【www.guakaob.com--留学生招聘】
一、善用行业分析，结合店铺定位，选定热销宝贝（以男装类目为例）
1、子类目数据分析：选取店铺主营类目，从子类目分析哪些是应季宝贝(建议参考去年同时段数据，以便提早确定货源)。例如从下面截图可以分析，不同的月份热销宝贝是不一样的，1月相对热销的是牛仔裤，衬衫，而8月份相对热销的是T恤，休闲裤，因此我们在换季时需要以行业数据寻找合适的宝贝，才能更加符合市场的购买需求。
2、属性成交量分析：明确好子类目后，那么款式又要选什么样的，又是一个难题...属性成交量分布对市场热销宝贝属性进行了相对完善的统计，比如风格，材质，适用对象等，通过这些数据，明确市场需求，结合店铺定位，确定宝贝款式。
3、宝贝价格分布：了解市场所能接受的价格区间，结合本身利润情况，做好宝贝定价。
二、巧用流量销售分析，完善宝贝内功
1、标题优化：
（1）通过淘宝搜索关键词，挑选引流关键词，结合宝贝属性，优化标题，引进优质流量。
（2）标题分析：测试标题哪些关键词是可以被搜索到的；哪些关键词跳失率，直接和间接成交是比较高的，可以继续沿用；哪些关键词带来的流量高，但是跳失高，则需要考虑替换为其他关键词。
（3）参考同类目月销量TOP10的宝贝标题，拟定打动买家并能获取更多流量的标题。
（点击查看链接到对应宝贝详情页）
2、上下架时间：
结合行业上架时间分布，店铺按时段流量分析以及按付款时段分析，以及目前宝贝不同时间段分布情况，合理分配宝贝上下架。
从下图可以清晰看到，目前店铺宝贝一个星期不同天数以及不同时间段的分布，该店铺宝贝大部分集中在周五13时这个时间段基本没宝贝分布，这样过于集中的分布，会导致店铺一周内流量极度不均匀，宝贝在下架日的流量也会相互竞争，
3、分析跳失率，完善宝贝详情：
宝贝详情页跳失率需要维持在正常的水平（70%左右），才能更好把握住流量，如果宝贝跳失率过高，则需要检查是主图，宝贝页面是否需要调整，降低宝贝跳失率。
三、妙用宝贝分析，设置搭配销售
分析宝贝与其他宝贝的流量关系，包括该宝贝给其他宝贝引入的流量，其他宝贝给该宝贝引入的流量，确定该宝贝与其他宝贝的流量走势，设置搭配销售，提高店铺客单价。
结束语
生意参谋就如店铺的诊断医生，巧用数据不仅可以完善宝贝内功，还可以分析店铺的流量和销售趋势，及时做出调整，比如页面受访分析，完善首页，店内分类页装修；通过流量指标中的旺旺咨询数据，对客服的工作进行考核等，善于分析，巧妙应用，相信您也可以成为运营高手，让店铺健康成长。
如何巧用生e经，优化关键词
一、善用行业分析，结合店铺定位，选定热销宝贝（以男装类目为例）
1、子类目数据分析：选取店铺主营类目，从子类目分析哪些是应季宝贝(建议参考去年同时段数据，以便提早确定货源)。例如从下面截图可以分析，不同的月份热销宝贝是不一样的，1月相对热销的是牛仔裤，衬衫，而8月份相对热销的是T恤，休闲裤，因此我们在换季时需要以行业数据寻找合适的宝贝，才能更加符合市场的购买需求。
2、属性成交量分析：明确好子类目后，那么款式又要选什么样的，又是一个难题...属性成交量分布对市场热销宝贝属性进行了相对完善的统计，比如风格，材质，适用对象等，通过这些数据，明确市场需求，结合店铺定位，确定宝贝款式。
3、宝贝价格分布：了解市场所能接受的价格区间，结合本身利润情况，做好宝贝定价。
二、巧用流量销售分析，完善宝贝内功
1、标题优化：
（1）通过淘宝搜索关键词，挑选引流关键词，结合宝贝属性，优化标题，引进优质流量。
（2）标题分析：测试标题哪些关键词是可以被搜索到的；哪些关键词跳失率，直接和间接成交是比较高的，可以继续沿用；哪些关键词带来的流量高，但是跳失高，则需要考虑替换为其他关键词。
（3）参考同类目月销量TOP10的宝贝标题，拟定打动买家并能获取更多流量的标题。
（点击查看链接到对应宝贝详情页）
2、上下架时间：
结合行业上架时间分布，店铺按时段流量分析以及按付款时段分析，以及目前宝贝不同时间段分布情况，合理分配宝贝上下架。
从下图可以清晰看到，目前店铺宝贝一个星期不同天数以及不同时间段的分布，该店铺宝贝大部分集中在周五13时这个时间段基本没宝贝分布，这样过于集中的分布，会导致店铺一周内流量极度不均匀，宝贝在下架日的流量也会相互竞争，
3、分析跳失率，完善宝贝详情：
宝贝详情页跳失率需要维持在正常的水平（70%左右），才能更好把握住流量，如果宝贝跳失率过高，则需要检查是主图，宝贝页面是否需要调整，降低宝贝跳失率。
三、妙用宝贝分析，设置搭配销售
分析宝贝与其他宝贝的流量关系，包括该宝贝给其他宝贝引入的流量，其他宝贝给该宝贝引入的流量，确定该宝贝与其他宝贝的流量走势，设置搭配销售，提高店铺客单价。
结束语
生意参谋就如店铺的诊断医生，巧用数据不仅可以完善宝贝内功，还可以分析店铺的流量和销售趋势，及时做出调整，比如页面受访分析，完善首页，店内分类页装修；通过流量指标中的旺旺咨询数据，对客服的工作进行考核等，善于分析，巧妙应用，相信您也可以成为运营高手，让店铺健康成长。
店铺巧用生e经，宝贝流量不用愁！
如何操作数据挖掘平台
想做数据挖掘又担心复杂、不会操作？看看本文的数据挖掘操作演示步骤吧。
一、进入ETHINK挖掘平台
二、开始制作挖掘流程
三、保存挖掘流程到公共目录【如何挖取生e经数据】
四、运行、管理挖掘流程
“生e经”服务分析报告
一、何谓“生e经”
“生e经”（网址：知彼 知行业”的基础上轻松经营淘宝店铺，将生意做大、做精、做透！
二、“生e经”主要功能
“生e经”在对店铺数据和行业数据的深度挖掘中让卖家知己知彼知行业。
“生e经”包含流量分析和行业分析两类共26个模块功能，具体如图所示：
1、流量分析
帮助卖家轻松掌握店铺各模块流量、时段走势、访客地域、推广流量等全方位信息，帮助卖家根据自身流量特点，进行更合理的店铺优化。
流量分析又包括流量分析、宝贝受访分析、店铺受访分析、访客分析、
推广分析五个大
类。卖家可以根据宝贝的受访分析了解本店的热销宝贝，从而及时调整店内商品的存量和制定合理的进货计划。【如何挖取生e经数据】
访客分析包括访客深度和访问省份两个模块，可以帮助卖家实时播报买家的行踪，知道在某一段时间内有多少卖家访问了网店，某一访问者在该网店中停留了多久，并且能够提供访问者的访问地点，可以事先了解买家的一些基本信息，增加了卖家导购的成功率。
推广分析包括流量分析和直通车关键字两个模块，可以帮助卖家了解及时的了解买家的省份分布情况，从而可以根据省份的具体情况调整适合这个省份的特色物品。
淘宝网上的直通车板块可以提高宝贝的曝光率，给卖家带来更多的潜在客户；可以给整个店铺带来人气，给店铺带来很高的流量。基于此，直通车的关键词就具有相当的重要性了，而“直通车关键词模块”则可以辅助管理淘宝直通车的投放，宝贝关键词锁定排名、智能出价，使其管理变得更方便。
2、行业分析：
行业分析包括基于淘宝类目关注行情和自定义关键词关注行情两个类别，该功能可以及时的获得商品的一系列的信息，包括平均价格，平均销量，最高价格，最低价格，宝贝数量，买家数量，让卖家了解淘宝全行业各标准类目下什么宝贝热销，哪些店铺卖得好，以及他们的信用分布，从而方便卖家制定出合理的适合销售的商品价格，找准商品的什么价格最好卖，也可以根据最近热销商品排名，及时调整自己店里的商品和商品库存。
该服务还可以，统计出某一商品各个时段的销售数量，从而可以帮助卖家找准商品上架的黄金时间。卖家也可以通过自定义关键字，灵活的了解淘宝特定领域的热销宝贝情况、商家等信息。
三、改进意见
1、该服务可以跟踪买家的浏览痕迹，并且能够提供买家的省份，如果还能够使得卖家同正在访问的买家进行在线交流，这样可以进一步提高交易的成功率。
2、该服务除了提供针对订单和商品的常规分析之外，还可以通过对淘宝店铺的订单进行进一步细节分析，从商品搭配、客单价、时段促销等角度进行深度挖掘，既能够帮卖家发现客人消费的规律，还可以辅助卖家的营销决策。在主要围绕店内搭配套餐、满就送、限时打折开展服务。
3、该服务在跟踪访客的基础之上还可以开展灵活的客人精确查询和跟踪评估的功能，方便卖家对于买家进行管理，增加买家的回访率。
4、可以提供一些vip
的服务，对于一些销售量巨大，销售种类繁多的店铺，即使是有
了数据的分析但是仍然显得很是繁琐，因此可以对这个群体提供个性化的数据分析服务，直接提供一份分析报告给卖家即可，方便快捷。
5、该服务可以在原有的基础之上，增加关键词搜索排名服务，这可以使得卖家商品的标题，调整为热门的搜索关键词，从而增大卖家商品被搜索到的概率，增加人气和访问量。
数据挖掘算法总结
1.分类算法
分类与预测是两种数据分析形式，它们可以用来抽取能够描述重要数据集合或预测未来数据趋势的模型。分类方法（Classification）用于预测数据对象的离散类别（Categorical Label）；预测方法（Prediction ）用于预测数据对象的连续取值。
分类流程：
训练：训练集——>特征选取——>训练——>分类器
分类：新样本——>特征选取——>分类——>判决
主要的分类算法：
（1）决策树
在20世纪70年代后期和80年代初期，机器学习研究者J.Ross.Quinlan开发了决策树算法，称作ID3.后来又提出C4.5算法；1984年几位统计学家出版了分类与回归树（CART）.决策树归纳是经典的分类算法。它采用自顶向下递归的分治方式构造决策树。树的每一个结点上使用信息增益度量选择测试属性。可以从生成的决策树中提取规则。
（2）KNN法（适用于标称型和数值型数据）
KNN法即K最近邻法，最初由Cover和Hart于1968年提出的，是一个理论上比较成熟的方法。该方法的思路非常简单直观：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。该方法在定类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别。
KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。因此，采用这种方法可以较好地避免样本的不平衡问题，精度高、对异常值不敏感，无数据输入假定。另外，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。
该方法的不足之处是计算量较大，空间复杂度和时间复杂度都比较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最
近邻点。目前常用的解决方法是事先对已知样本点进行剪辑，事先去除对分类作用不大的样本。另外还有一种Reverse KNN法，能降低KNN算法的计算复杂度，提高分类的效率。
该算法比较适用于样本容量比较大的类域的自动分类，而那些样本容量较小的类域采用这种算法比较容易产生误分。
（3）SVM
SVM法即支持向量机(Support Vector Machine)法，由Vapnik等人于1995年提出，具有相对优良的性能指标。该方法是建立在统计学习理论基础上的机器学习方法。通过学习算法，SVM可以自动寻找出那些对分类有较好区分能力的支持向量，由此构造出的分类器可以最大化类与类的间隔，因而有较好的适应能力和较高的分准率。该方法只需要由各类域的边界样本的类别来决定最后的分类结果。
支持向量机算法的目的在于寻找一个超平面H(d),该超平面可以将训练集中的数据分开，且与类域边界的沿垂直于该超平面方向的距离最大，故SVM法亦被称为最大边缘(maximum margin)算法。待分样本集中的大部分样本不是支持向量，移去或者减少这些样本对分类结果没有影响，SVM法对小样本情况下的自动分类有着较好的分类结果。
（4）贝叶斯法
Bayes法是一种在已知先验概率与类条件概率的情况下的模式分类方法，待分样本的分类结果取决于各类域中样本的全体。
Bayes方法的薄弱环节在于实际情况下，类别总体的概率分布和各类样本的概率分布函数(或密度函数)常常是不知道的。为了获得它们，就要求样本足够大。另外，Bayes法要求表达文本的主题词相互独立，这样的条件在实际文本中一般很难满足，因此该方法往往在效果上难以达到理论上的最大值。
贝叶斯信念网络的优点：
——不同于朴素贝叶斯分类，贝叶斯网络不假定类条件独立性。
——一种概率的图模型，允许表示属性子集之间的依赖关系。
——在处理不确定性复杂问题方面有其独特优点。
（5）神经网络
神经网络分类算法的重点是构造阈值逻辑单元，一个值逻辑单元是一个对象，它可以输入一组加权系数的量，对它们进行求和，如果这个和达到或者超过了某个阈值，输出一个量。如有输入值X1, X2, ..., Xn 和它们的权系数：W1, W2, ..., Wn，求和计算出的 Xi*Wi ，产生了激发层 a = (X1 * W1)+(X2 * W2)+...+(Xi * Wi)+...+ (Xn * Wn)，其中Xi 是各条记录出现频率或其他参数，Wi是实时特征评估模型中得到的权系数。神经网络是基于经验风险最小化原则的学习算法，有一些固有的缺陷，比如层数和神经元个数难以确定，容易陷入局部极小，还有过学习现象，这些本身的缺陷在SVM算法中可以得到很好的解决。
（6）VSM法
VSM法即向量空间模型(Vector Space Model)法，由Salton等人于60年代末提出。这是最早也是最出名的信息检索方面的数学模型。其基本思想是将文档表示为加权的特征向量：D=D(T1，W1；T2，W2；„；Tn，Wn)，然后通过计算文本相似度的方法来确定待分样本的类别。当文本被表示为空间向量模型的时候，文本的相似度就可以借助特征向量之间的内积来表示。
在实际应用中，VSM法一般事先依据语料库中的训练样本和分类体系建立类别向量空间。当需要对一篇待分样本进行分类的时候，只需要计算待分样本和每一个类别向量的相似度即内积，然后选取相似度最大的类别作为该待分样本所对应的类别。
由于VSM法中需要事先计算类别的空间向量，而该空间向量的建立又很大程度的依赖于该类别向量中所包含的特征项。根据研究发现，类别中所包含的非零特征项越多，其包含的每个特征项对于类别的表达能力越弱。因此，VSM法相对其他分类方法而言，更适合于专业文献的分类。
（7）基于规则的分类
基于规则的分类器是使用一组“if`......then”规则来记录进行分类的技术。
1.Apriori算法
Apriori算法是Agrawal和R.Srikant于1994年提出的，为布尔关联规则挖掘频繁项集的原创性算法。算法的名字基于这样的事实：算法使用频繁项集性质的先验知识。
Apriori算法使用一种称为逐层搜索的迭代算法，其中k项集用于探索（k+1）项集。首先，通过扫描数据库，累计每个项的计数，并收集满足最小支持度的项，找出频繁1项集的集合，该集合记为L1。然后，使用L1找出频繁2
项集的集合L2，使用L2找出L3，如此下去，直到不能再找到频繁k-项集。找出
每个Lk需要一次数据库的完整扫描。
Apriori算法使用“一般到特殊”的搜索策略，合并两个频繁(k-1)项集到候选k-项集。 只要频繁项集的最大长度不是太长，这种“一般到特殊”的搜索策略是有效的。
Ck中的项集是用来产生频集的候选集，最后的频集Lk必须是Ck的一个子集。Ck中的每个元素需在交易数据库中进行验证来决定其是否加入Lk，这里的验证过程是算法性能的一个瓶颈。这个方法要求多次扫描可能很大的交易数据库，即如果频集最多包含10个项，那么就需要扫描交易数据库10遍，这需要很大的I/O负载。
2.FP-增长树
2000年，Han等提出了一个称为FP-tree的算法。FP-tree算法只进行2次数据库扫描。它不使用候选集，直接压缩数据库成一个频繁模式树，最后通过这棵树生成关联规则。
FP-tree算法由两个主要步骤完成：①利用事务数据库中的数据构造FP-tree；②从FP-tree中挖掘频繁模式。
优缺点：
FP-tree 算法只需对事务数据库进行二次扫描，并且避免产生的大量候选集． 但由于该算法要递归生成条件数据库和条件FP-tree，所以内存开销大，而且只能用于挖掘单维的布尔关联规则．
2．聚类算法 聚类分析：把一个给定的数据对象集合划分成不同的子集的过程，每个子集是一个簇；
簇（Cluster）:一个数据对象的集合。在同一个簇中，对象之间彼此相似性；不同簇的对象之间是相异的。
聚类是一种无监督分类法: 没有预先指定的类别；遇到要分析的数据缺乏描述性信息时，或者无法组织成任何分类模式时，采用聚类分析。
聚类与分类的根本区别：分类需要事先知道所依据的数据特性（有监督学习），而聚类是要找到这个数据特性（无监督学习）
常见的聚类算法如下：
（1）划分方法
首先创建K个划分的初始集合，其中参数K是要构建的划分数目，然后采用迭代重定位技术，设法通过将对象从一个簇移到另一个来改进划分的质量。典型的划分有K均值、K中心点，CLARANS和对它们的改进。
1.K均值
基于原型的聚类技术创建数据对象的单层划分。其中最突出的是K均值和K中心点。K均值用质心定义原型，其中质心是一组点的均值。通常K均值聚类用于n维连续空间的对象。
优点：
提高了可伸缩性：使用合适规模的样本；使用过滤方法；使用微聚类思想。 当数据类型是标称型时，使用K均值就没有意义，可以使用K众数来对标称型数据进行聚类。
缺点：
1.需事先给出生成的簇数k；
2.不适合发现非凸形状或差别较大的簇；
3.对噪声和离群点敏感。
2.K中心点
K中心点使用中心点定义原型，其中中心点是一组点中最有代表性的点。K中心点聚类可以用于广泛的数据，因为它只需要对象之间的邻近性度量。 K均值与K中心点的比较：
1.当n和k较大时，k-均值方法计算开销远小于k-中心点算法。
2.当存在噪声和离群点时，k-中心点方法更具鲁棒性。k-中心点算法每次迭代复杂度是O(k(n-k)2)。
（2）层次方法
免费加入富网店商学院 摘要：生意参谋就如店铺的诊断医生，巧用数据不仅可以完善宝贝内功，还可以分析店铺的流量和销售趋势，及时做出调整，让店铺健康成长。
换季了要怎么选款？选好款了，要怎么拟定宝贝标题？合理分配宝贝上架时间，前期工作做足了，那一段时间后店铺流量和销售出现下滑了，需要对宝贝做哪些调整？店铺的单靠一款宝贝销售，利润太低了，要怎么设置找到合适宝贝，做好关联销售…...相信这些问题一直困扰每个卖家，而如果能够善于巧用生e经，这些问题是可以迎刃而解，下面小编也将跟大家探讨如何妙用生e经，做好宝贝优化。
一、善用行业分析，结合店铺定位，选定热销宝贝（以男装类目为例）
1、子类目数据分析：选取店铺主营类目，从子类目分析哪些是应季宝贝(建议参考去年同时段数据，以便提早确定货源)。例如从下面截图可以分析，不同的月份热销宝贝是不一样的，1月相对热销的是牛仔裤，衬衫，而8月份相对热销的是T恤，休闲裤，因此我们在换季时需要以行业数据寻找合适的宝贝，才能更加符合市场的购买需求。
2、属性成交量分析：明确好子类目后，那么款式又要选什么样的，又是一个难题...属性成交量分布对市场热销宝贝属性进行了相对完善的统计，比如风格，材质，适用对象等，通过这些数据，明确市场需求，结合店铺定位，确定宝贝款式。
3、宝贝价格分布：了解市场所能接受的价格区间，结合本身利润情况，做好宝贝定价。