电子商务数据分析报告实例
电子商务数据分析报告实例
电子商务数据分析报告实例一、背景随着互联网的普及和电子商务的迅猛发展，越来越多的企业投身于电商领域，以拓展市场份额和提升销售业绩。
在这个竞争激烈的环境中，数据分析成为了企业决策的重要依据。
本报告以某电子商务平台在特定时间段内的销售数据为例，通过深入分析，揭示其业务表现、用户行为和市场趋势，为企业的进一步发展提供参考。
二、数据来源与收集本次分析所使用的数据来源于该电子商务平台的数据库，涵盖了从起始时间至结束时间的交易记录、用户信息、商品详情等方面。
数据通过后台系统的自动化采集和整理，确保了准确性和完整性。
三、数据概况在分析时间段内，平台共产生了X笔交易，涉及X种商品，用户数量达到X人。
总销售额为X元，平均客单价为X元。
四、销售趋势分析（一）按时间维度1、日销售额通过对每日销售额的分析，发现销售额呈现出明显的周期性波动。
周末的销售额通常高于工作日，可能是由于消费者在周末有更多的闲暇时间进行购物。
2、月销售额从月度数据来看，销售额在具体月份达到峰值，这可能与该月份的促销活动、季节因素或市场需求的增加有关。
（二）按商品类别不同商品类别的销售表现差异较大。
其中，热门类别 1的销售额最高，占总销售额的X%，其次是热门类别2和热门类别3，分别占比X%和X%。
五、用户行为分析（一）用户地域分布用户主要来自于主要地区 1、主要地区 2和主要地区 3，这三个地区的用户数量占总用户数的X%。
可能与这些地区的经济发展水平、互联网普及程度和消费习惯有关。
（二）用户购买频率大部分用户的购买频率较低，仅有X%的用户在分析时间段内进行了多次购买。
这提示我们需要关注用户忠诚度的提升，采取措施鼓励用户重复购买。
（三）用户购买时间偏好用户在一天中的购物高峰时段集中在具体时间段1和具体时间段2，这为我们优化客服服务和营销活动的时间安排提供了参考。
六、商品分析（一）商品销售排名根据销售额对商品进行排名，列出了前X名畅销商品和前X名滞销商品。
电商数据分析案例
电商数据分析案例在当今数字化的商业世界中，电商行业蓬勃发展，数据分析成为了电商企业取得成功的关键因素之一。
通过对大量数据的收集、整理和分析，企业能够更好地了解消费者需求、优化运营策略、提升销售业绩。
下面将为您介绍一个电商数据分析的实际案例，展示数据分析如何为企业带来价值。
某电商平台主营时尚服装，经过几年的发展，虽然业务不断增长，但也面临着一些挑战。
比如，库存管理不够精准，导致部分热门款式缺货，而一些滞销款式积压；营销活动效果不佳，投入产出比不高；客户流失率逐渐上升等。
为了解决这些问题，企业决定深入开展数据分析工作。
首先，数据团队收集了大量的数据，包括用户的浏览行为、购买记录、搜索关键词、评价信息、地域分布、年龄性别等基本信息。
这些数据来源多样，有网站自身的后台数据，也有第三方平台的数据。
接下来，对这些数据进行清洗和整理，去除重复和无效的数据，确保数据的准确性和完整性。
然后，运用数据分析工具和技术，进行多维度的分析。
在用户行为分析方面，发现用户在网站上的平均停留时间较短，尤其是在商品详情页的跳出率较高。
进一步分析发现，商品描述不够清晰、图片质量不高是导致用户流失的主要原因。
于是，企业对商品页面进行了优化，增加了详细的尺码说明、穿搭建议，并使用高清的模特图片，提高了用户的体验，降低了跳出率。
在销售数据分析中，通过对不同款式、颜色、尺码的服装销售数据进行分析，发现某些款式和颜色在特定地区和年龄段的消费者中更受欢迎。
基于此，企业调整了库存分配策略，将热门款式和颜色的服装优先配送到需求较大的地区，减少了库存积压，提高了资金周转率。
在营销活动效果评估方面，以往企业只是简单地根据活动期间的销售额来判断活动是否成功。
通过数据分析，发现虽然销售额有所增长，但新客户获取成本较高，且部分老客户的购买频率反而下降。
深入分析发现，一些促销活动的规则过于复杂，导致用户参与度不高；同时，对老客户的优惠力度不够，使其感到被忽视。
数据分析报告示范(3篇)
第1篇一、报告摘要本报告针对某电商平台近一年的销售数据进行分析，旨在揭示平台销售趋势、用户行为特征以及产品销售情况。
通过数据挖掘和分析，为电商平台提供决策支持，优化产品策略、提升用户体验，从而实现业绩增长。
二、数据来源与处理1. 数据来源本报告所使用的数据来源于某电商平台的后台销售系统，包括订单数据、用户数据、产品数据等。
数据时间范围为2022年1月至2022年12月。
2. 数据处理（1）数据清洗：对原始数据进行清洗，去除重复、缺失、异常数据，确保数据质量。
（2）数据整合：将订单数据、用户数据、产品数据进行整合，形成完整的数据集。
（3）数据转换：将数据转换为便于分析的形式，如将日期字段转换为时间戳等。
三、数据分析方法1. 描述性统计分析通过对销售数据的描述性统计分析，了解销售趋势、用户行为特征和产品销售情况。
2. 关联规则挖掘利用Apriori算法挖掘销售数据中的关联规则，找出影响销售的关键因素。
3. 顾客细分利用聚类算法对用户进行细分，了解不同用户群体的特征和需求。
4. 时间序列分析通过对销售数据进行时间序列分析，预测未来销售趋势。
四、数据分析结果1. 销售趋势分析（1）总体销售趋势：从图1可以看出，2022年1月至12月，平台的销售额呈现上升趋势，其中第二季度销售额最高。
（2）月度销售趋势：从图2可以看出，各月份销售额差异较大，其中4月、5月、7月、9月、11月销售额较高，而1月、2月、3月、6月、8月、10月、12月销售额较低。
2. 用户行为特征分析（1）用户地域分布：从图3可以看出，用户主要分布在一线城市和二线城市，其中一线城市用户占比最高。
（2）用户年龄分布：从图4可以看出，用户年龄主要集中在20-39岁，其中25-34岁年龄段用户占比最高。
（3）用户性别分布：从图5可以看出，男性用户占比略高于女性用户。
3. 产品销售情况分析（1）产品类别销售情况：从表1可以看出，电子产品、服装鞋帽、家居用品等类别销售额较高。
电商数据分析报告范文
电商数据分析报告范文1. 引言电子商务（E-commerce）是指利用计算机网络技术，将传统商务活动中的各个环节电子化、数字化和网络化，实现企业资源的共享与整合，以及客户、供应商、分销商等经营主体之间的全程电子交易和信息传递。
随着互联网的快速发展，电子商务在全球范围内得到了广泛的应用和普及，对于企业的运营和发展具有重要意义。
本报告旨在通过对某电商平台的数据进行分析，探讨电商行业发展的趋势和规律，为企业提供决策参考。
下面将从用户分析、销售分析和市场分析三个方面进行详细的数据解读和分析。
2. 用户分析2.1 用户数量变化趋势从数据统计的角度来看，电商平台的用户数量是衡量平台发展的重要指标之一。
通过对过去一年的用户数据进行分析，可以得到以下结论： - 在过去一年里，平台用户数量呈现逐月增长的趋势，增速较为稳定。
- 在节假日期间，用户数量的增长速度明显加快，表明促销活动对用户增长具有积极影响。
2.2 用户地域分布用户地域分布是了解用户特点和市场开拓的重要依据。
通过对用户地域分布进行分析，可以得到以下结论： - 用户主要集中在一线和二线城市，占总用户数量的70%以上。
- 三线城市和农村地区的用户数量也在逐渐增加，潜力巨大。
2.3 用户行为分析用户行为分析可以帮助企业了解用户的偏好和需求，从而进行有针对性的产品推荐和精准营销。
通过对用户行为数据进行分析，可以得到以下结论： - 用户的平均浏览时长为10分钟左右，用户对产品的关注度较高。
- 用户的下单转化率较低，平均值为5%，需要进一步提升用户购买的意愿。
3. 销售分析3.1 销售额变化趋势销售额是衡量企业经营状况的重要指标之一。
通过对销售额的数据进行分析，可以得到以下结论： - 在过去一年里，平台销售额呈现逐月增长的趋势，增速较为稳定。
- 在促销活动期间，销售额的增长速度明显加快，表明促销活动对销售额的提升具有积极影响。
3.2 销售品类分析销售品类分析可以帮助企业了解各个品类的销售情况，从而进行产品调整和市场开拓。
商务数据分析应用报告(3篇)
第1篇一、报告概述随着大数据时代的到来，商务数据分析已经成为企业提升竞争力、优化决策的重要手段。
本报告旨在分析商务数据分析在企业中的应用现状、挑战及发展趋势，为企业提供参考和借鉴。
二、商务数据分析概述1. 定义商务数据分析是指运用统计学、数据挖掘、机器学习等手段，对企业的商务数据进行收集、整理、分析，为企业决策提供科学依据的过程。
2. 应用领域商务数据分析广泛应用于市场营销、客户关系管理、供应链管理、财务分析、人力资源管理等各个领域。
三、商务数据分析在企业中的应用现状1. 市场营销（1）市场趋势分析：通过分析市场数据，预测市场趋势，为企业制定市场策略提供依据。
（2）客户细分：根据客户特征和行为，将客户划分为不同的群体，实施差异化营销。
（3）广告投放优化：通过分析广告投放效果，优化广告投放策略，提高广告转化率。
2. 客户关系管理（1）客户满意度分析：通过分析客户反馈数据，评估客户满意度，改进客户服务。
（2）客户流失分析：通过分析客户流失原因，制定针对性措施，降低客户流失率。
（3）客户生命周期价值分析：通过分析客户生命周期价值，制定客户关系管理策略。
3. 供应链管理（1）库存管理：通过分析库存数据，优化库存水平，降低库存成本。
（2）供应商管理：通过分析供应商数据，评估供应商绩效，优化供应商合作关系。
（3）物流优化：通过分析物流数据，优化物流路径，提高物流效率。
4. 财务分析（1）财务报表分析：通过分析财务报表数据，评估企业财务状况，为投资决策提供依据。
（2）成本分析：通过分析成本数据，优化成本结构，提高企业盈利能力。
（3）风险评估：通过分析风险数据，识别潜在风险，制定风险应对策略。
5. 人力资源（1）员工绩效分析：通过分析员工绩效数据，评估员工绩效，制定绩效考核方案。
（2）招聘分析：通过分析招聘数据，优化招聘策略，提高招聘效率。
（3）员工流失分析：通过分析员工流失数据，制定员工留存策略。
四、商务数据分析面临的挑战1. 数据质量数据质量是商务数据分析的基础。
电商数据分析案例
电商数据分析案例随着电子商务的快速发展，越来越多的电商企业开始重视数据分析的重要性。
通过对海量用户和销售数据的分析，企业可以更好地了解客户需求、优化产品和服务、提高销售额。
下面将介绍一个电商数据分析的实际案例。
某电商企业经过一段时间的经营，积累了大量的用户行为数据和销售数据。
为了更好地了解用户喜好和购买行为，企业决定进行数据分析，以便针对性地优化商品推荐和促销策略。
首先，企业对用户行为数据进行分析，包括用户浏览商品的路径、停留时间和购买意向。
通过对用户关注的商品分类和品牌进行研究，企业可以了解用户的兴趣和偏好，并针对性地调整商品推荐。
同时，企业还可以通过用户浏览商品的停留时间和购买意向，判断用户对商品的关注度和购买决策的动力，从而优化用户体验和提高转化率。
其次，企业对销售数据进行分析。
通过对销售额、销售量和销售渠道的统计，可以了解哪些商品和品类是热销的，哪些渠道是销售的主要来源。
通过对销售额和销售量的趋势分析，企业可以预测销售量的变化，从而合理规划库存和生产计划。
同时，还可以通过对上下游供应链的关系分析，优化采购和配送流程，降低成本并提高效率。
最后，企业通过对用户行为数据和销售数据的综合分析，进行市场细分和用户分类。
通过对用户的购买偏好和消费能力进行分析，企业可以将用户分为不同的群体，从而针对性地进行商品推荐和促销活动。
例如，对于高消费能力的用户，可以推荐高端品牌和高价位的商品；对于对价格敏感的用户，可以推荐低价位的商品和特价促销活动。
通过对电商数据的分析，企业可以更好地了解用户需求、优化产品和服务，提高客户满意度和用户转化率，从而提高销售额和市场份额。
合理利用数据分析，将成为电商企业提升竞争力和实现可持续发展的重要手段。
电子商务平台数据分析报告模板
电子商务平台数据分析报告模板电子商务平台数据分析报告一、引言电子商务平台作为现代商业模式的重要组成部分，通过互联网技术实现了商品和服务的在线交易。
随着电子商务的快速发展，平台所产生的海量数据成为了企业决策的重要依据。
本报告旨在通过对电子商务平台数据的分析，为企业提供有价值的信息和洞察，以支持其业务发展和决策制定。
二、数据概览1. 数据来源本次数据分析报告的数据来源于某电子商务平台的销售、用户、商品等相关数据。
2. 数据规模数据样本包括从2019年1月1日至2020年12月31日的销售数据，共计XX 条记录。
三、销售数据分析1. 总体销售情况根据数据分析，平台在该时间段内的总销售额为XXX万元，较上一年同期增长XX%。
其中，销售额最高的月份为XX月，达到了XXX万元。
2. 用户分析（1）用户增长趋势平台用户数量在该时间段内呈现逐年增长的趋势。
具体而言，2019年用户数量为XXX人，而2020年则增长至XXX人，增长率为XX%。
（2）用户活跃度通过分析用户活跃度，发现大部分用户在平台的活跃时间集中在晚上8点至10点之间，占总活跃用户的XX%。
这一信息为企业的广告投放和营销活动提供了指导。
3. 商品分析（1）畅销商品在销售额排名前十的商品中，XX商品以XXX万元的销售额位列榜首，其次是XX商品和XX商品。
（2）商品类别分布通过对商品类别的分析，发现平台上销售最多的商品类别是XX类别，占总销售商品的XX%。
四、用户行为分析1. 购买行为（1）购买时间偏好根据数据分析，用户在平台的购买行为主要集中在周末和节假日，其中周六的购买次数最多，占总购买次数的XX%。
（2）购买渠道偏好用户购买商品的主要渠道是XX渠道，占总购买次数的XX%。
2. 用户偏好分析（1）用户购买偏好通过对用户购买记录的分析，发现用户最常购买的商品类别是XX类别，占总购买次数的XX%。
（2）用户评价偏好用户对商品的评价以好评为主，好评率达到了XX%。
电子商务数据分析总结报告实例
电子商务数据分析总结报告实例随着互联网技术的飞速发展，电子商务已经成为了当今商业领域的重要组成部分。
对于电子商务企业来说，数据分析是了解市场、优化运营、提升业绩的关键手段。
本文将通过一个具体的实例，对电子商务数据进行分析和总结，为相关从业者提供参考。
一、数据来源与收集本次分析所使用的数据来源于一家知名的电子商务平台，涵盖了过去一年的销售记录。
数据包括商品信息、订单详情、客户信息、营销活动记录等多个方面。
通过平台提供的 API 接口，我们成功获取了这些数据，并进行了初步的整理和清洗，以确保数据的准确性和完整性。
二、数据分析方法与工具为了深入挖掘数据中的有价值信息，我们采用了多种数据分析方法和工具。
首先，运用 Excel 进行数据的初步处理和统计分析，如计算销售额、销售量、客单价等基本指标。
然后，使用 SQL 语句对大规模数据进行查询和筛选，以获取特定条件下的数据子集。
此外，还借助了数据可视化工具 Tableau，将复杂的数据转化为直观的图表，便于更清晰地理解和分析数据。
三、关键指标分析1、销售额与销售量过去一年，该电子商务平台的总销售额达到了_____万元，总销售量为_____件。
通过按月份对销售额和销售量进行分析，我们发现销售高峰出现在具体月份，这可能与具体原因，如节假日促销、新品上市等有关。
而销售低谷则出现在具体月份，需要进一步探究原因，是否是市场需求下降、竞争对手活动等因素导致。
2、客单价平均客单价为_____元。
通过对不同客户群体的客单价进行分析，我们发现具体客户群体，如男性客户、年龄在 25-35 岁的客户等的客单价相对较高，这为我们的精准营销提供了方向。
3、商品销售排名对各类商品的销售情况进行排名，发现排名前几位的商品分别是具体商品名称，它们的销售额占总销售额的具体比例。
这表明这些商品具有较高的市场需求和竞争力，应继续保持其优势，并加大推广力度。
4、客户地域分布客户来自全国各地，其中具体省份或城市的客户数量最多，销售额占比也最高。
- 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)。
用数字来看某知名B2C网站的发展内幕和隐私（作者：perplexing）
数字是个很有趣的东西，很有说服力，而且也可以更加深入地掌握不同变量之间的逻辑关系。
举个例子，我们喜欢说留住老用户，发展新用户，
那么老用户和新用户的定义应该是什么呢？直观上说，老用户就是曾经在我这里买过东西的呗，其实这样的定义太简单了，假如今天是2008年4月24号，我们看看如下哪个顾客属于老用户？
1，2002年注册，2002年~2003年曾经购买过27次，但是2004年之后就再也没有来过了；
2，2002年注册，直到2005年才买过一次东西，但是从此人间蒸发了；
3, 2008年4月22号注册，4月23号（昨天）买过东西，不知道他以后还来不来；
4，2007年1月注册，2007年1月〜2008年4月间，平均每3个月就来买一次。
其实上面的都可以俗称为老用户，但是他的注册时间，购买次数，购买金额，购买频率，最后一次购买时间等数值，对我们都有重要的参考和分析意义，只有细致分析，才能精准营销。
我们来用数字分析一家比较知名的B2C网站的发展历程，名字就不直接说了，我们就用A公司来代替。
只是从这些分析中，我觉得可以看出很多
隐形的（hidden ）有趣现象来。
这不属于泄露公司业务，名字和产品都没有写。
事实上，我还掌握了好几家的内部数据。
我只是想，能够拿岀来和大家一起商酌，无伤大雅，可以一起探讨学习。
现在，我们从2002年1月1号开始分析，action !〜
1,A公司的注册会员发展轨迹
某电子商务公司2002-2007注册用户发展变化
截止2007年12月31号，A公司累计注册用户35万。
淘宝网截止2008年Q1有6200万注册用户，也就意味着A公司的注册用户只是淘宝的0.5 6俪已。
每天的注册人数从2002年的21个（天）到目前大概300个（天），可以说，A公司的注册用户一直在稳步增长。
中国互联网网民的规模，足以支撑所有的统计规律的圆满实现。
我在baidu的index里输入某个关键字的查询次数，比如我输入“电子商务”，
发现每天在baidu查询“电子商务”的人数一直稳定在300~500的范围内飘飘荡荡的。
昨天查询的人和今天查询的人是不一样的，而且也互相不
认识，但是庞大的baidu用户群体造就了美丽平滑的统计大数定律。
所以，如果有人问我，今天大概多少网民过生日？我告诉他，大概27万左右，因为网民总1亿，365天每天都有人可能过生日，所以这个27万的正确率绝对80%以上。
2,A公司的年度交易量发展变化图
恩，不错，2002年每天只有3.13万的交易量，到了2007年，每天有41.83万了。
年度交易额来看，2006年就冲过1亿的关口了。
每个订单的金额大概就是650元左右。
每天的订单量目前维持在600多一点的规模。
除掉每天8小时的睡觉时间，其他时间顾客都可以下单的话，大概1~2 分钟就来一个600多元的订单。
3,注册用户的购买情况
如上的2个表格没有意思，这个表格却可以说明很多问题：
购买次数人数百分比人均贡献（元）总计贡献金额（亿）累计贡献0次185773 52.88% 0 0.000 0.00%
1次71859 20.45% 548.49 0.394 100.00% 2次28060 7.99% 1094.03 0.307 90.21% 3次15496 4.41% 1584.46 0.246 82.58% 4次10304 2.93% 1990.09 0.205 76.48% 5次7425 2.11% 2551.32 0.189 71.39% 6次5273 1.50% 3235.61 0.171 66.69% 7次4520 1.29% 3655.12 0.165 62.45% 8次3255 0.93% 4318.95 0.141 58.34% 9次2717 0.77% 4597.85 0.125 54.85% 10次2152 0.61% 5182.04 0.112 51.75% 10次以上14474 4.12% 13622.08 1.972 48.98% 总计351311 100% / 4.026 /
1）
所有的注册用户中，52.88%的注册用户到目前为之还没有产生过购买；所以注册到购买转化率大概47%
产生了3次或以上购买的顾客占总体注册用户的18.68%，但是他们产生的总体购买金额却占了A公司有史以来总体交易金额的82.58%，看来2: 8定律真的是无处不在！
所以，根据这个结果，我们可以把购买了3次或者以上的顾客定义为公司的核心用户，他们是确保公司基石的重量级客户。
3)
购买10次或以上的有14474人，占注册用户4.12%，但是这小小的4.12%的用户为公司贡献了48.98%的交易额！而且人均贡献1.36万！当然不排除企业客户，但是我们发现，购买频率越高，对公司越是至关重要！
我们这里做个假设：如果不考虑重复购买，所有的顾客只要购物，都只买1次，那么会发生什么情况？
结果是：A公司的交易额将变成目前总体交易额的25%M已！公司总体交易额将缩减75%可见：
1)
对于一个购物网站来说，忠诚度的培养和顾客的重复购买，是多么关键。
2)
长期进行老用户的优惠措施(积分优惠、折扣优惠等)是公司发展的根本！
4,有过购买的用户，都是注册之后多久会购买？
如下是以有购买记录的顾客为研究对象的，从没购物的不考虑其中
这个图表说明了几个很重要的规律：
1)
顾客注册之后如果要购物，那么81.78%的顾客都会在注册后的1个月之内下单；
2)
如果顾客注册之后的1个月之内没有购买，那么他81.78%的可能性永远不会来买了；
3)
如果顾客注册之后的半年之内么有购买，那么他90.86%的可能性永远不会来买了；
4)如果顾客注册之后1年以内还没有购买，我们就不用追讨了，他很有可能就蒸发了;
技巧：顾客注册之后，通过 Email 和短信通知其购买，甜美 MM 电话告知，甚至不惜给予丰厚的优惠让顾客来购买。
根据统计分析，顾客注册之 后产生第一次购买的概率是 47%左右，但是一旦产生了第一次购物，那么他购买第二次的概率是 60%以上；所以，让顾客产生第一笔交易永远是
值得投入的，一旦变成你的老用户，那么他的价值是很大的。
5，顾客的购物频率是怎么样的？
如下的顾客全部是购买了 2次或者以上的顾客，因为只购买了 1次的顾客，讨论购物频率是没意义的。
购买频率 人数 百分比 累计百分比
0-1个月来买1次 17977 19.19% 19.19% 1-2个月来买1次 18183 19.41% 38.60% 2-3个月来买1次 15476 16.52% 55.12% 3-4个月来买1次 10988 11.73% 66.85% 4-5个月来买1次 8000 8.54% 75.39% 5-6个月来买1次 5658 6.04% 81.43% 6-7个月来买1次 4244 4.53% 85.96% 7-8个月来买1次 3035 3.24% 89.20% 8-9个月来买1次 2145 2.29% 91.49% 9-10个月来买1次 1705 1.82% 93.31% 10个月以上购买1次
6267 6.69% 100.00% 总计
93678
100%
/
这个表格也有意思：
1)81.96%的顾客都会在半年之内来购买 1次，所以，对我们公司来说：
2个月给没有继续购物的顾客发送优惠的产品信息，必要性： 38.60%; 3个月给没有继续购物的顾客发送优惠的产品信息，必要性： 55.12%； 6个月给没有继续购物的顾客发送优惠的产品信息，必要性：
81.43%； 6)
新老用户交替的科学计算矩阵图 如下这个图是有意义的，是动态跟踪顾客购买记录的矩阵。
这个图有点绕口，它观察的是：顾客最后一次下单的情况。
比如，我们拿2002年来说明：2002年注册的那帮家伙，最后一次下单都是什么时候呢？如下的百分比说明:
21.49%的人最后一次购买是在 2002年; 8.16%的人最后一次购买是在 2003年；
38.16%的人最后一次购买是在 2007年!
这个表格说明：
不管顾客是哪一年注册的，平均来说 40%的顾客还是会在目前保持活跃度的，顾客的生命期比我们想象的要长；也就是说:
1) 2002年注册的人如果购买了, 2) 2002年注册的人如果购买了, 3) ……
4) 2002年注册的人如果购买了,
2002年注册的那帮家
伙如果产生了购物，他们40%左右现在还在活跃着！2003年注册的那帮家伙如果产生了购物，他们40%左右现在还在活跃着!
2002 年2003 年2004 年2005 年2006 年2007 年总计2002年注册21.49% 8.16% 6.44% 8.85% 16.90% 38.16% 100.00% 2003年注册28.08% 8.47% 9.63% 14.88% 38.94% 100.01% 2004年注册27.04% 10.90% 17.99% 44.08% 100.00% 2005年注册35.00% 21.59% 43.41% 100.00% 2006年注册55.27% 44.73% 100.00% 2007年注册100.00%。