电商平台应该分析哪些数据？

Posted 2023-05-05

要想实现精细化运营，数据是必不可少的一个环节。电商网站要提高运营效率，至少需要五大关键指标：活跃用户量、转化率、留存、复购和 GMV。活跃用户量是一个基本的指标，有 DAU（日活跃用户）、WAU（周活跃用户）和 MAU（月活跃用户）三个层次；转化是一个非常重要的指标，电商运营需要关注主路径、次路径甚至精细到每一个品类 / SKU 的转化率；留存要从不同的时间周期上研究，包括次日留存率、3 日、7 日、30 日留存；复购则要从 3 个角度去看，复购用户量、复购率和复购金额比；GMV 是最重要的指标，我们的运营最终是围绕这个来进行的。GMV = UV *转化率*客单价。商品运营：流量优化和品类优化，前面提到电商行业的一大特点是商品品类或者 SKU 非常多，那么如此多的商品该如何运营，这是三个电商 APP 的首页界面（各家 Web 端布局也比较相似）：前两个是京东和国美，属于平台型的电商；第三个是生鲜水果平台，属于垂直型电商。不难发现电商的产品在设计上非常类似，首页上面呈现的是轮播的 Banner ，下面是活动专区。在商品运营中，尤其是首页商品更新速度快，我们要格外重视转化，甚至要精确到不同时间区间、不同位置、不同商品的转化率。然后根据转化率，结合业务经验，不断调整运营策略。然而目前，即使是大型的电商网站，也没有很好地做到这一点，对于每个商品品类 / SKU 的转化率的分析仍存在一定的空缺。商品运营有一个非常大的优势：投入低，见效快，效果明显，商品运营的本质是通过不同坑位、不同活动、不同商品的分析来提高我们的转化率和 GMV。一个电商购买流程的主路径：首页——活动页——商品详情页——支付完成。从精细化分析的角度出发，我们关注转化路径每一步的转化率；通过分析不难发现最后一步“支付完成”的转化率偏低。

参考技术A

在数据分析领域，“总注册数”、“新增注册数”指标本身是一个虚荣指标，该指标随着活动力度、形式等呈现短期暴增，他能够告诉你的活动传递并影响了多少“新用户”，这些新用户知道你在做什么，而并不意味你的产品一定对他有价值。显然要结合新用户的留存、转化等情况综合考量。科学的数据分析可以无限逼近客户真实意愿，数据分析可以指导运营人员发现问题，找到弊病可能出现的原因，从而优化列表页的体验、提升首页流量分配效率、购买决策路径等，最终提升用户的转化率。针对A计划的拉新活动，针对上述提到的拉新问题、活动效果评估不佳的情况，围绕拉新、留存与转化采取了相应措施。

[Spark/Scala] 180414|大数据实战培训 Spark大型项目实战：电商用户行为分析大数据平台 大数据视频教程

大数据实战培训 Spark大型项目实战：电商用户行为分析大数据平台 大数据视频教程

 
 

 


课程介绍：

本项目主要用于互联网电商企业中，使用Spark技术开发的大数据统计分析平台，对电商网站的各种用户行为（访问行为、购物行为、广告点击行为等）进行复杂的分析。用统计分析出来的数据，辅助公司中的PM（产品经理）、数据分析师以及管理人员分析现有产品的情况，并根据用户行为分析结果持续改进产品的设计，以及调整公司的战略和业务。最终达到用大数据技术来帮助提升公司的业绩、营业额以及市场占有率的目标。

项目主要采用目前大数据领域最流行、最热门的技术——Spark，具有普通项目无法比拟的技术前瞻性与尖端性。本项目使用了Spark技术生态栈中最常用的三个技术框架，Spark Core、Spark SQL和Spark Streaming，进行离线计算和实时计算业务模块的开发。实现了包括用户访问session分析、页面单跳转化率统计、热门商品离线统计、广告流量实时统计4个业务模块。
项目中所有的业务功能模块都是直接从实际企业项目中抽取出来的，业务复杂度绝对没有任何缩水，只是为了更好的贴近大数据实战课程的需要，进行了一定程度上的技术整合和业务整合。该项目的真实性、业务复杂性以及实战型，绝对不是市面上现有的仅几个课时的Demo级的大数据项目可以比拟的。

通过合理的将实际业务模块进行技术整合与改造，该项目完全涵盖了Spark Core、Spark SQL和Spark Streaming这三个技术框架中，几乎所有的功能点、知识点以及性能优化点，仅一个项目，即可全面掌握Spark技术在实际项目中如何实现各种类型的业务需求！在项目中，重点讲解了实际企业项目中积累下来的宝贵的性能调优、troubleshooting以及数据倾斜等知识和技术，几乎所有知识和技术都是全网唯一，是任何其他视频课程以及书本中都没有包含的珍贵经验积累！同时以企业级大数据项目开发流程贯穿每个业务模块的讲解，涵盖了项目开发全流程，包括需求分析、方案设计、数据设计、编码实现、测试以及性能调优等环节，全面还原真实大数据项目的开发流程。该项目的整体商业价值绝对在百万元以上！


-------------------课程目录-------------------

│  ├<第一章 大数据集群搭建>
│  │  ├1.1、课程介绍.mp4
│  │  ├1.10、实时数据采集流程介绍.mp4
│  │  ├1.11、Spark 1.5.1客户端安装以及基于YARN的提交模式.mp4
│  │  ├1.2、CentOS 6.4集群搭建-1.mp4
│  │  ├1.3、CentOS 6.4集群搭建-2.mp4
│  │  ├1.4、hadoop-2.5.0-cdh5.3.6集群搭建.mp4
│  │  ├1.5、hive-0.13.1-cdh5.3.6安装.mp4
│  │  ├1.6、zookeeper-3.4.5-cdh5.3.6集群搭建.mp4
│  │  ├1.7、kafka_2.9.2-0.8.1集群搭建.mp4
│  │  ├1.8、flume-ng-1.5.0-cdh5.3.6安装.mp4
│  │  └1.9、离线日志采集流程介绍.mp4
│  ├<第二章 用户访问session分析>
│  │  ├2.1、模块介绍.mp4
│  │  ├2.10、单例设计模式.mp4
│  │  ├2.11、内部类以及匿名内部类.mp4
│  │  ├2.12、开发JDBC辅助组件（上）.mp4
│  │  ├2.13、开发JDBC辅助组件（下）.mp4
│  │  ├2.14、JavaBean概念讲解.mp4
│  │  ├2.15、DAO模式讲解以及TaskDAO开发.mp4
│  │  ├2.16、工厂模式讲解以及DAOFactory开发.mp4
│  │  ├2.17、JSON数据格式讲解以及fastjson介绍.mp4
│  │  ├2.18、Spark上下文构建以及模拟数据生成.mp4
│  │  ├2.19、按session粒度进行数据聚合.mp4
│  │  ├2.2、基础数据结构以及大数据平台架构介绍.mp4
│  │  ├2.20、按筛选参数对session粒度聚合数据进行过滤.mp4
│  │  ├2.21、session聚合统计之自定义Accumulator.mp4
│  │  ├2.22、session聚合统计之重构实现思路与重构session聚合.mp4
│  │  ├2.23、session聚合统计之重构过滤进行统计.mp4
│  │  ├2.24、session聚合统计之计算统计结果并写入MySQL.mp4
│  │  ├2.25、session聚合统计之本地测试.mp4
│  │  ├2.26、session聚合统计之使用Scala实现自定义Accumulator.mp4
│  │  ├2.27、session随机抽取之实现思路分析.mp4
│  │  ├2.28、session随机抽取之计算每天每小时session数量.mp4
│  │  ├2.29、session随机抽取之按时间比例随机抽取算法实现.mp4
│  │  ├2.3、需求分析.mp4
│  │  ├2.30、session随机抽取之根据随机索引进行抽取.mp4
│  │  ├2.31、session随机抽取之获取抽取session的明细数据.mp4
│  │  ├2.32、session随机抽取之本地测试.mp4
│  │  ├2.33、top10热门品类之需求回顾以及实现思路分析.mp4
│  │  ├2.34、top10热门品类之获取session访问过的所有品类.mp4
│  │  ├2.35、top10热门品类之计算各品类点击、下单和支付的次数.mp4
│  │  ├2.36、top10热门品类之join品类与点击下单支付次数.mp4
│  │  ├2.37、top10热门品类之自定义二次排序key.mp4
│  │  ├2.38、top10热门品类之进行二次排序.mp4
│  │  ├2.39、top10热门品类之获取top10品类并写入MySQL.mp4
│  │  ├2.4、技术方案设计.mp4
│  │  ├2.40、top10热门品类之本地测试.mp4
│  │  ├2.41、top10热门品类之使用Scala实现二次排序.mp4
│  │  ├2.42、top10活跃session之开发准备以及top10品类RDD生成.mp4
│  │  ├2.43、top10活跃session之计算top10品类被各sessoin点击的次数.mp4
│  │  ├2.44、top10活跃session之分组取TopN算法获取top10活跃session.mp4
│  │  ├2.45、top10活跃session之本地测试以及阶段总结.mp4
│  │  ├2.5、数据表设计.mp4
│  │  ├2.6、Eclipse工程搭建以及工具类说明.mp4
│  │  ├2.7、开发配置管理组件.mp4
│  │  ├2.8、JDBC原理介绍以及增删改查示范.mp4
│  │  └2.9、数据库连接池原理.mp4
│  ├<第三章 企业级性能调优、troubleshooting经验与数据倾斜解决方案>
│  │  ├3.1、性能调优之在实际项目中分配更多资源.mp4
│  │  ├3.10、Shuffle调优之原理概述.mp4
│  │  ├3.11、Shuffle调优之合并map端输出文件.mp4
│  │  ├3.12、Shuffle调优之调节map端内存缓冲与reduce端内存占比.mp4
│  │  ├3.13、Shuffle调优之HashShuffleManager与SortShuffleManager.mp4
│  │  ├3.14、算子调优之MapPartitions提升Map类操作性能.mp4
│  │  ├3.15、算子调优之filter过后使用coalesce减少分区数量.mp4
│  │  ├3.16、算子调优之使用foreachPartition优化写数据库性能.mp4
│  │  ├3.17、算子调优之使用repartition解决Spark SQL低并行度的性能问.mp4
│  │  ├3.18、算子调优之reduceByKey本地聚合介绍.mp4
│  │  ├3.19、troubleshooting之控制shuffle reduce端缓冲大小以避免OOM.mp4
│  │  ├3.2、性能调优之在实际项目中调节并行度.mp4
│  │  ├3.20、troubleshooting之解决JVM GC导致的shuffle文件拉取失败.mp4
│  │  ├3.21、troubleshooting之解决YARN队列资源不足导致的application直接失败.mp4
│  │  ├3.22、troubleshooting之解决各种序列化导致的报错.mp4
│  │  ├3.23、troubleshooting之解决算子函数返回NULL导致的问题.mp4
│  │  ├3.24、troubleshooting之解决yarn-client模式导致的网卡流量激增问题.mp4
│  │  ├3.25、troubleshooting之解决yarn-cluster模式的JVM栈内存溢出问题.mp4
│  │  ├3.26、troubleshooting之错误的持久化方式以及checkpoint的使用.mp4
│  │  ├3.27、数据倾斜解决方案之原理以及现象分析.mp4
│  │  ├3.28、数据倾斜解决方案之聚合源数据以及过滤导致倾斜的key.mp4
│  │  ├3.29、数据倾斜解决方案之提高shuffle操作reduce并行度.mp4
│  │  ├3.3、性能调优之在实际项目中重构RDD架构以及RDD持久化.mp4
│  │  ├3.30、数据倾斜解决方案之使用随机key实现双重聚合.mp4
│  │  ├3.31、数据倾斜解决方案之将reduce join转换为map join.mp4
│  │  ├3.32、数据倾斜解决方案之sample采样倾斜key单独进行join.mp4
│  │  ├3.33、数据倾斜解决方案之使用随机数以及扩容表进行join.mp4
│  │  ├3.4、性能调优之在实际项目中广播大变量.mp4
│  │  ├3.5、性能调优之在实际项目中使用Kryo序列化.mp4
│  │  ├3.6、性能调优之在实际项目中使用fastutil优化数据格式.mp4
│  │  ├3.7、性能调优之在实际项目中调节数据本地化等待时长.mp4
│  │  ├3.8、JVM调优之原理概述以及降低cache操作的内存占比.mp4
│  │  └3.9、JVM调优之调节executor堆外内存与连接等待时长.mp4
│  ├<第四章 页面单跳转化率统计>
│  │  ├4.1、模块介绍.mp4
│  │  ├4.10、生产环境测试.mp4
│  │  ├4.2、需求分析、技术方案设计、数据表设计.mp4
│  │  ├4.3、编写基础代码.mp4
│  │  ├4.4、面切片生成以及页面流匹配算法实现.mp4
│  │  ├4.5、计算页面流起始页面的pv.mp4
│  │  ├4.6、计算页面切片的转化率.mp4
│  │  ├4.7、将页面切片转化率写入MySQL.mp4
│  │  ├4.8、本地测试.mp4
│  │  └4.9、生产环境测试.mp4
│  ├<第五章 各区域热门商品统计>
│  │  ├5.1、模块介绍.mp4
│  │  ├5.10、使用内置case when函数给各个区域打上级别标记.mp4
│  │  ├5.11、将结果数据写入MySQL中.mp4
│  │  ├5.12、Spark SQL数据倾斜解决方案.mp4
│  │  ├5.13、生产环境测试.mp4
│  │  ├5.2、需求分析、技术方案设计以及数据设计.mp4
│  │  ├5.3、查询用户指定日期范围内的点击行为数据.mp4
│  │  ├5.4、异构数据源之从MySQL中查询城市数据.mp4
│  │  ├5.5、关联城市信息以及RDD转换为DataFrame后注册临时表.mp4
│  │  ├5.6、开发自定义UDAF聚合函数之group_concat_distinct().mp4
│  │  ├5.7、查询各区域各商品的点击次数并拼接城市列表.mp4
│  │  ├5.8、关联商品信息并使用自定义get_json_object函数和内置if函数标记经营类型.mp4
│  │  └5.9、使用开窗函数统计各区域的top3热门商品.mp4
│  ├<第六章 广告点击流量实时统计>
│  │  ├6.1、需求分析、技术方案设计以及数据设计.mp4
│  │  ├6.10、对实时计算程序进行性能调优.mp4
│  │  ├6.11、生产环境测试.mp4
│  │  ├6.12、都学到了什么？.mp4
│  │  ├6.2、为动态黑名单实时计算每天各用户对各广告的点击次数.mp4
│  │  ├6.3、使用高性能方式将实时计算结果写入MySQL中.mp4
│  │  ├6.4、过滤出每个batch中的黑名单用户以生成动态黑名单.mp4
│  │  ├6.5、基于动态黑名单进行点击行为过滤.mp4
│  │  ├6.6、计算每天各省各城市各广告的点击量.mp4
│  │  ├6.7、计算每天各省的top3热门广告.mp4
│  │  ├6.8、计算每天各广告最近1小时滑动窗口内的点击趋势.mp4
│  │  └6.9、实现实时计算程序的HA高可用性.mp4

想获取周入过万项目的朋友请添加管理员微信：13071188604