一. 用户角度
1、总活跃用户数、新注册用户数、总PV；
2、一定时间的活跃用户数、新注册用户数、总PV；
3、一定时间的转换关系；
4、不同渠道下，注册转换情况；
5、不同注册渠道下，注册用户的后续留存率；
6、一定时间有购买行为的用户的重复购买的分布情况
二. 订单角度
1、今日的订单总数、销售额、订单单价、有订单用户数、补贴比例；
2、过去一周每天的订单总数、销售额、订单单价、有订单用户数、补贴比例；
3、过去一周每天的订单平均送达时间；
三. 商品角度
1、按照商品分组，今日每个商品的浏览数、购买用户数、订单数、销售额；
2、按照商品分组，过去一周每天每个商品的浏览数、购买用户数、订单数、销售额；
四. 品类角度
1、按照商品品类分组，今日每个品类的浏览数、购买用户数、订单数、销售额、订单单价；
2、按照商品品类分组，过去一周每天每个品类的浏览数、购买用户数、订单数、销售额、订单单价；
五. 店铺角度
1、按照店铺分组，今日每个店铺的浏览数、购买用户数、订单数、销售额、订单单价；
2、按照店铺分组，过去一周每个店铺的浏览数、购买用户数、订单数、销售额、订单单价；
在基于以上指标进行数据的统计，我们再进行数据分析：
首先数据分析建模，我们知道电商类产品模型一般以事件（点击，浏览等）用户属性进行建模。然后我们进行正式的数据分析：
方法一：多维度数据分析
我们需要定义一些事件，如取消订单，提交订单，支付订单，浏览商品，加入购物车等等。
然后基于这些事件，我们需要一个指标，比如说次数，总和。
可是我们知道光有个数据罗盘还不够，我们需要对数据进行细分，这里我们做了事件，指标。所以还需要筛选用户的属性了，比如说城市，用的设备，支付方式，来源渠道。
这个方法，我们常用于用户画像，用户行为分析，数据异常排查分析等。
方法二：转换率数据分析
我们进行一场活动，我们需要进行评估，这二天注册了多少人，订单转换率是多少，支付率是多少，我们就需要一个分析方法了。
从我刚讲的我们基于事件分析，所以我们就可以定义一个事件，筛选时间，先定义事件（注册），再次定义事件（提交订单），在次定义事件（支付订单），我们可以得到一个转换率。
这个方法，我们常用于转换率分析，也称漏斗分析。
方法三：留存数据分析
留存分析正如字面意思留存，我们需要对一段时间的用户就像数据分析，比如说我们搞了一个活动，我们需要看那段时间的注册用户，提交订单的情况，第一有多少提交，第二天有多少人提交，第三天有多少人提交等。
数据分析一般为，我们还是根据我们的数据模型，首先定义一个事件（如注册用户），在次定义一个事件（如提交订单）得到一定事件的比列。
这个方法，我们常用于观测一定事件的留存情况。
方法四：活跃或回访数据分析
我们知道，我们定义了用户的行为数据分析了，可是我们需要看一段时间的，一个事件的使用次数，或者某个地方的用户使用情况，那我们怎么办呢。这里就是我所说的活跃数据分析情况了，
我们首先需要定义一个事件（如注册用户），在定义一个事件（如提交订单）的情况（这里一般为次天数），然后我们筛选用户的事件为什么，得到一个数据。
这个方法，我们常用于调查用户使用情况，也是衡量一个用户活跃的关键数据分析指标。
说了这么多，我们这些能干嘛呢
1、数据异常排查，细分逐一查看
2、关键页面的转换率提升
3、活动的情况评估，渠道数据分析评估
来源：PMCAFF产品经理社区
