網際網路需要進行資料觀察的領域十分廣泛，每個細分領域都有不同核心的績效考核，我們需要根據核心目標拆分背後的影響因素，有針對性地提出資料需求，制定資料報表，通常資料的使用方式分為如下情況：

1。 常規資料報表

常規資料報表主要用於需要長期持續觀察的核心資料。

流量漏斗監控，可分為首頁跳失率、商品詳情頁到達率、加車率、結算率、結算完成率等核心環節漏斗資料。

使用者渠道來源情況，如各渠道來源的使用者數、新客數、訂單佔比、轉化情況等。

品類轉化率波動，如各品類的流量、訂單、SKU銷售數量等。

流量分發效率，如各頻道欄目的CTR、商詳頁到達、轉化、復訪率等。

當常規監控的核心資料項發生超閾值波動或趨勢性波動時，通常會觸發專題分析，並根據分析結果採取相應對策，便於推動資料回到常規範圍。

2。 專題分析

專題資料分析通常按專題的主要影響因素確定資料項，拆分觀察維度，抓取多維度資料，對某個專題目標進行分析，找到影響因素所在的資料維度，得出結論，指導後續動作。

3。 AB測試

產品經理經常糾結於當上線了某一個功能或者頻道後，目標資料出現了某種變化。但因為變化背後的影響因素實在太多，例如時間因素導致的差異、競爭對手的動作、季節性因素等等，核心資料的波動很容易被這些綜合因素影響。

運營也常有類似的訴求，比如引導文案做了一些調整，資料出現了波動，但是很難確定究竟是多大程度為該特定運營動作的效果。

上述情況下，最好的方法就是做AB測試。

（有關於AB測試的注意事項，我們之前也介紹過：百科 | 5個實際使用AB測試中的關鍵事項）

取兩個資料集，在資料集樣本的選取中對各種影響因素做均勻的隨機分佈，如地域、使用者群體特性，並對其中一個數據集實施特定產品功能或運營動作，在同一時段中，觀測目標資料在兩個測試集上的差異，從而精確判定待觀測動作的準確效果。

為了確保統計效果的準確性，需要有較大的樣本量和統計時長。如果某一個樣本中存在少數對均值影響巨大的樣本，例如一個金額巨大的訂單，則需要排除，以減少偶然性帶來的偏差。

4。 個性化

這是個大資料的時代，差異巨大的使用者群體面對海量的商品和選擇，“千人一面”帶來的糟糕體驗已不再適用，每個使用者在系統中都會留下自己的線索和足跡，體現自己在商品品類、價格段、品牌偏好等方面的階段性需求。

系統可以透過資料有效發現當前使用者的當前需求，進行有效的推薦，而使用者也會感受到系統知道我想要什麼，產生良好的購物體驗。

資料是千人千面的基礎，透過機器學習和演算法設計，讓系統在各個模組中進行智慧化推薦，自動組裝匹配當前使用者的場景，是資料使用的最重要方式之一。

END