抖音电商与淘宝的区别 抖音确实已经成为一个国民级产品，但许多人可能不知道抖音电商的真正含义。人们可能会误解抖音电商只是将一个产品视频发布在抖音上，或者仅通过抖音进行微商活动。实际上，抖音电商属于内容电商的范畴，即通过内容来带动销售，抖音官方对此给出了一个更加洋气的定义——“兴趣电商”。它并非微商的升级版，也不是传统电商平台。 接下来，我将介绍抖音和平台电商之间的区别。在我们的认知中，淘宝是一个庞大的市场，所有的买家和卖家都可以通过这个大市场进行交易，它是一个交易平台。而抖音的定位是短视频社交平台，其核心在于分享生活、旅游、段子等多元化内容，展现美好生活。因此，我们不应将抖音视为一个类似淘宝的平台。 兴趣电商是指人们对于美好生活的向往，满足用户潜在购物兴趣，提升消费者生活品质的电商模式。抖音拥有良好的内容生态，拥有众多优质创作者、多元化的用户群体以及相对成熟的兴趣推荐技术。先进的算法根据用户的浏览记录、视频停留时间、完播率、点赞、评论和转发数等数据，为用户画像和内容画像提供依据。系统会根据这些数据对用户和内容进行匹配，并展示给用户喜欢的内容。 1）用户画像：系统会分析用户的基本信息（如性别、年龄、学历等）和兴趣爱好（如科技、娱乐、体育、金融等），然后定义相关的标签。 2）内容画像：系统会根据内容的层级分类、关键词和实体词等进行分析，为各类内容打上相关标签。 3）用户与内容匹配：有了用户标签和内容标签之后，系统会在内容池中匹配出用户喜欢的内容并展示出来。 4）排序：面对数亿级别的用户和内容，系统需要不断调整内容以更好地贴合用户需求。 相比之下，淘宝的消费行为通常是因为产生了某种需求，例如购买某件物品，然后通过搜索找到满意的商品后进行下单。而在抖音消费，往往是因为观看视频时被“安利”到某个商品，一时兴起便进行了购买。在抖音电商中，只要能够打动用户、激发起他们的兴趣，就可能触发他们的消费行为。抖音短视频在内容承载展示的效果超过传统电商的图文详情，提供了场景化的体验。 what（什么是数据指标体系）： 基于业务目标，搭建起的数据维度的集合，衡量和促进完成业务目标，做到可衡量、可行动。 why（为什么要搭建数据指标体系）： O（业务目标、Object）：用户侧，我们的产品或者功能存在的意义是什么？能够满足什么需求？公司侧，公司的核心目标是什么？是DAU还是GMV？从商业角度，很多公司会选取GMV。S（业务策略、Strategy）：为了达成业务目标，我们应该采取什么样的业务策略？M（业务度量、Measure）：衡量策略是否有效？目标是否达成？ 以抖音直播为例，这里以海盗模型（AARRR）及OSM耦合，搭建起业务目标图。抖音直播的关键业务指标可以简化为找到看直播的用户（进入直播间人数）→转化为经常看直播的用户（活跃用户数）→转化为收入（礼物金额、电商GMV）。 这里可以发现，在业务转化的每一个流程中，列出了很多指标，可以做一个简单的分类，分为结果性性指标和过程性指标，收益（Revenue）环节中，GMV就是结果性指标，同时，GMV结果性指标，也可以分解为过程性指标，GMV可以分为推广时长*直播间转化率*电商CTR*购买转化率*客单价。 UJM模型：搭建用户流转地图 什么是UJM（User Journey Map）用户流转地图呢？ 本质上来说就是梳理用户在产品中的完整使用流程，拆解用户所处的每一个阶段、了解用户阶段的行为、明确每个阶段的用户产品目标、发现产品与用户的接触点、最后从接触点中找到产品的痛点和机会点。 同样的，以抖音直播为例，构建一个简单的用户流转地图，解答流量从哪里来、用户在直播间的动作和用户后续的高价值行为这三个问题，并标注出用户在各个流程环节的转化率。 例题2 异动分析 GMV下降了20%怎么分析？（ GMV=访客数（uv）*订单转化率(cr)*单均价 ） 人货场角度（第一步 → (第二步) → 第三步 → 第四步）： 1、从人的角度来看。主要会考虑 ① 新老客户 ② 不同地区客户 ③ 不同渠道客户 ④ 是否VIP客户 ⑤ 不同获取方式客户 通过数据一一验证。例如，若数据表明，新用户带来的GMV同比下降25%，但老用户带来的GMV同比上升了1%，则可以将原因定位在新用户身上，推测是否拉新活动失效，导致新用户下单减少；若数据表明h5渠道客户GMV同比减少了70%，可能需要验证h5端是否能够正常的提交订单。 根据提供的内容，我们可以重构为以下内容： 2、从货的角度来看。主要会考虑 ① 不同品类 ② 不同价位 ③ 不同商家 通过数据一一验证。例如，若数据表明去年连衣裙品类产品的GMV占整体GMV比例高达40%，但GMV同比下降了30%，则大胆推测可能是由于连衣裙品类表现不佳，导致整体GMV同比下滑严重。若发现有一批去年同期十分活跃、产量较高的商家，今年没有上架产品，可能是因为商家维护、商家合作政策的变动，需要具体评估后考虑是否追回这批商家。 3、从场的角度来看。主要会考虑 ① 企业内部活动 ② 行业整体表现 同样通过数据进行验证。例如，若数据表明去年同期活动数量较多且GMV较高，而今年并没有开展类似的活动，可能推测今年GMV同比下滑是活动的影响。 逻辑树角度（第一步 → 第二步 → (第三步) → 第四步）： 提出第一层假设：GMV的同比下降主要受到 访客数、转化率、单均价 的影响。 验证假设，定位异常的分指标。 经验证，假设二：转化率的影响成立。 对【转化率】进行二次假设与分析 ，可利用人货场模型或者从产品、技术、运营侧考虑因素 暂时先考虑①下单页面流程的变动 ② 去年3月上线新活动 ③ 新产品上线效果不及预期 首先考虑 ①下单页面流程的变动。 一般会用漏斗分析（不知道漏斗分析是什么的……建议直接百度或者知乎）来观察数据。查看从【产品详情页】->…………->【支付成功页】的用户浏览转化漏斗，可能发现在【支付付款页】->【支付成功页】的转化率同比下降严重。 推测是因为app开发或者产品流程管理问题，导致用户在支付付款页无法付款，造成转化率降低——建议开发与产品合适下单流程是否存在卡点。 其次考虑 ②去年3月活动的影响。 假如和运营沟通后，了解到去年3月同期开展了“开学季”活动，且活动表现优异。数据结果也表明活动期间转化率与活动前后相比，有明显提升，假如数据长这样： 推测由于今年未开展活动，导致转化率同比下降，进而对GMV产生影响——建议运营人员参考去年活动标准，选择合适时机继续开展营销活动。 最后考虑 ③新产品上线是否效果不及预期。 有运营的同事告诉你，今年3月更换了主推产品，这批产品都是之前没有销售记录的。数据的结果也表明新产品的转化率明显低于老产品， 推测新产品上线效果不佳对转化率有明显影响，建议考虑更换产品。 验证第三个假设：客单价的影响。 若数据显示2018年3月和2019年3月的单均价没有明显差异，则假设三不成立；若2018年&2019年三月的单均价分别为191元、154元，假设三成立。在考虑单均价变动时，我们仍然需要对【客单价】进行二次假设，假定①优惠活动②产品市场价格下降的影响，简单表示如下： 先考虑①优惠活动的影响。但由于在假设二中已经获取了信息，2019年3月并未开展优惠活动，反而在2018年3月是有活动的。所以①并不成立。接下来考虑②产品市场价格下降的影响。通过市场调研，了解到主营产品在这两年得到了规模化生产，出厂成本价格大幅下降，市场卖价也逐步下降，19年均价比18年均价下降了10%以上，所以②成立——推测行业市场的规模化发展影响了单均价，进而造成GMV的同比下降。 总结： 第一步：确认数据真实性 在开始着手分析前，建议先确认数据的真实性。我们经常会遇到数据服务、数据上报、数据统计上的BUG，在数据报表上就会出现异常值。所以，找数据流相关的产品和研发确认下数据的真实性吧。 第二步：明确定义，并拆解指标，进一步定位原异常部分，指出拆解方法的局限性：假设缺陷、分布缺陷、估算保守/激进 第三步：问题定位初步拆分维度，定位原因大致范围。计算影响系数：(今日量-昨日量)/(今日总量-昨日总量)影响系数越大，说明此处就是主要的下降点 用户类型（新老、付费续费、是否VIP等） 用户画像各方面(地区年龄、性别、职业等) 拆登录渠道：app/小程序/PC/m端等 拆入口：点图标进入/push调起等 货 拆品类 拆价格 拆供应商 场 拆平台：IOS/安卓 拆版本：新/老版本 拆区域：省份/国家 第四步：原因分析对维度、细分指标进行原因分析，综合考虑以往数据异常原因、产品运营技术侧调整、初步定位的影响范围最可能由什么原因造成，再结合自身业务经验确定几个最可能的原因假设，给这些假设排数据验证的优先级，逐一排查。 外部因素：PEST方法 产品调研方法论（市场、竞品、社会(舆论生活方式、价值观、消费心理) ） 内部因素： 产品侧：功能调整、策略调整、技术侧：接口不稳定、系统故障、网页打不开、加载慢、运营侧：运营策略、广告投放、运营活动（提活跃、促留存、拉付费）、push效果、拉新渠道。单个直播间的GMV下降原因分析
通过GMV与总观众人数的相关性可以看出，GMV与总观众人数呈显著正相关。这意味着观众总人数与GMV之间存在直接关系，且这种相关性较强，观众人数越多，GMV越高。在运营过程中，追求较高的系统推荐流量是至关重要的。
通过GMV与商品点击率的相关性可以看出，GMV与商品点击率不存在显著相关。这表示从单一品类来看，商品点击率是相对稳定的状态，它并不是GMV的直接影响因素。然而，商品点击率或许是GMV的间接影响因素。
通过GMV与下单转化率的相关性可以看出，GMV与下单转化率具有较高的相关性。这表明销售额（GMV）与下单转化率之间存在一个中价变量，即下单转化率的提升可能会促使直播间的流量推送变大，进而提升GMV。这一假设需要更多数据和指标进行验证。因此，在直播时，转化率相对于点击率来说更为重要。可以通过优化话术、减少引导点击的话术并增加引导下单的话术，以及优化详情页来提升转化率。
通过GMV与平均播放时长(AWD)的相关性可以看出，GMV与平均播放时长不存在显著相关。这说明在当前阶段，平均播放时长并不能直接影响GMV。然而，从平均播放时长的公式AWD=Views/Duration来看，虽然平均播放时长不会直接对整体人盘产生影响，但个体角度可能会产生一定影响。
此时提出另一个假设：平均播放时长是通过影响UV(=GMV/Views)进而影响GMV的。从UV与平均播放时长的相关性可以看出，V与平均播放时长存在显著相关关系，这印证了平均播放时长会对GMV产生影响。进一步分析发现，GMV与UV同样不存在相关关系。这说明平均播放时长与单位用户价值在目前阶段都是影响GMV的主要因素。尤其平均播放时长对GMV的触达路径更长，因此当下不需要太考虑平均播放时长对GMV带来的影响。 5、通过GMV与直播时长的相关性可以看出，GMV与直播时长有显著相关关系，因此我们可以通过最直接的拉时长的方法，提升单场GMV。但在这里需要注意的是，时长与GMV的正相关有一个前提，也就是直播间内容质量不变的情况下才会产生正相关，因此实践过程中一定要时刻注意主播状态，如果主播过于疲鱼，一味拉时长，会导致人效降低。 SQL中字符串截取函数(SUBSTRING) 1、left（name,4）截取左边的4个字符 SELECT LEFT(201809,4) 年 结果：2018 2、right（name,2）截取右边的2个字符 SELECT RIGHT(201809,2) 月份 结果：09 3、SUBSTRING(name,5,3) 截取name这个字段 从第五个字符开始 只截取之后的3个字符 SELECT SUBSTRING(‘成都融资事业部’,5,3) 结果：事业部 4、SUBSTRING(name,3) 截取name这个字段 从第三个字符开始，之后的所有个字符 SELECT SUBSTRING(‘成都融资事业部’,3) 结果：融资事业部 5、SUBSTRING(name, -4) 截取name这个字段的第 4 个字符位置（倒数）开始取，直到结束 SELECT SUBSTRING(‘成都融资事业部’,-4) 结果：资事业部 6、SUBSTRING(name, -4，2) 截取name这个字段的第 4 个字符位置（倒数）开始取，只截取之后的2个字符 SELECT SUBSTRING(‘成都融资事业部’,-4,2) 结果：资事 注意：我们注意到在函数 substring(str,pos, len)中， pos 可以是负值，但 len 不能取负值。 7、substring_index(‘www.baidu.com’, ‘.’, 2) 截取第二个 ‘.’ 之前的所有字符（substring_index默认就是往前取） SELECT substring_index(‘www.baidu.com’, ‘.’, 2) 结果：www.baidu
8. 使用substring_index函数截取字符串
在SQL中，
substring_index函数用于截取字符串。给定的示例代码是：
SELECT substring_index('www.baidu.com', '.', -2)
这段代码将返回’baidu.com’中的倒数第二个’.‘之后的所有字符，即’baidu.com’。
9. 使用SUBSTR函数截取字符串
SUBSTR函数用于从字符串中提取子字符串。给定的示例代码是：
SELECT SUBSTR('成都融资事业部', 1, CHAR_LENGTH('成都融资事业部')-3)
这段代码将返回’成都融资事业部’字段除去最后三位的所有字符，结果为’成都融资部’。注意，由于SUBSTR函数只能向后提取，而substring_index函数可以向前提取（设置len为负数），因此这里使用了SUBSTR函数。
首先，我们需要理解LEAD和FIRST_VALUE函数的作用。LEAD函数用于获取给定日期的前一个日期，即在指定分区（user_id）中，对于每个用户ID，获取其访问记录的最早日期。FIRST_VALUE函数则用于获取每个学科ID下所有分数排序后的第一个值。
接下来，我们将这两个函数应用到原始数据上，以获取每个用户ID的最早访问记录和每个学科ID下的最早分数。
WITH user_earliest AS (
SELECT user_id, MIN(date) AS earliest_date
FROM data
GROUP BY user_id
),
subject_earliest AS (
SELECT subject_id, MIN(score) AS earliest_score
FROM data
GROUP BY subject_id
)
SELECT u.user_id, u.earliest_date, s.earliest_score
FROM user_earliest u
JOIN subject_earliest s ON u.user_id = s.subject_id
ORDER BY u.user_id, u.earliest_date;
这个重构后的SQL查询首先使用两个子查询分别计算每个用户ID的最早访问记录和每个学科ID下的最早分数。然后，它将这两个结果合并在一起，按照用户ID和最早访问记录进行分组，并选择每个组的第一个元素作为最终结果。最后，按照用户ID和最早访问记录对结果进行排序。