抖音电商后台的数据，应该怎么看？

发布时间：2024-08-26 06:07:46　浏览次数：

流量低了该怎么办？这样的问题即使直播带货商家得到了全面回答，对新手抖音商家来说，效果也微乎其微，很难改变现状。为何？

“流量低”本质上不是问题，是结果。

简单来讲抖音流量机制是双向作用，尤其在直播带货中各环节相互作用，没有做成正反馈循环，流量就会偏低，基数不够，GMV数据相应低下。

因此，真正的问题在于导致这个结果的某个或者某些环节上。

其实，造成流量低的每一个因素都可以从抖音电商的数据中排查出来。

比如视频点击率可以反映出视频引导进直播间的效率也可以反映出短视频的整体质量；直播推荐占比可以看出来主播实力和直播脚本是否优质等等。

那么，这些数据有哪些，背后又传达着怎样的信息？

如图所示，所有抖音核心数据都是根据用户购买途径这个链路进行设置的。

对于抖音电商来讲，重点关注数据可以分为直播内容吸引力方向审核数据、直播销售力方向平台审核数据和售方向后审核数据。

本文主要总结了直播内容吸引力方向和直播销售力方向的审核数据。

1、观看总人数

观看总人数是整场直播中的所有入口参与人数总和，包括：直播推荐入口人数+视频推荐入口人数+付费流量入口人数（如feed流）+关注列表入口人数+同城入口人数+其他（分享直播间、私域等）。

值得关注的是平台引流不是直接将受众引到直播间而是通过视频推荐和直播推荐两种方式进行广告展现。

直播进入方式

视频推荐是将商家的短视频进行展现，用户进入直播间需要点击头像上的呼吸灯，点击与否由用户决定。

直播推荐是把直播间实时的画面进行推流，用户是否点击进入和直播间每时每刻的气氛、商品展示形式、主播状态、团队的配合等等都有关系。

排雷注意：主播在直播间忌有人时说话，没人时不说话。

2、视频/直播点击率

计算公式为：（观看总人数x视频推荐占比）/短视频播放量

此数据代表视频引导进直播间的效率，同时这个数据也可以反映出短视频的质量。对于内容型＋feed流玩法相结合的直播带货商家，这个数据是第一关也是极其重要的一关。

这个数据反映了种草的产品或者直播的画面有没有足够的吸引力吸引用户点击进入直播间 。

3、平均停留时长

计算公式为：用户观看总时长/观看总人数。

首先，在直播带货中，在直播间逗留时长大于10秒才会被系统判定为有效观看。

在这个数据中，平均停留时长在在3分钟及以上，数据属于优质数据，1分钟左右甚至低于1分钟，数据是不合格的。

如果这个数据偏低，可能涉及到直播间背景是否符合根据产品定位设定的受众的审美、主播是否能够带动直播间气氛等等。

4、互动率

计算公式=评论总数+评论总人数。

有多少人参与了评论，一个人评论多少条，一般来讲，参与评论的用户更有下单意向，如果评论总人数高而购买人数低，问题大多数是出在主播回答评论的话术和方法上。

通常来说，互动率是转化率（下单人数/直播观看总数）的天花板。

5、转粉率

计算公式=转化为粉丝（新增粉丝）/直播间进入总人数

注意：转粉率通常是高于转化率的，如果转粉率低于转化率，说明主播的沟通能力不过关。这也很容易理解，使用户关注商家比使用户下单更容易。

1、客单价

计算公式=全场销售额/成交订单数

客单价代表了每个顾客的平均下单金额。

2、客单件

计算公式=成交订单数/成交人数

客单件代表了每个顾客平均购买的件数。

首先对于被种草的用户，浏览同一个店铺的其他产品的行为发生率很高。

影响客单件数据的因素有很多，比如捆绑销售、引导用户进入店铺了解更多产品、店铺不同商品的位置排列、首图质量、排版等等。

ps：更多数据由于篇幅有限，便不一一介绍了，需要的了解更多数据详情的朋友可以添加文末微信进行咨询~

下面放上一些其他数据的概念

商品点击率

计算公式=商品点击数/直播间人数

商品点击率是指直播间点击商品的人数占比。

UV价值

计算公式=全场销售额/观看总人数

每个进入古播间的用户平均贡献的成交全额

转化率

计算公式=成交人数/观看总人数

每一百个顾客能被成交的比例

GMV代表全场销售额

上文详细介绍了抖音电商的各种数据概念，到底如何落地抖音商家的数据分析工作？

1、设立参考标准

通常情况下，建议商家以同行、头部、腰部的数据作为参考对比。设立参考标准要符合自身特色。

2、分析推荐以日为单位

直播带货建议以日分析，2020年二电行业发展迅速，信息更迭快、平台规则变化快、二电爆品品类变化也快。

而抖音直播带货时效性更强，因此建议抖音商家以日为单位进行数据总结和分析。

3、根据数据分析，有逻辑性解决

流量与各类数值之间是一个互相作用，一定是自身各方面因素逐渐完善，才会流量更多、其他数据更健康增长。

那么建议刚开始流量少的商家尤其是二类小白商家，不要过于恐慌，放平心态，以直播带货的前、中、后的顺序进行数据研究，发现问题解决问题。

4、案例

以巨量大学的案例来分析。

可以看到优化前数据为：短视频播放量为11703，视频推荐占比为3.5%，直播点击率为1141。

那么按照前文介绍的数据计算方法，可以算出，视频推荐流量为1141 x 3.5%=40，短视频点击率为40 / 11703=0.34%。

这个数据相比而来是非常低的，那么整场的效果不好的最主要原因就是短视频质量不高。作为直播前影响因素，显而易见，我们需要第一时间去解决。

分析到这里了，我们就可以具体问题具体分析，导致短视频质量不高的因素可能有：画质、剪辑、音乐、口播文案等等。

在通过改善短视频质量和增加直播中短视频发布数量两个方法后，数据如下：

可以看到视频播放量增加到了优化前5倍，视频推荐占比从3.5%增加到了26%。

前期工作铺垫好，后期同样的方法分析数据，总结问题解决问题，才能得到更多的流量进入正反馈循环，并且积累宝贵经验。