网站分析师的一点感想
我有幸在一家业务非常齐全的360度营销公司带着这顶帽子为大大小小的各行业的顾客工作了2年多。在这期间,关于网站分析构成的图形做了一版又一版,越画越大;也越来越多的发现自己的能力的欠缺,甚至有时候也会迷失到极端。
尽管很多人不同意,我仍然认为,作为一个边缘学科,网站分析入门很简单。只要你愿意学习并且思维灵活,一点点Html+JS,一点点 datamining,marketing的基础知识最后加上一个免费的Google Analytics的使用技巧,你就可以成为一个入门级的网站分析师了.
然后,在做网站分析的过程中,你能够理解网站分析工具数据采集的原理和各种工具的个性化变量,知道如何做人群分组(Segment)和Campaign Tracking,能够深刻了解各种标准参数的含义和他们之间的区别,并且知道如何在各种主流工具中(诸如GA, SiteCatalyst,Unica, Webtrends, Cormetrics)提取这些数据,展示这些数据,那你就是一个初级网站分析师(Junior Web Analyst)了,在这同时,如果你还了解一点点广告服务器(Adserver),邮件服务器(Email Router),SEO和SEM的原理那就更好了。
紧接着,如果你掌握了网站分析工具的安装和调试技术,能够协调市场部门和IT部门之间的联系,能够做出诸如Tracking Plan这样的需求和技术文档(specification),同时能够debug,确认采集数据的可靠性并且能够解释对于所研究网站本身来说任何一个数 据的含义和边际值所代表的含义,并且可以掌握诸如A/B Testing,行为定向等边缘的技术,那你便渐渐的向一个合格的网站分析师方向迈进。
不过,为了彻底的摘掉那个Junior,成为一个真正的网站分析师,你还需要更多的商业上的能力,比如说,
1、能够深刻理解公司的战略,并且把它分解,转化成网站的目标,进而转化成可以衡量这些目标的指标和影响它实现的因素,最终把他转化成从数据采集到提炼成指标到分析到结论的完整流程;
2、对于业务上出现的正向的和负向的变化,能够顺藤摸瓜找出这个结果在网站分析数据上的体现进而找到影响这些数据的因素和原因;
3、能够根据网站分析数据及时发现问题和潜在的机会,做出切实可行的市场策略或者建议方案;
4、能够设计出符合不同利益方需求的报表和分析报告,并且持续沟通,让他们知道网站分析的意义并且能够从你提供的材料中发现有价值的信息;
以上这些都是成为一个合格的网站分析师的必须条件;我曾经为此踌躇良久,认为一个好的网站分析师不应该是这一行单纯的从业者,而应该是一个传统的营销人, 最好是一个商务分析师(Business Analyst)转型而来。如果不是的话,那就要积极的去理解企业的战略,去和所有的部门沟通,去了解他们的需求和挑战。那么,什么是一个高级网站分析师 (Senior Web Analyst)呢?如果初级网站分析师侧重于技术,成熟的网站分析师侧重于方法的话,那么高级网站分析师应该有丰富的经验和宽广的知识层面,能够设计和 完成解决方案。一个品牌不仅仅只有网站,还有围绕这个网站的生态系统;网站分析必须要把这整个系统考虑进来,从消费者的角度去理解整个系统的数据和信息 流,然后设计系统,尽可能多的捕捉有效的信息流,贯通他们,获得一个消费者整体的画像和决策历程。这个系统,可能要包含网站行为数据,网站数据库,线上媒 体广告(display,search,email…),社交网络,手机应用数据,线下数据,调查访问数据,call center,CRM等。这个系统应该能够,在宏观上给企业的战略决策和重大投资提供支持(包括产品设计,营销费用的分配),在微观上帮助网站(品牌)进 行一对一个性化营销。
要做到这些,需要的能力就非常多样化了,我肯定会漏掉很多,这里我可以轻易列举出的就有下面很重要的三点:
1、了解信息系统的架构的知识,熟悉企业本身现有的信息系统的构成和信息流;
2、熟悉市场上各种管理工具和监测工具,知道他们采集数据的原理和所提供的各种接口;
3、有比较好的数据分析知识(datamining)和方法;
也许我想的有点儿多了,就如同张三丰最初想要把武当八卦阵精简到一个人身上一样。的确,上面的这些能力可以归结成一个团队的能力,比如我现在所在的团队可以为客户搭建类似的系统,但是任何一个团队成员都不能独立完成。不过,高级网站分析师肯定不能对以上任何一条持有空白。
我自认还比较年轻,虽然我正在积极扩展我的知识和能力层面,但是可能连个合格的网站分析师都算不上。我这里只想说出我对这个行业的认识,可能给一些后来者 提供些借鉴,给一些踌躇不决的业外人士一些信息,但是不想争论;随便找来几个网站分析师的招聘启事可能会更实际一些。很可能三年之后我回头看这篇东西也会 觉得很幼稚,但我目前是这样要求自己的。
我想补充的是,文中所列出的几个阶段并没有完全清楚的界限,各个方面都是交叉的,一个人各方面的发展也是同步的。以上分类,只是为了介绍的方便和条理的清晰。
扯了这么多,列举了这么多,最后,我不能回避我一次极端的经历(极端的网站分析师)。那次,我给我的部门经理写邮件说,网站分析归根结底就是两条,一个是 分析内容和功能的有效性,一个是分析人机互动也就是设计的易用性。而我对内容和功能几乎没有任何话语权,又没有学习过设计,我这算是哪门子网站分析师呢? 后来我给自己安慰说,至少我知道,当3月份的visit的数据比2月份增长了10.7%的时候,我可以蛋定的对公司的客户经理说,这两个月的流量数据没有 任何变化。[转]
电子商务网站数据分析指标、名词定义与解析
网站分析采用指标可能有各种各样,根据网站目标和网站客户不同,可以有许多不同指标来衡量。常用网站分析指标有内容指标和商业指标,内容指标指是衡量访问者活动指标,商业指标是指衡量访问者活动转化为商业利润指标。
一、网站分析内容指标
转换率 Take Rates (Conversions Rates)
计算公式:转换率=进行了相应动作访问量/总访问量
指标意义:衡量网站内容对访问者吸引程度以及网站宣传效果
指标用法:当你在不同方测试新闻订阅、下载链接或注册会员,你可以使用不同链接名称、订阅方式、广告放置、付费搜索链接、付费广告(PPC)等等,看看那种方式是能够保持转换率在上升?如何增强来访者和网站内容相关性?如果这个值上升,说明相关性增强了,反之,则是减弱。
回访者比率 Repeat Visitor Share
计算公式:回访者比率=回访者数/独立访问者数
指标意义:衡量网站内容对访问者吸引程度和网站实用性(出自 业务员网:www.yewuyuan.com),你网站是否有令人感兴趣内容使访问者再次回到你网站。
指标用法:基于访问时长设定和产生报告时间段,这个指标可能会有很大不同。绝大多数网站都希望访问者回访,因此都希望这个值在不断提高,如果这个值 在下降,说明网站内容或产品质量没有加强。需要注意是,一旦你选定了一个时长和时间段,就要使用相同参数来产生你报告,否则就失去比较意义。
积极访问者比率 Heavy User Share
计算公式:积极用户比率=访问超过11页用户/总访问数
指标意义:衡量有多少访问者是对网站内容高度兴趣
指标用法:如果你网站针对正确目标受众并且网站使用方便,你可以看到这个指标应该是不断上升。如果你网站是内容型,你可以针对不同类别内容来区分不同积极访问者,当然你也可以定义20页以上才算是积极访问者。
忠实访问者比率 Committed Visitor Share
计算公式:访问时间在19分钟以上用户数/总用户数
指标意义:和上一个指标意义相同,只是使用停留时间取代浏览页数,取决于网站目标,你可以使用两个中一个或结合使用。
指标用法:访问者时长这个指标有很大争议,这个指标应结合其它指标一起使用,例如转换率,但总体来说,较长访问时长意味着用户喜欢呆在你网站,高忠实访问率当然是较好。同样,访问时长也可以根据不同需要自行设定。
忠实访问者指数 Committed Visitor Index
计算公式:忠实访问者指数=大于19分钟访问页数/大于19分钟访问者数
指标意义:指是每个长时间访问者平均访问页数,这是一个重要指标,它结合了页数和时间。
指标用法:如果这个指数较低,那意味着有较长访问时间但是较低访问页面(也许访问者正好离开吃饭去了)。通常都希望看到这个指数有较高值,如果你修改了网站,增加了网站功能和资料,吸引更多忠实访问者留在网站并浏览内容,这个指数就会上升。
忠实访问者量 Committed Visitor Volume
计算公式:忠实访问者量=大于19分钟访问页数/总访问页数
指标意义:长时间访问者所访问页面占所有访问页面数量
指标用法:对于一个靠广告驱动网站,这个指标尤其值注意,因为它代表了总体页面访问质量。如果你有10000访问页数却仅有1%忠实访问者率,这意味着你可能吸引了错误访问者,这些访问者没有啥价值,他们仅仅看一眼你网页就离开了。这是你应该考虑是否广告词语产生了误解。
访问者参与指数 Visitor Engagement Index
计算公式:访问者参与指数=总访问数/独立访问者数
指标意义:这个指标是每个访问者平均会话(session),代表着部分访问者多次访问趋势。
指标用法:与回访者比率不同,这个指标代表着回访者强烈度,如果有一个非常正确目标受众不断回访网站,这个指数将大大高于1;如果没有回访者,指数 将趋近于1,意味着每一个访问者都有一个新会话。这个指数高低取决于网站目标,大部分内容型和商业性网站都希望每个访问者在每周/每月有多个会话 (session);客户服务尤其是投诉之类页面或网站则希望这个指数尽可能接近于1。
回弹率(所有页面)Reject Rate/Bounce Rate
计算公式:回弹率(所有页面)=单页面访问数/总访问数
指标意义:代表着访问者看到仅有一页比率
指标意义:这个指标对于最高进入页面有很重要意义,因为流量就是从这些页面产生,当你对网站导航或布局设计进行调整时尤其要注意到这个参数。总而你是希望这个比率不断下降。
回弹率(首页)Reject Rate/Bounce Rate
计算公式:回弹率(首页)=仅仅访问首页访问数/所有从首页开始访问数
指标意义:这个指标代表所有从首页开始访问者中仅仅看了首页访问者比率
指标意义:这个指标是所有内容型指标中最重要一个,通常我们认为首页是最高进入页面(当然,如果你网站有其他更高进入页面,那么也应该把它加入到追 踪目标中)。对任意一个网站,我们可以想象,如果访问者对首页或最常见进入页面都是一掠而过,说明网站在某一方面有问题。如果针对目标市场是正确,说明是 访问者不能找到他想要东西,或者是网页设计上有问题(包括页面布局、网速、链接文字等等);如果网站设计是可行易用,网站内容可以很容易找到,那么问题可 能出在访问者质量上,即市场问题。
浏览用户比率 Scanning Visitor Share
计算公式:浏览用户比率=少于1分钟访问者数/总访问数
指标意义:这个指标一定程度上衡量网页吸引程度。
指标用法:大部分网站都希望访问者停留超过一分钟,如果这个指标值太高,那么就应该考虑一下网页内容是否过于简单,网站导航菜单是否需要改进。
浏览用户指数 Scanning Visitor Index
计算公式:浏览用户指数=少于1分钟访问页面数/少于1分钟访问者数
指标意义:一分钟内访问者平均访问页数
指标用法:这个指数也接近于1,说明访问者对网站越没兴趣,他们仅仅是瞄一眼就离开了。这也许是导航问题,如果你对导航系统进行了显著改进,应该可以看到这个指数在上升;如果指数还是下降,应该是网站目标市场及使用功能有问题,应该着手解决。
将浏览用户比率和浏览用户指数结合起来使用,可以看出用户是在浏览有用信息还是厌烦而离开。
浏览用户量 Scanning Visitor Volume
计算公式:浏览用户量=少于1分钟浏览页数/所有浏览页数
指标意义:在一分钟内完成访问页面数比率
指标用法:根据网站目标不同,这个指标高低有不同要求,大部分网站希望这个指标降低。如果是搞广告驱动网站,这个指标太高对于长期目标是不利,因为这意味着尽管你通过广告吸引了许多访问者,产生很高访问页数,但是访问者质量却是不高,所能带来收益也就会受到影响。
二、网站分析商业指标
平均订货额 Average Order Amount (AOA)
计算公式:平均订货额=总销售额/总订货数
指标意义:用来衡量网站销售状况好坏
指标用法:将网站访问者转化为买家当然是很重要,同样重要是激励买家在每次访问是购买更多产品。跟踪这个指标可以找到更好改进方法。
转化率 Conversion Rate (CR)
计算公式:转化率=总订货数/总访问量
指标意义:这是一个比较重要指标,衡量网站对每个访问者销售情况
指标用法:通过这个指标你可以看到即使一些微小变化都可能给网站收入带来巨大变化。如果你还能够区分出新、旧访问者所产生订单,那么就可以细化这个指标,对新旧客户进行分别统计。
每访问者销售额 Sales Per Visit (SPV)
计算公式:每访问者销售额=总销售额/总访问数
指标意义:这个指标也是用来衡量网站市场效率
指标用法:这个指标和转化率差不多,只是表现形式不同。
单笔订单成本 Cost per Order (CPO)
计算公式:单笔订单成本=总市场营销开支/总订货数
指标意义:衡量平均订货成本
指标用法:每笔订单营销成本对于网站盈利和现金流都是非常关键。营销成本计算各人有不同标准,有些把全年网站营运费用摊入到每月成本中,有些则不这么做,关键要看那种最适合自己情况。如果能够在不增加市场营销成本情况下提高转化率,这个指标就应该会下降。
再订货率 Repeat Order Rate (ROR)
计算公式:再订货率=现有客户订单数/总订单数
指标意义:用来衡量网站对客户吸引力
指标用法:这个指标高低和客户服务有很大关系,只有满意用户产品体验和服务才能提高这个指标。
单个访问者成本 Cost Per Visit (CPV)
计算公式:单个访问者成本=市场营销费用/总访问数
指标意义:用来衡量网站流量成本
指标用法:这个指标衡量是你市场效率,目标是要降低这个指标而提高SPV,为此要将无效市场营销费用削减,增加有效市场投入。
订单获取差额 Order Acquisition Gap (OAG)
计算公式:订单获取差额=单个访问者成本(CPV)-单笔订单成本(CPO)
指标意义:这是一个衡量市场效率指标,代表着网站所带来访问者和转化访问者之间差异
指标用法:指标值应是一个负值,这是一个测量从非访问者中获客户成本。有两种方法来降低这个差额,当你增强了网站销售能力,CPO就会下降,这个差 额就会缩小,说明网站转化现有流量能力到了加强;同样,CPV可能升高而CPO保持不变或降低,这个差额也会缩小,表明网站所吸引流量都具有较高转化率, 这种情形通常发生在启用了PPC(pay per click)计划。
订单获取率 Order Acquisition Ratio (OAR)
计算公式:订单获取率=单笔订单成本(CPO)/单个访问者成本(CPV)
指标意义:用另一种形式来体现市场效率
指标用法:用比率形式往往比较容易为管理阶层所理解,尤其是财务人员。
每笔产出 Contribution per Order (CON)
计算公式:每笔产出=(平均订货数X平均边际收益)-每笔订单成本
指标意义:每笔订单给你带来现金增加净值
指标用法:公司财务总监总是对这个指标感兴趣,代表了你花了多少钱来赚多少钱。
投资回报率 Return on Investment (ROI)
计算公式: 投资回报率=每笔产出(CON) /每笔订单成本 (CPO)
指标意义: 用来衡量你广告投资回报
指标用法:比较你广告回报率,应该把钱分配给有最高回报率广告,但是这个回报率应当要有时间段限制,比如“25% RIO/每周”和“25% RIO/每年”是有很大差别。
分享一篇文章:我的职业理想:成为数据分析师
很不错的文章,建议大家都看看,特别是菜鸟们!

为什么要做数据分析师:
在通信、互联网、金融等这些行业每天产生巨大的数据量(长期更是积累了大量丰富的数据,比如客户交易数据等等),据说到2020年,全球每年产生的数据量 达到3500万亿GB;海量的历史数据是否有价值,是否可以利用为领导决策提供参考依据?随着软件工具、数据库技术、各种硬件设备的飞快发展,使得我们分 析海量数据成为可能。
而数据分析也越来越受到领导层的重视,借助报表告诉用户什么已经发生了,借助OLAP和可视化工具等分析工具告诉用户为什么发生了,通过 dashboard监控告诉用户现在在发生什么,通过预报告诉用户什么可能会发生。数据分析会从海量数据中提取、挖掘对业务发展有价值的、潜在的知识,找 出趋势,为决策层的提供有力依据,为产品或服务发展方向起到积极作用,有力推动企业内部的科学化、信息化管理。
我们举两个通过数据分析获得成功的例子:
(1) Facebook广告与微博、SNS等网络社区的用户相联系,通过先进的数据挖掘与分析技术,为广告商提供更为精准定位的服务,该精准广告模式收到广大广 告商的热捧,根据市场调研机构eMarketer的数据,Facebook年营收额超过20亿美元,成为美国最大的在线显示广告提供商。
(2) Hitwise发布会上,亚太区负责人John举例说明: 亚马逊30%的销售是来自其系统自动的产品推荐,通过客户分类,测试统计,行为建模,投放优化四步,运营客户的行为数据带来竞争优势。
此外,还有好多好多,数据分析,在营销、金融、互联网等方面应用是非常广泛的:比如在营销领域,有数据库营销,精准营销,RFM分析,客户分群,销量预测 等等;在金融上预测股价及其波动,套利模型等等;在互联网电子商务上面,百度的精准广告,淘宝的数据魔方等等。类似成功的案例会越来越多,以至于数据分析 师也越来越受到重视。
然而,现实却是另一种情况。我们来看一个来自微博上的信息:在美国目前面临14万~19万具有数据分析和管理能力的专业人员,以及150万具有理解和决策 能力(基于对海量数据的研究)的管理人员和分析人员的人才短缺。而在中国,受过专业训练并有经验的数据分析人才,未来三年,分析能力人才供需缺口将逐渐放 大,高级分析人才难寻。也就是说,数据分析的需求在不断增长,然而合格的为企业做分析决策的数据分析师却寥寥无几。好多人想做数据分析却不知道如何入手, 要么不懂得如何清洗数据,直接把数据拿来就用;要么乱套模型,分析的头头是道,其实完全不是那么回事。按俗话说就是:见过猪跑,没吃过猪肉。
我的职业规划:
对于数据分析,有一句话说的非常好:spss/sql之类的软件、决策树、时间序列之类的方法,这些仅仅就都是个工具而已,最重要的是对业务的把握。没有 正确的业务理解,再牛的理论,再牛的工具,都是白搭。做一名合格的数据分析师,除了对数据需要有良好的敏感性之外,对相关业务的背景的深入了解,对客户或 业务部门的需求的清晰认识。根据实际的业务发展情况识别哪些数据可用,哪些不适用,而不是孤立地在“真空环境”下进行分析。
为此,我对自己的规划如下:
第一步:掌握基本的数据分析知识(比如统计,概率,数据挖掘基础理论,运筹学等),掌握基本的数据分析软件(比 如,VBA,Matlab,Spss,Sql等等),掌握基本的商业经济常识(比如宏微观经济学,营销理论,投资基础知识,战略与风险管理等等)。这些基 础知识,在学校里尽量的学习,而且我来到了和君商学院,这样我可以在商业分析、经济分析上面领悟到一些东西,增强我的数据分析能力。
第二步:参与各种实习。研一开始我当时虽然有课,不过很幸运的找到一份一周只需去一两天的兼职,内容是为三星做竞争对手分析,当然分析框架是leader 给定了,我只是做整合资料和往ppt里填充的内容的工作,不过通过兼职,我接触到了咨询行业,也向正式员工学习了很多商业分析、思考逻辑之类的东西。之后 去西门子,做和VBA的事情,虽然做的事情与数据分析无关,不过在公司经常用VBA做一些自动化处理工作,为自己的数据分析工具打好了基础。再之后去了易 车,在那里兼职了一个多月,参与了大众汽车销量数据短期预测的项目,一个小项目下来,数据分析的方法流程掌握了不少,也了解了企业是如何用一些时间序列模 型去参与预测的,如何选取某个拟合曲线作为预测值。现在,我来到新的地方实习,也非常幸运的参加了一个央企的码头堆场优化系统设计,其实也算数据分析的一 种吧,通过码头的数据实施调度,通过码头的数据进行决策,最后写成一个可操作的自动化系统。而这个项目,最重要的就是业务流程的把握,我也参与项目最初的 需求调研,和制定工作任务说明书SOW,体会颇多。
第三步:第一份工作,预计3-5年。我估计会选择咨询公司或者IT公司吧,主要是做数据分析这块比较强的公司,比如Fico,埃森哲,高沃,瑞尼 尔,IBM,AC等等。通过第一份工作去把自己的知识打得扎实些,学会在实际中应用所学,学会数据分析的流程方法,让自己成长起来。
第四步:去自己喜欢的一个行业,深入了解这个行业,并讲数据分析应用到这个行业里。比如我可以去电子商务做数据分析师。我觉得我选择电子商务,是因为未来 必将是互联网的时代,电子商务必将取代传统商务,最显著的现象就是传统零售商老大沃尔玛正在受到亚马逊的挑战。此外,电子商务比传统的零售商具有更好的数 据收集和管理能力,可以更好的跟踪用户、挖掘潜在用户、挖掘潜在商品。
第五步:未知。我暂时没有想法,不过我希望我是在一直的进步。
有一位数据分析牛人曾经总结过数据分析师的能力和目标:
能力:一定要懂点战略、才能结合商业;一定要漂亮的presentation、才能buying;一定要有global view、才能打单;一定要懂业务、才能结合市场;一定要专几种工具、才能干活;一定要学好、才能有效率;一定要有强悍理论基础、才能入门;一定要努力、才能赚钱;最重要的:一定要务实、才有reputation;不懂的话以后慢慢就明白了。
目标:1-做过多少个项目?2-业务背景有哪些,是否跨行业?3-做过多少种类型的模型?做了多少个模型?4-基于模型做过多少次完整的marketing闭环?以上四个问题,足以秒杀95%以上的忽悠和菜鸟!
我仅以此为努力之坐标,时刻提醒自己。
路在前方,漫漫前行。
Google Analytics的能与不能
关于Google Analytics的Exit Rate的,我的错误在于我此前自己认识的定义其实一直是错误的。 我一直以为,某个页面的Exit Rate=该页面上离开网站的PV÷经过该页面的Visit,但实际上公式是Exit Rate=该页面上离开网站的PV÷该页面的总PV。为什么是这个定义的原因我觉得很明确,因为对于GA,很严谨地区分了页面级的度量和网站级的度 量,visit是一个网站级别的度量,而exit rate是页面级的,所以exit rate只能用page view来定义。
不过,请大家注意,Omniture跟GA在这个地方的定义不同,Omniture的定义是以前一个公式为准。我个人更倾向于前一个公式的定义,因为这能够让Exit Rate保持跟Bounce Rate的一致性。
好了,步入正题,今天要讲的是给初入网站分析大门的朋友们的,话题不深,但是挺有趣,关于Google Analytics,关于我们应该用什么工具做网站分析。
在我开始发表意见前,我要做一个免责声明:)。我非常了解Omniture,但我不愿意偏袒任何一种工具,因为我知道网站分析工具是全人类 (咳,准确说是全部网站分析师)的财富,我们在享用这个财富之前,了解它,读懂它,扬长避短为我所用,就是大好,至于其他的主观色彩,我不会卷入。只是分 享,为快乐而分享,为搞定抑郁症而分享。:)
今天这个话题关于Google Analytics,我们最常使用也最熟悉的网站分析工具,它给我的感觉如同一个十七八岁的年轻人,朝气蓬勃,富有主见和创造。这个工具擅长于做什么,又有哪些不能够做到的地方呢?今天愿以此文跟大家聊个尽兴,也是对我敬佩的导师Avinash Kaushik先生的致敬!
这个文章分为三个主要部分。第一部分是Google Analytics的长处;第二部分是Google Analytics的不足;第三部分是Google Analytics所适宜和不适宜的网站领域。
Google Analytics的能
牛B第一:界面
工具界面这东西,是个见仁见智的事情,不过我觉得Google Analytics的界面绝对是易用的,因为它符合人们的惯常思维。这一点对于初学者非常好。
牛B第二:度量
我认为Google Analytics在度量方面有长处的地方在于,它比较认真地系统考虑的度量的设置。由于是一个免费的通用的工具,所以在度量的设置上注意了三点,第一点 是尽量采用约定俗成的度量名称;第二点是尽量采用约定俗成的度量定义(但不完全是);第三点是区分了网站级和页面级的度量。所以,度量入门学习用 Google Analytics很好。
牛B第三:细分
Google Analytics不能说具有最好的细分能力,但是其他免费系统,甚至很多付费系统都没有它的细分能力。Google Analytics之所以在细分上如此给力,是因为Avinash非常强调网站分析中的细分分析。对于我而言,大家也看到了我的想法——“无细分,毋宁 死”,做最深入的一些分析,细分数据的确非常重要。
Google Analytics在推出新版之前,细分其实做的很差,但是我记得去年推出新的版本之后,细分功能大大增强。最棒的就是增加了高级细分功能,即你自己可以 定义你需要的细分规则,即我给它起的名字——规则细分。规则细分是网站分析中最重要的工具之一,能够在免费工具中看到这样的功能,你除了感动还是感动。虽 然Google Analytics细分的结果很多需要做采样,但是如果看了Avinash的第二本书就知道,采样数据未必不能提供好的insight。
此外,Google Analytics还提供了其他的细分方法,例如过滤(filter)。值得注意的是,过滤是一种“事前细分”,即把监测数据放入报告之前进行筛选,一旦筛选不通过的数据,通过任何方法都将不能再获得。
牛B第四:响应
这里要提醒的一点是,响应是指你操作Google Analytics时的界面反应的速度,即你打开任意一个报告所需要花费的时间,而不是Google Analytics提供数据的实时性。在响应速度上,Google Analytics拜Google强大的服务器集群所赐,以及自身算法的优化,速度让人满意!毕竟Google Analytics是提供的SAAS(software as a service)服务,数据要在遥远的服务器端打个来回,响应上能够跟本地端的监测工具有得一拼,相当厉害。
牛B第五:集成AdWords
这个不值得多说,毕竟都是一家人,近水楼台先得月。Google Analytics集成了监测AdWords流量的功能,并且能够把关键词投放的成本整合其中,这对做Google SEM的用户有很大帮助。
牛B第六:异步代码
Google Analytics升级了自己的标准代码添加方式,原先必须添加在<body>…</body>中的代码现在可以添加 在<head>…</head>中。这让GATC(Google Analytics Tracking Code)与其他JavaScript代码之间发生冲突的可能性大大降低,而且受到页面载入速度而影响监测的可能性也大大降低。
牛B第七:免费
这个优点不用多说了,反正谷歌的服务器肯定会为无数免费的账户增加数千台到数万台。也许,我估计的可能还是保守的了。
Google Analytics的不能
不牛B第一:路径
Google Analytics其实并无路径分析功能。Entrance Path,或者Navigation Summary都不是路径,只是前后页功能而已,甚至不是前后页的路径。路径功能是能够统计到网站访问者各条路径的功能,从他/她进入网站的那一页,直到 他/她离开网站的那一页。这个功能的作用在于,帮助我们发现一些被很多访问者经过,但却超出我们预计的路径,这十分有助于我们分析网站的页面结构和链接结 构,并据此优化它们。商用网站分析工具,例如Omniture的SiteCatalyst和Discover均很强调这个功能,它有专门的路径报告即 paths报告,支持无限层级的路径。
图:Omniture SiteCatalyst的Next Page Flow报告
不牛B第二:转化
这个不牛B之处不是很给力,因为Google Analytics并不是没有转化监测,事先预定10个转化页面对一般网站已经足够。不过,在数据报告中任意自定义页面之间的转化功能Google Analytics还不具备。对于有多种可能转化路径的网站(这种站其实很多,尤其是大量商品的电子商务网站)而言,灵活的转化自定义功能是很必要的。部 分商用网站分析工具具有这个功能。
题外话:为什么Google Analytics的路径转化功能不强大
今天我还跟武凯讨论了这个话题,我们并无法知道Google Analytics在这两个方面做得不到的真实原因,但我们相信算法对Google而言绝对不是问题。我们推测,由于这两个功能的运算随着路径长度的增 长,而变成天文级数字的可能性,Google Analytics实现这个功能需要更强大的运算和更多的服务器,这会使报告的响应时间变长,而影响用户体验,并且增加大量的成本开销。
不牛B第三:交易监测
Google Analytics在小型电子商务网站中占有大量的份额,但电子商务所重视的交易监测却不是它的长项,主要在于Google Analytics只提供了Add Trans和Add Item两种event,对于灵活多变,而且品类管理复杂的电子商务而言,这一点功能只能称得上“聊胜于无”。另外,Google Analytics没有提供以产品为中心的产品监测(product tracking),因为这个功能需要更灵活的自定义。
不牛B第四:自定义
毕竟只是免费工具,所以Google Analytics自定义并不强大,目前只提供自定义报告功能,虽然实际上这个功能很实用。自定义度量是一个令人期待的功能,但是Google Analytics似乎短时间内并不想把它放进去。此外,真正的自定义功能是结合网站业务需求的,尽管Event Tracking的出现改变了这一状况,但灵活性不足,而且称不上易用,实际上并无法涵盖网站中的业务功能——例如按照产品细分的添加购物车行为的监测, 或者按照用户ID细分的支付监测等;或者也无法探知访问者填写表单的情况;在Campaign Tracking方面,Google Analytics提供的6个utm属性仍然有限,且不能自定义属性;Google Analytics也无法根据一个网站上用户的各种属性进行自定义细分。所以,Google Analytics的自定义能力是非常有限的。
不牛B第五:特殊链接监测
在Google Analytics中,特殊链接的监测并不是默认实现的,需要你动手添加Virtual Page或者Event Tracking。但商用网站分析工具,例如Omniture的SiteCatalyst,这些功能是默认自动实现的。也就是说,当你装上了 SiteCatalyst,Exit Link(也就是点击你网站上的外链的行为)的数据是自动监测的。同样,下载链接也是自动实现监测。
不牛B第六:数据关联
Google Analytics的数据关联不能说做的不好,不过,毕竟这个工具受制于自定义功能的薄弱,因此能够监测到的度量有限,数据关联也就相对比较简单。另外, 由于细分功能出色,因此GA对数据关联的强调相对较小。不过,对任何一个网站分析工具而言,数据关联都是一个非常高的要求,毕竟3维的数据关联要比2维的 关联多出Cnn(打不出来这个概率的符号,大家明白意思就好)种可能性,对服务器的要求太高了。Omniture利用Data Warehouse实现复杂的数据关联,但牺牲了实时性,它的另一个专门做细分和数据关联的产品——Discover——可以实现复杂而实时的数据关联, 但能够涵盖的范围通常不超过数个月的数据。而Google Analytics则只提供预定的数据关联。
不过,从目前Google Analytics的一些界面微调情况看,这个部分的重要性逐渐被它认识到,相信未来有更多的改变。
不牛B第七:Raw Data
Google Analytics不提供Raw Data或者是未经报告再加工的数据。这些数据的好处在于,能够帮助解决一些对于数据报告中出现的疑问,也能够帮助进行深入的数据分析。
不牛B第八:数据接口
没错,Google Analytics为我们提供了API,但是这个API实在是很有限,至少,在跟一个企业的CRM或者是ERP系统对接的时候,根本派不上太多用场。由于 并没有开放Raw Data,所以实际上这些API并不足以帮助用户将自己的其他商用系统与Google Analytics的数据报告进行对接。这也就意味着,Google Analytics只是一个封闭系统。
Google Analytics所适宜的和不适宜的网站
GA实际上非常适用于博客网站以及内容网站。有时候我甚至觉得,sina.com.cn用GA在功能上应该也是够用的(除了路径分析之外),毕竟现在GA没有了月度Page View监测数量的上限。
小型的电子商务网站也可以使用GA,利用GA有限的电子商务监测功能、转化预定功能还是能够给出不少不错的insight。
朋友们会问我,我们男科医院的网站用Google Analytics行不行。我觉得,完全行,因为你那个网站也不涉及交易,而且转化也比较单一清晰,所以这一类的网站同样适宜Google Analytics。
Google Analytics不适宜的网站
大型电子商务网站很少用Google Analytics,因为Google Analytics对特质性和复杂性的支持有限。大型公司的网站,例如Intel、HP或者Sony的网站也不会使用Google Analytics,原因同前。另外,平台型的网站,比如淘宝、猪八戒、世纪佳缘之类,用Google Analytics肯定非常麻烦,因为这些网站有很复杂的分类和转化,GA同样力不从心。
SNS类的网站呢?GA也不易用,因为这些网站上的应用太多,如果要添加Event Tracking,人会疯掉。简单讲,随着网站复杂程度的提升,Google Analytics就会越来越不宜用。
Google Analytics进阶运用之跨域跟踪
从今天开始一个介绍Google Analytics进阶运用的系列日志,其实没有多少技术含量,主要内容来自http://code.google.com/apis/analytics/docs/index.html,不过其中部分的用词与说法与官方不太一样。
首先,要清楚以下几点:
1、Google Analytics用document.domain定义一个网站的cookies
2、独立的域名意味着独立的访问者和流量数据,也就是说,在只使用Google Analytics默认代码的情况下,即使是访问不同的二级域名,都会被单独计算
3、独立的域名并不一定是不同的内容
4、子目录使用主域名的cookies
ps:本系列的ID都是google文档中的,想使用的话请更换成自己的
只统计一个子目录
假如我有一个网站www.example.com,还有一个网店www.example.com/myStore/,我只想统计网店的访问数据,需要用到_setCookiePath()方法,统计代码这么写:
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setCookiePath("/myStore/"); pageTracker._trackPageview(); |
这是因为cookie路径设置为您的子目录,而不是根目录www.example.com
统计同域名下连个子目录
假如我有一个网店,还有一个购物车
www.example-commerce-host.com/myStore/
www.example-commerce-host.com/myCart/
想统计他们的访问数据,需要用的_cookieCopyPath()方法,统计代码这么写:
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setCookiePath("/myStore/"); pageTracker._cookiePathCopy("/myCart/"); pageTracker._trackPageview(); |
这样就是设置了一个特殊的cookie,由第一个目录提供,也就是myStore目录,这些cookie数据会被复制到myCart目录cookie中
统计A域名及B域名的一个子目录
这是我认为比较有用的应用方式。
假如我有一个网店,使用的是第三方的购物车,这时候需要设定主次,一般自己的是主,第三方的东西是次。统计代码这么写:
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setAllowLinker(true); pageTracker._setAllowHash(false); |
次:www.example-commerce-host.com/petStoreCart
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setDomainName("none"); pageTracker._setAllowLinker(true); pageTracker._setAllowHash(false); |
_setAllowLinker()方法是为了让目标网站读取到post过来的数据和cookie,但是这样还不够,还需要用到_linkByPost()方法,将网店的cookie通过HTTP POST传到购物车,因此,在网店的表单里需要这样修改:
| onSubmit="pageTracker._linkByPost('www.example-commerce-host.com/petStoreCart/begin.php');" |
当然网店的相关链接也要改为这样的:
| <a href="pageTracker._linkByPost('www.example-commerce-host.com/petStoreCart/legalTerms.php');">购物车</a> |
还有js形式的写法,用到_link方法
| <a href="www.example- commerce-host.com/petStoreCart /legalTerms.php" onclick="pageTracker._link(this.href); return false;"& gt;购物车</a> |
统计主域名及其二级域名
类似这样的:
www.example-petstore.com
dogs.example-petstore.com
cats.example-petstore.com
统计代码这么写:
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setDomainName(".example-petstore.com"); pageTracker._trackPageview(); |
用_setDomainName方法设定主域名
统计多域名及二级域名
这是一种混杂的情况,基本上是前两种情况相加,统计代码要这么写:
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setDomainName(".example-petstore.com"); pageTracker._setAllowLinker(true); pageTracker._setAllowHash(false); |
如果有表单指向了其他域名,需要用_link()方法和_linkByPost()方法将cookie传到其他域名去,用法上面已经写过了。如果表单指向的是二级域名,就不一定要使用_link()方法和_linkByPost()方法了,因为已经设定了主域名。
次:dogs.example-petstore.com
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setDomainName(".example-petstore.com"); pageTracker._setAllowLinker(true); pageTracker._setAllowHash(false); |
同样的,如果有表单指向了其他域名,需要用_link()方法和_linkByPost()方法将cookie传到其他域名去
其他域名:www.my-example-blogsite.com
| var pageTracker = _gat._getTracker("UA-12345-1"); pageTracker._setDomainName("none"); pageTracker._setAllowLinker(true); pageTracker._setAllowHash(false); |
统计框架(iFrame)
假如想把框架中的www.my-example-iframecontent.com数据传到父一级www.example-parent.com的窗口中去,需要用到_getLinkerURL()方法,用js读取框架,统计代码要这么写:
| var iframe = document.getElementById("myIFrame"); iframe.src = pageTracker._getLinkerUrl(http://www.my-example-iframecontent.com/); |
网站导航设计模式指南
在网页设计中有一些通用的交互设计模式。网站导航各种各样的通用和大家熟知的设计模式,可以用来作为为网站创建有效地信息架构的基础。这篇指南涵盖了流行的站点导航设计模式。对于每一种网站导航栏设计模式,我们将讨论它的一般特征,它的缺点,以及什么时候使用它最好。
顶部水平栏导航
顶部水平栏导航是当前两种最流行地网站导航菜单设计模式之一。它最常用于网站的主导航菜单,且最通常地放在网站所有页面的网站头的直接上方或直接下方。
顶部水平栏导航设计模式有时伴随着下拉菜单,当鼠标移到某个项上时弹出它下面的二级子导航项。
顶部水平栏导航一般特征
导航项是文字链接,按钮形状,或者选项卡形状
水平栏导航通常直接放在邻近网站logo的地方
它通常位于折叠之上

顶部水平栏导航的缺点
顶部水平栏导航最大的缺点就是它限制了你在不采用子级导航的情况下可以包含的链接数。对于只有几个页面或类别的网站来说,这不是什么问题,但是对于有非常复杂的信息结构且有很多模块组成的网站来说,如果没有子导航的话,这并不是一个完美的主导航菜单选择。
何时使用顶部水平栏导航
顶部水平栏导航对于只需要在主要导航中显示5-12个导航项的网站来说是非常好的。这也是单列布局的网站的主导航的唯一选择(除了通常用于二级导航系统的底部导航)。当它与下拉子导航结合时,这种设计模式可以支持更多的链接。
竖直/侧边栏导航
侧边栏导航的导航项被排列在一个单列,一项在一项的上面。它经常在左上角的列上,在主内容区之前——根据一份针对从左到右习惯读者的导航模式的可用性研究,左边的竖直导航栏比右边的竖直导航表现要好。
侧边栏导航设计模式随处可见,几乎存在于各类网站上。这有可能是因为竖直导航是当前最通用的模式之一,可以适应数量很多的链接。

它可以与子导航菜单一起使用,也可以单独使用。它很容易用于包含很多链接的网站主导航。侧边栏导航可以集成在几乎任何种类的多列布局中。
侧边栏导航的一般特征
文字链接作为导航项很普遍(包含或不包含图标)
很少使用选项卡(除了堆叠标签导航模式)
竖直导航菜单经常含有很多链接
竖直/侧边栏导航缺点
因为可以处理很多链接,当竖直菜单太长时有时可能将用户淹没。尝试限制你引入的链接数,取而代之可以使用飞出式子导航菜单以提供网站的更多信息。同时考虑将链接分放在直观的类别当中,以帮助用户很快地找到感兴趣的链接。
何时使用竖直/侧边栏导航
竖直导航适用于几乎所有种类的网站,尤其适合有一堆主导航链接的网站。
选项卡导航
选项卡导航可以随意设计成任何你想要的样式,从逼真的,有手感的标签到圆滑的标签,以及简单地方边的标签等。它存在于各种各样的网站里,并且可以纳入任何视觉效果。

选项卡比起其它类别的导航有一个明显的优势:它们对用户有积极的心理效应。人们通常把导航与选项卡关联在一起,因为他们曾经在笔记本或资料夹里看见选项卡,并且把它们与切换到一个新的章节联系在一起。这个真实世界的暗喻使得选项卡导航非常直观。
选项卡导航的一般特征
样子和功能都类似真实世界的选项卡(就像在文件夹,笔记本等中看到的一样)
一般是水平方向的但也有时是竖直的(堆叠标签)

选项卡导航的缺点
选项卡最大的缺点是它比简单的顶部水平栏更难设计。它们通常需要更多的标签,图片资源以及CSS,具体根据标签的视觉复杂度而定。选项卡的另一个缺点是它们也不太适用于链接很多的情况,除非它们竖直地排列(即使这样,如果太多的话它们还是看起来很不合适)。
何时使用选项卡导航
选项卡也适合几乎任何主导航,虽然它们在可以显示的链接上有限制,尤其在水平方向的情况下。将它们用于拥有不同风格子导航的主导航的较大型网站是个不错的选项。
面包屑导航
面包屑的名字来源于Hansel和Gretel的故事,他们在沿途播撒面包屑以用来找到加家的路,这可以告诉你在网站的当前位置。这是二级导航的一种形式,辅助网站的主导航系统。

面包屑对于多级别具有层次结构的网站特别有用。它们可以帮助访客了解到当前自己在整站中所处的位置。如果访客希望返回到某一级,它们只需要点击相应的面包屑导航项。
面包屑的一般特征
一般格式是水平文字链接列表,通常在两项中间伴随着左箭头以指示层及关系
从不用于主导航
![]()
面包屑导航的缺点
面包屑不适于浅导航网站。当网站没有清晰的层次和分类的时候,使用它也可能产生混乱。何时使用面包屑导航。面包屑导航最适用于具有清晰章节和多层次分类内容的网站。没有明显的章节,使用面包屑是得不偿失。
标签导航
标签经常被用于博客和新闻网站。它们常常被组织成一个标签云,导航项可能按字母顺序排列(通常用不同大小的链接来表示这个标签下有多少内容),或者按流行程度排列。
标签是出色的二级导航而很少用于主导航。他可以提高网站的可发现性和探索性。标签云通常出现在边栏或底部。如果没有标签云,标签则通常包括于文章顶部或底部的元信息中,这种设计让用户更容易找到相似的内容。
标签导航的一般特征
标签是以内容为中心的网(博客和新闻站)站的一般特性
仅有文字链接
当处于标签云中时,链接通常大小各异以标识流行度
经常被包含在文章的元信息中
标签导航的缺点
人们通常把标签和博客和新闻网站联系在一起(有时候也可能是电子商务网站),所以如果你的网站与这些网站有本质的不同,它可能对你就没有帮助。标签也会给内容创作者带来一定量的工作量,因为为了使标签系统有效,每篇文章都需要打上准确的标签。
何时使用标签
如果你拥有很多主题,为内容打上关键词标记是很有利的。如果你仅有几个页面(可能你的网站是一个公司网站),可能就不需要给内容打标签了。是否结合标签云或只是将标签包含在元信息中得取决于你的设计。
搜索导航
近些年来网站检索已成为流行的导航方式。它非常适合拥有无限内容的网站(像维基百科),这种网站很难使用其它的导航。搜索也常见于博客和新闻网站,以及电子商务网站。
搜索对于清楚知道自己想要找什么的访客非常有用。但是有了搜索并不代表着就可以忽略好的信息结构。它对于保证那些不完全知道自己要找什么或是想发现潜在的感兴趣内容的浏览者可以查找到内容依然非常重要。
搜索导航的一般特征
搜索栏通常位于头部或在侧边栏靠近顶部的地方
搜索栏经常会出现在页面布局中的辅助部分,如底部
搜索导航的缺点
搜索最大的缺点是并非所有搜索引擎都是平等的。取决于你选择的方案,你网站的搜索特性可能不能返回精确的结果或者缺失一些东西如文章元数据。搜索导航,对于大部分网站来说,应该作为次要的导航形式。搜索是用户在无法被导航到他们想找的东西的地方时的可靠选择。
何时使用搜索导航
对于具有无数页面并且有复杂信息结构的网站来说,肯定必须引入搜索功能。没有它用户可能很难通过遍历链接和多层的导航来找到他们想要的信息。搜索对于电子商务网站也非常重要,而关键的一点是电子商务网站的搜索结果要根据网站存货的多少具有相应的筛选和排序功能。
出式菜单和下拉菜单导航
出式菜单(与竖直/侧边栏导航一起使用)和下拉菜单(一般与顶部水平栏导航一起使用)是构建健壮的导航系统的好方法。它使得你的网站整体上看起来很整洁,而且使得深层章节很容易被访问。
他们通常结合水平,竖直或是选项卡导航一起使用,作为网站主导航系统的一部分。
出式菜单和下拉菜单导航的一般特征
用于多级信息结构
使用JavaScript和CSS来隐藏和显示菜单
显示在菜单中的链接是主菜单项的子项
菜单通常在鼠标悬停在上面时被激活,而有时候也可能是鼠标点击时激活

出式菜单和下拉菜单导航缺点
除非你在主导航链接边上放置一些标识(通常是箭头图标),不然访客可能不知道那有包含子导航项的下拉或出式菜单,因此使这些标识很明显是非常重要的。同时出式菜单和下拉可能使得导航在移动设备上非常难用,所以要确保你的移动样式表处理了这种情况。
何时使用出式菜单和下拉菜单导航
如 果你想在视觉上隐藏很大的或很复杂的导航层次,出式菜单和下拉是很好的选择,因为它让用户决定他们想看见什么,以及什么时候可以看见它们。它们可以用来在 不弄乱网页的情况下按需显示很大数量的链接。它们还可以用来显示子页面和局部导航,并且不需要用户首先点击打开新的页面。
分面/引导导航
分面/引导导航(也叫做分面检索或引导检索)最常见于电子商务网站。基本上来说引导导航给你提供额外的内容属性筛选。假设你在浏览一个新的LCD显示器,引导导航可能会列出大小,价格,品牌等选顶。基于这些内容属性,你可以导航到匹配你的条件的项。
引导导航在拥有巨大数量货物的大型电子商务网站中是非常宝贵的。用户通过直接搜索通常很难找到他们想要的东西,并且增加了用户漏掉一个产品的或能性。例如他们可能搜索一个灰褐色的产品,但你可能将它标记了灰色或褐色,虽然它可能就是用户想要的东西。
分面/引导导航的一般特征
最常见于电子商务网站
通常让用户对不同的特征做多次筛选
几乎总是使用文字链接,分解在不同的类别下或是下拉菜单下
常常与面包屑导航一起使用
分面/引导导航的缺点
引导导航可能会引起一些用户的迷惑。另外不能保证用户会在你预先定义的类别中查找。
何时使用分面/引导导航
分面导航对于大型电子商务网站非常有用。它方便了用户购物,提升了购物体验,并更容易找到它们真正想要的东西。它也可以用于其它目录风格的网站。
页脚导航
页脚导航通常用于次要导航,并且可能包含了主导航中没有的链接,或是包含简化的网站地图链接。
访客通常在主导航找不到他们要找的东西时会去查看页脚导航。
页脚导航的一般特征
页脚导航通常用于放置其它地方都没有的导航项
通常使用文字链接,偶尔带有图标
通常链接指向不是那么关键的页面
页脚导航的缺点
如果你的页面很长,没有人愿意仅仅为了导航而滚动到页面底部。对于较长的页面,页脚导航最好作为重复链接和简要的网站地图的地方。它不适合作为主导般形式。
何时使用页脚导航
绝大多数网站都有这样那样的页脚导航,即使它只是重复其它地方的链接。考虑什么放在那有用,以及你的访客可能最想找什么。
结论
大 多数网站使用不只一种导航设计模式。例如一个网站可能会用顶部水平栏导航作为主导航系统,并使用竖直/侧边栏导航系统来辅助它,同时还用页脚导航来作冗 余,增加页面的便利度。当选择你的导航系统基于的导航设计模式时,你必须选择支持你的信息结构以及网站特性的方案。导航是网站设计的重要部分,它的效果必 须有坚实的基础设计。
Web-IA专业版报表说明
常规分析
1、概要分析
2、指标分析
3、频道访问分析
4、原始访问记录查询
5、错误类型分析
6、访问状态分析
浏览数分析
1、浏览数地区分析
2、浏览数时段分析
访问分析
1、访问地区分析
2、访问时段分析
用户分析
1、用户地区分析
2、用户时段分析
3、唯一IP分析
变化趋势分析
1、浏览数趋势分析
2、访问趋势分析
3、用户趋势分析
4、停留时间趋势分析
5、首页浏览数趋势分析
6、点击数趋势分析
网页分析
1、页面浏览数分析
2、页面停留时间分析
3、页面类型分析
访问行为分析
1、进入页面分析
2、离开页面分析
3、访问次数分析
4、访问时长分析
5、访问轨迹分析
客户来源分析
1、客户来源网址分析
2、搜索引擎分析
3、搜索关键字分析
技术分析
1、Internet 接入方式分析
2、运营商分析
3、用户浏览器类型分析
4、用户操作系统类型分析
流量分析
1、地区流量分析
2、时段流量分析
分析结果显示与导出
1、常规显示
2、HTML方式
3、Excel表格数据导出与显示
海量数据的处理分析经验
在实际工作中,有幸接触到海量的数据处理问题,对其进行处理是一项艰巨而复杂的任务。原因有以下几个方面:
















