这是最近被问过最多的一个问题，很有必要整理成一篇文章来分享。本文讨论的是新接手一个电商网站，不是接手一个新电商网站。因此，网站默认为已运营一段时间，有历史数据可供参考。
我一直主张基于数据分析的网站优化，特别是电商网站。同时，做事的时候，可以再加上一点点直觉。直觉是什么？直觉是一个人的学识再加上经验累积出来的判断力。所以有时要敢于相信直觉！（这是《读心神探》里的姚sir（林保怡）对直觉的总结，很有道理。）
既然是优化电商网站，我们第一个就要从电商网站最基本的流程和功能入手：下单付款。
电商网站的下单付款流程必须遵循2个基本原则：简单、灵活。
简单指的是从进入购物车->确认商品->填写收货地址->付款，内容填写要从简，几个步骤要最简化，能3个步骤实现就不要做成4步，因为每多一步，将会流失一部分用户。
灵活指的是2点：其1要灵活对用户，对于非注册也可直接购物；其2要付款方式灵活，可支持多种付款方式，如支付宝、网银、财务通等。多一份选择，可能就少流失一些订单。
对于下单付款这一基本流程，可以通过数据有效监测效果，并完成优化。最典型的数据模型就是漏斗。
购物下单付款流程是我们开始优化一个电商网站前，需要观察的第一个数据项和流程功能。
第二个要观察的是什么功能和数据呢？是站内搜索功能。
用户都是喜欢偷懒的，如果你的网站操作效率很低，就会令用户烦躁，进而导致不好的体验，甚至出现坏口碑。站内搜索功能就是用户偷懒的首选工具。
对于进入电商网站的用户，我们粗略的将其分为两类：目的明确型和盲目闲逛型。
站内搜索模块就是为第一类用户而生。搜索结果是否准确、是否全面，直接决定了用户是否停留及选购下单。因此，你需要仔细测试站内搜索功能是否好用，比如搜索“LV”，是否搜索结果中显示了全部的LV商品，如果同时也显示了Calvin等等的商品，你就要尽快优化了。
除此之外，通过分析站内搜索数据，观察关键词搜索榜单，也将有助于你对用户心理有明确的把握，从而完成对网站结构、促销活动、以及商品等内容的优化。
完成了对站内搜索功能的数据监测和测试优化，接下来要进行第三项优化：网站导航。
网站导航主要面向的用户群是第二类盲目闲逛型。这类用户一般来说没有太明确的购物意向，最多有个大概方向，比如想买个背包或者靴子。这类用户的浏览轨迹一般是这样的：逛逛网站上的促销活动，看是否有中意的商品，如果有，下单，如果没有，则会转向网站导航，进入各个感兴趣的分类频道页面（比如箱包频道），耐心浏览。通过对同事、朋友和家人的观察，我发现女性的购物耐心是无与伦比的，不仅仅体现在商场中，网购时也是一样的。
通过观察网站的历史数据，可以发现用户最关注的商品分类哪些，这些就是需要重点加强的。
第4个关注点，我们转移到电子商务最核心的问题：商品。
通过分析网站流量数据和商品销售数据，我们能够知道本来或许没有察觉到的商品的一些特别属性。具体的做法是，把商品按照两个维度——商品被关注量（通过网站分析工具就能轻松获得）和商品的销售转化情况（即销量和关注量的比值，通过电子商务后台和网站分析工具能算出）进行细分。简单的计算之后，我们就可以得到一个下面的图：
对于右上象限——高销售转化和高关注度的商品，当然，保持现状即可，甚至适当给它们来点儿促销，以进一步刺激销售。
对于右下象限——关注度不足，但是销售转化却好的商品，显然是一些潜在的盈利增长点。有了这个情况，你可以立即着手做两件事情：1. 立即研究它们为什么能有如此好的转化，是不是因为一些没有关注到的因素起到了作用——大家都知道这种情况是经常发生的；2. 立即给这些低关注度的商品更多的曝光机会，使他们能够升高关注度，进入明星产品（右上象限）之列。
对于左上象限——关注度高但销售转化不佳的商品，显然说明存在交易促成动力不足的问题，产品经理应该立即着手研究如何促成销售的转化——是购物车的问题，还是支付不方便，还是竞争对手的价格更具吸引力，还是促销优惠不够？等等等等。这个象限和前面那个象限（右下象限）一样，都是能大有作为的地方。
最后的这个左下角象限——是大家都不喜欢的，既没有人关注，销售情况也不理想。那么，看看有没有机会增加曝光，或者来点儿促销？要么，少进点儿货吧。如果是撇脂型的商品，就让它呆哪儿也无妨。
说了用户体验、购物流程，以及商品优化，再说最后一项：促销活动。
亚马逊基于数据分析的智能化推荐，咱们做不了，在中国做电商，还是要倚赖促销活动的刺激。所以，就要细心分析以往促销活动的各项数据，如活动页面浏览量、成单量、对整站的间接促进等，可以做一个详细的对比分析表，相信数据，一定能反映出一个趋势，告诉你什么样的活动最吸引人，效果最佳。得出结论，放手去做就好了。
转载于:https://my.oschina.net/u/195065/blog/193223
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/187095.html原文链接：https://javaforall.net
