、退款都是正常的，有很多的商品的是支持7天无理由退换的，这是卖家提高销量的方法，但卖家并不愿意看到退货的情况，那正常情况下，淘宝店铺退货率是多少?

百分之15是正常的，如果是16的话，这个数值偏高。退货率，淘宝每个月都会重新计算，所以每个月的退货率会不同。

按照需求，各种产品的退货率各不相同。尽量控制可能会引起退货的各种问题，比如照片、商品损坏、发错货和供应商问题等。按照供应商和SKU反馈的退货报告，改善问题。此外邮件、聊天信息和客服人员也是反馈退货信息的渠道，要善于利用这些渠道。

简化订单管理和仓库管理系统的退货程序，提高退货效率。手续包括退款、更新客户信息、处理退货商品。根据出库箱的条形码读取客户记录，退货流程文档化都能减少错误和节约时间。

3、快速退款到客户账户

很多消费者可能信用卡已经接近限额，如果为了自己的现金流故意滞后退款，将会引起买家的不满，减少客户未来购买的概率。

4、提升品质，这个毋庸置疑了。

5、吹毛求疵，鸡毛蒜皮的小问题，能花个3-5块，5-10块补偿解决的，千万不要硬钢到底升级成退货。

6、能不走平台就不走平台，经常客户有会做一些好评卡，当对方已经添加了你了，若果他觉得不合适，你完全可以绕开平台和他说退来到时候退钱，再给个3-5块，还是很多客户乐意的，然后让他不要申请，直接确认做好评。又可以减少你的退货，又增加你一个评价和销量。

退货率这个问题说是说越少越好，但是不同行业肯定有不同的标准，比如女装有些会达到10%左右，而有些日常只有2-3%，在后台可以看到一个同行平均水平，以平均水平为基准尽量低一点。

服务了一百多家知名电商客户，我们总结出了《电商数据监控、分析与实施的最佳实践》这篇干货。

以下将结合实践经验，为大家详细阐述。对于初入行的小朋友可能会有点难理解，建议可以先收藏。

1，很多电商企业都面临如下问题

• 电商企业无法将业务进程量化为指标和可视化看板，并基于分析洞察采取行动

每家公司在不同发展阶段，关注的目标是不同的，有的电商平台刚刚起步、核心目标是提升用户数，有些发展比较成熟和平稳，核心目标是提升转化率，有的公司想通过品类的扩张去提升客单价。

衡量特定目标，对应需要监控哪些指标？这些指标的数据如何采集？采集到的数据需要如何可视化监控？监控发现了问题可以从什么维度进行拆解？拆解后的数据如何解读？数据又如何指导业务调整？

• 埋点工程量大，沟通成本高

业务人员确定了想要监测的指标，不得不与工程协调资源埋点。因为埋点不是工程团队的优先级，往往会发生扯皮，反复沟通。历时长达几个月的琐碎且漫长的实施周期，才能完成埋点，漫长的等待后也许上线产品早已下线。

• 数据准确性很难快速直观判断

埋点完成，业务人员发现数据对不上，（很多公司首次埋点完毕对不上的埋点数据能达到所有埋点数据的一半）和工程人员再次沟通排查。修正正确的数据埋点。数据准确性多种多样，有代码问题，有需求不规范问题，有触发点疏漏问题。

没有指标体系搭建方法论、埋点实施繁杂、数据不准确，导致公司建立不了自己的数据驱动能力。

总结出这样的问题后，我们把我们的数据分析经验，特别是帮助客户落地增长的最佳实践，做成了一款产品，赋能电商企业，让每个电商平台不需要太多学习成本和使用门槛，就能够快速搭建数据监控体系，看到数据，指导运营。

接下来，就一一阐述解决上面三个问题的思路

电商的本质是零售。无论产品经理或电商运营，所做的体验优化、运营方案优化，都是围绕“成交”这个核心目标来落地的。

这其中涉及到人、货、场三个概念：

• 人：流量、用户或会员；
• 场：每个人的理解不同，我个人认为，凡是能将人与货匹配，最终完成转化的都可以称之为场。如：搜索，推荐，推送，导航栏，活动，视频，图片，文本，直播等都属于场的范围。

而这三个概念组合起来，就是电商核心关注的问题：

2.1， 不同商品需要放置在什么场中卖给用户？

举个例子，口红在搜索、短视频、直播场哪个渠道卖最好？不同商品适合的场是不同的，有巨大区别。比如很多女孩会通过观看短视频购买化妆品，在图片展示区买衣服，如果用错了场，商品的转化率会有明显差异。各位电商从业者是否知道不同的商品在哪些 “场”好卖，哪些难卖吗？如果知道，你会和现在采取不同的方法吗？

2.2， 不同场应该卖什么商品给用户？

导航栏、搜索推荐分别适合卖什么产品、卖什么特征的商品，打折券的 ROI 如何衡量，这些对于成交非常关键的洞察，是可以通过数据分析来判断的。

2.3， 不同用户需要的商品和场有何不同？

对不同用户画像，需要呈现哪类商品和相匹配的场。不同生命周期、不同级别的用户，应该采取什么样的运营手段？你们是否了解新用户首次购买路径？在哪些路径下最高？新用户倾向买什么产品？

3，电商行业分析场景和指标体系

我们将服务过的电商客户最常提出的需求进行抽象总结，如上图所示：

分为“投放拉新”、“裂变拉新”、“会员运营”，先通过投放来大量拉新；当这种流量获取方式太贵之后，裂变玩法就成为拉新的主力；最后，为了将流量留在平台上，我们还需要踏实地将会员运营起来。

核心是商品运营：单一商品的浏览量、点击量、加购数、下单数，以及一系列商品的曝光、点击、加购之间的对比或不同维度拆解。通过对这些数据近实时的监测，我们可以快速定位需要流量扶持或流量打压的商品。

商品与用户的匹配，数据分析可做的事情非常多，如上图可以分为：核心转化监控、站内流量分发效率、内容运营、活动运营、站内流量转化归因等。

我们将这些场景的监控方案进行了产品化，衍生出来一系列这个行业的运营实践与监控方案，并将其产品化。

可以进一步拆分为优惠券运营、商品推荐、站内推送。特别是优惠券，这是最常见的撬动营收客单价的利器，如何在正确时间、正确位置将正确的优惠券发给正确的用户，并最终撬动了多少成交额、提升了多少客单价，都是需要通过数据分析来判断的。

3.2. 站内流量转化归因

是建立在归因模型基础上的核心数据分析，电商企业不仅需要评估不同功能（如分类页、推送、社区、营销活动、搜索、推荐位等）对订单数据和金额的贡献，还需要判断不同场将不同类型商品转化给客户的能力。通过清晰了解不同商品和场的匹配度，确保在正确的场销售正确的商品。

针对不同场景，GrowingIO 提供的归因模型支持三种不同归因模式：最近归因、首次归因和平均归因。

3.3. 站内流量分发 - 搜索效果评估

很多企业已经在采集“通过搜索带来的订单量”，但这个数据是不够的。对搜索的数据分析可以由浅到深有以下几个层次，大家可以看一下，自己的电商平台现在做到了哪一步：

• 第一步，监控有多少用户使用搜索功能、通过搜索能看到返回结果并进入到商品详情页，进行加购或购买；
• 第二步，评估搜索路径的转化率及具体转化步骤流失情况，发现痛点进行优化；
• 第三步，评估不同搜索词的引流、加购、购买效果；
• 第四步，评估不同搜索方式等带来的搜索效果，如很多电商逐步支持图片搜索，可以用 Instagram 的明星穿搭图片直接搜索；
• 第五步，总结高搜索转化的商品特征，并指导选品。

以上这些搜索分析场景，可视化的呈现方式见下图：

3.4. 内容社区运营效果分析

社区电商是最近新兴的一种电商模式，如果运营得当，是可以大幅提升转化率与客单价的。

举个我自己的例子，我太太买了一个发卡，只花了 100 块，其实很便宜，但她很喜欢，觉得要为了这个发卡去重新做发型，做了新发型后又需要一套新的衣服来搭配，于是由 100 块的发卡变成了几千块的消费场景。

很多社区电商也在做类似的事情，通过时尚达人推荐等场景化的方式，直接售卖整套衣服+配饰，帮助用户快速找到心仪的商品。

因此，对内容社区，我建议核心关注的指标包括：社区人数与留存率、社区带来的加购与订单数、达人关注人数、帖子的生产量与消费量。

以上指标还可以继续从不同维度拆分。比如电商社区可以粗略分为三类用户，自发的内容生产者、签约的流量大 V，以及普通消费者；社区的帖子也可以分为直播、短视频、图片、纯文本等。从这些维度，将社区带来的加购与订单归因到具体的发帖人和帖子，可以了解到究竟哪个大 V 转化率更高、不同商品更适合用社区哪种形式的帖子带货等。

3.5. 站内流量分发效果分析

电商中有一个“黄金流量位”的概念，每个电商平台的黄金流量位都是有限的，首页前三屏流量会占首页整体流量 40% 以上。因此不同楼层和坑位需要电商平台的精细化运营。在大型促销活动中，我们可以实时关注不同楼层和坑位对应商品的实时加购、成单和库存数据，及时进行调整，确保成交最大化。

比如预热时，某商品加购达到 100 件，但库存就只有 20 件，这件商品就不适合作为主推款，占据“黄金流量位”的一定是库存、加购数据都比较优秀且平衡的商品。

4. 电商数据方案与数据校验自动化

以上这些分析建立在大量数据全面、准确的采集和近实时的呈现，这些数据可以分为以下三类：

• 用户属性变量：通过不同用户标签分析点击、加购、下单、营收
• 商品属性变量：通过 SKU 与商品品类分析点击，加购、下单、营收
• 场的归因变量：不同功能带来的点击，加购、下单、营收、商品数量情况

而这三类数据建议采用双模采集模式，既快又准地实现：

列表页点击，落地页展示、浏览、点击、跳转，活动页分析，商品详情页浏览、点击，产品版本迭代更新等这类需要快速采集、快速反馈并持续调整优化的用户行为数据，建议选择加载 SDK 的无埋点采集；加购、下单、营收等业务数据，建议通过埋点方式来采集，避免数据遗漏。双模采集可以将业务数据和行为数据打通，为搭建数据指标体系奠定基础。

如上所示，当明确核心目标后， 会为你自动生成一份数据方案，包括埋点和无埋点的全部事件与变量。业务同事可以直接将这份报告发给工程同事，以自动化的方式降低双方沟通和理解的成本。

当完成数据方案后，业务同事可以通过“数据校验”功能，实时交互式地自助完成校验，不必协调 QA同事的资源；同时 自动生成数据质量报告，开发人员可以直接根据报告调整埋点。

关于电商数据监控与分析的最佳实践，就给大家简单分享到这里。其实 （点击可免费领取）核心解决的，就是演讲开始提到的那三个问题。希望能对大家有帮助。