《網站分析實戰》Chap7-9：網站KPI設計、路徑轉化分析及GA高級應用

網站目標與KPI

網站目的就是通過分析需要實現和提升的目標

對網站進行全面貨幣化

• 網站流量 >>> 註冊量 >>> 轉化率 >>> 網站收入
• 對目標設定貨幣價值： 目標值 = 目標完成次數 x 目標價值

創建網站分析體系

• 定義網站目標
• 獲取並分解網站目標
• 獲取網站目標：瀏覽頁面、與創始人交流
• 細化網站目標
• 分解網站目標：分解成能夠執行的小目標
• 聚焦網站核心目標
• 關注每個分解的目標，度量分解目標
• 創建網站分析的KPI
• 創建網站目標結構圖 >>> 正面/負面度量
• 優化分解目標衡量指標
• 帶著目標看數據
• 完整的網站分析體系

KPI（KeyPerformanceIndication）在網站分析中的作用

• 業務部門需求 >>> KPI：需求隨意、數據零散、KPI無層級體系
• 網站目標分解 >>> KPI：以網站目標為核心、有清晰層級、無原始數據、洞察可以直接產生改進和優化的行動
• 網站分析KPI的標準
• KPI必須是一個比率、百分比或平均數，而不應該是原始數據
• KPI中一定包含個性化的指標，而不是網站分析工具提供的指標
• KPI針對不同的使用者要有不同的層級
• KPI一定要有清晰的定義和邊界
• KPI的變化一定可以驅動某個具體的行動

解讀可執行的網站分析報告

• 網站分析報告三原則
• 報告提供的必須是信息，而不是數據
• 有時候需要從人性哲學的角度進行突破
• 堅持只為少數關鍵人物作報告
• 可執行的網站分析報告的主要內容
• 抬頭

1. 關鍵KPI指標 -core
2. KPI變化觸發條件 -什麼情況下開始關注該指標
3. KPI指標負責人 -該指標變化時的行動人和負責人
4. 數據分析負責人

• 正文

1. KPI指標變化趨勢及細分 -背景信息、變化趨勢
2. KPI指標變化原因 -深入挖掘
3. KPI指標對應的Action -行動和建議，為報告提供可執行性
4. 衡量KPI指標造成的影響 -轉化為貨幣收入

• KPI指標的創建及選擇
• 商業目標 -網站存在的價值
• 網站目標 -依據商業目標獲得，更加清晰可衡量
• 策略 -完成目標的方法和手段
• 關鍵績效指標 -通過不同指標計算得到，網站目標的分解、個性化、有對應的後續行動及建議
• 行動及見解 -驅動完成商業目標的所有看法，通過定量、定性分析找到準確的行動和建議
• 網站分析關鍵KPI指標報告
• KPI分解 -公司級、部門級、個人級
• 記錄每一個關鍵KPI指標的變化、目標達成率、觸發條件、負責人、後續行動以及與下一級和上一級KPI間的聯繫
• 關鍵KPI指標變化分析
• 訪客行為貨幣化
• 每個訪客價值 = 網站收入 / 唯一獨立訪客
• 每次訪問價值 = 網站收入 / 訪問次數
• 每次訪問成本 = 購買流量成本 / 訪問次數

目標KPI的監控與分析

• KPI分析要注意指標的準確性，修正偏差和波動
• 質量控制圖：嚴謹、對數據波動敏感性比較強的KPI監控方法
• 優點在於它考慮了KPI基數的大小對KPI數值波動的影響
• 質量控制圖通過均值u和標準差sigma來衡量指標是否處於穩定狀態，以3sigma確定正常波動的上下限範圍
• P控制圖：u-中心線CL，Centre Line，u+3sigma-控制上限UCL，Upper Control Line，u-3sigma -控制下限LCL，LowerCL
• 數據異常現象：
• 樣本點超出或落在UCL、LCL的界限（異常）
• 近期3個點中的兩個點都高於+2sigma或都低於-2sigma，近期5個點中的4個點都高於+sigma或都低於-sigma（異常趨勢）
• 連續8個點高於或低於中心線（偏向性）
• 連續的6個點呈上升或下降趨勢（明顯的偏向趨勢）
• 連續的14個點在中心線上下呈交替狀態（周期性，不穩定）
• 質量控制圖：用於控制質量而不是數量，一般用於比例指標
• 整體轉化率、新用戶比例、活躍用戶比例
• X-MR控制圖：單值-移動極差控制圖，控制指標值X和移動極差moving range的波動
• MR = |Xi-Xi-1|
• 兩張圖，X和MR分別計算CL、UCL、LCL作圖，一張是指標X-時間，一張是MR-時間
• 基於質量控制圖的KPI指標監控只能告訴我們出現了哪些異常，更重要的是基於異常數據的分析，尋找數據背後的影響因素和數據變化的原因，才是數據分析師需要做的事情
• KPI指標背後的秘密
• 對於轉化率等複合指標，大小相同時需要比較其基數大小
• 大數定律：樣本總量越大，樣本得出的統計數值對總體的置信度越高，置信區間就會越小，預估效果更好
• 基數：這裡指統計指標的基礎數據集大小，一般是複合度量的分母
• 通過對當前值的修正獲得指標預期值，消除基數的影響
• 預期值expected value=權重weight x 當前值actual value + （1-權重）x 均值（Avg. Value）
• 兩種權重計演算法：W = （基數-基數min）/(基數max-基數min)
• W=log_基數max （基數），此種方法更符合實際要求，因為基數較大後，置信程度已達到較高水平
• 通過權重法修正後獲得的預期值用來評價渠道質量（e.g.轉化率預期值排序）

路徑與轉化分析

關鍵轉化路徑分析——探索用戶足跡

• 產品經理的需求
• 結合現有數據指標分析現狀，定義可能存在的問題
• 明確數據分析需求的目的
• 對具體需要的數據進行描述，並為他們希望看到的數據展現形式提供建議
• 明確關鍵轉化路徑
• 熟悉網站或產品的業務細節
• 在理解業務基礎上畫出業務流程圖
• 測量關鍵轉化路徑
• 漏斗模型的展現
• 有效分析轉化路徑
• 漏斗圖
• 直觀的業務衡量工具
• 是流量導入端到產生收益端的重要部分
• 提高網站收益方法：提高訪客數量（數量）、提高業務轉化率、提高房客的價值（質量）
• 訪客屬性與網站屬性不一致：調整流量導入渠道
• 提高現有訪客價值：推薦頁面
• 網站中的虛擬漏斗分析
• 虛擬漏斗都是基於流量的，適合大部分有目標頁面或關鍵行為的網站
• 四層次流量：全部流量—>非跳出流量（瀏覽一頁以上）—>非跳出且未轉化流量—>轉化流量
• 非跳出流量中包含（非跳出且未轉化流量，未到目標頁面）+（轉化流量，到達目標頁面

多路徑選擇優化

• 簡化用戶轉化路徑
• 奧卡姆剃刀原理：如無必要，勿增實體
• 例如亞馬遜和京東的快速購買、輕鬆購等（直接進入支付頁面，默認地址
• 讓用戶選擇適合自己的路
• 將某些路徑列為可選項
• 例如可跳過加入購物車直接購買
• 多路徑轉化數據分析
• 多路徑整體轉化率 = 所有路徑完成交易（轉化成功）用戶數/所有進入網站的用戶數
• 多路徑優化的本質改進：讓每個用戶選擇適合自己的購買流程、有效提升用戶體驗

基於內容組的訪問者路徑分析

• 基於分析目的的規劃內容組
• 對網站路徑分析前先對網站內容分
• 創建內容組前的準備工作
• 整理URL（app頁面）
• URL分組（app頁面分組）
• 轉化為正則表達式（不同頁面的埋點條件）
• 使用過濾器創建內容組
• 檢查並優化內容組

網站分析高級應用

主要介紹了GA的高級功能，例如為網站定製追蹤訪問者行為、按需求創建個性化報告、控制報告數據、快速數據導出和數據分析的高級應用等。

數據分析高級應用

• 數據統計：描述數據形態和特徵
• 數據分析：從數據中發現問題、尋找規律，數據特徵描述和數據分布，假設檢驗、方差分析、相關分析、回歸分析等
• 數據挖掘：預測層面，關聯規則、監督學習、無監督學習等

網站內容關聯推薦

• 營銷上分為兩類
• 向上營銷（UpMarketing）：根據客戶過去消費喜好，提供更高價值或其他用以加強其原有功能及用途的產品或服務（nano與itouch）。同類產品線升級或優化的產品。
• 交叉營銷（CrossMarketing）：從客戶購買行為中發現客戶多種需求，向其推銷相關的產品或服務（ipod和iPhone、ipad）。相似但不同類產品。

關聯規則

• 關聯規則（Association Rules）演算法：基於用戶歷史行為，從用戶會同時購買的商品中尋找規律，更有利於發現用戶的潛在需求，幫助用戶更好地選擇他們需要的產品
• 舉例：購買所有商品任意一種的用戶全集U，購買A的集合A和購買AB兩種商品的集合G。支持度和置信度是衡量AB關聯性的兩個指標
• 支持度（Support）= 集合G人數/集合U人數
• 置信度（Confidence）= 集合G人數/集合A人數
• 設置最小支持度和最小置信度
• 提升度（Lift）=購買A之後購買B的人數比例/所有用戶中購買B的人數比例：提升度>1才認為A會帶動B的銷售，否則B本身就是購買率很高的商品
• 關聯規則需要處理大量的用戶行為數據，而且用戶行為的不斷變化需要我們不斷更新關聯規則，有巨大維護成本
• 優劣勢
• 優勢：1）一用戶行為數據為基礎，考慮了用戶實際需求，更貼合用戶需要和習慣；2）隨著用戶行為變化更新結果，推薦具備時效性
• 劣勢：1）需要以用戶行為數據為基礎，無法對新發布內容做有效推薦，「冷啟動」問題；2）需要更新，消耗較大計算成本和較長的時間

KNN相關內容推薦

• 基於內容的固有屬性
• KNN（K-Nearest Neighbor Algorithm）：K最近鄰演算法，通過計算個體間的距離或者相似度尋找每個個體最相近的K個個體，演算法的時間複雜度與樣本個數相關，需要完成一次兩兩比較過程。
• 常被用於分類演算法，是一種分類學習演算法
• 優劣勢
• 優勢：1）基於內容固有屬性，不存在「冷啟動」問題；2）內容固有屬性一般不會變動，只要增量計算新加入的內容與所有內容的關聯性即可
• 劣勢：1）僅考慮了內容的固有關係，很難做到跨越很大類別的推薦；2）無法考慮到內容的重疊和替代關係，導致重複推薦，或者已過時內容的推薦

評估內容推薦的效果

• 點擊率（Click Through Rate,CTR）：推薦模塊內容曝光—>點擊進入內容詳情頁
• 目標轉化率：推薦模塊內容曝光—>網站目標實現整個過程的轉化率

多變數測試Multivariate Testing，MVT

多變數測試關注頁面中的模塊和元素的調整