书名：电子商务数据分析与应用pdf/doc/txt格式电子书下载

推荐语：

作者：叶子编

出版社：电子工业出版社

出版时间：2019-08-01

书籍编号：30525632

ISBN：9787121362743

正文语种：中文

字数：182001

版次：1

所属分类：教材教辅-中职/高职

版权信息

书名：电子商务数据分析与应用

作者：叶子

出版社：电子工业出版社

出版日期：2019-08-01

ISBN：9787121362743

版权所有 · 侵权必究

前言

PREFACE

教育部电子商务专业教学指导委员会市场调查研究发现，当前电子商务专业人才的主要能力需求是网络营销与数据分析。由此可见，数据分析课程在电子商务专业发展中占据着非常重要的地位。另外，随着大数据时代的到来，数据分析在产品开发设计、市场规范、产品运营、客户管理等许多业务流程中的作用越发显现，越来越多的企业意识到数据的价值，通过数据驱动业务，实现数据化运营逐渐成为共识。在电子商务应用领域，尤其是网络零售业，数据分析已成为网店运营管理人员的基本工作内容，部分企业专门设置了数据分析岗位，希望通过对重要指标数据的分析，真正了解企业的运营状况，准确获取客户动向，发现更多潜在客户，帮助提升客户体验，从而更好地提升经营业绩。

高等职业院校是电子商务行业人才的“蓄水池”，电子商务专业的发展也要适应新的变化，与时俱进，主动对接企业数据分析人才的需要。本书在内容设计上，以培养高职高专高素质技能应用型人才为目标，以电子商务专业的学生为主要对象，通过对电子商务数据分析与应用的长期关注和应用研究，全面介绍大数据分析涉及的原理、常用工具、模型、方法及典型电子商务数据分析场景应用等主要方面。

本书分为4个模块，主要内容如下。

模块一为电子商务大数据分析基础，主要对电子商务大数据分析的概念、应用、工作流程及职业前景进行大致的介绍，并且讲解获取原始数据的几种重要途径。

模块二为电子商务大数据分析工具，主要介绍几种常见的数据分析工具，其中Excel、SPSS作为简单入门工具，可以满足一般的数据分析工作需求，而对于一些定制化的需求，则需要通过R语言来编程实现。

模块三为常用分析模型与方法，主要介绍商务分析模型与大数据分析方法。所谓分析模型，就是明确从哪几个方面开展数据分析，各方面都包含什么内容或指标。大数据分析方法主要分为统计分析方法和机器学习方法两大类。其中，统计分析方法包括数据可视化分析、指标分析、相关与回归、时间序列分析；机器学习方法包括决策树、聚类算法、神经网络。

模块四为电子商务数据化运营，主要讲解如何利用 Excel 对电子商务数据进行更加全面、深入的实用分析。案例配有丰富多彩的示例数据供读者借鉴，目的是使读者更好地了解线上经营之道，把握买卖时机和规律，做出正确的经营决策。

本书由温州职业技术学院的叶子老师担任主编。感谢泰力实业有限公司提供案例及数据素材。在编写本书过程中，编者参考了大量文献和互联网资料，借鉴和吸取了国内外众多学者的研究成果，在此对他们表示衷心的感谢！

由于编写时间较短，加之编者水平有限，书中难免存在不足之处，诚恳希望广大读者在使用本书的过程中，能对书中的不足之处予以批评指正，以便再版时进行修正。

编者

模块一 电子商务大数据分析基础

早在20世纪80年代，美国就有人提出了“大数据”的概念，大数据时代的到来也为电子商务带来观念的转变及对数据的新管理模式，使得数据的实际应用能更有效地与企业运营结合。大数据分析可以为企业经营决策提供参考依据，进而为企业创造更多的价值。本模块对电子商务大数据分析的概念、应用、工作流程及职业前景进行大致的介绍，并且讲解获取原始数据的几种重要途径。

第1章 电子商务大数据分析概论

1.1 初识电子商务行业中的大数据

随着网络和信息技术的日益普及，大数据逐步改变甚至颠覆着人类的生活方式，随着数据量呈指数级增长及云计算的诞生，我们步入大数据时代。大数据逐步向各行业渗透、辐射，颠覆着很多特别是传统行业的管理和运营思维。大数据更是触动着电子商务行业管理者的神经，搅动着电子商务行业管理者的思维，大数据在电子商务行业释放出的巨大价值吸引着诸多电子商务行业人士的兴趣和关注。

之所以称之为大数据，是因为电子商务时代的数据管理量很大，以至于无法在可承受的时间范围内用常规软件工具对数据进行捕捉、管理和处理。进行电子商务数据分析的意义在于对数据进行专业化处理，得到一个服务于企业管理决策或提升客户体验的结论。当然，大数据在电子商务行业中的应用有着越来越多的创新性发展。

1.1.1 借助大数据分析优化市场定位

电子商务企业要想在互联网市场站稳脚跟，必须架构大数据战略，对外要拓宽电子商务行业调研数据的广度和深度，从大数据中了解电子商务行业市场的构成、细分市场特征、消费者需求和竞争者状况等众多因素；对内企业想进入或开拓某一区域电子商务行业市场，首先要进行项目评估和可行性分析，决定是否开拓某块市场，最大化规避市场定位不精准给投资商和企业自身带来的毁灭性损失。

迷你案例

Decide.com是一家预测商品价格并为消费者提供最佳购买时间，哪款产品评价好、值得买建议的创业公司。Decide.com董事长兼CEO Mike Fridgen在一份声明中称：“它很真诚地告诉每一个亲爱的用户，Decide网站的价格预测不是表面文章，因为所有的价格建议都来自我们专业的数据分析结果。”

不错，Decide.com通过抓取亚马逊、百思买、新蛋网及全球各大网站上数以十亿计的数据进行分析，最终将其整合在一个页面中方便用户对比查看，并且能够预测产品的价格趋势，帮助用户确定产品的最佳购买时机。

为了证明预测的准确性，Decide.com每天都会选择10个交易，如果它预测的价格在两个星期内降价，则Decide.com将会自动通知买方，并支付价格下降的金额（最多200美金）。

注：Decide.com于2011年6月成立，2013年9月被eBay收购，同时对外关闭。

迷你案例

Iron Maiden，这个颇有争议的英国重金属乐队从1976年出道火到现在。其通过对客户上网数据的分析，定位于歌迷分布密度最大的区域——圣保罗，并在此举办了一场演唱会，取得了空前的成功。

市场定位对电子商务行业市场开拓非常重要，但是，要想做到这一点，就必须有足够的信息数据来供电子商务行业研究人员分析和判断，数据的收集、整理就成了最关键的一步。在传统分析情况下，分析数据的收集主要来自统计年鉴、行业管理部门数据、相关行业报告、行业专家意见及属地市场调查等，这些数据多存在样品量不足、时间滞后和准确度低等缺陷，研究人员能够获得的有效信息量非常有限，使准确的市场定位存在着数据瓶颈。

互联网时代，借助数据挖掘和信息采集技术，不仅能够给研究人员提供足够的样本量和数据信息，而且能够建立基于大数据的数学模型对企业未来市场进行预测。

1.1.2 借助大数据优化市场营销

今天，从搜索引擎、社交网络的普及到人手一机的智能移动设备，互联网上的信息总量正以极快的速度不断暴涨。每天的Facebook、Twitter、微博、微信、论坛、新闻评论、电子商务平台上分享的各种文本、照片、视频、音频等信息高达几百亿甚至几千亿条，涵盖商家信息、个人信息、行业资讯、产品使用体验、商品浏览记录、商品成交记录、产品价格动态等海量信息。这些数据通过聚类可以形成电子商务行业大数据，其背后隐藏的是电子商务行业的市场需求、竞争情报，闪现着巨大的财富价值。

在电子商务行业市场营销中，无论是产品、渠道、价格还是客户，可以说每一项工作都与大数据的采集和分析息息相关，以下两个方面内容是电子商务行业市场营销工作的重中之重。

● 对外：通过获取数据并加以统计分析来充分了解市场信息，掌握竞争者的商情和动态，知晓产品在竞争群中所处的市场地位，达到“知己知彼，百战不殆”的目的。

● 对内：企业通过积累和挖掘电子商务行业消费者数据，有助于分析消费者的消费行为和价值趋向，便于更好地为消费者服务和发展忠诚客户。

以电子商务行业对消费者的消费行为和趋向分析为例，企业平时善于积累、收集和整理消费者的消费行为方面的信息数据，例如：

● 消费者购买产品的花费。

● 选择的产品渠道。

● 偏好产品的类型。

● 产品使用周期。

● 购买产品的目的。

● 消费者的家庭背景。

● 消费者的工作和生活环境。

●个人消费观和价值观等。

如果企业收集到了这些数据，并建立了消费者大数据库，则可通过统计和分析来掌握消费者的消费行为、兴趣偏好和产品的市场口碑现状；再根据这些总结出来的行为、兴趣爱好和产品口碑现状制定有针对性的营销方案和营销战略，投消费者所好，其带来的营销效应是可想而知的。

1.1.3 大数据助力电子商务企业的收益管理

收益管理是一种起源于20世纪80年代的谋求收入最大化的新经营管理技术，意在把合适的产品或服务在合适的时间以合适的价格，通过合适的销售渠道出售给合适的顾客，最终实现企业收益最大化目标。要达到收益管理的目标，需求预测、细分市场和敏感度分析是此项工作的3个重要环节，而这3个环节推进的基础就是大数据。

● 需求预测：通过对建构的大数据进行统计与分析，采取科学的预测方法，通过建立数学模型，使企业管理者掌握和了解电子商务行业的潜在市场需求、未来一段时间每个细分市场的产品销售量和产品价格走势等，从而使企业能够通过价格的杠杆来调节市场的供需平衡，针对不同的细分市场来实行动态的前瞻性措施，并在不同的市场波动周期以合适的产品和价格投放市场，获得潜在的收益。

● 细分市场：为企业预测销售量和实行差别定价提供条件，其科学性体现在通过电子商务行业市场需求预测来制定和更新价格，使各个细分市场的收益最大化。

● 敏感度分析：通过需求价格弹性分析技术，对不同细分市场的价格进行优化，最大限度地挖掘市场潜在的收入。

大数据时代的来临，为企业收益管理工作的开展提供了更加广阔的空间。需求预测、细分市场和敏感度分析对数据需求量很大，而传统的数据分析大多是采集企业自身的历史数据来进行预测和分析的，容易忽视整个电子商务行业的信息数据，因此预测结果难免存在偏差。企业在实施收益管理的过程中，在自有数据的基础上，依靠一些自动化信息采集软件来收集更多的电子商务行业数据，了解更多的电子商务行业市场信息，将会对制定准确的收益策略、赢得更高的收益起到推进作用。

1.1.4 大数据协助创造客户新的需求

差异化竞争的本质在于不停留在产品原有属性的优化上，而是创造了产品的新属性。满足客户需求是前提，但创造客户新需求才是行业革命的必要条件。

随着网络社交媒体的技术进步，以及论坛、博客、微博、微信、电子商务平台、点评网等媒介在PC端和移动端的创新和发展，公众分享信息变得更加便捷自由，而公众分享信息的主动性促进了“网络评论”这一新型舆论形式的发展。微博、微信、点评网、评论版上众多的网络评论形成了交互性的大数据，其中蕴藏了巨大的电子商务行业需求开发价值，这些数据已经受到了电子商务企业管理者的高度重视。很多企业已把“评论管理”作为核心任务来抓，既可以通过客户评论及时发现负面信息进行危机公关，更核心的是还可以通过这些数据挖掘客户需求，进而改良企业的产品，提升客户体验。

1.2 数据与数据的时代观

数据（data）是事实或观察的结果，是对客观事物的逻辑归纳，是用于表示客观事物的未经加工的原始素材。将为了特定研究而搜集的所有数据称为研究的数据集（data set）。表1-1是一个包含某电子商务平台某日10笔订单信息的数据集。

表1-1 某电子商务平台某日10笔订单信息的数据集

1.2.1个体、变量和观测值

个体（element）是指搜集数据的实体。在表1-1所示的数据中，每一笔订单是一个个体，订单编号列为表1-1的第1列。10笔订单对应数据集中的10个个体。

变量（variable）是一个个体的任意“特征”。表1-1所示的数据集中有下列7个变量：订单编号、订购日期、客户 ID、产品、单价、数量和金额。通常，我们需要在数据分析报告中对数据变量进行说明。

在一项研究中，对每个个体的每一变量收集测量值，从而得到了数据。对某一特定个体得到的测量值集合称为一个观测值（observation）。如表1-1所示，我们看到第一个观测值（119000001）的测量值集合是2011/9/1、119970、产品A、100、6和600。第二个观测值（119000002）的测量值集合是2011/9/1、128236、产品D、300、6和1800。10个个体的数据集有10个观测值。

1.2.2 变量的基本分类

类别变量（categorical variable）是取值为事物属性或类别及区间值的变量，也称分类变量（classified variable）或定性变量（qualitative variable）。例如，观测人的性别、公司所属的行业、客户对商品的评价时，得到的结果就不是数字，而是事物的属性，如观测性别的结果是“男”或“女”，公司所属的行业为“制造业”“零售业”“旅游业”等，客户对商品的评价为“很好”“好”“一般”“差”“很差”。人的性别、公司所属的行业、客户对商品的评价等作为变量取的值不是数值，而是事物的属性或事物的类别。此外，学生月生活费支出的档次可能分为1000元以下、1000～1500元、1500～2000元、2000元以上4档，作为变量的“学生月生活费支出的档次”这4档取值也不是普通的数值，而是数值区间，因而类别变量也称为区间值类别变量。人的性别、公司所属的行业、客户对商品的评价、学生月生活费支出的档次等都是类别变量。

类别变量根据取值是否有序通常分为两种：名义（nominal）值类别变量和顺序（ordinal）值类别变量。名义值类别变量也称无序类别变量，其取值是不可以排序的。例如，“公司所属的行业”这一变量取值为“制造业”“零售业”“旅游业”等，这些取值之间不存在顺序关系。再如，“商品的产地”这一变量的取值为甲、乙、丙、丁，这些取值之间也不存在顺序关系。顺序值类别变量也称有序类别变量，其取值可以排序。例如，“客户对商品的评价”这一变量的取值为很好、好、一般、差、很差，这5个值之间是有序的。取区间值的变量当然是有序的类别变量。只取两个值的类别变量称为二值（binary）类别变量，例如，“人的性别”这一变量取值为男和女。二值类别变量可以看成名义值类别变量，也可以看成顺序值类别变量。

类别变量的观测结果称为类别数据（categorical data）。类别数据也称为分类数据或定性数据。与类别变量相对应，类别数据相应分为名义值类别数据和顺序值类别数据两种。其中，只取两个值的类别数据称为二值类别数据。

数值变量（metric variable）是取值为数字的变量，也称为定量变量（quantitative variable）。例如，“企业的销售额”“上涨股票的数量”“生活费支出”“掷一枚骰子出现的点数”等变量的取值可以用数字来表示，都属于数值变量。数值变量的观测结果称为数值数据（metric data）或定量数据。

数值变量根据其取值的不同，可以分为离散变量（discrete variable）和连续变量（continuous variable）。离散变量是只能取有限个数的变量，而且其取值可以一一列举，如“企业数”“产品数量”等。连续变量是可以在一个或多个区间中取任何值的变量，它的取值是连续的，不能一一列举，如“温度”“零件尺寸的误差”等。当离散变量的取值很多时，也可以将离散变量当作连续变量来处理。

变量（或数据）的基本分类如图1-1所示。

图1-1 变量（或数据）的基本分类

1.2.3 数据的时代观

人们都说今天是数据的时代，到处都在讨论大数据，每个人都说自己在研究大数据，到处都宣称数据可以产生价值，但是，到底什么是数据？此处提出一个新的概念，即数据的时代观。

什么是数据？这个看似简单的问题却不易回答。如尝试向不同的人请教，常见的答案有两个：一是数据就是信息。这个答案完全正确但是定义太抽象了。数据和信息都是非常抽象的概念。两者相互定义，并不令人满意。二是数据就是数字。这种说法有一定的道理，因为数字是一种最典型的传统数据。例如，GDP、股市的指数及人的身高、体重、血压等都是数字，也都是数据。因此，我们可以得出数字就是数据的结论。但是反过来，数据就是数字吗？未必。作者认为凡是可以电子化记录的信息其实都是数据。这里的记录不是靠自然人的大脑，而是通过必要的信息化技术和电子化手段。基于此，数据的范畴就大得多了，远不局限于数字。既然涉及电子化记录，下面简要介绍一下记录数据的技术手段。手机、数码照相机、各种工程设备上的探头等都是记录数据的技术手段。这些手段是有时代特征的，在不同时代，记录数据的技术手段是不一样的。这就是所谓的数据时代观。

问：声音是数据吗？

很久以前，声音并不是数据。因为当时没有任何技术手段能够把它记录下来。既然不能记录下来，更谈不上分析，也就不能称之为数据。但是今天，音频设备可以采集声音，然后将其转化为音频数字信号，进而支撑很多有趣的应用，如iPhone的Siri、搜狗的语音输入法、微信的语音翻译，等等。由此可见，在可以记录声音的时代，声音是一种数据，而且是一种具有强烈时代特征的数据。

问：图像是数据吗？

很久以前，图像也不是数据，因为图像不能记录下来。那时图像只能是人们肉眼中看到的这个大千世界，如此美妙！但遗憾的是，图像没法记录。如今，数码成像技术的成熟让所有的图像都能够记录下来，而且分辨率非常高。在此基础上，人们可以做进一步的分析和建模，进而支撑很多有趣的应用。例如，脸部识别、指纹识别、车牌号识别、美图秀秀，以及医学中大量的医学影像分析。由此可见，在可以记录图像的时代，图像是一种数据，而且是一种具有强烈时代特征的数据。

类似的例子还有很多。例如，生物信息技术的进步产生了Microarray 数据，社交网络的兴起产生了社交链数据，物联网技术的成熟产生了物联网数据。所有这些都是电子化的记录，都是数据。所有这些数据的产生都依赖于一定的技术手段，都有强烈的时代特征。

1.3 数据分析流程

商务数据分析是基于商业目的，有目的地收集、整理、加工和分析数据，提炼有价信息的过程。图1-2展示了数据分析的六大环节，主要包括明确分析目的与框架、数据收集、数据处理、数据分析、数据展现和撰写报告。

图1-2 数据分析流程

1.明确分析目的与框架

针对数据分析项目，首先要明确数据对象是谁、目的是什么、要解决什么业务问题，然后基于商业的理解，整理分析框架和分析思路。常见的分析目的有减少新客户的流失、优化活动效果、提高客户响应率等。不同项目对数据的要求不同，使用的分析手段也不同。

2.数据收集

数据收集是按照确定的数据分析和框架内容，有目的地收集、整合相关数据的过程，它是数据分析的基础。数据收集渠道包括内部渠道和外部渠道两类。内部渠道包括企业内部数据库、内部人员、客户调查，以及专家与客户访谈；外部渠道包括网络、书籍、统计部门、行业协会、展会、专业调研机构等。常见的数据收集方法包括观察和提问、客户访谈、问卷调查、集体讨论、工具软件等。不同类型的数据在收集方式上区别较大，相关内容详见第2章，这里就不展开介绍了。

3.数据处理

数据处理是指对所收集到的数据进行加工、整理，以便开展数据分析，它是数据分析前必不可少的环节。这个过程在整个数据分析过程中最占时间，在一定程度上取决于数据仓库的搭建和数据质量的保证。数据处理方法主要包括数据清洗和转化等。数据清洗和转化的主要对象包括残缺数据、错误数据和重复数据。

4.数据分析

数据分析是指通过分析手段、方法和技巧对准备好的数据进行探索、分析，从中发现因果关系、内部联系和业务规律，为企业提供决策参考。到了这个环节，要能驾驭数据、开展数据分析，就要涉及工具和方法的使用。一是要熟悉常规数据分析方法，最基本的要了解如方差、回归、因子、聚类、分类、时间序列等数据分析方法的原理、使用范围、优缺点和结果的解释；二是熟悉数据分析工具，如Excel、SPSS、Python、R语言等，以便于进行一些专业的统计分析、数据建模等。

5.数据展现

俗话说“字不如表，表不如图”。一般情况下，数据分析的结果是通过图、表的方式来呈现的。借助数据展现可视化工具，数据分析师能更直观地表达想呈现的信息、观点和建议。常用的图包括饼图、柱形图、条形图、折线图、散点图、雷达图、金字塔图、矩阵图、漏斗图、帕雷托图等。

6.撰写报告

最后一个环节是撰写数据分析报告，这是对整个数据分析成果的一个呈现。分析报告可以把数据分析的目的、过程、结果及方案完整地呈现出来，以供企业参考。一份好的数据分析报告，首先需要有一个好的分析框架，并且图文并茂、层次明晰，能够让读者一目了然。结构清晰、主次分明，可以使读者正确理解报告内容；图文并茂，可以令数据更加生动活泼，提高视觉冲击力，有助于读者更形象、更直观地看清楚问题和结论，从而产生思考。另外，数据分析报告需要有明确的结论、建议和解决方案，不仅仅要找出问题，解决问题才是最重要的，否则称不上是好的分析，同时也会失去报告的意义，数据分析的初衷就是为了实现一个商业目的，不能舍本逐末。

1.4 电子商务典型数据分析任务

1.4.1 行业分析

行业分析通常由营销、运营岗位完成，该岗位设置在营销部、运营部，与数据开发部、公司战略管理部等均有配合及合作。行业分析流程包括行业数据采集、市场需求调研、产业链分析、细分市场分析、市场生命周期分析、行业竞争分析，最后撰写市场分析报告。

1.行业数据采集

根据行业特性确定数据指标筛选范围，做出符合业务要求的数据报表模板；整合该行业数据资源，使用合适的方式采集数据并完成数据报表的制作。

2.市场需求调研

通过客户行为、行业特性及业务目标要求设计出调研问卷；通过网络调研、深度访谈等方法发放与回收调研问卷；通过Excel等数据处理工具对回收问卷进行数据清洗，得到可靠的样本数据。

3.产业链分析

通过对该行业中供应商、制造商、经销商、客户等环节之间交互关系的分析，绘制交互示意图；通过对前期的市场调研及价值交互关系的分析，制作产业链的合理性评估表。

4.细分市场分析

根据细分市场历史数据确定相应的优势细分市场，编制优势细分市场列表；根据产品特点和消费者需求关联目标细分市场，编制关联列表；通过定性与定量的分析方法进行匹配度分析，编制匹配度对应列表。

5.市场生命周期分析

根据市场历史数据判定出该细分市场所处的生命周期；通过行业资讯、领域专家意见，以及历史数据确定该细分市场所处生命周期中的机遇与挑战；根据细分市场所处生命周期给出改善建议。

6.行业竞争分析

通过网络及纸质等渠道进行同类企业市场信息收集；进行同类企业与本企业市场相关性与差异性的分析，编写市场差异性分析报告；通过 SWOT 分析法分析自身企业的机遇与挑战，编制SWOT分析图表。

1.4.2 客户分析

客户分析通常由客户运营岗位完成，该岗位设置在运营部，与市场部、品牌部、策划部、客服部、设计部、物流部等均有配合及合作。客户分析流程包括客户数据收集、客户特征分析（客户画像）、客户行为分析、客户价值评估、目标客户精准营销（营销策略制定和资源配置）、销售效果跟踪，最后撰写市场分析报告。

1.客户数据收集

了解B端（企业端）及C端（消费者端）的不同客户数据收集；熟悉公司品牌及产品定位、客户定位，熟悉各业务部门的客户数据需求；根据客户的访问、浏览、购买、评价等行为数据对客户数据属性标签进行收集、整理；熟练运用Excel、CRM、评价分析、舆情监控等客户数据收集分析工具（软件）；利用问卷、调研等数据收集方法收集客户数据，并对数据进行清洗和处理。

2.客户特征分析（客户画像）

了解B端（企业端）及C端（消费者端）的客户行为属性区别；根据客户的购买行为、购买地域、购买金额、购买次数等行为对客户进行特征分析；熟悉地域、性别、年龄等客户基础属性，并进行相关归类分析；借助 Excel、CRM 等工具对客户特征进行挖掘分析及梳理。

3.客户行为分析

对客户的评价行为、购买趋势、购买喜好、营销喜好、产品喜好等行为进行分析；根据客户行为数据分析制定不同渠道的内容模式，挖掘出客户接受度较高的营销方式。

4.客户价值评估

了解B端（企业端）及C端（消费者端）的不同，分析客户价值行为；熟悉客户画像、回购率、客单价、地域等客户行为分析的概念和行为价值；了解各业务部门对客户数据的需求，基于需求挖掘客户价值，并进行相关价值评估；有一定的业务分析能力及文案撰写能力，对客户行为特征进行有价值的二次挖掘。

5.目标客户精准营销（营销策略制定和资源配置）

熟悉B2B及B2C的平台区别，了解B端（企业端）及C端（消费者端）不同平台客户精准分析、营销策略及

....