利用webtrekk做数据驱动的在线营销和运营

2013年12月10日 由 子木 没有评论 »

            “工欲善其事,必先利其器”,随着利用网站数据驱动营销和运营近几年在实践中给群多网站带来的高ROI产出,选用一款优秀的网站数据分析工具对企业的在线营销显得十分重要,而在实践中有经济能力的公司可以选用成熟、稳定的商业分析工具来做网站数据分析,偶然机会接触到一款来自德国的欧洲市场份额第一的web analytics工具-其中的一些重要功能和体验值得介绍下.

 Web trekk特色功能

一、不抽样的全量数据和高实时性

    a)  全量数据:区别于免费的google analytics的抽样数据,web trekk提供原始的完全不抽样的全量数据,这对电子商务网站分析全部用户数据非常重要,并且全部的原始数据均可以导入到网站住的其他BI等系统中更好分析网站数据和其他数据的结合。

    b)  实时性高:Web trekk基于成熟的存储、计算和在国内本地部署的服务器机制,从收集用户网站数据到展现报告仅仅需要秒级别,这对国内市场中那些关注瞬息万变的网站数据的用户来说是一大福利

二、从群体到个体的报告一应俱全

     Web trekk不仅仅可以提供全部和任意细分的用户群体报告,对于电商网站来说还可以提供单个用户和单个订单的的数据,这对于某些时候要用到的定性分析至关重要,很多时候网站分析报告只是告诉我们群体已经发生了什么,但是缺乏细致的个体报告做定性和定量分析

三、针对电商网站的定制报告和功能

a)      电商购物车放弃用户智能挽回机制

     无论是免费的国内的网站分析工具还是google analytics对于国内电商网站的订单和购物车等环节的监控支持性都不够高,而web trekk的电商模块完全为电商定制,提供了例如购物车、订单的详细分析。

       据国内公司的监控数据,从购物车到最后完成订单的购物车放弃率高达70%,而电商的平均转化率也不超过5%,于是完善和驱动购物车转化率至关重要。Webtrekk智能识别购物车未完成的用户,基于购物车的丢弃行为做邮件再营销机制

 

       本部分的原理是web trekk智能将用户的访问cookie id和电商网站的登录顾客id做绑定,在用户未登录情况也能识别顾客id,通过顾客ID反查邮件信息来智能帮助电商网站挽回邮件发送机制,全程智能识别。

b)         购物车放弃的细分分析
            web trekk还提供购物车放弃的细分分析,用户对购物车放弃用户可以继续做其他维度如商品维度、用户终端设备维度的细分,以便更好分析用户放弃购物的原因如是浏览器兼容性不够,商品品类单价较高或其他。

 c)          智能识别电商的交叉销售给电商推荐提供基础数据
   电商推荐中的商品关联推荐能够很好做搭配销售,web trekk的电商报告提供商品关联分析报告帮助更好做搭配销售

四、跨屏分析

    Web trekk除提供监控pc web网站的方案,同样提供监控安卓和ios移动应用的监控系统,最重要的是web trekk基于登录会员id和其他计算机制,能关联用户的从pc到各种app的行为,帮助识别pc用户为什么转向app以及app上那些页面还不能满足用户需求让用户转向pc的观点数据和报告,同时pc和app之间可以做跨渠道的归因模型分析,如从pc浏览到app转化的转化路径的分析。

五、电视媒体广告分析

      Web trekk能够帮助用户智能识别电视媒体对线上营销的效果,对于大的品牌广告主和电商来说,帮忙识别各个渠道的归因效果,更好了解电视媒体的价值。

 真正懂商业数据的网站分析工具

       Web trekk的产品从设计中就融入企业的商业分析和网站分析思路中,web trekk的dashboard中可以设置目标和kpi,用户可以通过仪表板清晰知道每日、每周、每季度和年的目标和kpi完成进度,和大部分BI系统的设计系统非常类似,以目标为导向的分析思路。

  代码部署方便、 重视服务和中国市场

     代码部署方便

      无论是google analytics推出的tag management还是国内的网站分析工具,都在不断降低网站分析代码部署的难度,而adobe的omniture虽然拥有较多国内,但是部署麻烦且无本地服务造成大部分购买omniture的用户也只能使用最简单的功能,工具价值完全没有得到体现,而web trekk无论是pc的流量监控、A/B  test还是点击图、热力图的监控亦或app的数据监控都是非常方便,并且web trekk也提供tag mangment的代码管理器的功能方便部署代码

    重视服务和中国市场

     Web trekk公司从产品到运营均有中国本地工作人员长期在国内深入一线用户市场,并且切实提供服务能很好解决商业分析一贯缺乏服务的诟病。

     总体来看在目前商业分析工具的市场web trekk的一些功能和设计值得国内用户学习和使用。

基于数据分析的seo

2012年11月20日 由 子木 没有评论 »
       数据分析不仅仅体现在tag方式监控的前端wa数据和后端交易数据,在基于seo的服务器log日志方面同样可以得到运用,并为提供网站seo优化做出贡献。
        在seo的数据分析中传统的工具均提供了流量监控,但普通缺乏log服务器日志层面监控。seo的数据分析中有几项指标特别值得关注。
1、网站页面收录比率查询
         以往在搜索引擎用site命令得出的是收录是估算值,后来演变的百度统计、百度站长工具能计算到精准的收录数据。但对于运营特别值得关注的是页面被收录比率而不是总收录页面数。
       主要是基于三方面考虑:
        一、收录多少不能完全反映seo的好坏、因为本身网站的总页面数很多站长主是不知道,这时候收录数是100,1,000不能说明这个值到底意味站点的seo是否是合格的。
       二、页面数目本身是变量。也许读者会问那看页面收录数趋势就好了,但大部分网站的页面数基本在不断变化的,所以即便增加或者减少也不能说明seo的好处,此时页面收录比率变得特别重要。
       三、不是所有页面都应该被收录。网站主希望将权重l集中到核心页面,对于不能获取搜索流量 的比如 购物车、支付页面等页面是不希望被收录的。
如何实现?
       要实现查询页面收录比率,原理就是模拟一个蜘蛛抓取网站页面,同时已经将抓取的页面和搜索引擎的搜索结果页面做比对,看抓取的数据和搜索引擎结果页面是否匹配。
        工具设计如下:
实现步骤:
1、从任意一个页面开始抓取(建议取首页或者和网页地图之类页面),
2、利用正则表达式匹配出要被收录的页面类型。
3、设定采样的页面数目。
4、同时列出未被收录的页面,为后续的分析做数据支撑。
2、关键字竞争分析
     只有知己知彼才能百战百胜 ,关键字竞争分析是指基于网站主的行业搜索词计算网站主网站在搜索引擎中的排名和得分情况。
实现方式:
      a、查询网站关键字排名:用给定关键字去百度自然搜索(排除竞价),如排在第一位的网站给30分,第二位的20分, 第三位 15 以此类推,第17位给1分.
     b、对排名前17网站的得分进行汇总排序

卖个关子留两个问题:

1、为什么第一名给30分、第二名给20分,第三位给15分?

2、另外按照现在的排名给分的一个待优化算法的地方是什么?

网站数据分析面临的挑战

2012年11月18日 由 子木 没有评论 »

       网站数据分析也称为web analytics 按照维基百科的定义为:Web Analytics is the measurement, collection, analysis and reporting of Internet data for the purposes of understanding and optimizing Web usage.意为通过收集、度量和分析互联网数据进而理解网站业务和优化网站的一种方法. 是一门比较新的互联网分支,最近几年得到重大发展。2012年3月后WAA改名为Digital Analytics Association.

          尽管如此,传统的网站分析还面临以下各种挑战:

1、cookie机制对于确定唯一用户的挑战
挑战:基于cookie机制和移动互联网发展导致用户多终端、多浏览器的访问对确定真正唯一用户的挑战?
解决方案:在部分电商和登陆网站可以利用customer id(注册id)和cookie id的关联关系去定义唯一用户(虽然仍然存在偏差,账号公用导致customer id大量对应不相关cookie id)。

2、offline数据如何更好和onine数据的结合
挑战:传统线下和互联网融合更加紧密,传统公司开始有大量online数据,而过去的online公司也会同样产生更多offline数据,如何更好标准化和对接数据成为挑战。
解决方案:至少需要小型BI系统,建议将前端WA数据输出到bi系统。

3、跨渠道的Attribution model
挑战:转化渠道的关系和贡献度如何确定

跨渠道分为多种

a、 多个click广告: 渠道之前的关系更加密切,用户在转化和形成品牌认知前经常跨越多个媒介 。

first click last cick or average 都是计算模型。

b、线上impression广告对渠道的贡献:传统的web analytics是基于click点击行为的数据,对于impression广告的贡献和参与的分配将是web analytics面临的另外一大挑战

c、offline marketing对于online marketing的转化促进作用的贡献程度如何确定?

如: 线下品牌广告对线上用户搜索和交易等行为起的引导促进作用如何量化,线下分地域投放和线上基于地域的效果监控、二维码、优惠券的使用、短地址的采用能部分解决线下往线上转移的监控。

d、营销的后续影响对于转化的贡献度如何定义?
张栋在微博曾经说的案例就是这样的情形:”【一个点击到底多少钱?之二】一个电商 SEM 每天花 1000 元, 每天总共 3500 个点击:SEM 带来 1500 个点击 + SEO 自然流量 带来 2000 个点击;这个电商停止 SEM 投放,每天 SEO 自然流量带来 100 个点击,问:一个 SEM 点击到底多少钱?”

解决方案:总体来说,需要完整的Attribution model机制和更加完善的监控机制,比如展现广告的监控,同时还需要case by case的分析(基于每次营销的)。

4、数据越来越多,如何收集有用的数据。
挑战:不计算后端的数据,单纯一个网站的前端数据的维度也变得越来越多

哪些数据是最终支持通用kpi,在异常个案中如何收集证明案例的数据

解决方案:从业务和商业目标出发的去收集数据,在异常情况需要case by case.

5、网站分析师的技能要求

挑战:网站分析师在技巧技术娴熟的情况下,更多的是凭借敏锐的商业嗅觉去收集数据,分析数据,对商业的理解可以更好发挥网站分析的作用。
         网站kpi有很多:转化率、  新会员注册、老会员回访、顾客数增多、品牌和口碑曝光度等等,网站分析师必须更加懂商业,抓住主线。例如在网站分析中常见的有长期商业目标和短期商业目标。分析师如果不清晰目标往往得出对商业无利的结论,在电商中毛利率和订单金额是长期追逐目标,但在短期阻击对手活动中这个明显就不是短期指标,比如京东要做图书的早期,一定是优先看用户数和市场规模,打击毛利率。

解决方案:对分析师的要求越来越高,懂统计、计算机、商业的分析师将是各个公司追逐的目标。

6、法律和政策

挑战: 基于网络立法对用户隐私的保护,cookie可能会被block,各个浏览器和操作系统对tracking的态度将导致跟踪cookie的数据完整性。

解决方案:几乎无方案,国内的用户隐私政策相对宽松,需要行业自律。

7、如何利用网站数据做精准营销
挑战:从vistor到customer的数据对接:如在常见电商购物车放弃率达到70%,从前端监控到用户登陆流程需要完整化,才可以采用精准营销唤醒购物车放弃用户。
解决方案:网站分析系统需要更多的自定义参数和api接口去关联用户更多的非浏览行为和离开网站后的后续行为。

8、WA工具的pm和网站分析师对网站分析的理解程度
      挑战:工具和人谁先行?
       设计wa工具的pm具有前瞻性带来的好处是更多的分析师群体可以更好使用工具,但工具的使用门槛大幅提高。
        而当分析师更有前瞻性,瓶颈便在分析工具上,但不可能每个分析师都要求自主按自己想法去设计工具。
         解决方案:wa工具pm需要精通wa,提供可供选择的版本和功能供普通用户和分析师使用。

9 、传统wa的clickstream数据如何从页面走向位置
挑战:传统的wa局限在页面上下游关系,需要收集页面位置和区块点击的显性反馈数据作用到个性化推荐等系统中,需要企业有强力的部署和实施能力,典型案例:amazon的url架构,页面不同位置和区域url均被埋点,针对用户和搜索引擎两套url。
解决方案:
        判断uesr-agent,前端用一个js脚本控制,当用户出发区块的链接时,就会在url末尾自动加上标签。

百度相关搜索词和搜索提示框词数据比较

2011年3月24日 由 子木 4 条评论 »
                         百度相关搜索和搜索提示框比较
词根    笔记本
搜索框提示词 搜索量
笔记本电脑 4198
笔记本电脑推荐 4800
笔记本电脑报价大全 4317
笔记本电脑排名 2293
笔记本电脑报价 1132
笔记本电池保养 996
笔记本电池 870
笔记本无线上网 958
笔记本论坛 848
笔记本显卡 842
总和: 21254
平均数: 2125
相关搜索词 搜索量
笔记本电脑 4198
联想笔记本 9162
苹果笔记本 4106
华硕笔记本 3206
索尼笔记本 3071
三星笔记本 908
笔记本电脑价格 220
恋恋笔记本 951
戴尔笔记本 2458
惠普笔记本 2487
总搜索量: 30767
平均搜索量: 5594
百度指数推荐词 搜索量
联想笔记本 9162
笔记本电脑 4198
华硕笔记本 3206
索尼笔记本 3071
戴尔笔记本 2458
惠普笔记本 2487
东芝笔记本 1027
笔记本电脑报价 1132
三星笔记本 908
笔记本报价 718
总搜索量: 28367
平均搜索量: 2837

利用google analytics追踪搜索引擎蜘蛛(spider/robots)的爬行日志

2011年3月16日 由 子木 25 条评论 »

     在做搜索引擎优化中分析搜蜘蛛爬虫日志是非常重要的一步,大部分网站采取服务器日志数据 ,一般认为采用类似google analytics的页面标记法是无法捕捉搜索引擎爬虫的信息,然而两位法国google analytics的爱好者的一段代码却可以让我们轻松利用google analytics追踪搜索引擎spider的抓取信息。

   要实现此功能的步骤:

第一步:添加一个新的profile配置文件,这个profile文件必须是设置为新的domain域名。

第二步:下载analytics文件夹 解压后上传到网站根目录,里面包含了analytics 、config和patterns三个文件。

   需要做的是修改config文件,

  • 添加第一步中增加的新的配置文件的profile id ( 例如新增加文件的http://robots.robinli007.com便是
    UA-16811947-5)
  • 增加你的域名信息(如www.robinli007.com
  • 添加你域名的哈希(hash)值信息,为域名cookie里面的_utma cookie内容字段的第一段id.

利用firebug cookie读出

里面的”109917574”’就是需要增加的id.

   第三步  :让网站每个页面都包含analytics文件的代码,可以在网站页面的公共调用部分(如footer header) 加入以下代码:

  <?php include_once( “analytics/analytics.php”) ?>

    以上步骤完成 等待两小时后 在google analytics后台便可以看到来自搜索引擎爬虫的爬行信息”

     在内容(content)报告, 按来源选择可以很清晰的看到来自各爬虫的爬行信息

作者: 子木李俊

特别声明:转载请注明来源。

透过数据看真实

2011年3月9日 由 子木 4 条评论 »

 周日参加了淘宝组织的ResysChina…拿到一些好玩的数据。

一 明星的影响力谁最大?

淘宝网做了所有明星演唱会前一个月的门票销售额数据统计。 结果是上张学友>王菲>周杰伦。

 

二   为什么明星喜欢开演唱会?

 张学友和王菲两个人的演唱会门票收入基本等于整个唱片市场销量

三  谁在喜欢王菲?

喜欢王菲的老男人和年轻姑娘很多,预计是在王菲演唱会是一群老男人和小萝莉在摇旗呐喊。

四  你大龄了吗?

淘宝根据用户购买喜糖的数据统计有40%的男性是30岁后结婚的

五 中国商人对于市场敏感性有多强?

 PS:(ipad2 北京时间3月3日发布

中间一段是春节)

六 谁在说淘宝是女人的专利?

 

  网购时代来了吗?

 

 

19.5亿这一数据已超过北京、上海、广州国内三个一线城市的单日社会消费品零售总额。

八 谁是真正的浪漫之都?

 

Amazon根据用户来源的推荐系统

2011年2月24日 由 子木 没有评论 »

Amazon根据用户来源的推荐系统

         Amazon的在推荐系统方面做了非常细致的工作,以往关于amazon的协同过滤等算法的文章也比较多,本文要说明的amazon根据用户从搜索引擎的搜索词而给出推荐页面的体系。

这个体系分为两部分:

第一部分

Amazon根据用户来源来判断是否给出相关搜索的推荐的页面:

如:在google里面 搜索 这本书 30年后你拿什么养活自己 点击进入amazon的页面

所看到的图是这样的

当把通过google来的《30年后,你拿什么养活自己》这本书的url 通过粘贴到浏览器打开我们看到的页面是

一样的url但是是不一样的页面,显然amazon是判断用户来源,当用户通过搜索引擎来的用户给他一个推荐页面,

在js里面判断了referer信息

PS:(amazon定义了path name为searh。对这个问题进行发散思维,也许通过referer判断出其它path,亚马逊会给出另外一套体系的页面,比如针对联盟、针对Facebook的用户。)
看不清图的用户点击右键或者通过javascript:alert(document.referrer);命令看,

推荐的商品是关键字在amazon站内搜索的结果,为了证明这个再贴一张图:

PS:Amazon的站内搜索系统同样强大,第三条的搜索结果主要也是根据推荐系统关联起来的,比如你搜 “里程碑” 可能给你搜索结果包含和这个手机产品关系很接近的“me600手机”

第二部分

Amazon通过判断keywords在站内搜索结果数目来决定是否给出相关搜索的推荐页面,当站内的搜索结果数目大于1的时候给出相关搜索的推荐,当站内搜索结果唯一缺点时候无相关搜索推荐页面。

当我们通过一个长尾关键字 30年后,你拿什么养活自己?顶级理财师出上班族的财富人生规划课 来进行搜索时候

商品的url 无论是通过搜索引擎还是通过自己来源,都没有相关搜索的推荐页面。

因为

的搜索结果为1.

总结:amazon这套系统的逻辑大致是这样,当用户通过搜索引擎来页面的时候,一般认为搜索引擎的用户的搜词不够精准,于是amazon扮演起一个搜索精准化的功能,将用户的搜索结果精准(给出关键词的站内搜索页面推荐)。

当用户搜索的关键字比较精准(根据站内搜索结果数目判断为1条结果),认为是精准搜索,不给出相关搜索推荐页面。

当当和卓越亚马逊搜索引擎优化对比

2011年1月25日 由 子木 1条评论 »
当当和卓越亚马逊图书网站谁在搜索引擎中的优化表现更好?抽样百度搜索风云榜的热门五十本图书做了个统计

当当和卓越亚马逊搜索引擎排名对比(数据来自子木,转载注明)

查询范围:1-10 | 0:表示未查询到 -1:表示未选择或数据获取错误
当当dangdang.com 亚马逊amazon.cn
关键字/搜索引擎 百度自然排名 Google 关键字/搜索引擎 百度自然排名 Google
藏地密码 8 6 骆驼祥子 9 11
何以笙箫默 8 7 悲伤逆流成河 11 -1
1q84 9 12 小时代 19 -1
微微一笑很倾城 10 15 格列佛游记 21 23
厚黑学 10 34 最后一颗子弹留给我 23 0
狼图腾 12 6 醉玲珑 27 39
明朝那些事儿 12 8 明朝那些事儿 30 54
生命中不能承受之轻 13 16 鬼吹灯 34 66
格林童话 14 30 暮光之城 41 -1
白夜行 15 5 千山暮雪 45 -1
新华字典 18 0 白夜行 47 -1
会有天使替我爱你 19 8 失乐园 49 14
盗墓笔记 19 10 临界爵迹 50 0
天使街23号 19 18 天使街23号 52 -1
中国远征军 20 56 厚黑学 53 39
道德经 22 82 何以笙箫默 56 11
临界爵迹 24 17 京华烟云 58 13
暮光之城 24 36 新华字典 61 63
洛丽塔 26 25 格林童话 62 -1
情人 杜拉斯 27 6 梦里花落知多少 64 -1
平凡的世界 28 18 中国远征军 68 38
迷踪之国 28 0 平凡的世界 72 -1
哈利波特与魔法石 29 15 老人与海 74 -1
小王子 29 18 狼图腾 75 64
小时代 30 9 会有天使替我爱你 80 21
醉玲珑 41 15 1q84 88 8
千山暮雪 42 32 简爱 88 78
简爱 56 0 生命中不能承受之轻 90 17
悲伤逆流成河 57 6 聊斋志异 92 74
围城 57 46 洛丽塔 94 -1
大漠苍狼 67 0 活着 95 23
小姨多鹤 72 8 诗经 96 0
梦里花落知多少 74 17 道德经 99 59
鬼吹灯 75 63 迷踪之国 0 -1
史记 96 19 天龙八部 0 -1
格列佛游记 0 7 水浒传 0 -1
活着 0 19 哈利波特与魔法石 0 -1
骆驼祥子 0 19 藏地密码 0 7
论语 0 30 小姨多鹤 0 10
最后一颗子弹留给我 0 31 微微一笑很倾城 0 10
老人与海 0 35 情人 杜拉斯 0 20
京华烟云 0 57 大漠苍狼 0 32
哈利波特与凤凰社 0 65 盗墓笔记 0 43
婆婆来了 0 67 围城 0 45
诗经 0 78 哈利波特与凤凰社 0 51
失乐园 0 84 小王子 0 61
圣经 0 98 论语 0 66
聊斋志异 0 0 史记 0 80
天龙八部 0 0 圣经 0 97
水浒传 0 0 婆婆来了 0 0
搜索引擎平均排名 31.7 29.1 搜索引擎平均排名 58.3 39.9

利用Google analytics虚拟页面来统计网站频道流量

2010年8月24日 由 子木 3 条评论 »

       在一些网站前期因为没有基于数据统计的需要去规范化url,导致在统计一些网站的各种频道流量的时候是一个瓶颈。

比如某电子商务网站 商品二级分类url是www.robinli007.com/items/12-135-1256.html

一级频道url是 www.robinli007.com/3c/   www.robinli007.com/book/

二级分类url是 www.robinli007.com/SecondCategory-233.html

而在分类下面的产品的url是www.robinli007.com/products/15.html

这种类型的url 在数据统计起来根本不能汇总统计到频道和分类的流量,对于一些大型网站来说要做数据分析可谓一头雾水,于是我们不得不利用ga里面的trackPageview函数。

我先将完整代码贴出来,然后一步一步分解代码

代码部分:

<script>

var gaJsHost = ((“https:” == document.location.protocol) ? ”   https://ssl.” : ”   http://www.”);

document.write(unescape(“%3Cscript src='” + gaJsHost + “google-analytics.com/ga.js’ type=’text/javascript’%3E%3C/script%3E”));

</script>

<script>

try {

var firstTracker = _gat._getTracker(“UA-10104379-1”);

firstTracker._setDomainName(“.robinli007.com”);

firstTracker._addOrganic(“soso”, “w”);

firstTracker._addOrganic(“sogou”, “query”);

firstTracker._addOrganic(“youdao”, “q”);

firstTracker._addOrganic(“baidu”, “word”);

firstTracker._trackPageview();

var secondTracker = _gat._getTracker(“UA-10104379-5”);

secondTracker._setDomainName(“.robinli007.com”);

secondTracker._addOrganic(“soso”, “w”);

secondTracker._addOrganic(“sogou”, “query”);

secondTracker._addOrganic(“youdao”, “q”);

secondTracker._addOrganic(“baidu”, “word”);

secondTracker._trackPageview(“虚拟页面函数”);

} catch(err) {}</script>

(1)这是一段完整的代码,先从轮廓看这个代码包含两段id,

为什么要这样做,在做数据分析的时候很重要的一点是在做任何过滤和筛选的时候,你必须保证一个完整的没有被过滤和筛选的数据作为备份,毕竟是工具,任何过滤和筛选都可能导致原有数据出错。

所以在ga后台你要添加新的配置文件

(2)第一段脚本是公用部分

(3) firstTracker._setDomainName(“.robinli007.com”); 是定义robinli007.com下面的所有二级域名 这样如果你有比如blog.robinlioo7.com等二级域名一样可以被统计到。

(4)

firstTracker._addOrganic(“soso”, “w”);

firstTracker._addOrganic(“sogou”, “query”);

firstTracker._addOrganic(“youdao”, “q”);

firstTracker._addOrganic(“baidu”, “word”);

这段里面将搜搜 搜狗 有道 百度新闻流量归为ga里面的搜索引擎流量 ,在ga默认里面这些算推介的。

(5)secondTracker._trackPageview(“虚拟页面函数”);

这个是第二段id 也是我们要虚拟页面的 ,在里面你让程序根据自己网站把变量填写进去即可,你提前必须制定好虚拟的规则

比如www.robinli007.com/items/12-135-1256.html 这个三级频道

属于一级频道

www.robinli007.com/3c/ 同时属于二级频道www.robinli007.com/SecondCategory-233.html

那么你虚拟可以这样虚拟成 secondTracker._trackPageview(“/3c/SecondCategory-233/12/”);

12-135-1256都是属于一个频道里面通过各种筛选项筛选出的函数 其12属性表示是某一个三级分类,故我如此筛选,如何筛选根据自己需要。

同理www.robinli007.com/SecondCategory-233.html  可以虚拟成 secondTracker._trackPageview(“/3c/SecondCategory-233/”);

trackPageview后面的是英文全角双引号

这样大功告成 在ga你便可以虚拟url了。

当然所有这些这样工作实际都是下策,最好最完美的办法是你在规划你的url的时候要考虑数据分析的需求,比如

www.robinli007.com/Product/36-c09-155.htm

这样的url明显注意到在产品页面 产品url的流量分类统计需求。

跳出率和退出率详解

2010年6月5日 由 子木 7 条评论 »

      跳出率和退出率作为网站分析的常见指标,在新手中尤其容易混淆,本文从不同系统、跳出率和退出率的计算方式和应用场景阐述二者的关系

   一 跳出率和退出率的区别

    本文此处所说跳出率退出率是基于Google analytics的度量标准

    跳出率(Bounce Rate) 也被称为 蹦失率:浏览单页即退出的次数/访问次数=single access/entry visits(在om和ga后来的标准中修订为点击虚拟页面或者事件跟踪也不计算为跳出)

    退出率 (exit rate):从该页退出的的页面访问数/进入该页的页面访问数= exit pv/pv(注意这里面的访问数和一般概念的visits是不一样的 其实是指pv,非visits,关于pv和visits参考Google analytics的说明文档)

 其中:

  跳出率只能衡量该页做为着陆页面(Landing Page)的访问, 跳出率分母等于Landing Page的visits ,分子也是指跳出的visits

  退出率则是针对全部的访问页面不限于着陆页面(Landing Page),任何页面都有退出率。

   退出率的分子=退出的次数(包括一次访问过程中用户浏览单页即跳出的次数,也包括浏览多页后从该页面退出的次数。)

  退出率的分母=进入该页的页面访问次数=该页的所有访问pv(综合浏览量)

  进入的次数包括用户重复浏览该页的次数,因此可理解为综合浏览量。

   google analytics和Omniture关于退出率的定义区别:

google analytics里面计算退出率分子分母是计算pv的,而Omniture是exit/visit

当然google analytics和Omniture里面计算跳出率都是计算访问次数visits的。

EG:

  10个visits来到a页面 ——5个visits直接离开,3个visits去b页面 ,2个visits去c页面然后直接离开。 b页面的3个visits有2个visits返还a页面最终从a页面离开

计算a页面的于Bounce Rate和Exit Rate 分别就是(5/10) *100% 和 (5+2/10+2 )*100%

这是Google analytics里面的退出率的计算 ,在Omniture是算exit/visit,也就意味着这个值是(5+2)/10*100%

换个条件 ,如果从b页面返还a页面的2个visit ,一个visits经过d页面返回a页面并退出 ,一个visit去f 页面。

这个时候计算a页面的Bounce Rate和Exit Rate 分别就是(5/10)*100% 和 ( 5+2+1/10+2+1)*100%

在这个例子里面我所有的条件都是用访问而没有用访客,是因为ga在计算跳出率是算visist的而不是uv(绝对唯一访客),而退出率的分子分母是pv.

为了证明结论 再贴一副图做为来证实结论

     这幅图说明几个问题 ,一直来很多概念在度量跳出率都是用进入,可能部分读者还是不能明白所谓进入是指什么,这里可以看到所谓进入其实就是访问数visit.

   这个实验的网站全站我们验证跳出率 ,跳出数259,进入访问数visit等于451。于是跳出率略等于259/451≈0.574279 忽略小数点就是图中的57.43%。

    退出率,退出数是 451,综合浏览量pv是975,计算退出率就是451/975≈0.46256,忽略小数点就是46.26%

  二 退出率和跳出率说明什么

跳出率

   跳出率只能衡量该页作为用户的landing page的页面质量,不能衡量其他。

   一般来说,如果你做的是从其他媒体引入的流量,说明你的媒体渠道选择失误,搜索引擎付费关键字定位不准、客户群定位不准确,还是landing page的call to action可能不够吸引人。

      当然对于不同页面和不同类型的网站的跳出率需要区别对待,很多网站的性质决定用户甚至只要浏览单页面,需求就可能得到满足。比如wordpress的博客,可能一些老访问者,访问博客只是看有没有更新,没有更新,跳出很正常。这种情况如果简单的说网站质量很差是值得商権的,这个时候建议细分群体和细分页面去看跳出率,并且关注页面停留时间。

退出率

    退出率高也要分情况讨论并不能一概而论,如果你已经规划好你网站的用户访问流程,但是你发现你网站的某个退出页面成为去其他某个很重要的页面的阻碍,那么你应该关心的你的这个退出页面的内容了。

    退出率不能用来分析网站所有的页面,只能用来分析特定流程中的某些页面能不能满足用户的需求(交互)的问题。一般认为退出率高需求没有得到满足,但在特定页面不能用退出率衡量用户需求问题。

     如果客户需要得到满足直退出,退出率高是很正常的,如电子商务网站的支付成功页面,其他网站的客户服务(eg:联系我们,关于我们)此类页面,退出率一般肯定很高。用户结算支付完需求得到满足,用户知道联系方式需求得到满足。这个时候需要借助其他分析了,例如电子商务可以用转化漏斗分析。但是在同样的类似流程中,注册页面、支付页面和填写收货地址页面却又是可以用退出率来衡量页面质量的(这样的页面一般是有固定步骤的),如果退出率高,那么反映你的注册流程页面、支付流程页面和物流流程页面存在问题了,比如不支持货到付款,需要填写项过多,界面不友好等等。

     退出率还反映在页面内容的吸引性,如call to action不能激励用户。另外从网站技术角度来说,页面太大不能被完全加载,页面没有返回任何其他页面的链接入口,也是造成退出率过高的问题。

三 面对跳出和退出,我们如何优化?

     跳出率可以用在外部流量渠道分析和页面内容质量上面,对于那些跳出率过高的渠道,一方面我们要分析,是不是渠道客户群和网站定义客户群有偏差,另外一方面是鉴别虚假流量上,大部分的虚假流量的跳出率一般都是很高的。

      退出率更多被运用在页面内容,页面用户需求分析上面,对于什么样子的页面是满足需求的,可以采取A/B Test和多变量分析。你可以首先分析你关键页面的退出率,比如支付,注册等你认为对于你网站完成转化很重要的页面的退出率还有高参与度【页面参与度=(总目标价值+电子商务收入)/ uv)】页面。

作者: 子木李俊

特别声明:转载请注明来源。