電商常見數據分析方法

1. 電商數據分析是什麼

電商數據分析包括了大行業大平台的數據狀況，也可以是小到店鋪、單品、sku的某個某個維度詳細數據分析。

除了常規的商品型號、商品價格、促銷信息、店鋪名稱等，還可以自定義其他維度、可以說說是做到了全方位展現渠道違規行為，滿足多樣化的巡檢場景需求。

從流量、訂單、總體銷售業績、整體指標進行把控，起碼對運營的電商平台有個大致了解，到底運營的怎麼樣，是虧是賺。

電商分析數據方法如下：

一、依據用戶畫像，洞察需求

用戶畫像即用戶信息標簽化，通過收集用戶的社會屬性、消費習慣、偏好特徵等各個維度的數據，進而對用戶或產品特徵屬性進行刻畫，並對這些特徵進行分析、統計，挖掘潛在價值信息，從而抽象出用戶的信息全貌。

二、依據渠道數據分析用戶來源

對電商賣家來說，分析「訪客數」最重要的是分析「流量來源」。分析不同流量來源的「數量」和「支付轉化率」，找出「支付轉化率」比較高的流量來源並想辦法提高，不僅可以提高「訪客數」還可以提高整體的「支付轉化率」。

這時利用數據分析工具能為不同渠道的表現提供總覽，並給出目標轉化率。當涉及到有機搜索時，分析一些像搜索量和關鍵詞排名的指標能幫你獲得更多的見解，比如該將廣告預算花在哪兒，如何讓用戶更容易搜索到你等等。

三、店內轉化率的數據分析

當用戶來到店鋪時，我們就要想辦法將他們轉化成顧客，但眾所周知，並不是每個來店裡的用戶都會點加入購物車按鈕。甚至在加入購物車後，也會有改變主意離開網站的可能。所以這一步我們可以用下面的電商轉化指標來跟蹤和優化線上購物體驗：

1、銷售轉化率 ——已購買的用戶和全部來到店鋪的用戶比值。

2、平均訂單價值 —— 用戶下單的平均金額。

3、放棄購物車率—— 在所有產生的訂單中，未完成訂單的佔比。

四、提高營銷推廣的ROI

對店鋪來說，如今流量已進入存量時代，營銷渠道分散且復雜，更需要賣家依據數字化營銷提高推廣的RIO，通過數據分析，加強線上營銷的精準，拓展線下新的營銷場景，利用數據智能完成全場景全鏈路的布局，以達到高效轉化與品效相結合。

五、產品數據分析

1、產品數據分分析

①整體分析：分為兩個部分：銷售表現和購物行為。銷售表現包括各個商品帶來的收入，至少購買過一次的用戶數，平均訂單價格、數量，退款數目等等。購物行為，你可以看到瀏覽了產品詳情頁的用戶里，加入購物車的人數；或瀏覽產品詳情頁後最終下單的人數。

②購物行為分析——我們可以依據更多和商品有關的數據，比如商品瀏覽頁訪問量、商品詳情頁訪問量、加入/移出購物車的商品，進入結算階段的商品，以及購買人數來對用戶購物行為進行分析。

2、銷量數據分析

我們可以從後台數據分析中找到關於收入，稅費、運費、退款金額，和賣出的商品數量。其中，總銷售額以金額的形式呈現，是衡量我們線上店鋪經營狀況最佳的「整體主要指標」（OMM）之一，可以用它來衡量業務的整體增長和發展趨勢。

六、用戶留存數據分析

聰明的商家知道忠誠顧客的價值。能夠留住用戶給你長期帶來收入。永遠要記住的是，獲取新用戶比留住老用戶成本大得多。研究顯示，用戶留存率提升5%就能帶來25%到95%的利潤。

七、用戶推薦數據分析

對賣家來說，我們要識別出哪些用戶是你的真愛。他們不僅愛你的產品，也願意向家人和朋友推薦，他們簡直是你的品牌大使。成功的電商企業會密切關注著這一階段的指標並及時做出反應。

2. 電商數據分析怎麼做

電商分析數據方法如下：

一、依據用戶畫像，洞察需求

用戶畫像即用戶信息標簽化，通過收集用戶的社會屬性、消費習慣、偏好特徵等各個維度的數據，進而對用戶或產品特徵屬性進行刻畫，並對這些特徵進行分析、統計，挖掘潛在價值信息，從而抽象出用戶的信息全貌。

二、依據渠道數據分析用戶來源

對電商賣家來說，分析「訪客數」最重要的是分析「流量來源」。分析不同流量來源的「數量」和「支付轉化率」，找出「支付轉化率」比較高的流量來源並想辦法提高，不僅可以提高「訪客數」還可以提高整體的「支付轉化率」。

三、店內轉化率的數據分析

當用戶來到店鋪時，我們就要想辦法將他們轉化成顧客，但眾所周知，並不是每個來店裡的用戶都會點加入購物車按鈕。甚至在加入購物車後，也會有改變主意離開網站的可能。

四、提高營銷推廣的ROI

對店鋪來說，如今流量已進入存量時代，營銷渠道分散且復雜，更需要賣家依據數字化營銷提高推廣的RIO，通過數據分析，加強線上營銷的精準，拓展線下新的營銷場景，利用數據智能完成全場景全鏈路的布局，以達到高效轉化與品效相結合。

五、產品數據分析

1、產品數據分分析

我們可以依據更多和商品有關的數據，比如商品瀏覽頁訪問量、商品詳情頁訪問量、加入/移出購物車的商品，進入結算階段的商品，以及購買人數來對用戶購物行為進行分析。

2、銷量數據分析

我們可以從後台數據分析中找到關於收入，稅費、運費、退款金額，和賣出的商品數量。其中，總銷售額以金額的形式呈現，是衡量我們線上店鋪經營狀況最佳的「整體主要指標」（OMM）之一，可以用它來衡量業務的整體增長和發展趨勢。

3. 電商怎麼做數據分析

電商數據分析的常用方法有：邏輯樹分析法；PEST分析法；多維度拆解法；對比分析法；假設檢驗分析法。

1、邏輯樹分析：邏輯樹分析法的目的是把復雜的問題變簡單，即把一個問題當成樹干，然後找出所有充當樹枝的子問題，並以此類推，逐步找到一個個具體而直接的子問題，從而找到解決復雜問題的方法。

2、PEST分析法：用於做行業分析，是通過政治Politics，經濟Economy，社會Society和技術Technology四個因素來分析宏觀環境的方法，其應用領域有公司戰略規劃，市場經營規劃，產品發展規劃，撰寫研究報告等。

3、多維度拆解法：目的是從多個維度思考問題，即從多個角度出發，把一個復雜問題拆解成多個簡單的子問題去解決，其把問題整體拆解成多個部分，通過對比可以看出不同整體之間部分的差異。

4、對比分析法：通過對比找差異，從而追蹤業務是否存在問題的方法。使用對比分析法，要搞清楚兩個問題，一是和誰比，二是如何比。

5、假設檢驗分析法：歸因分析，即分析問題發生的原因，其底層邏輯是邏輯推理，分為3個步驟，分別是：提出假設，收集證據，得出結論。

4. 9種常用的數據分析方法（實用干貨，強烈建議收藏）

所謂公式拆解法就是針對某個指標，用公式層層分解該指標的影響因素。
舉例：分析某產品的銷售額較低的原因，用公式法分解

對比法就是用兩組或兩組以上的數據進行比較，是最通用的方法。

我們知道孤立的數據沒有意義，有對比才有差異。比如在時間維度上的同比和環比、增長率、定基比，與競爭對手的對比、類別之間的對比、特徵和屬性對比等。對比法可以發現數據變化規律，使用頻繁，經常和其他方法搭配使用。

下圖的AB公司銷售額對比，雖然A公司銷售額總體上漲且高於B公司，但是B公司的增速迅猛，高於A公司，即使後期增速下降了，最後的銷售額還是趕超。

A/Btest，是將Web或App界面或流程的兩個或多個版本，在同一時間維度，分別讓類似訪客群組來訪問，收集各群組的用戶體驗數據和業務數據，最後分析評估出最好版本正式採用。A/Btest的流程如下：

（1）現狀分析並建立假設：分析業務數據，確定當前最關鍵的改進點，作出優化改進的假設，提出優化建議；比如說我們發現用戶的轉化率不高，我們假設是因為推廣的著陸頁面帶來的轉化率太低，下面就要想辦法來進行改進了

（2）設定目標，制定方案：設置主要目標，用來衡量各優化版本的優劣；設置輔助目標，用來評估優化版本對其他方面的影響。

（3）設計與開發：製作2個或多個優化版本的設計原型並完成技術實現。

（4）分配流量：確定每個線上測試版本的分流比例，初始階段，優化方案的流量設置可以較小，根據情況逐漸增加流量。

（5）採集並分析數據：收集實驗數據，進行有效性和效果判斷：統計顯著性達到95%或以上並且維持一段時間，實驗可以結束；如果在95%以下，則可能需要延長測試時間；如果很長時間統計顯著性不能達到95%甚至90%，則需要決定是否中止試驗。

（6）最後：根據試驗結果確定發布新版本、調整分流比例繼續測試或者在試驗效果未達成的情況下繼續優化迭代方案重新開發上線試驗。
流程圖如下：

通過對兩種及以上維度的劃分，運用坐標的方式表達出想要的價值。由價值直接轉變為策略，從而進行一些落地的推動。象限法是一種策略驅動的思維，常與產品分析、市場分析、客戶管理、商品管理等。比如，下圖是一個廣告點擊的四象限分布，X軸從左到右表示從低到高，Y軸從下到上表示從低到高。

高點擊率高轉化的廣告，說明人群相對精準，是一個高效率的廣告。高點擊率低轉化的廣告，說明點擊進來的人大多被廣告吸引了，轉化低說明廣告內容針對的人群和產品實際受眾有些不符。高轉化低點擊的廣告，說明廣告內容針對的人群和產品實際受眾符合程度較高，但需要優化廣告內容，吸引更多人點擊。低點擊率低轉化的廣告，可以放棄了。還有經典的RFM模型，把客戶按最近一次消費(Recency)、消費頻率(Frequency)、消費金額 (Monetary)三個維度分成八個象限。

通過象限分析法，將有相同特徵的事件進行歸因分析，總結其中的共性原因。例如上面廣告的案例中，第一象限的事件可以提煉出有效的推廣渠道與推廣策略，第三和第四象限可以排除一些無效的推廣渠道；

（2）建立分組優化策略
針對投放的象限分析法可以針對不同象限建立優化策略，例如RFM客戶管理模型中按照象限將客戶分為重點發展客戶、重點保持客戶、一般發展客戶、一般保持客戶等不同類型。給重點發展客戶傾斜更多的資源，比如VIP服務、個性化服務、附加銷售等。給潛力客戶銷售價值更高的產品，或一些優惠措施來吸引他們回歸。

帕累托法則，源於經典的二八法則。比如在個人財富上可以說世界上20%的人掌握著80%的財富。而在數據分析中，則可以理解為20%的數據產生了80%的效果需要圍繞這20%的數據進行挖掘。往往在使用二八法則的時候和排名有關系，排在前20%的才算是有效數據。二八法是抓重點分析，適用於任何行業。找到重點，發現其特徵，然後可以思考如何讓其餘的80%向這20%轉化，提高效果。

一般地，會用在產品分類上，去測量並構建ABC模型。比如某零售企業有500個SKU以及這些SKU對應的銷售額，那麼哪些SKU是重要的呢，這就是在業務運營中分清主次的問題。

常見的做法是將產品SKU作為維度，並將對應的銷售額作為基礎度量指標，將這些銷售額指標從大到小排列，並計算截止當前產品SKU的銷售額累計合計占總銷售額的百分比。

百分比在 70%（含）以內，劃分為 A 類。百分比在 70~90%（含）以內，劃分為 B 類。百分比在 90~100%（含）以內，劃分為 C 類。以上百分比也可以根據自己的實際情況調整。

ABC分析模型，不光可以用來劃分產品和銷售額，還可以劃分客戶及客戶交易額等。比如給企業貢獻80%利潤的客戶是哪些，佔比多少。假設有20%，那麼在資源有限的情況下，就知道要重點維護這20%類客戶。

漏鬥法即是漏斗圖，有點像倒金字塔，是一個流程化的思考方式，常用於像新用戶的開發、購物轉化率這些有變化和一定流程的分析中。

上圖是經典的營銷漏斗，形象展示了從獲取用戶到最終轉化成購買這整個流程中的一個個子環節。相鄰環節的轉化率則就是指用數據指標來量化每一個步驟的表現。所以整個漏斗模型就是先將整個購買流程拆分成一個個步驟，然後用轉化率來衡量每一個步驟的表現，最後通過異常的數據指標找出有問題的環節，從而解決問題，優化該步驟，最終達到提升整體購買轉化率的目的。

整體漏斗模型的核心思想其實可以歸為分解和量化。比如分析電商的轉化，我們要做的就是監控每個層級上的用戶轉化，尋找每個層級的可優化點。對於沒有按照流程操作的用戶，專門繪制他們的轉化模型，縮短路徑提升用戶體驗。

還有經典的黑客增長模型，AARRR模型，指Acquisition、Activation、Retention、Revenue、Referral，即用戶獲取、用戶激活、用戶留存、用戶收益以及用戶傳播。這是產品運營中比較常見的一個模型，結合產品本身的特點以及產品的生命周期位置，來關注不同的數據指標，最終制定不同的運營策略。

從下面這幅AARRR模型圖中，能夠比較明顯的看出來整個用戶的生命周期是呈現逐漸遞減趨勢的。通過拆解和量化整個用戶生命周期各環節，可以進行數據的橫向和縱向對比，從而發現對應的問題，最終進行不斷的優化迭代。

用戶路徑分析追蹤用戶從某個開始事件直到結束事件的行為路徑，即對用戶流向進行監測，可以用來衡量網站優化的效果或營銷推廣的效果，以及了解用戶行為偏好，其最終目的是達成業務目標，引導用戶更高效地完成產品的最優路徑，最終促使用戶付費。如何進行用戶行為路徑分析？

（1）計算用戶使用網站或APP時的每個第一步，然後依次計算每一步的流向和轉化，通過數據，真實地再現用戶從打開APP到離開的整個過程。
（2）查看用戶在使用產品時的路徑分布情況。例如：在訪問了某個電商產品首頁的用戶後，有多大比例的用戶進行了搜索，有多大比例的用戶訪問了分類頁，有多大比例的用戶直接訪問的商品詳情頁。
（3）進行路徑優化分析。例如：哪條路徑是用戶最多訪問的；走到哪一步時，用戶最容易流失。
（4）通過路徑識別用戶行為特徵。例如：分析用戶是用完即走的目標導向型，還是無目的瀏覽型。
（5）對用戶進行細分。通常按照APP的使用目的來對用戶進行分類。如汽車APP的用戶可以細分為關注型、意向型、購買型用戶，並對每類用戶進行不同訪問任務的路徑分析，比如意向型的用戶，他進行不同車型的比較都有哪些路徑，存在什麼問題。還有一種方法是利用演算法，基於用戶所有訪問路徑進行聚類分析，依據訪問路徑的相似性對用戶進行分類，再對每類用戶進行分析。

以電商為例，買家從登錄網站／APP到支付成功要經過首頁瀏覽、搜索商品、加入購物車、提交訂單、支付訂單等過程。而在用戶真實的選購過程是一個交纏反復的過程，例如提交訂單後，用戶可能會返回首頁繼續搜索商品，也可能去取消訂單，每一個路徑背後都有不同的動機。與其他分析模型配合進行深入分析後，能為找到快速用戶動機，從而引領用戶走向最優路徑或者期望中的路徑。
用戶行為路徑圖示例：

用戶留存指的是新會員/用戶在經過一定時間之後，仍然具有訪問、登錄、使用或轉化等特定屬性和行為，留存用戶占當時新用戶的比例就是留存率。留存率按照不同的周期分為三類，以登錄行為認定的留存為例：
第一種 日留存，日留存又可以細分為以下幾種：
（1）次日留存率：（當天新增的用戶中，第2天還登錄的用戶數）/第一天新增總用戶數
（2）第3日留存率：（第一天新增用戶中，第3天還有登錄的用戶數）/第一天新增總用戶數
（3）第7日留存率：（第一天新增用戶中，第7天還有登錄的用戶數）/第一天新增總用戶數
（4）第14日留存率：（第一天新增用戶中，第14天還有登錄的用戶數）/第一天新增總用戶數
（5）第30日留存率：（第一天新增用戶中，第30天還有登錄的用戶數）/第一天新增總用戶數

第二種 周留存，以周度為單位的留存率，指的是每個周相對於第一個周的新增用戶中，仍然還有登錄的用戶數。

第三種 月留存，以月度為單位的留存率，指的是每個月相對於第一個周的新增用戶中，仍然還有登錄的用戶數。留存率是針對新用戶的，其結果是一個矩陣式半面報告（只有一半有數據），每個數據記錄行是日期、列為對應的不同時間周期下的留存率。正常情況下，留存率會隨著時間周期的推移而逐漸降低。下面以月留存為例生成的月用戶留存曲線：

聚類分析屬於探索性的數據分析方法。通常，我們利用聚類分析將看似無序的對象進行分組、歸類，以達到更好地理解研究對象的目的。聚類結果要求組內對象相似性較高，組間對象相似性較低。在用戶研究中，很多問題可以藉助聚類分析來解決，比如，網站的信息分類問題、網頁的點擊行為關聯性問題以及用戶分類問題等等。其中，用戶分類是最常見的情況。

常見的聚類方法有不少，比如K均值（K-Means），譜聚類（Spectral Clustering），層次聚類（Hierarchical Clustering）。以最為常見的K-means為例，如下圖：

可以看到，數據可以被分到紅藍綠三個不同的簇（cluster）中，每個簇應有其特有的性質。顯然，聚類分析是一種無監督學習，是在缺乏標簽的前提下的一種分類模型。當我們對數據進行聚類後並得到簇後，一般會單獨對每個簇進行深入分析，從而得到更加細致的結果。

5. 運營數據分析方法有哪些

1、數字和趨勢

看數字、看趨勢是最基礎展示數據信息的方式。在數據分析中，我們可以通過直觀的數字或趨勢圖表，迅速了解例如市場的走勢、訂單的數量、業績完成的情況等等，從而直觀地吸收數據信息，有助於決策的准確性和實時性。

2、維度分解

當單一的數字或趨勢過於宏觀時，我們需要通過不同的維度對於數據進行分解，以獲取更加精細的數據洞察。在選擇維度時，需要仔細思考其對於分析結果的影響。

3、用戶分群

針對符合某種特定行為或背景信息的用戶，進行歸類處理，是我們常常講到的用戶分群(segmentation )的手段。我們也可以通過提煉某一群用戶的特定信息，創建該群體用戶的畫像。

4、轉化漏斗

絕大部分商業變現的流程，都可以歸納為漏斗。漏斗分析是我們最常見的數據分析手段之一，無論是注冊轉化漏斗，還是電商下單的漏斗。通過漏斗分析可以從先到後還原用戶轉化的路徑，分析每一個轉化節點的效率。

6. 電商需要掌握的數據分析要素有哪些

1. 店鋪的點擊量數

這是最能分析一個店鋪運營結果的數據。一家銷量高、推廣效果好的店鋪，通常點擊率都非常高，這和最後店鋪的營業額有直接關系，如果點擊率不高，可以從這個數據中獲取，從而分析原因，進而可以作為改善運營、提高轉化率的一種方式。

2. 訪客分析

只有全面分析客戶，才能了解他的價值，進而進行有針對性的營銷。需要注意以下幾點：1。區域比例訪客比較分析產品類別中搜索度較高的三個詞，快速找出客戶所在位置，完美投遞。還可以分析主要客戶群，根據客戶群准確定位，做好客戶需求。

3. 直通車公式分析

賣家可以通過直通車更准確的分析網店的數據，然後進行合理的調整。數據可以從以下幾個方面進行分析：1 .轉化率點擊轉化率=總交易量/點擊量X100 %;2.投入產出比投入產出比=交易總額/成本;3.平均點擊成本平均點擊成本=成本/點擊量;商家可以很好的利用這些方面的數據分析來准確的分析直通車數據。當賣家利用直通車做好對網店的流量、訪客、各種數據的分析，就能讓自己的網店運營更精準，銷量也會穩步增長。

關於電商需要掌握的數據分析要素有哪些，環球青藤小編今天就先和您分享到這里了。如若您對互聯網營銷有濃厚的興趣，希望這篇文章可以為您提供幫助。如果您還想了解更多關於文案優化、廣告營銷文案寫作的方法及素材等內容，可以點擊本站的其他文章進行學習。

7. 電商怎麼分析數據

電商分析數據方法如下：

一、依據用戶畫像，洞察需求

用戶畫像即用戶信息標簽化，通過收集用戶的社會屬性、消費習慣、偏好特徵等各個維度的數據，進而對用戶或產品特徵屬性進行刻畫，並對這些特徵進行分析、統計，挖掘潛在價值信息，從而抽象出用戶的信息全貌。

二、依據渠道數據分析用戶來源

對電商賣家來說，分析「訪客數」最重要的是分析「流量來源」。分析不同流量來源的「數量」和「支付轉化率」，找出「支付轉化率」比較高的流量來源並想辦法提高，不僅可以提高「訪客數」還可以提高整體的「支付轉化率」。

這時利用數據分析工具能為不同渠道的表現提供總覽，並給出目標轉化率。當涉及到有機搜索時，分析一些像搜索量和關鍵詞排名的指標能幫你獲得更多的見解，比如該將廣告預算花在哪兒，如何讓用戶更容易搜索到你等等。

三、店內轉化率的數據分析

當用戶來到店鋪時，我們就要想辦法將他們轉化成顧客，但眾所周知，並不是每個來店裡的用戶都會點加入購物車按鈕。甚至在加入購物車後，也會有改變主意離開網站的可能。所以這一步我們可以用下面的電商轉化指標來跟蹤和優化線上購物體驗：

1、銷售轉化率 ——已購買的用戶和全部來到店鋪的用戶比值。

2、平均訂單價值 —— 用戶下單的平均金額。

3、放棄購物車率—— 在所有產生的訂單中，未完成訂單的佔比。

四、提高營銷推廣的ROI

對店鋪來說，如今流量已進入存量時代，營銷渠道分散且復雜，更需要賣家依據數字化營銷提高推廣的RIO，通過數據分析，加強線上營銷的精準，拓展線下新的營銷場景，利用數據智能完成全場景全鏈路的布局，以達到高效轉化與品效相結合。

五、產品數據分析

1、產品數據分分析

①整體分析：分為兩個部分：銷售表現和購物行為。銷售表現包括各個商品帶來的收入，至少購買過一次的用戶數，平均訂單價格、數量，退款數目等等。購物行為，你可以看到瀏覽了產品詳情頁的用戶里，加入購物車的人數；或瀏覽產品詳情頁後最終下單的人數。

②購物行為分析——我們可以依據更多和商品有關的數據，比如商品瀏覽頁訪問量、商品詳情頁訪問量、加入/移出購物車的商品，進入結算階段的商品，以及購買人數來對用戶購物行為進行分析。

2、銷量數據分析

我們可以從後台數據分析中找到關於收入，稅費、運費、退款金額，和賣出的商品數量。其中，總銷售額以金額的形式呈現，是衡量我們線上店鋪經營狀況最佳的「整體主要指標」（OMM）之一，可以用它來衡量業務的整體增長和發展趨勢。

六、用戶留存數據分析

聰明的商家知道忠誠顧客的價值。能夠留住用戶給你長期帶來收入。永遠要記住的是，獲取新用戶比留住老用戶成本大得多。研究顯示，用戶留存率提升5%就能帶來25%到95%的利潤。

七、用戶推薦數據分析

對賣家來說，我們要識別出哪些用戶是你的真愛。他們不僅愛你的產品，也願意向家人和朋友推薦，他們簡直是你的品牌大使。成功的電商企業會密切關注著這一階段的指標並及時做出反應。

8. 七種常見的數據分析法

1.畫像分群 畫像分群是聚合符合某中特定行為的用戶,進行特定的優化和分析。 比如在考慮注冊轉化率的時候,需要區分移動端和 Web 端,以及美國用戶和中國用戶等不同場景。這樣可以在渠道策略和運營策略上,有針對性地進行優化。
2.趨勢維度 建立趨勢圖表可以迅速了解市場, 用戶或產品特徵的基本表現,便於進行迅速迭代;還可以把指標根據不同維度進行切分,定位優化點,有助於決策的實時性;
3.漏斗洞察 通過漏斗分析可以從先到後的順序還原某一用戶的路徑,分析每一個轉化節點的轉化數據。 所有互聯網產品、數據分析都離不開漏斗,無論是注冊轉化漏斗,還是電商下單的漏斗,需要關注的有兩點。第一是關注哪一步流失最多,第二是...
4.行為軌跡 行為軌跡是進行全量用戶行為的還原。