电商中看数据，首先需要从事情的发生逻辑来去理解它。从事情发生的先后顺序来说，先得有用户过来（流量），然后在这边浏览挑选加购（行为），最后付款（交易）。也就是：流量→行为→交易，这三个大的步骤顺序，构成了一个完整的电商交易事件。

面对真实业务场景，怎么去看数据最有效率？

就如同你看一棵树长得怎么样，不会把它的所有叶子都扒过来看一遍，而是先从整体长势去看它是否高大繁茂。同理，推荐的分析角度是：从宏观到微观，也就是交易→流量→行为。先看最终的结果，也就是交易数据。看有没有明显的涨跌，给这个周期 / 这次运营事件的成败定个调。如果交易数据有明显涨跌的，再进一步判断是否是因为流量数据的涨跌而造成的。因为流量数据是决定了最终交易规模高低的最重要影响因素之一。无论你的运营策略多精妙、商品优惠多高，如果完全没流量进来访问，也就不会有成交的爆发。

点击率的影响因素有：模块在页面中的位置：若放得越高，则越可能被更多的用户看见，那么点击率高的可能性，就比放置位置低的模块要来得更高。毕竟页面越往下，看到的用户就更少了。模块本身的吸引程度：比如模块本身是个优惠券集合楼层，就比没有利益点的普通模块更吸引人、更容易获得更多点击。此外，模块的样式设计、主题表述的清晰与否、主题对用户的吸引力和潜在用户群大小，这些都会影响到模块的吸引力。

曝光点击率（曝光点击率 = 模块点击人数 / 模块曝光人数）

用户对此模块的点击人数，在所有看到此模块的流量中的百分比。与点击率的公式对比可发现，点击率的分母是所有进入页面的流量，但用户的浏览行为永远是浏览得越深，流量越少的。这也就导致位置越深的模块算点击率就越吃亏，因为相当一部分流量压根就没有看到这个模块，也被算进分母里了。而曝光点击率，就是一个排除了页面位置对模块的影响后，可以用来相对公平地去比较各模块的吸引力的数据指标。

思考：什么场景用点击率，什么场景用曝光点击率呢？

当想要单纯评估楼层对用户的吸引力时，可以看曝光点击率；

当想要综合评估楼层的整体效果与贡献时，看点击率，毕竟它与楼层 GMV 相关性更高；

曝光需要特殊埋点，且可能会影响页面性能，因此很多时候我们没有办法获取到曝光数据，也只能看点击率了。

曝光点击率的使用注意：

首屏内的楼层的曝光点击率，数据可能不准确。首屏的曝光 UV 是最大的，里面包含了各种异常情况，例如一进页面就跳出，也算作曝光。因此导致首屏的曝光点击率往往会偏小（如下图所示），无法与其他楼层比较。若想比较首屏情况，建议与点击率一起综合来看。

曝光率（曝光率 = 模块曝光人数 / 页面浏览人数）

这个数据可以看出用户在页面上的浏览深度如何，有百分之多少的用户看到了哪一屏。从这个数据中，我们可以发现一些关键的节点。例如，若我们的业务主推是在第二~三屏的位置，但最终发现曝光率在第二屏便暴跌，这便是存在问题的，说不定我们需要把主推内容再往上提一些，或者需要去排查首屏是否有会令用户立即跳转和跳出的内容……这便是曝光率这个数据指标，可以带来的分析价值。

停留时长

这个数据指标很好理解，是描述用户在页面上平均停留多少秒。

思考：曝光率下跌曲线越慢 / 浏览深度越深 / 停留时长越长，就代表我们的页面做得越好吗？

曝光率和停留时长的影响因素比较一致，因此可以合在一起解释。曝光率的下降曲线、停留时长的长与短，影响因素有这些：

人的生理极限：人不是机器，根据研究，「人不受干扰地执行单一操作的时长为 6s ~ 30s 」[注1]，超过这一常数，用户就会走神。可想而知，用户在单一页面上停留的时间是有上限的，不因页面放置入的内容多少而变化。一个反例，是通过利益点来吸引用户在页面上浏览得更深，这不但与生理极限相悖，也把用户自然的浏览行为和目标，硬生生变成了为了追寻更多利益点而进行类似完成任务的操作。除了用利益点交换一个好看的数据以外，这样的做法似乎没能带来更多的产出。

页面定位及内容：在双 11 主会场中，用户的行为模式趋近找优惠和找目标品类，那么他可能不会在这里浏览太多屏数、也不会停留太久——这个时候影响曝光率和停留时长的，就是他有多快能找到感兴趣的优惠，因此，并不能说浏览深度越深、停留时长越长就越好；在 BI（千人千面）商品瀑布流中，用户的行为是闲逛和挑选，这时候他更可能浏览更多的屏数、停留更长时间——因此浏览的商品越多，可以说是对最终效益最好的。

异常情况：例如加载异常、页面崩溃的场景，就会导致停留时长异常低、二屏后曝光异常低。

综上，我们应该根据具体的场景、通过数次历史数据的对比，去设定和校正目标曝光率、目标停留时长。平日看这两个数据，可以当作一个监测异常的数据，在正常范围内的波动不需要过度解读，一旦发现特别异常的情况，再进行具体的分析。