我建议新手先建立“结果—来源—质量—增量”四层看板，再讨论活动是否成功。
活动表现告诉我“这次经营动作产生了什么结果”，流量来源告诉我“结果由哪些入口共同贡献”。两者不是二选一，而是上下游关系：活动机制、优惠力度、商品组合和投放动作先改变用户进入店铺的概率，搜索、推荐、付费、店铺、内容和老客等来源再决定这些用户从哪条路径进入；最后，商品页、客服、库存、价格与履约能力决定进入之后能否完成转化。
如果只看活动成交额，我可能误判“活动很成功”；如果只看某个流量渠道的访客数，我也可能误判“这个渠道很优秀”。更稳妥的做法是把活动期与可比基线放在一起，分来源观察访客、点击、加购、支付买家、成交金额、折扣成本与退款，最后用增量和投入产出比判断是否值得复制。
这四层并不要求一次性做成复杂系统。新手可以先在日报中固定字段，再逐步增加商品、地区、会员、活动类型和投放计划等维度。只要每次复盘保持相同口径，我就能避免“今天看支付买家、明天看下单人数、后天看访客”的口径漂移。
先读“核心结论”和“判断逻辑”，建立最小指标表，不要一开始就追求几十个维度。第一周只需要确认数据日期、支付口径、来源分类、活动标签和退款数据是否能够对齐。
直接跳到“E数通示例”和“行动建议”，按活动前、活动中、活动后三个时间段拆分。先确认结果，再沿着来源往下钻到商品和计划，不要在看板上漫无目的地切换。
使用“结论—证据—风险—下一步”的结构。老板通常不只关心成交额，还会追问增长是否依赖大额补贴、是否可复制、哪些渠道应该继续投入。
以下场景是方法论示例，不对应任何特定品牌或真实店铺。
假设某天猫店平日成交额约为10万元，活动当天达到20万元。第一反应通常是“增长100%”，但我还不知道这20万元中有多少来自自然增长，有多少来自付费投放，有多少是通过更深折扣换来的，也不知道活动后是否出现退款集中、库存积压或自然流量下降。
如果活动当天访客从1万人增加到2.5万人，支付转化率却从4%降到2.8%，那么成交额的增长主要靠流量堆积；如果访客只增加20%，转化率从4%提高到6%，那更可能是商品组合、价格机制或页面承接发挥了作用。两种情况的后续策略完全不同：前者要优化流量质量，后者要研究承接与货品。
活动期间，付费渠道可能因为竞价、定向扩量和大促竞争而带来更多访客，但付费成本、优惠成本和低价款占比也会同步上升。此时只看付费成交额，容易把“花钱买来的规模”误认为“经营效率提升”。
我会把渠道成交额进一步拆成支付买家数、客单价、广告成本、优惠成本、毛利和退款。一个渠道即使成交额最高，也可能不是利润贡献最高的渠道；一个成交额中等的老客渠道，可能带来更高的复购潜力和更低的再次触达成本。
天猫后台的流量分类可能包含多个入口和二级来源。新手容易把每个来源都当成一个独立结论，却忽略了用户路径可能存在交叉：用户先被内容种草，再通过搜索进入；用户看到付费展示后，隔天从店铺收藏进入；老客点击活动消息后，最终通过商品详情页完成支付。如果数据工具把不同平台、计划和日期的口径混在一起，来源看板会变得“很丰富”，但无法支持决策。
因此，我会先定义分析对象：是分析“首次触达来源”、还是“最后一次进入来源”、还是“订单归因来源”。三种口径都可能有用，但不能在同一张报表里混用。对于活动复盘，常见做法是用来源贡献解释规模，用人群和商品分析解释质量，再用时间序列观察来源之间的先后关系。
这些误区并不是“不会看数据”，而是把一个指标承担了不该承担的解释任务。
成交额没有体现折扣、推广和退货成本。若成交额增长30%，但贡献利润下降20%，我不能简单得出活动成功的结论，至少还要补看毛利率、优惠金额、推广费和退款。
访客是漏斗上游指标，不代表支付。来源A带来一万访客、转化率1%，来源B带来两千访客、转化率6%，若客单价和成本接近，B的有效成交贡献可能更高。
同比可能受到季节、价格、上新、竞品和平台大盘影响。更可靠的方式是同时观察活动前基线、相似日、相似商品以及活动后回落情况。
不同计划可能面向不同人群，承担拉新、收割或测试任务。合并后看似清晰，实际上会掩盖计划之间的成本、客单价和转化差异。
活动前的预热、加购和收藏，活动后的回流、退款和复购，都可能是活动结果的一部分。只看当天，容易低估预热贡献，也容易高估即时成交。
来源标签说明统计口径下的入口，不一定证明该入口单独创造了订单。尤其是用户多次访问时，归因规则会影响最终分配。
流量突然下降可能来自预算、库存、审核、活动状态或数据延迟。没有先排除数据质量问题，就改变投放策略，可能把短期波动变成长期损失。
专业不是维度越多，而是每个字段都能回答一个经营问题。对于新手，先做一张稳定的核心表，往往比堆叠几十个无明确用途的指标更有效。
我不会直接从某个渠道的排名跳到结论，而是按照漏斗和经营目标逐层验证。
观察访客、浏览量、点击、进店人数和新客数。重点不是把所有量相加，而是确认活动期增长发生在哪一天、哪个商品、哪个入口、哪类人群。
检查点：时间是否一致、去重规则是否一致、是否混入机器人或重复访问。
从点击率、商品详情页停留、加购率、收藏率到支付转化率，判断用户在漏斗的哪一层流失。活动带来的低意向流量可能增加访客，却拉低整体转化率。
检查点：活动价格是否展示一致、库存是否足够、主图和详情页是否匹配承诺。
将成交额与推广费、优惠、佣金、履约、退款损失放在同一张表里。新手至少要区分“成交口径ROI”和“贡献利润口径ROI”，不要把两者混称为ROI。
检查点：成本发生日期与订单日期是否一致，退款是否回冲。
观察新客占比、会员沉淀、复购、评价、退款和后续自然流量。短期订单是结果，长期用户资产才决定活动是否值得反复投入。
检查点：活动后7天或14天的回流表现，需根据商品决策周期调整。
先确认数据可信，再确认结果变化；先解释变化来自哪里，再判断来源质量；先区分短期规模和长期价值，再决定预算和货品。这个顺序看起来慢，但能减少“看到一个高峰就加预算、看到一个低谷就停投放”的情绪化操作。
以下全部为虚构的演示数据，用于说明分析方法，不代表任何天猫店铺、品牌或平台真实经营结果。
图中将成交额按示例来源拆分。观察重点不是某一根柱子最高，而是活动后增长是否过度集中在单一付费入口。
雷达图为归一化示意，分值越高表示相对表现越好。实际分析应使用原始指标，并保留指标定义、分母和统计周期。
这是用于展示工具使用思路的虚构案例，不代表 E数通客户的真实数据或官方业绩。
假设我负责一个主营家居收纳用品的天猫店，准备复盘一次为期三天的主题活动。团队最初只提出一个问题：“为什么活动成交额比平日高，但活动后自然流量没有明显留下？”
我不会直接在报表里搜索一个“活动成功率”。我会先统一活动标签、商品范围和时间窗，再把订单、流量、推广、优惠与退款数据按日期、商品、来源和计划关联起来。E数通在这个示例里承担的是数据汇总、看板搭建和多维下钻的角色，结论仍然需要经营人员结合库存、价格和业务背景判断。
这些数字只用于演示“结果增长与效率变化可能不同”。它们不能被引用为真实案例结论，也不能替代店铺自己的订单、成本和平台数据。
我会把明细字段分为五组。第一组是时间字段，包括日期、小时、活动阶段和活动标签；第二组是订单字段，包括订单数、支付买家数、支付金额、退款金额和优惠金额；第三组是流量字段，包括访客、浏览、点击、加购和收藏；第四组是来源字段，包括来源一级分类、来源二级分类、投放计划和内容入口；第五组是商品与人群字段，包括商品ID、类目、价格带、新老客和会员状态。
字段能否关联，比字段数量更重要。例如，支付金额按支付日期统计，而推广费用按消耗日期统计时，我会先明确对账规则，避免把不同日期的成本直接相减。对于退款，我会保留原始退款发生日期，并在经营口径中另外计算净成交或净收入，避免覆盖原始事实。
假设活动为5月10日至5月12日，我会建立至少三个观察窗口：活动前7天作为短期基线，活动中3天作为即时表现，活动后7天观察回落与沉淀。若商品购买周期较长，活动后窗口可以延长到14天或30天；如果是高频低客单商品，则需要更关注重复购买和会员回流。
基线不一定等于活动前一天。前一天可能已经预热，或者正好是周末。更稳妥的是采用同星期结构的历史相似日，或者将多个平日进行加权平均。无论选择哪种方法，我都会在看板上写清楚基线定义，保证不同人员看到的“增长率”能够被复核。
| 示例来源 | 活动期访客 | 支付转化率 | 客单价 | 成交额 | 我会追问什么 |
|---|---|---|---|---|---|
| 搜索 | 8,400 | 5.8% | ¥126 | ¥61,387 | 关键词排名、商品标题与活动需求是否匹配 |
| 推荐 | 11,200 | 3.4% | ¥108 | ¥41,126 | 推荐人群是否扩大，低意向访问是否增加 |
| 付费投放 | 9,700 | 4.6% | ¥119 | ¥53,097 | 计划成本、投产、拉新和收割目标是否混在一起 |
| 店铺及老客 | 3,600 | 8.1% | ¥143 | ¥41,756 | 老客触达是否带来复购，优惠是否过度 |
| 内容及其他 | 2,500 | 2.2% | ¥102 | ¥5,610 | 内容种草是否存在延迟转化和跨入口回流 |
表格中的访客、转化率、客单价和成交额为互相配合的演示数字，四舍五入后不保证完全可由单一公式反推。实际店铺需要以平台后台与财务对账后的数据为准。
示例表中，推荐访客最多，但转化率低于搜索和店铺老客。这并不意味着推荐渠道应该被关掉。推荐可能承担扩大触达、测试人群和为后续搜索积累认知的任务；如果它的成本可控、带来的新客质量合格，就可能具有上游价值。
相反，店铺及老客成交额不一定最高，但转化率和客单价较高，说明它更像收割与复购渠道。我的行动不会是简单地把预算全部转向转化率最高的入口，而是按渠道承担的任务设计目标：上游看有效新客和后续回流，中游看加购与收藏，下游看支付和利润。
在 E数通示例看板中，我会设计四个层级。首页展示活动总览和基线对比；第二层按来源拆分量、率、钱、质；第三层按商品和计划下钻；第四层保留明细记录，用于核对异常订单和成本。
看板不是为了替我做决定，而是为了让“为什么下降”“增长从哪里来”“哪个商品拖累”“这笔成本是否对应订单”等问题可以沿着同一套筛选条件快速回答。筛选条件必须能够互相联动，日期、活动标签和店铺口径也要在每张图表中保持一致。
将成交额拆成支付买家数和客单价：成交额增长可能来自更多买家，也可能只是少量高价商品成交。再将支付买家数拆成访客与转化率，才能知道是流量问题还是承接问题。
至少同时比较访客、支付买家、客单价和成本。对于新客型活动，还要观察活动后回访、加购未购和会员沉淀，避免只奖励即时转化高但没有增长空间的渠道。
活动前后应尽量控制星期、价格、库存、商品范围和外部曝光等变量。无法完全控制时，要在结论里明确限制，不把相关性写成因果性。
我会根据“流量变化”和“转化变化”的组合来决定优先动作。
这是相对健康的增长信号，但还不能马上扩大所有预算。我会继续核对利润、退款、库存和活动后回流，确认增长不是由极端低价或单一爆款造成。若多个商品、多个来源都改善，可以考虑复制活动机制；若只有一个商品改善，则先做商品级放大。
我会优先检查新增流量的来源结构和商品承接，而不是先判断活动失败。可能是推荐扩量带来大量低意向用户，也可能是价格、库存、发货承诺或页面素材没有跟上。此时应将高意向来源与扩量来源分开管理。
这常见于流量收缩但剩下的用户更精准，不能只看规模下滑就立刻加大投放。我会确认支付买家数、利润和复购价值。如果整体利润健康，可以先优化高意向入口、搜索承接和老客触达，再谨慎恢复上游流量。
这是需要排查的组合，但也最容易引起误操作。我会先检查数据是否完整、商品是否可售、活动标签是否正常，再看平台大盘和竞品变化。只有确认业务事实后，才会调整预算、价格或素材。
锁定活动商品、价格、来源分类、成本字段和对比日期，记录预热开始时间。不要等活动结束后才发现订单口径和推广口径无法对齐。
关注库存、支付、转化、投放消耗、异常退款和页面状态。实时数据可能延迟，活动中以发现可逆问题为主，不急于下最终结论。
输出成交、支付买家、访客、转化、成本和来源结构。此时先写事实，不把短期相关性表述成确定因果。
比较自然流量、老客回访、复购、退款和主推商品表现。把即时成交与后续价值分开，更新渠道分工判断。
保留有效素材、货品组合、价格机制和人群策略，明确下一次实验只改哪些变量。将结论写进看板或知识库，避免每次从零开始。
拉新型来源通常覆盖面更大，但即时转化可能较低；收割型来源通常转化更高，却可能触达的都是本来就有购买意向的人。如果我只追求当期ROI，预算会不断集中到收割入口，店铺新增人群可能逐渐枯竭；如果我只追求新客，可能出现成本失控和短期利润承压。
实际分配可以采用“基础预算+实验预算”的方式。基础预算保障已验证的高质量来源，实验预算用来测试新入口、新人群和新素材。每个实验预先设定最小样本、观察周期和停止条件，达到条件后再决定扩大、维持或停止，而不是根据某一天的波动做决定。
进度条为虚构示意，展示“按渠道任务设目标”的方法，不代表真实渠道评分。
当库存有限、履约能力紧张、退款风险上升或活动折扣已经接近底线时，我会优先保证贡献利润和用户体验，而不是继续追求成交额排名。规模增长如果带来客服拥堵、延迟发货和差评，后续自然流量可能受到更长时间的影响。
如果店铺处于新品冷启动、类目需要扩大认知或正在测试新客人群，可以接受实验阶段的短期效率下降，但必须把目标写清楚，例如有效新客成本、加购率、活动后回流率或二次购买，而不是笼统地说“先烧钱换规模”。
字段少而稳定，才能让团队持续使用。
| 分析层 | 建议字段 | 回答的问题 | 常见风险 |
|---|---|---|---|
| 结果 | 支付金额、支付买家、订单数、退款金额 | 活动带来了多少实际交易结果 | 下单与支付口径混用，退款未回冲 |
| 流量 | 访客、点击、详情页浏览、加购、收藏 | 用户在漏斗哪一层进入或流失 | 重复访问、去重规则和时间窗不一致 |
| 来源 | 一级来源、二级来源、计划、素材、入口 | 结果由哪些路径贡献 | 归因规则不同，来源被合并或重复 |
| 效率 | 转化率、客单价、推广费、优惠、ROI | 增长是否值得成本 | 成交ROI与利润ROI混用 |
| 质量 | 新客占比、退款率、复购、评价、会员沉淀 | 活动是否留下长期价值 | 观察周期过短，忽略购买决策周期 |
| 背景 | 活动标签、商品、价格、库存、发货状态 | 业务变化是否能解释数据变化 | 只看结果，不记录现场事实 |
每个问题都按“疑问—判断—行动”展开，方便新手直接对照。
我一开始也容易把成交额增长直接等同于活动成功，但这只能说明结果层出现了变化，不能说明利润、流量质量和长期价值都变好。更完整的判断应该同时比较活动前基线、活动期和活动后窗口，并拆出访客、支付转化率、客单价、优惠成本、推广费、退款和贡献利润。例如成交额增长50%，但推广费增长100%、退款率明显上升，就需要谨慎评价，而不能只用成交额做结论。
我会先把推荐流量单独拆出来，看它占新增访客的比例和支付转化率变化。推荐扩量通常会触达更多尚未形成明确购买意向的人群，因此可能带来访客增长，同时拉低整体转化率；这并不自动意味着推荐无效。接下来还要看加购、收藏、活动后回流、新客成本和商品承接。如果推荐流量只增加访问却没有任何后续信号，再考虑收窄人群、优化素材或降低预算。
我不建议机械地用同一标准比较，因为三类来源承担的任务可能不同。搜索更接近主动需求，付费可能承担拉新或收割，老客触达则常常具有较高转化和较低再次触达成本。可以统一计算口径，但要分开解释目标：即时成交可以看成交ROI，盈利决策要看贡献利润ROI，拉新渠道还应看新客成本、活动后回流和复购。统一计算不等于统一评价。
我会先做一张最小复盘表，而不是一开始搭建非常复杂的模型。固定活动日期、可比基线、商品范围、访客、支付买家、成交额、转化率、客单价、来源和推广成本十类字段，再按活动前、活动中、活动后分组。使用 E数通这类数据分析工具时，可以先把这张表做成固定看板，再增加商品、计划和新老客筛选。关键是口径稳定、字段有定义、每次复盘都能回答下一步动作。
不能仅凭活动后自然流量回落就判定活动没有价值。活动可能本来就承担短期清库存、收割需求或验证货品的任务，也可能因为优惠结束、关键词竞争变化或平台流量机制而回落。我会进一步看活动后7天或更长周期的新客回访、会员沉淀、复购、搜索量、评价和商品排名，并检查活动期间是否获得了可持续的内容资产。只有明确目标是沉淀自然流量时，才应把自然流量留存作为核心评价。
这是归因中比较难的问题，我不会只依靠来源标签下结论。可以先观察来源带来的新客比例、触达前后的行为、活动前基线和相似人群表现，再通过分组实验、预算分层或小范围暂停来估计边际贡献。比如老客渠道转化率高，可能说明它有效，也可能说明这些用户本来就有购买意向；如果增加触达后订单没有明显超出对照组，就需要重新评估增量。真实环境无法完全排除干扰，因此结论应带有假设和限制。
我建议按决策顺序搭建，而不是按数据表数量搭建。第一张是活动总览，看活动期与基线的成交、访客、转化、客单价和成本；第二张是来源质量，看各入口的量、率、钱和新老客；第三张是商品诊断，定位哪些商品带来增长、哪些商品拖累利润；第四张是活动后观察，追踪回流、复购、退款和自然流量。E数通在这里适合帮助团队做数据汇总、筛选、联动与可视化，但指标定义和经营判断仍应由业务团队负责。
