的规则。

Carma算法中文名字是连续关联规则挖掘算法，是Apriori的替代方案，提供比Apriori支持水平低得多的结果。

由于该店的宝贝数非常多，而且支持度不能太高，才能找出相应的推荐规则。因此这里选择Carma模型，以下是支持度为10%的结果，发现跟前面的网络图发现的关联是一样的。

就这几条规则，对应200多个宝贝是明显不够的。位了更好推荐宝贝，我们设置最低条件支持度为5%，就会出现很多规则。

不难发现该店的业绩是由店中两个爆款支撑的，因此其他宝贝的组合支持率会较低，但不能忽视这些关联规则。关联规则找出来后，还需要联系到现实实业中，来理解为什么买家会选择这种组合。最终，将关联规则应用到营销中来。

紧接着，该店要做一份营销方案，需要针对重点客户发起重点营销，并预测营销效果，制定营销目标。

一般，我们选择简单易用的RFM模型来定位促销名单。

RFM模型是衡量客户价值和客户创利能力的重要工具和手段，在客户关系管理(CRM)的分析中经常使用到的模型之一。

该模型主要有以下三要素：

•最近一次消费(Recency)

•消费频率(Frequency)

•消费金额(Monetary)

RFM模型是根据这三要素，把顾客分成5＊5＊5 = 125个样本段，对其进行数据分析，然后制定我们的营销策略。

该模型最大的价值在于可以从所有的历史客户群中迅速定位最有价值的客户，并通过随后及时的建立沟通，将其潜在购买转化为实际购买行为，从而进一步加强用户忠诚度，封杀竞争对手的市场空间。以下是该模型的细分架构。

以下是RFM模型输出的结果。

125个样本段的样本量是基本相同的。

频率为5分的这一组，平均购买金额要比其他组的高一些。而频率得1分的这一组平均购买金额是最低的。

该模型会计算出RFM得分，根据RFM可以对客户进行分区。比如，筛选出RFM得分大于400的为主要的营销目标客户（RFM得分介于[111,555]之间）。

接着，我们还要分析一下，究竟哪种客户最有可能响应此次的营销活动呢？我们可以根据这个来预测营销活动的效果。

我们把仅购买一次的买家定义为“1”，购买两次含两次以上的买家定义为“2”，并计算出均次消费金额。然后分析其响应率（以“2”为正响应值）。

可以看到第一组233<RFM<=355分并且均次金额>70.95元的这个分组买家响应率达到了98%，第二组355<RFM<=455响应率达到96.73%，第三组RFM>455响应率达到78.43%。响应率越高代表越有可能再次回购。这三组买家可以提取出来，可能是重点营销的对象。

随后，还可以通过对应解析或判别分析方法来检验以上的分类结果，如果通过检验就可以根据分析结果找出指定用户，做后续的营销方案和操作。

甚至我们还可以仔细到根据每个买家的消费历史（需要宝贝品类和属性数据跟其关联分析）来预测推荐什么宝贝，这个买家最容易买单。

通过这个案例，相信读者可以感受到数据化决策的魅力，就像是一场战役的总指挥影响着整个战局的胜败，通过数据分析找到最接近胜利的一条路径。