Question

本节我们将讨论一些常用的流量分析和应用时的小技巧。

7.9.1　给老板提供一页纸的流量dashboard

在广告效果报告中，我们通常会提供大量的数据、指标、图形来向领导层汇报公司的流量情况。但是，企业高层尤其是老板层面并不希望看到太多信息，他们只是关心影响全局性的重要内容。

如何快速地将关键信息传达给领导？这里建议使用一页纸的dashboard。dashboard也称为仪表盘，它是BI（商业智能）可视化模块的重要组成部分。在制作一页纸的dashboard过程中，最关键的因素是提取关键指标并配合适当的图形做展示。

（1）关键指标

关键指标在不同企业有不同的定位范畴，对于流量工作而言，关键指标通常包括流量数量、流量质量、成本结构和ROI四类指标。

流量数量指标：代表流量数量的指标有访客（以及不同周期内的去重访客）、访问量、页面浏览量等指标，具体参照7.6.2节的内容。

流量质量指标：流量质量涉及的基本行为、转化行为、交易行为等多种场景，具体可参照7.6.3节的内容。

成本结构指标：在成本结构类指标上，高层领导往往更关注哪些媒体大类以及关键媒体花费了企业主要营销预算以及单位成本如何，具体参照7.6.1节的内容。

ROI指标：ROI是投资回报率，虽然流量不直接跟收入挂钩，但在全公司的统一范畴内，都要衡量单位收益和成本的比例。

如何确定关键指标？通常跟三方面因素有关：

1）企业文化。企业通常情况下关注哪些指标，有哪些应用习惯，关键指标的选取一定在关注指标之内。例如公司对于流量数量的评估如果以访问量为基础，那么关键指标就不要选择访客。

2）活动目标。不同的营销活动可能对应的目标不同，例如促销类广告活动可能以引流和销售为主要目标，而新品展示类广告活动可能以拉新为主要目标。这两种情况下，前者看重整体流量和销售，后者侧重新用户流量和销售。

3）企业所处的阶段。同一个企业在不同阶段的战略目标往往不同，企业初期会以扩大知名度为突破口，因此大量的覆盖媒体以及扩大宣传是侧重点，测试关于曝光和展示类的指标更重要；进入到快速上升阶段，需要扩大市场、引入大量新客户，因此对于广告流量、新用户的引入更为关注；在平稳发展阶段，对于用户的重复消费、市场结构的稳定和成本结构优化往往又是重点。

以电子商务网站为例，以下几个指标可以作为参考项：

流量数量指标：访问量（访客以及其他去重逻辑的访客会增加对于人数理解的难度）。

流量质量指标：产品页转化率、加入购物车转化率、购物车转化率（普通行为类指标的意义会小于具有交易转化的指标）。

成本结构指标：不同广告类型的预算占比、不同细分广告渠道预算占比（既有总体类别又有细分渠道的预算占比，可以帮助领导快速了解费用支持的总项目和细分项目）、CPC（每次点击成本）、每订单成本。

ROI指标：各个细分广告渠道ROI。

（2）适当的图形

有了合适的指标，下面需要做的就是通过适当的图形做展示。通常图形展示以简单、易懂的为主，例如饼图、柱形图、折线图、地图、漏斗图等能突出对比和趋势意义的图形；尽量少的使用玫瑰图、3D图、桑基图、双坐标轴图等复杂或需要先仔细观察才能理解的图形。

很多企业（尤其是第三方服务公司）会使用一些速度计、记分卡等具有单个信息元素的展示形式，对于此类展示是否适用要根据实际情况而定。如果企业领导层对于要展示的数据有比较清晰的概念，并且能快速一眼通过当前单个数据了解趋势、优劣等特征，那么可以使用该形式；如果领导层对历史背景不甚了解或熟悉或者由于要展示的信息过多而导致无法一眼看出优、劣、好、坏的，那么就不应该使用该形式。

大多数情况下，即使无法通过记分卡、速度计等看出实际效果，企业领导一般也不会明确表达出来。所以，为了慎重起见，建议读者少用这些形式。

另外，对于一页纸内容长度的把控，建议读者根据要汇报对象的“高度”以及汇报内容的详尽程度具体定义，有以下规律可供遵循：

领导级别越高，对于信息的汇总和宏观视角要求越高。一般不存在一份dashboard既能满足经理级别的需要又能满足CMO的需要。

领导层级越高，其仔细阅读每个细分报告内容的时间和精力越少。因此，报告的内容长度应该随着汇报对象的级别增加而递减。

如果没有特征要求，可以先从一份具有“中等”长度的报告做起，不断通过领导的反馈来做内容长度测试。

除此以外，还有下面有些小技巧可以用到做dashboard过程中：

不要在一份dashboard中罗列太多指标，指标太多跟没有指标的效果差不多，都会淹没关键信息，并且也会失去dashboard的意义。

不要期望一份dashboard能解释所有事情，如果能从中得到关键结论就可以，其他的可以通过专项工作深入研究。

dashboard中尽量通过对比、趋势、加粗等多种方式突出主要信息点，并尽量减少汇报对象对于结果优、劣、好、坏的思考时间。

对于dashboard中的异常变化一定要提前做功课，因为有功底的领导对于数据都是敏感的，当遇到数据异常或变化较大时，一定会追问为什么，作为分析师要提前做数据分析和探索找到原因，即使汇报对象不追问也可以主动解释。

对大多数企业的内部应用而言，内容大于形式，在把数据研究透彻之前，不要把过多精力放在版式和美化上。

7.9.2　关注趋势、重要事件和潜在因素是日常报告的核心

日常报告是流量数据化运营分析的基础形式，也是所有企业最常见的数据辅助支持形式。日常报告如果要在常规化的前提下做出特色，内容是最重要的一个方面，以下是针对日常报告中内容的4个建议。

关注整体趋势。周期性报告一定要有关于整体趋势的定论，对比、环比、定基比都是比较好的趋势观察方法，关于整体趋势的变化结论除了描述涨落以外，还需要确定涨落异常；另外，确定标杆值也是日常数据描述的重要途径和参照点。

关注重要事件。报告期内的重要事件是汇报对象普遍关注的模块，因此有必要将重要事件的数据及对整体的影响做简要分析。

关注潜在因素。除了整体数据外，作为数据分析师一定能通过数据发现报告周期内的潜在因素，该因素可能是与整体趋势相近或相反的，但对整体可能产生重要影响的业务节点。

关注成本对象。大多数情况下，企业内部对于成本的支出较为关注，因此应该在报告中将占有较高成本的对象的实际效果加以反馈，尤其对于其变化的原因加以了解。

某些数据从业者单纯发送数据表格的工作并不算报告，这些工作应该尽量通过系统自动实现；报告一定是有事实、有观点、有结论的主体，而不是一个数据陈列。

7.9.3　使用从细分到多层下钻数据分析

细分是网站分析的基本方法，也是数据分析的基本思路。细分分析的过程是对整体数据进行层层拆分，然后找到影响整体的局部因素。

举例：表7-1显示了全站昨日访问量环比增长1888，比例为39%，要针对该结论进行分析只需要将来源渠道做细分（下钻）即可。

步骤1　全站流量按来源模块可细分为广告、SEM、SEO和直接输入（假设只有4个模块）。细分发现广告是网站流量的主要来源（昨日访问量占比82%），访问量增长2194，比例为67%，说明了广告是网站访问量增长的主要驱动因素。

步骤2　对广告模块做进一步细分，发现其中主要增长模块为Sina，该模块昨日访问量占比79%，环比前日增长1990，比例为85%。如果该模块有不同的位置，还可以做进一步细分。

至此已经找到了昨日网站访问量增长的主要原因是Sina来源流量增长，此时可直接找到Sina模块的业务负责人进行沟通进一步原因。

表7-1　访问量细分数据

传统的网站分析工具大多只提供了1层下钻或细分的功能，这往往难以发现具有深层原因的事物主体。某些工具则通过提供更多或无限层级的下钻能力，可以为分析师提供找到深入原因主体的可能性，例如Webtrekk提供了4层下钻，Adobe Analytics的临时分析则提供了无限下钻的功能。

在上述细分分析过程中，虽然整体访问量上升，但是我们发现部分模块流量下降且比例较大，如SEM下降比例为12%。这种权重较小的数据异常往往容易掩盖在整体数据之下，此时数据从业者可针对该问题提出质疑和分析。

7.9.4　通过跨屏追踪解决用户跨设备和浏览器的访问行为

用户行为信息的采集都是基于cookie实现的，而cookie是以浏览器作为依存环境，这意味着当同一个用户在同一个电脑的不同浏览器上或者不同的电脑上访问时，会被认为的是不同的用户。针对这种情况，我们会使用一种称为“跨屏追踪”的方法来实现用户行为的辨别和标志。

实现跨屏追踪必须依赖于可靠的唯一识别标志，该标志的产生有以下两个前提条件：

登录。目前暂时还没有其他方案能取代登录，登录（包含注册）意味着用户有唯一的识别标志，该标志可以将真实的用户区分开，这是其中最为关键的一步。

Cookie有效。这个环节可能被很多人忽略，Cookie有效意味着用户的电脑中必须存在之前跟登录ID关联的Cookie信息，这样才能将用户ID与其他浏览器下的CookieID关联起来，即实现用户跨屏追踪与关联。

是否具有跨屏追踪对于结果的影响是显著的，图7-7显示了两种状态的差异。

图7-7　跨屏追踪原理

其中：eid是唯一访客的标志，cid是唯一用户的标志：

当没有跨屏追踪时，统计结果是3个访客、3个访问、3个独立浏览器；

当有跨屏追踪时，统计结果是3个访客、3个访问、1个用户、3个独立浏览器。

两份不同结果显示了，当用户在不同的设备间存在登录行为时，我们可以将于其登录ID将多个设备的信息关联起来。但是相反的，如果没有用户ID（用户注册或登录）、或者没有CookieID（用户唯一识别标志）我们都无法准确识别用户的关联行为，也就无法跨屏追踪。

跨屏追踪能在有唯一登录ID的情况下对用户去重，这意味着某些指标或数据会发生变化。用户去重并不意味着数据丢失或者减少，而是由于系统将重复访问的用户合并。

不同的系统有不同去重应用方法：

在Adobe Analytics中，独特访客的计算依据将改变，原有的独特访客计算以Cookie为计算依据，根据不同的时间去重；启用该功能后，独特访客将首先依据用户ID进行去重，如果没有用户ID再根据Cookie去重。

举例：以图7-7所示的用户行为为例，在Adobe Analytics中的独特访客将变成1，而不是3。但实际上我们知道用户数为1，独特访客是为3，这种计算逻辑跟之前是有区别的。因此，建议大家在Adobe Analytics中慎重使用该功能。

在Webtrekk中，针对启用去重功能的账户会发生一些变化。

变化1　针对用户的去重，跟Adobe Analytics类似，都在原有的UV指标基础上进行了过滤，所以情况与上述相同。

变化2　针对原有的独特访客统计，新增了一个名为“Browsers，Unique”的指标，功能与原有的独特访客相同，都是基于Cookie统计的独特访客量，不想使用该功能的用户仍然可以针对登录情况，使用Browsers，Unique做独特访客统计。

虽然跨屏追踪受限于用户登录以及cookie的信息机制而无法对全部用户行为进行识别，但实际上正是那些有注册或登录的用户才是网站真正有价值的用户群体，因此对他们的研究和应用价值非常大。

应用1　跨设备交叉分析

统计不同设备之间的交叉访问情况，尤其结合推广、购买订单、浏览商品、预订服务等价值极大。比如要分析购买了A商品的客户特征，其中一个重要的维度是用户如何从手机、电脑和其他联网设备查看并购买该商品的，交叉比例怎么样。

应用2　跨设备的数据挖掘

既然用户的不同设备访问都有记录，我们可以基于跨设备的数据做进一步挖掘。例如：

不同设备之间的访问间隔怎样？

不同情况下（产品、广告、服务等），用户在不同设备间的关联特征如何，是手机到PC关联强还是PC到平板更具交叉性？

不同设备间，如何开始一次新的行为？如针对一款商品的推广，用户通常先从PC开始还是先从手机开始了解？不同设备应该在商品推广周期中的前、中、后哪个环节出现？

设备之间的广告投放是否存在重复推广给同一批用户导致过度曝光或浪费广告费用的情况？

用户真的可以直接从手机端下端？如果没有下单或手机订单效果差，手机端是如何影响他们在PC下单的？

服务公司一直在讲的“立体传播”“综合覆盖”是适合企业实际情况吗？

公司多渠道访问路径又是如何与多设备立体交叉的？

7.9.5　基于时间序列的用户群体过滤

在做流量分析时，群体细分是针对多种研究对象进行筛选过滤的前提。细分（Segment）一词在不同的网站分析工具里面的翻译有差异，例如Adobe Analytics的区段、Google Analytics和Webtrekk的细分都是一个意思。

在大多数细分群体过滤条件应用时，都是以无时间序列的方式做条件组合，例如：

看了首页又看了商品页的用户；

搜索了A品牌词2次又看了帮助中心的用户；

看了M活动页又将商品P加入购物车的用户。

但很多时候，我们可以将不同事件的时间序列模式加入到群体细分条件中，例如还是上面的3个示例，加入时间序列特征后条件如下：

先看了首页后又看了商品页的用户；

先搜索了A品牌词2次又看了帮助中心的用户；

先看了M活动页又将商品P加入购物车的用户。

加入时间序列后的过滤条件要求目标过滤条件必须有明显的先后顺序特征，否则即使两个条件都满足也不符合条件。这种基于时间序列的用户群体过滤能应用到很多具有明显事件先后顺序的分析场景中，例如：

分析促销活动效果，要求先浏览活动然后才购买活动中的商品；

分析广告媒体效果，要求先看了A广告，然后再看了B广告；

分析流量引导模式，要求先点击C1商品展位，后点击C2商品展位。

时间序列的有效范围的定义跟用户指标的范围一致，包括访客级别、访问级别、页面（事件级别），这些不同的级别分别指代多个发生的事件处于一个访客、访问、页面区间内，不同的区间可以混用；另外，再结合条件本身可以基于and、or等多种模式做多维度过滤，可以产生非常复杂的时间序列定义。下面仅以访问周期定义做示例：

1）简单的时间序列，指用户在点击查看特定页面之后又查看了另一个页面，两个页面之间只考虑先后关系，而不考虑访问次数或频率，两次点击发生在一个访问周期内。如图7-8所示的条件定义中，A→B→C→D和A→C→B的用户行为模式都能匹配该定义，而B→A无法匹配。

图7-8　简单时间序列

2）跨访问的时间序列，指在一次访问中完成一个点击，然后在另一次访问中完成一个点击，两个点击之间存在时间序列关系。与简单的时间序列相对，该访客需要匹配跨不同访问的点击。如图7-9所示的条件定义中，如果A和B处于不同的访问，且发生先后关系为先A后B，则匹配该区段；如果A和B发生在同一个访问内则无法匹配。

图7-9　跨访问的时间序列

3）混合访问的时间序列，指用户的前2个点击处于一个访问区间内并且具有先后序列关系，然后跟第三根点击处于不同的访问区间内，也具有序列关系。如图7-10所示的条件定义中，定义了一个用户在不确定数量的访问中查看了A和B两个页面，但在不同的访问中查看了C页面。此时，用户可以在相同或不同的访问中访问页面A和B，但C页面的访问必须与A和B的任何一方不在同一个访问区间内。

图7-10　混合访问的时间序列

4）混合访问的聚合时间序列，指用户的前2次不同访问内有不同的行为模式且具有先后时间序列关系，并且各个访问内部有聚合指标作为过滤条件。如图7-11所示，定义了一个在页面查看序列中，用户必须是第二次（含第二次）之后点击的页面是A，然后访问页面B或页面C，而与访问数无关。定义该条件后，由于访问次数维度的约束，页面A需要至少为第二个页面查看；然后，必须在相同或随后的访问中查看页面B，与访问数无关。

图7-11　混合访问的聚合时间序列

除了上述用法外，很多强大的网站分析工具还支持更多用法，例如之间模式（between and）、区间内模式（within）、不多于（less than）、不少于（more than）等，基于这些模式再配合not、and、or和多种过滤维度（事件），可以变换出无穷的过滤规则。