数据分析常用指标介绍
大数据分析常用指标
大数据分析常用指标一、基础指标1.数据量：用以表示数据集的大小，通常以数据条目或文件大小来衡量。
2.统计量：包括均值、中位数、众数、标准差、方差等，用以描述数据的分布和集中度。
3.数据质量指标：包括数据完整性、准确性、一致性、唯一性等，用以评估数据的可信度和适用性。
二、关联性指标1.相关系数：用以衡量两个变量之间的关联程度，常用的有皮尔逊相关系数、斯皮尔曼相关系数等。
2.协方差：衡量两个变量之间的总体相关性，能够表示变量之间的变动趋势是否一致。
3.相关分析：通过计算相关系数和协方差，来分析变量之间的相关性，并推断出可能存在的因果关系。
三、趋势性指标1.线性回归：通过拟合一条线来描述变量之间的线性关系，可以用于预测未来趋势。
2.移动平均：通过计算一段时间内的平均值，来平滑数据的波动，以便分析趋势。
3.时间序列分析：用于分析时间相关的数据，包括趋势分析、季节性分析、周期性分析等。
四、分类与预测指标1.分类准确率：通常使用混淆矩阵和准确率来评估分类模型的性能。
2.ROC曲线：用以评估二分类模型的质量，通过绘制真阳性率与假阳性率的曲线来表示模型在不同阈值下的分类效果。
3.回归预测误差：包括均方误差、平均绝对误差、相对平均误差等，用以衡量回归模型的预测精度。
五、群体分析指标1.聚类分析：用以将数据集中的对象划分成互不相交的群体，可以通过欧氏距离、马氏距离、余弦相似度等来度量对象之间的相似性。
2. 分类指标：用以衡量聚类结果的质量，包括轮廓系数、Davies-Bouldin指数、兰德系数等。
六、异常检测指标1.离群值检测：通过统计方法、聚类方法、基于模型的方法等来检测数据中的异常值。
2.异常度：用以度量数据点与其他数据点之间的差异性或离群程度，常用的方法有标准分数、箱线图等。
以上是大数据分析中的一些常用指标，不同类型的指标可以用来分析不同的问题和场景。
在实际应用中，根据具体需求和数据特征，选择合适的指标进行分析和评估，有助于发现数据中的规律、趋势和异常，提供有效的决策支持。
数据分析常用指标介绍
数据分析常用指标介绍数据分析是指通过收集、整理、分析和解释数据，以便从中得出实际应用的结论和提供决策支持的过程。
在数据分析的过程中，常常需要使用一些指标来度量和描述数据的特征和趋势。
下面将介绍一些常用的数据分析指标。
1.中心位置指标中心位置指标用于描述数据的集中趋势，常用的指标包括平均数、中位数和众数。
-平均数是一组数据的总和除以数据的个数，用于描述数据的平均水平。
-中位数是将一组数据从小到大排列后，位于中间位置的值，用于描述数据的中间水平。
-众数是一组数据中出现次数最多的值，可以用来描述数据的峰值。
2.变异程度指标变异程度指标用于描述数据的波动程度，常用的指标包括标准差和方差。
-标准差是一组数据的平均值与每个数据的差值的平方和的平均值的平方根，用于描述数据的离散程度。
-方差是一组数据的每个数据与平均值的差值的平方和的平均值，用于描述数据的离散程度。
3.百分位数百分位数是将一组数据从小到大排列后，按百分比的位置将其分割成若干等份，用于描述数据的分布情况。
常用的百分位数包括中位数（50%分位数）、四分位数（25%和75%分位数）和百分之一位数（1%和99%分位数）等。
4.相关系数相关系数用于衡量两个变量之间的线性关系程度，常用的相关系数包括皮尔逊相关系数和斯皮尔曼相关系数。
-皮尔逊相关系数在样本数据服从正态分布时使用，取值范围为-1到1，-1表示完全负相关，1表示完全正相关，0表示无相关。
-斯皮尔曼相关系数不要求样本数据服从正态分布，而是转化为等级数据来计算，取值范围同样为-1到15.回归分析指标回归分析是用于研究变量之间关系的一种统计方法，常用的回归分析指标包括回归系数、拟合优度和回归方程。
-回归系数用于衡量自变量对因变量的影响程度，正系数表示正相关，负系数表示负相关。
-拟合优度用于衡量回归模型对实际数据的拟合程度，常用的拟合优度指标包括决定系数（R^2）和调整决定系数。
-回归方程用于描述自变量和因变量之间的关系。
大数据分析常用指标
大数据分析常用指标大数据分析是近年来发展迅猛的数据科学领域，旨在通过从庞大的数据集中提取有价值的信息和洞察力，以支持决策和增强业务运营。
在大数据分析的过程中，使用各种指标来量化和评估数据的特性和关联性，从而帮助企业更好地理解和利用数据。
本文将介绍大数据分析中常用的几个重要指标。
1. 平均值（Mean）平均值是最简单和最常见的统计指标之一。
它是将所有数据点的值加起来，然后除以数据点的总数得到的值。
平均值可用于衡量数据集的中心趋势。
在大数据分析中，平均值可以用来评估业务指标，例如平均销售额、平均访问时间等。
2. 中位数（Median）中位数是将数据集中的值按升序排列，然后找到中间位置的值。
如果数据集中有偶数个数据点，中位数将是中间位置的两个数据点的平均值。
与平均值不同，中位数不受异常值的影响，更能反映数据的分布情况。
在大数据分析中，中位数常用于衡量数据的中心趋势，特别适用于面对异常值较多的情况。
3. 标准差（Standard Deviation）标准差是衡量数据的离散程度的指标。
它用于描述数据集中各个数据点与平均值之间的差异。
标准差越大，数据集的差异越大，反之亦然。
在大数据分析中，标准差可用于评估数据的稳定性和可靠性，也可以用于发现异常值。
4. 相关系数（Correlation Coefficient）相关系数是用来衡量两个变量之间的相关性的指标。
它的取值范围从-1到1，-1表示完全负相关，1表示完全正相关，0表示没有相关性。
相关系数可以帮助我们理解数据之间的关系，并提供洞察力以支持决策和预测。
在大数据分析中，相关系数常用于研究市场趋势、客户行为等方面。
5. 百分位数（Percentile）百分位数是指将数据集按升序排列后，某个特定百分比所处的位置的值。
例如，第50百分位数就是中位数。
百分位数可以帮助我们了解数据集中不同百分比的值所处的位置，特别适用于处理大规模数据。
在大数据分析中，百分位数可用于了解市场分布、客户分群等情况。
数据分析指标范文
数据分析指标范文1.平均值：平均值是一组数据的总和除以观测数量，用于衡量数据的集中趋势。
平均值可以帮助分析师了解数据的典型值。
2.中位数：中位数是将一组数据按大小排序，确定中间值的数值。
中位数可以帮助分析师了解数据的中间值，同时可以避免离群值对结果的影响。
3.方差和标准差：方差和标准差用来衡量数据的离散程度。
方差是每个数据点和平均值之间差异的平方的均值，而标准差是方差的平方根。
方差和标准差越大，数据的离散程度越高。
4.相关系数：相关系数用于衡量两个变量之间的关联程度。
相关系数的取值范围在-1到1之间，其中-1表示强负相关，0表示无关，1表示强正相关。
相关系数可以帮助分析师了解变量之间的关联性。
5.回归分析：回归分析用于建立一个模型来预测一个变量与其他变量之间的关系。
回归模型可以帮助分析师预测目标变量的值，并了解其他变量对目标变量的影响程度。
6.百分比和比例：百分比和比例可以用来衡量一些特定的数值相对于总体的大小。
它们可以帮助分析师了解不同类别的数据的相对大小。
7. 标准化：标准化是一种处理数据的方法，使得不同尺度的数据可以进行比较和分析。
常见的标准化方法有Z-score和最小-最大标准化。
8.事件发生率：事件发生率是指一些事件在一定时间内发生的频率。
事件发生率可以帮助分析师了解事件的发生趋势和概率。
9.假设检验：假设检验可以用来验证其中一种观察结果是否具有统计学上的显著性。
假设检验可以帮助分析师进行推断和决策，例如判断项数据的变化是否显著。
10.分布：分布用来描述数据的分布情况。
常见的分布包括正态分布、均匀分布和偏态分布。
分布可以帮助分析师理解数据的形状和性质。
通过使用上述数据分析指标，分析师可以更好地理解数据，形成直观的结果，并基于这些结果做出有效的决策。
这些指标是数据分析过程中不可或缺的工具，可以帮助分析师提高工作效率并提升决策的准确性。
各行业的数据分析指标体系
各行业的数据分析指标体系行业的数据分析指标体系是根据不同行业的特点和需求来构建的，它可以帮助企业分析和评估各种指标，以便制定战略和做出决策。
在下面的文章中，将探讨几个常见行业的数据分析指标体系。
1.零售业在零售业中，数据分析非常重要，有助于确定销售趋势、顾客需求以及优化供应链管理。
以下是一些典型的数据分析指标体系：-顾客留存率：衡量顾客的忠诚度和满意度，可通过计算一定时期内再次购买的顾客比例来衡量。
-库存周转率：衡量企业的库存管理效率，计算公式为销售额除以平均库存值。
-订单满足率：衡量企业及时满足顾客订单的能力，通过计算成功交付的订单比例来衡量。
-客户转化率：衡量线上线下推广活动的效果，计算公式为成功转化为顾客的线索或潜在顾客数除以总线索或潜在顾客数。
-平均客单价：衡量每个顾客的平均消费金额，计算公式为销售额除以顾客数。
2.金融业金融业也是数据分析的重要应用领域，以下是一些常见的金融领域的数据分析指标体系：-信用贷款违约率：衡量金融机构的风险管理能力，计算公式为违约贷款金额除以总贷款金额。
-资产负债率：衡量企业的财务稳定性和偿债能力，计算公式为负债总额除以资产总额。
-活动存储率：衡量客户的储蓄和投资能力，计算公式为活期存款和定期存款总额除以总资产。
-券商的交易净收入：衡量券商的交易业务盈利能力，计算公式为交易净收入除以交易净额。
-风险价值：衡量投资组合的风险水平，计算公式为投资组合的预期收益与投资组合的标准偏差之比。
3.制造业制造业数据分析指标体系有助于提高生产效率、降低成本、优化供应链等。
以下是一些常见制造业的数据分析指标体系：-产能利用率：衡量企业生产设备的使用率，计算公式为实际产量除以最大产能。
-不良品率：衡量产品质量水平，计算公式为不良品数量除以总产量。
-生产效率：衡量企业的生产效率，计算公式为标准产量除以实际产量。
-供应链周转时间：衡量供应链的效率，计算公式为原材料到成品交付的平均时间。
常用的统计指标
常用的统计指标统计指标是统计学中用来描述数据特征和分布的量，可以帮助我们更好地理解和分析数据。
在数据分析和决策中，常用的统计指标有：均值、中位数、众数、标准差、方差、百分位数和相关系数等。
下面将对这些常用的统计指标进行详细介绍。
一、均值均值是最常用的统计指标之一，它是一组数据的平均值。
计算均值的方法是将所有数据相加，然后除以数据的个数。
均值可以反映数据的集中趋势，是描述数据总体水平的重要指标。
二、中位数中位数是将一组数据按照大小排列后，位于中间位置的数值。
如果数据个数为奇数，则中位数就是中间那个数；如果数据个数为偶数，则中位数是中间两个数的平均值。
中位数可以反映数据的中间位置，相对于均值更具有稳定性。
三、众数众数是一组数据中出现次数最多的数值。
一个数据集可能有一个或多个众数，也可能没有众数。
众数可以反映数据的集中趋势，特别适用于描述分类数据。
四、标准差标准差是用来衡量数据的离散程度的指标。
它是各个数据与均值之差的平方的平均值的平方根。
标准差越大，表示数据的离散程度越大；标准差越小，表示数据的离散程度越小。
五、方差方差是标准差的平方，也是用来衡量数据的离散程度的指标。
方差和标准差一样，都可以反映数据的离散程度，但在具体应用中，常用标准差来描述数据的离散程度。
六、百分位数百分位数是将一组数据按照大小排列后，将数据分为100份的指标。
第p百分位数是指将数据分为100份后，位于前p份的数据值。
例如，第25百分位数是将数据分为100份后，位于前25份的数据值。
百分位数可以帮助我们了解数据的分布情况。
七、相关系数相关系数是用来衡量两个变量之间相关程度的指标。
相关系数的取值范围在-1到1之间，绝对值越接近1表示相关性越强，绝对值越接近0表示相关性越弱。
相关系数可以帮助我们判断两个变量之间的关系以及预测变量之间的变化趋势。
总结：本文介绍了常用的统计指标，包括均值、中位数、众数、标准差、方差、百分位数和相关系数等。
互联网数据分析最常见的12个指标看完我收藏了
互联网数据分析最常见的12个指标看完我收藏了互联网数据分析是通过对互联网上产生的各种数据进行收集、整理、分析和应用，以便更好地理解用户行为、优化产品设计和提升营销效果。
在数据分析中，常常使用一些指标来衡量和评估不同方面的数据，以便为决策提供依据。
以下是互联网数据分析中最常见的12个指标：1. 访问量（Visits）：指一段时间内网站或应用的访问次数。
通过掌握访问量，可以了解用户的兴趣和活跃度，并为流量统计和广告投放提供参考。
2. 独立访客（Unique Visitors）：指一段时间内访问网站或应用的不同个体用户的数量。
独立访客可以用来估计网站或应用的用户规模，为广告定价和用户行为分析提供依据。
4. 平均访问时长（Average Visit Duration）：指用户在网站或应用上平均停留的时间。
通过了解平均访问时长，可以评估用户对网站或应用内容的兴趣程度，并为提升用户粘性和转化率提供参考。
5. 页面停留率（Bounce Rate）：指用户只浏览了一个页面就离开的比例。
页面停留率可以用来衡量网站或应用的吸引力和用户体验，较高的页面停留率可能表示页面内容不合适或加载速度慢。
6. 转化率（Conversion Rate）：指用户从普通访问者转化为完成其中一种目标行为（如注册、购买等）的比例。
通过了解转化率，可以评估网站或应用的商业价值和优化转化路径。
7. 活跃用户（Active Users）：指一段时间内使用网站或应用的用户数。
活跃用户可以用来监测网站或应用的用户粘性和忠诚度，为用户留存策略和用户行为分析提供参考。
8. 受众分析（Audience Analysis）：通过对用户属性和行为数据的分析，了解目标用户的特征和兴趣，为定向广告和用户个性化推荐提供依据。
9. 引擎流量（Search Engine Traffic）：指通过引擎引导到网站或应用的用户访问量。
通过了解引擎流量，可以评估SEO效果和优化关键词策略。
大数据分析常用指标
大数据分析常用指标1、PV（Page View）页面浏览量指某段时间内访问网站或某一页面的用户的总数量，通常用来衡量一篇文章或一次活动带来的流量效果，也是评价网站日常流量数据的重要指标。
PV可重复累计，以用户访问网站作为统计依据，用户每刷新一次即重新计算一次。
2、UV（Unique Visitor）独立访客指来到网站或页面的用户总数，这个用户是独立的，同一用户不同时段访问网站只算作一个独立访客，不会重复累计，通常以PC端的Cookie数量作为统计依据。
3、Visit访问指用户通过外部链接来到网站，从用户来到网站到用户在浏览器中关闭页面，这一过程算作一次访问。
Visit可重复累计，比如我打开一个网站又关闭，再重新打开，这就算作两次访问。
4、Home Page主页指一个网站起主目录功能的页面，也是网站起点。
通常是网站首页。
5、Landing Page着陆页指用户从外部链接来到网站，直接跳转到的第一个页面。
比如朋友给我发了一个介绍爆款T恤的淘宝链接，我点开会直接跳转到介绍T恤的那个页面，而不是淘宝网众多其他页面之一，这个介绍T恤的页面可以算作是着陆页。
6、Bounce Rate跳出率指用户通过链接来到网站，在当前页面没有任何交互就离开网站的行为，这就算作此页面增加了一个“跳出”，跳出率一般针对网站的某个页面而言。
跳出率=在这个页面跳出的用户数/PV7、退出率一般针对某个页面而言。
指用户访问某网站的某个页面之后，从浏览器中将与此网站相关的所有页面全部关闭，就算此页面增加了一个“退出“。
退出率=在这个页面退出的用户数/PV8、Click点击一般针对付费广告而言，指用户点击某个链接、页面、banner 的次数，可重复累计。
比如我在PC端看到一则新闻链接点进去看了一会就关了，过了一会又点进去看了一遍，这就算我为这篇新闻贡献两次点击。
9、avr.time平均停留时长指某个页面被用户访问，在页面停留时长的平均值，通常用来衡量一个页面内容的质量。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数据分析指标体系
信息流、物流和资金流三大平台是电子商务的三个最为重要的平台。
而电子商务信息系统最核心的能力是大数据能力，包括大数据处理、数据分析和数据挖掘能力。
无论是电商平台还是在电商平台上销售产品的商户，都需要掌握大数据分析的能力。
越成熟的电商平台，越需要以通过大数据能力驱动电子商务运营的精细化，更好的提升运营效果，提升业绩。
因此构建系统的电子商务数据分析指标体系是数据电商精细化运营的重要前提。
电商数据分析指标体系可以分为八大类指标：包括总体运营指标、网站流量指标、销售转化指标、客户价值指标、商品类目指标、营销活动指标、风险控制指标和市场竞争指标。
不同类别指标对应电商运营的不同环节，如网站流量指标对应的是网站运营环节，销售转化、客户价值和营销活动指标对应的是电商销售环节。
能否灵活运用这些指标，将是决定电商平台运营成败的关键。
1.1.1.1总体运营指标
总订单数量：即访客完成网上下单的订单数之和。
销售金额：销售金额是指货品出售的金额总额。
客单价：即总销售金额与总订单数量的比值。
销售毛利：销售收入与成本的差值。
销售毛利中只扣除了商品原始成本，不扣除没有计入成本的期间费用（管理费用、财务费用、营业费用）。
毛利率：衡量电商企业盈利能力的指标，是销售毛利与销售收入的比值。
~
1.1.1.2网站流量指标
独立访客数（UV）：指访问电商网站的不重复用户数。
对于PC网站，统计系统会在每个访问网站的用户浏览器上添加一个cookie来标记这个用户，这样每当被标记cookie的用户访问网站时，统计系统都会识别到此用户。
在一定统计周期内如（一天）统计系统会利用消重技术，对同一cookie在一天内多次访问网站的用户仅记录为一个用户。
而在移动终端区分独立用户的方式则是按独立设备计算独立用户。
页面访问数（PV）：即页面浏览量，用户每一次对电商网站或者移动电商应用中的每个网页访问均被记录一次，用户对同一页面的多次访问，访问量累计。
人均页面访问数：即页面访问数（PV）／独立访客数（UV），该指标反映的是网站访问粘性。
单位访客获取成本：该指标指在流量推广中，广告活动产生的投放费用与广告活动带来的独立访客数的比值。
单位访客成本最好与平均每个访客带来的收入以及这些访客带来的转化率进行关联分析。
若单位访客成本上升，但访客转化率和单位访客收入不变或下降，则很可能流量推广出现问题，尤其要关注渠道推广的作弊问题。
跳出率（Bounce Rate）：为浏览单页即退出的次数/该页访问次数，跳出率只能衡量该页做为着陆页面（LandingPage）的访问。
如果花钱做推广，着落页的跳出率高，很可能是因为推广渠道选择出现失误，推广渠道目标人群和和被推广网站到目标人群不够匹配，导致大部分访客来了访问一次就离开。
页面访问时长：页访问时长是指单个页面被访问的时间。
并不是页面访问时长越长越好，要视情况而定。
对于电商网站，页面访问时间要结合转化率来看，如果页面访问时间长，但转化率低，则页面体验出现问题的可能性很大。
人均页面浏览量：人均页面浏览量是指在统计周期内，平均每个访客所浏览的页面量。
人均页面浏览量反应的是网站的粘性。
1.1.1.3|
1.1.1.4销售转化指标
（1）购物车类指标
基础类指标：包括一定统计周期内加入购物车次数、加入购物车买家数、加入购物车买家数以及加入购物车商品数。
转化类指标：主要是购物车支付转化率，即一定周期内加入购物车商品支付买家数与加入购物车购买家数的比值。
（2）下单类指标
基础类指标：包括一定统计周期内的下单笔数、下单金额以及下单买家数。
转化类指标：主要是浏览下单转化率，即下单买家数与网站访客数（UV）的比值。
（3）支付类指标
基础统计类指标：包括一定统计周期内支付金额、支付买家数和支付商品数。
转化类指标：包括浏览-支付买家转化率（支付买家数/网站访客数）、下单-支付金额转化率（支付金额/下单金额）、下单-支付买家数转化率（支付买家数/下单买家数）和下单-支付时长（下单时间到支付时间的差值）。
.
1.1.1.5客户价值指标
注册会员数：指一定统计周期内的注册会员数量。
活跃会员数：指在一定时期内有消费或登录行为的会员总数。
活跃会员率：即活跃会员占注册会员总数的比重。
会员复购率：指在统计周期内产生二次及二次以上购买的会员占购买会员的总数。
会员平均购买次数：指在统计周期内每个会员平均购买的次数，即订单总数/购买用户总数。
会员复购率高的电商网站平均购买次数也高。
会员留存率：会员在某段时间内开始访问你的网站，经过一段时间后，仍然会继续访问你的网站就被认作是留存，这部分会员占当时新增会员的比例就是新
会员留存率，这种留存的计算方法是按照活跃来计算，另外一种计算留存的方法是按消费来计算，即某段的新增消费用户在往后一段时间时间周期（时间周期可以是日、周、月、季度和半年度）还继续消费的会员比率。
留存率一般看新会员留存率，当然也可以看活跃会员留存。
留存率反应的是电商留住会员的能力。
1.1.1.6商品类目指标
{
产品总数指标：包括SKU、SPU（标准化产品单元）。
SKU是物理上不可分割的最小存货单位。
如iphone5S是一个SPU，而iPhone 5S配置为16G版、4G 手机、颜色为金色、网络类型为TD-LTE/TD-SCDMA/WCDMA/GSM则是一个SKU。
产品优势性指标：即优势产品的销售收入占总销售收入的比例。
品牌指标：包括品牌数和在线品牌数指标。
品牌数指商品的品牌总数量、在线品牌数则指在线商品的品牌总数量。
1.1.1.7营销活动指标
市场营销活动指标：包括新增访问人数、新增注册人数、总访问次数、订单数量、下单转化率以及ROI。
其中，下单转化率是指活动期间，某活动所带来的下单的次数与访问该活动的次数之比。
投资回报率（ROI）是指，某一活动期间，产生的交易金额与活动投放成本金额的比值。
广告投放指标：包括新增访问人数、新增注册人数、总访问次数、订单数量、UV订单转化率、广告投资回报率。
其中，下单转化率是指某广告所带来的下单的次数与访问该活动的次数之比。
投资回报率（ROI）是指，某广告产生的交易金额与广告投放成本金额的比值。
1.1.1.8风险控制指标
买家评价指标：包括买家评价数，买家评价卖家数、买家评价上传图片数、买家评价率、买家好评率以及卖家差评率。
其中，买家评价率是指某段时间参与评价的卖家与该时间段买家数量的比值，是反映用户对评价的参与度，电商网站目前都在积极引导用户评价，以作为其他买家购物时候的参考。
买家好评率指某
段时间内好评的买家数量与该时间段买家数量的比值。
同样，买家差评率指某段时间内差评的买家数量与该时间段买家数量的比值。
尤其是买家差评率，是非常值得关注的指标，需要监控起来，一旦发现买家差评率在加速上升，一定要提高警惕，分析引起差评率上升的原因，及时改进。
}
买家投诉类指标：包括发起投诉（或申诉），撤销投诉（或申诉），投诉率（买家投诉人数占买家数量的比例）等。
投诉量和投诉率都需要及时监控，以发现问题，及时优化。
1.1.1.9市场竞争指标
市场份额相关指标：包括市场占有率、市场扩大率和用户份额。
市场占有率指电商网站交易额占同期所有同类型电商网站整体交易额的比重；市场扩大率指购物网站占有率较上一个统计周期增长的百分比；用户份额指购物网站独立访问用户数占同期所有B2C购物网站合计独立访问用户数的比例。
网站排名：包括交易额排名和流量排名。
交易额排名指电商网站交易额在所有同类电商网站中的排名；流量排名指电商网站独立访客数量在所有同类电商网站中的排名。