本文中笔者为我们介绍了电商产品的运营路径是什么，并对行为数据进行分析，给出了一些相应的优化方式。
一、主要路径分析
一切能够进行产品推广、促进用户使用、提升用户粘性和留存、用户自传播、让用户付费的行为都可以称为运营。在运营中我们可以用AARRR增长模型将产品的运营路径拆分为：激活、注册、留存、下单、传播，然后根据每个路径进行分析，从而优化产品和运营策略。
1. 激活
不同行业和模式的激活方式都不太一样，例如：之前我们做的体育app激活方式为——从跑步群里面导入用户和微信公众号导入，先把目标用户沉淀在微信群，然后利用大型马拉松的名额来吸引他们呼吁用户下载app进行报名。
然而对于B2B的电商平台，用户激活主要以地推和客服推广为主。因为入驻平台需要一定的资质证件，且用户自发性地在网上注册的比较少，但地推方式激活的相对成本较高。
2. 注册
注册的时候，常常会因为某个步骤文案描述不清或流程复杂，要求上传的证件太多等原因让用户流失。这时候，我们就可以用漏斗分析用户是在哪个步骤流失严重，分析具体原因后再进行产品优化。
3. 留存
用户激活和注册后我们需要看用户的留存率，每个应用对留存的时间定义都是不一样的。例如：
对于社交软件而言，如果3天不登录可能就被标记为流失用户；
对于我们现在做的医药电商来说，一般用户的采购周期在15天左右，所以我们把超过15天没下单的用户称为流失用户，对于流失用户我们一般会采取和发送优惠券的方式促进他再次下单。
4. 营收
我们需要理解到：作为电商平台只有平台提供的商品价格、品类、物流服务有吸引力后，用户才愿意来下单。
如果用户在需要购买该商品的时候没有下单，那多半是自身的商品和竞争对手相比，在价格和服务上吸引力不够。这时候我们就需要通过爬虫爬取竞争对手的商品数据，然后调整自己的定价和适当做一些营销活动来吸引客户。
5. 传播
由于我们获客成本比较高，因此让用户自传播的方式去拉新也是一种可行的营销方式，针对这个，我们做了邀请好友得优惠券的方式，鼓励用户去帮我们拉新。
二、行为数据分析
分析的目的：了解用户的使用习惯、使用路径以及使用频率，从而得出用户更偏向于使用哪些功能，验证产品用户体验是否做得好，上线的运营活动是否受欢迎等。
做行为数据分析之前，首先我们需要做埋点，埋点可以采用第三方埋点和自己做埋点。各有利弊，这个需要结合公司来做决定。
下面是我们之前做的埋点的表格和用户每次行为记录的字段。埋点主要分为点击事件和页面曝光两类，然后又可以根据页面曝光事件来统计页面的停留时长和用户的路径。
用户每促发一次事件需要记录的字段（具体还需要根据公司需要采集的数据而定）：
source; //来源 001-app 002-pc
logined; //是否已经登录 1-是，0-否
typeUser; //用户的类型 001-采购商 002-供应商
userId; //用户的id
codePage; //页面对应的代码
numEvent; //事件编号
nameEvent; //事件名称
codeEvent; //事件代码
typeEvent; //事件类型
timeEvent; //事件发生的时间
purchaserId; //采购商id
ip; //作用是解析地址或识别客户
province; //事件发生的省份
city; //事件发生的城市
os; //操作系统,android或ios
mfrs; //生产厂商 如：华为，OPPO，苹果，VIVO
typeUnit; //设备型号 如：荣耀R10，OPPO R7，iphone X，VIVO X20
versionSystem; //系统版本 如：android 5.0
wifi; //是否使用wifi，1-是，0-否
firstId; //一级id
secondId; //二级id
fromPage; //上一页
toPage; //下一页
url; //
parameter; //参数，同一事件可能包含多个参数
property; //属性，与参数对应
proJson; //KEY-VALUE对的JSON形式
remark; //备注
埋点记录的类型和规则：
行为数据需要分析的内容：
对于电商平台来说主要分析的点有：
1. 用户的注册路径：分析每个注册步奏的转化率，在转化率低的步骤分析原因，然后进行产品优化。
2. 用户的购买路径： 首页-搜索-购物车-提交订单页-支付页，通过每个路径的转化率来分析用户在哪个阶段流失最严重，然后去分析用户流失的原因。
例如：之前我们分析到用户在购物车到提交订单页流失得特别严重，后面经过分析得出商家设置的最近购买金额太高，导致用户达不到购买金额而提交不了订单。后面我们和商家协商降低最低购买金额后，转化率提升了不少。
3. 分析运营上线的营销活动的用户点击率、通过活动加入购物车购买的商品数量，从而去评判运营的活动质量。
4. 分析哪些功能是用户经常使用的，哪些是不常用的，经常使用的功能我们要力争做到最好以提升核心竞争力。
例如：通过数据分析，我们得出用户购买商品最常用的功能是搜索而很少会通过推荐或分类去加入购物车，因此我们花更大经历去优化搜索功能。
在数据分析中，我们需要将具有共同特性的用户分类管理，然后更具不同的类型采用一样的营销方式。
我们会根据RFM模型来分类：
R（Recency）代表下单离当前的时间，距离越近代表客户约优质；
F（Frequency）代表下单的频率，频率越高代表用户对我们平台约认可；
M（Monetary）代表下单的金额，消费金额体现用户的消费潜力。然后根据不同的指标然后给予打分。
例如：我们会将时间周期定为三个月（由于一般用户采购周期比较长，但是具体的时间需要根据行业的不同而不同），针对最近下单时间打分，距离当前时间在6天之内下过单的打5分，7到12天的打4分以次类推。
针对用户的下单频率打分，大于5单的给5分，4单给4分，以此类推。
根据用户的采购金额打分，大于5000元的打5分，大于4000元的打4分，以此类推。
经过打分，我们算出每个用户的得分，算出得分后我们就可以将用户根据得分分成不同的群体：
分群后就可以针对不同的群里使用不同的营销策略，针对高价值用户我们通常不需要再去管理。
对于低贡献用户我们需要去分析——是用户本身购买力不强还是平台的商品优惠力度不够。若是商品优惠力度不够，我们可以采用推送优惠券给对方的形式，让用户回到平台购买。若是用户本身购买力不足，我们需要刺激够用的购买欲望。
