网站数据分析的三个作用
1.能够看清楚网站里发生了什么事情，访问者来自哪里，他们在网站中寻找什么，网站中那些信息最受欢迎–从网站营销的角度看到的网站分析。网站分析的主要对象是访问者，访问者在网站中的行为以及不同的流量渠道之间的关系。
2.网站分析可以了解网站的健康状况，网站页面的表现如何，哪个功能出现了问题，哪里需要进行调整，页面布局是否合理，导航是否清晰等，从产品和架构的角度看到网站的分析。主要的分析对象是网站的逻辑和结构，网站的导航结构是否合理，注册购买等逻辑流程是否顺畅。
3.网站分析让我们在完成目标的过程中合理分配资源和预算，并通过优化不断提高网站的表现，从网站的运营角度出发。–这个阶段，网站分析的主要对象是投资回报率ROI，如何合理的分配预算和资源以完成网站的目标。
1.流量分析
主要取决于量和质两个方面。
2.内容分析
网站的页面分为三种类别：
导航页，–首页，列表页
功能页，–站内搜索，注册表单，购物车
内容页。–产品详情，新闻页
如何判断一个页面的质量好坏：
对于导航类页面：检查访问者从这个页面到下一个页面的分流情况
流量的去向是否符合我们最初的设计思路和逻辑，是否能将访问者带到促进目标达成的关键页面。—这是基础。
现实中还要对访问者进行分类，对不同页面位置及流量去向分配权重。
目标明确的访问者会直接流向详情页，浏览即寻找信息的访问者会流向不同的频道页或类别页。这三个流向对于导航页来说都是没问题的，只是完成转化的不同路径。而离开网站是有问题的流向，是需要通过对导航页进行优化来避免的。
3.转化路径分析
cvr：转化分析
属于产品的一部分。转化渠道与前面的导航页很像，区别在于转化渠道通常是一个目标非常明确的封闭渠道。在这个渠道中我们希望访问者一路向前，不要回头也不要离开，直到完成转化目标。
转化渠道分析：访问者的流失(包括错误的设计和引导)和迷失(用户没有得到需要的信息，无法根据信息做出决策)
网站数据产品经理的价值
网站的最终目的是为了获得更多的收入，为了完成这个目标，需要设置很多的子目标。网站分析师的价值就是完成这些子目标，通过持续的改进和优化来驱动网站最终的目标达成。
1.需要合格并且有质量的流量来访问网站。通过流量分析找出优质的那部分流量，细分表现较差的流量，看清不同渠道流量之间的关系。
2.需要有清晰的导航结构将访问者带到他们感兴趣的内容页面，而提供的信息必须符合访问者的需求。因此对网站的内容进行分类，分别对导航类页面，功能类页面和内容类页面进行分析，并检查访问者的访问路径，找出诡异的访问行为。
3.要让访问者顺利的完成目标。因此我们在转化流程中为每个子目标提供准确的指标度量，并通过分析找出其中存在问题的环节进行优化和改善。
网站分析的本质
简单来说，网站分析其实就是一个发现问题，分析问题和解决问题的过程。
1.发现问题
网站运营中遇到的问题，用户的反馈和抱怨，日常统计数据的表现异常等。
2.分析问题
根据遇到的问题运用合理的方法对其进行解释
3.解决问题
目前的分析工具往往在找到问题后无法落实到寻求最佳的解决方案并执行和解决问题上。解决问题的过程恰好是最能体现公司执行力的时候，如果没有最终解决问题或实现优化，那么网站的分析就没有丝毫的意义。
网站数据分析流程
如今的网站管理更加规范化，精细化，更加注重用户体验，同时也在不断加强网站的网站管理。(PDCA质量环的改进)
Define：
确认这次分析所针对的问题是什么，分析最终需要达成何种目的，对网站有何实际意义，确定分析的范围，以及规划本次分析工作的进度和质量控制。
Measure：
收集数据，量化分析。尽量获取完整，真实，准确的数据，做好数据的预处理工作，一边分析工作的开展。
Analyze：
从表面的数据中找到问题的本质，最后需要第一步针对的问题进行归纳总结。注意：分析要紧跟‘定义’，不能偏离问题的范围和本质。
Improve：
找到最优的解决方案，使问题得到解决或使问题的负面影响降到最低。这是最为关键的一步，最为考验网站执行力。
Control:
监控改进的结果，使相同的问题不再重现。网站的访问量无法通过一两次的推广活动得到本质的提升。关键还在于网站本身的质量，推广活动可能让数据在短期内获得提升，但想要保持长期的正常还需要不断的优化和改进。所以‘控制’要的是持续的反馈和监控。并不断寻找能从根本上解决问题的最优方案。
数据分析前准备工作
数据来源
网站内部数据
点击流数据Clickstream -what
业务运营数据MultipleOutcomes -how much
实验测试数据ExperimentationTesting -which
用户调研数据Voice of Customer -why
外部数据
行业发展数据Ecosystem
竞争对手数据Competitors
数据清洗与整理
完整性：缺失值处理
一致性：格式统一，重复值处理
准确性：异常值处理，字符型/数值型
及时性
我们的数据准确么
用户识别：一般使用Cookie，但禁用或删除Cookie都会产生影响
停留时间：最后浏览网页无法计算得到，打开页面时是否真正浏览无法确定
访问来源：IM、Flash或广告等来源无法区分
趋势分析
洞察数据的变化规律
同比、环比、定基比
同比：(本期-上一周期同期)/上一周期同期 -消除数据周期性波动影响
环比：(本期-上一期)/上一期 -反映数据连续变化趋势
定基比：(本期-基期)/基期 -基准线通常是公司或产品发展的里程碑或重要节点
趋势线拟合
移动均值MovingAverage：是一种简单平滑的预测技术，通过在时间序列上逐项推移获取一定项的均值的方法，表现指标长期变化和发展趋势(股票的30日均线)
适用条件：指标变化不明显 / 无明显周期性
简单移动平均SMA，SimpleMA： x_{n+1}=(x_1+x_2+…+x_n)/n
加权移动平均WMA，WeightedMA： x_{n+1}=W_1\times X_1+W_2 \times X_2+…+W_n\times X_n
数据监控自动化
使用移动均值获得本期预测值，与实际值对比，分析差距
差距过大出现异常时进行提示
适用于转化率、人均消费、活跃度等较为平稳的指标
对比分析
明确好坏优劣，进而扬长避短
简单合并比较
百分比评分均值比较法：评分指标该指标的总体最大值，适用于大于0且分布不是特别离散的指标
标准化指标合并比较法： x^*=(x-\mu)/\sigma ，[-1,1]之间
正/逆指标：数值与绩效正/逆相关
逆指标(退出率、跳出率等)的数值标准化后乘以-1
比较试验
基于时间序列的组内比较：某个时间点引入实验变量或施加实验刺激‘前测’/‘后测’
需要考虑数据本身存在的自然增长或下降趋势(依据其他指标获取自然增长并进行对比)
规避节假日或外部事件的影响
规避特殊的营销推广的影响
规避内部其他可能影响测试结果的因素(实验刺激唯一性)
对照实验：两组样本，‘实验组’/‘对照组’，对照实验可行性较好，是优选方案
需要两组样本特征相似，可比较(抽样规范性)
实验组与对照组之间只有唯一的实验刺激的差异
两个样本总体的数据显著性差异检验 -统计学知识，假设检验
卡方检验Chi-SquareTest：验证两个总体间某个比率指标是否存在差异性差异
T检验T Test：验证总体均值间(非比率指标)是否存在显著性差异
与目标进行对比
子弹图：实际值、目标值、背景可分段显示指标不同层次的区间
目标达成度：目标达成天数 / 总天数
基于专家绩效的比较：以专家的评价作为比较的基准线
多维度细分
指标与维度：细分就是维度与指标之间的相互组合
指标：记录访问者行为的数字
基本指标：直接加和获得的指标，访问次数、综合浏览量
复合指标：基本指标计算得出的指标，访问深度、跳出率、平均网站停留时间和新访次占比
维度：观察访问者行为的角度，维度与指标在一起时才有意义
访问者属性维度、时间维度、流量来源维度、地理纬度、内容维度、系统维度等
细分的意义
避免产生采样数据(GA中模糊数据)
避免平均数陷阱(观测粒度小)
增加细分目标
深度洞察数据
细分(数据下钻)的概念：使用维度对指标中的数据进行层层分解
GA的常用细分方法及实例
