Question

路径分析、漏斗分析、归因分析和热力图分析原本是网站数据分析的常用分析方法，但随着认知计算、机器学习、深度学习等方法的应用，原本很难衡量的线下用户行为正在被识别、分析、关联、打通，使得这些方法也可以应用到线下客户行为和转化分析。

1.漏斗分析

漏斗分析是网站分析的基本方法，很多强大的工具支持全站页面、事件、目标之间的混合漏斗分析，通过漏斗查看特定目标的完成和流失情况。根据漏斗的封闭性可分为封闭型漏斗和开放型漏斗。

封闭型漏斗指漏斗从第一环节开始后最后的环节，数据从上一环节开始依次“漏”下来，不存在其他进入途径。典型的封闭型漏斗是购物车流程，通常情况下从加入购物车开始，用户依次进入结算和提交订单，由此形成加入购物车→结算→提交订单的完整闭环，该过程中不可能从其他环节直接进入。

开放型漏斗指漏斗的各个环节都有可能存在其他入口，整个漏斗不封闭。典型的开放型漏斗是全站购物流程漏斗，通常该漏斗是到达着陆页→查看产品页→加入购物车。在整个过程中，用户查看产品页和加入购物车可能从任何一个具备该功能的入口进入，而不一定是从着陆页开始。

漏斗分析的典型应用场景是分析站内流程，如注册流程、购物车流程等；除了可以做针对多页面的流程分析外，还可以做单页面的多个步骤分析，如表单分析、注册分析等。

2.路径分析

路径分析也是网站分析的基本方法，借助于网站数据的可跟踪和可监测特征，所有用户行为都处于可分析的状态。路径分析不仅可以基于页面产生，还可以基于目标路径、事件路径等数据主体产生。

页面路径常用于分析不同页面引流和前后路径关系，如用户从活动页落地后如何分流、典型客户的路径特征、客户网站访问动线、页面广告资源挖掘、站内多页面流程设计优化等。大多数网站分析系统只能提供基于流量（通常是PV）的单维度路径，有些强大的分析系统或插件能实现三维路径分析。这些分析可以为站内流程优化、流量引导和分配等提供决策建议。典型应用包括：

活动主会场/网站主页面如何导流？

用户是否按照“预期”流程行动？

购买“手机的用户”的浏览习惯是怎样的？

渠道A集中访问了某条路径，是否是“恶意流量”？

3.归因分析

归因分析很多时候也叫订单转化归因或归因模型，主要用于评估多个参与转化的主体如何分配贡献大小。出现归因的基本条件是某些转化没有特定的归属，因此无法直接判断到底是由哪些因素产生。

以订单转化为例，归因分析用来衡量在用户从第一次进入网站到最后一次进入网站成单时，所有来源渠道对订单的贡献作用。传统的网站分析工具把订单归因为最后一次来源渠道（在此不考虑渠道覆盖规则），但这种订单归因的分配模式忽视了其他渠道对于该订单的“转化支持”作用。在实际运营业务中，SEM品牌词流量、直接输入流量、网址导航直接进入网站的流量质量都非常高，原因是用户认知度、认可度和忠诚度比较高。但如果因此只投放这些“收口”渠道而忽视其他渠道，这些“收口”渠道效果是否还能持续？

除了传统的归因于最后进入的渠道的方法外，还有其他的归因方法：归因于最初进入的渠道、线性平均归因、随时间衰减归因、根据位置的综合归因等。

下面以一个实例说明不同归因模型下各个渠道的订单贡献情况。案例说明：用户打算购买在某网站购买商品，第一天从Sina Banner进入浏览了该网站某个活动；第二天在微博上看到该活动的推广博文点击进入网站，并详细看了其中某个活动单品；第三天该用户在搜索引擎中搜索了该单品，并点击进入该网站继续查看；第四天用户在其他网站看到有该网站的合作推广单品，点击进入该网站但仍未成单；第五天该用户最终搜索品牌关键字，点击品牌区进入网站完成订单。用户整个订单周期内访问路径如图4-16所示。

图4-16　用户整个订单周期内访问路径

不同的订单归因模型，各个渠道贡献如下：

归因于最后进入的渠道：最终互动模型将100%的转化价值归功于客户在进行购买或转化之前与之互动的最后一个渠道。案例中，SEM品牌区订单贡献为100%，其他渠道订单贡献为0。适用场合：广告和推广活动的目的是在购买时吸引用户，或者企业业务主要参与的销售周期不涉及观望阶段。

归因于最初进入的渠道：将100%的转化价值归功于客户与之互动的第一个渠道。案例中，Sina Banner订单贡献为100%，其他渠道订单贡献为0。适用场景：广告或推广旨在建立最初的认知度，品牌并不为人熟知，企业前期的推广重点放在品牌曝光下，那么首次进行品牌展示的媒介是重点关注媒介。

线性平均归因：将功劳平均分配给转化路径中的每个渠道。案例中，每个渠道的订单贡献都是25%。适用场景：如果广告或推广活动的目的是在整个销售周期内保持与客户的联系并维持品牌的认知度，则适合使用此模型。在这种情况下，每个接触点在客户考虑的过程中都同等重要。

随时间衰减归因：如果销售周期中涉及的考虑阶段较短，那么更适合时间衰减模式，该模型向最接近转化发生时间的互动分配最多的功劳。案例中，不同渠道的订单贡献作用与其最后接触的时间相关，渠道位置离订单转化越近，订单贡献作用越大，因此各个渠道的订单贡献作用依次为：SEM品牌区>友情链接>SEM关键字>微博>Sina Banner。适用场合：如果投放短期的促销广告活动，可能希望将更多的功劳分配给促销期间的产生互动的媒介，在这种情况下，与接近转化的接触点相比，一周之前发生的互动只有很少的价值。通常企业大促销情况下这种模型较为合适，“时间衰减”模式能够适当地将功劳分配给促成转化前一两天的接触点。

根据位置的综合归因：根据位置综合归因的模式结合了以上全部模型因素，根据不同渠道在整个订单周期内位置进行权重分配。案例中不同渠道的订单贡献根据设置而定，Google Analytics将权重划分为最终进入渠道、中间辅助渠道、最终转化渠道三类，Webtrekk将渠道归因细分到五种位置：第一进入渠道、第二渠道、中间渠道、倒数第二渠道、最后渠道。对位置的定义越详细，可以细分的维度和视角越多。

由此可见，不同的归因模型下，不同渠道对于订单的贡献评估结果是不同的。

4.热力图分析

热力图分析是网站分析的重要方法，该方法的主要作用是分析单个页面内的点击分布热力图是单页面用户体验分析的重要途径，通过热力图可以直观反映用户对于页面内容喜好程度。热力图可分为基于链接的热力图和基于像素的热力图。

基于链接的热力图反映了页面内每个链接的点击情况，这种热力图更容易用数据的形式分析页面不用功能间的点击分布，是一种理性的分析方法。链接热力图的问题在于如果页面内不同位置存在相同链接，则会导致同一链接在不同位置的点击数据归为一致，比如页面顶部和底部都有一个指向首页的链接，两个链接的数据相同。

基于像素的热力图反映了页面内每个点击位置（任何位置而不限于链接）的点击情况，像素热力图相较于链接热力图更容易发现在非链接位置上的用户点击习惯，如用户习惯性的点击位置、特殊页面位置喜好等。像素热力图对于新广告资源挖掘、用户喜好和习惯分析、网页功能分析具有重要指导意义；但其缺点是只能“感性”地看图分析，没有直接的数据支撑，并且热力图无法反应页面内容的变化，无法分辨同一位置不同内容的点击数据。

热力图分析常用于提取单页面内重要访问特征，如点击集中度、功能使用率等情况，通过发现用户集中点击区域为业务行动指明方向。

4.7.1　不要轻易相信用户的页面访问路径

通过页面间的路径数据图可以看到用户从某个页面开始到其他页面的流量分布；同样，也可以分析从某个页面开始，其之前的流量都来自于哪些页面或路径。但是用户真的是按照这种方式浏览页面的吗？很多时候在路径结果数据中会出现这样的问题：页面下一级路径中出现了该页面上没有的点击链接，例如链接C只存在于B页面上，但发现很多用户从A页面进入了C页面。

页面路径的识别标志不是以页面是否包含跳转链接为判定依据的，而是根据不同页面的时间戳确定的。这种判定方法准确讲其实是时间路径，而非页面路径。例如，2个不同的tab标签，分别各自打开一个页面，这2个页面会成为上下游页面，虽然这2个页面可能没有任何链接关系。

示例：用户在10:00打开了A页面，然后点击A页面的一个链接并在浏览器的新标签卡中打开B页面，接着用户点击标签卡返回A页面，又点击了A页面中的链接到达C页面，此时形成的路径是A→B→C。该报告显示了用户是依次从A到达B再到达C页面，但实际上C页面是通过A点击点击进入，而非B页面点击进入的。因此，路径分析在这种场景下就会失效。

4.7.2　如何将路径应用于更多用户行为模式的挖掘？

除了将路径应用于分析页面访问行为，还可以用于站外广告渠道路径分析、用户关键字搜索路径分析等。

1.将路径分析用于站外广告渠道分析

通过站外广告渠道路径分析不仅可以分析用户是从哪个渠道来的，更可以分析用户在该渠道之前是从哪个渠道来的，之后又会从哪个渠道进入网站，在最终形成的转化路径中，到底哪些路径是用户最常使用的“转化偏好路径”。例如有的用户习惯于从A→B进入网站成单，有的用户习惯于A→C→B成单，还有的用户习惯于A→A→A→B成单。不同的渠道进入模式决定了在广告运营的各个方面存在特定的优化点，该信息可用于以下业务场景：

整合营销传播是否适用于企业推广。如果数据发现大部分用户只通过一个渠道进入网站就可以成单，而对其他渠道的交叉访问依赖关系较弱，是否间接说明渠道整合程度可能较低或目前不具有太高的重要性。

拓展渠道评估的视野。在做渠道效果评估时，除了评估渠道的CPC、ROI、转化率、订单成本等指标外，还需要综合分析该渠道对其他渠道的“辅助”引流和订单贡献作用。

渠道落地细节优化。在转化路径中，不同推广渠道是否具有明显的位置特点或集中趋势？如展示类、广告类渠道明显处于用户转化路径的前期，距离订单转化点较远；SEM和直接输入明显处于转化的末端，距离订单转化点较近。在广告投放时，是否可以综合考虑各个渠道的媒体排期？针对不同渠道间的交叉访问，是否存在流量交叉覆盖或需要关联投放？整个广告活动的前、中、后期推广策略，如何根据路径的渠道顺序、转化时间进行优化？

2.将路径分析用于用户关键字搜索分析

当用户在网站内通过搜索引擎多次搜索相关内容时，基于不同的搜索词会产生搜索关键字路径信息。该信息显示了用户在不同情况下先后搜索的关键字路径，这些信息可以应用到业务关键字调整策略中。例如：

某个关键字虽然长期参与用户访问路径，但对订单的转化效果贡献不大，此时可以考虑该关键字的投入产出比的调整；

路径越长意味着关键字点击次数越多，同样或相近水平的回报收入，必然选择路径渠道少即点击次数少就完成订单的关键字路径；

结合关键字路径转化周期，在关键字调优时提供时间上下线参考依据；

转化路径可以基于关键字、广告组或广告计划进行分析，该模型可以综合评估每个关键字、广告组、广告计划在订单转化过程中的作用，前端引流、中间支持还是后端收口，在费用控制下可以优先投放具有收口作用的关键字；

某个广告活动投放周期可以根据用户访问行为进行判断，除了参考促销活动周期、用户转化周期外，不同路径长度下的转化周期也会纳入考量范围。

4.7.3　为什么很多数据都显示多渠道路径的价值很小？

在做多渠道路径分析时，经常会发现用户真正通过多个渠道交叉进入网站并完成转化的路径占比很小，似乎数据显示了用户并没有那么多的跨渠道访问后完成转化的习惯。在企业实际数据表现中，这并不是一个特例。

根据笔者接触到的日均UV在100万以上的几家企业，涵盖了快消、家电、保险等行业，发现该规律普遍成立。为什么多渠道整合传播对于用户转化的意义如此有限，或者说整合传播的意义没有传统宣传中的那么明显？主要因素包括以下几个方面：

Cookie删除机制。虽然比例较小，但是删除Cookie仍然意味着渠道路径信息无法关联。

媒体碎片化严重。多渠道访问转化意味着用户需要在不同渠道间重复访问，即用户分别访问了A、B之后，才能形成由A到B的路径，而媒体碎片化导致这种重合概率变小。

企业投放媒体较少。投放媒体较少会直接导致数据样本量不够，无法覆盖用户重复访问的渠道，因此无法得出有意义的结论。

用户忠诚度和访问习惯。高质量的媒体用户忠诚度较高，这些入口习惯会让这些渠道成为对转化最具有价值的投放媒体，因此用户不会通过访问多个媒体后完成转化，而仅仅访问一个高质量的媒体便能形成转换。

跨设备追踪、跨平台追踪问题。之前用户跨设备、跨平台访问无法关联，导致用户多设备、多平台间的关联失效，例如，用户在手机上看到广告和从PC端完成购买是无法关联的。即使是目前基于用户真实注册或登录ID的跨设备、平台追踪也无法从本质上关联匿名用户信息。当用户的目的只是浏览信息时，一般是不会特意登录或注册的，而没有登录或注册唯一ID就无法关联到所有设备或平台。

4.7.4　点击热力图真的反映了用户的点击喜好？

当用户在网站上点击时，无论页面内是否有链接，都会被网站跟踪分析工具捕获点击的位置（水平和垂直坐标），然后基于每个像素的点击形成页面点击热力图。这些点击通常都会集中到有内容交互的页面功能，例如表单、按钮、播放器、链接等元素上。

但是，点击热力图有时并不是基于交互元素产生，在很多空白的内容区域也会产生大量的用户点击。这些点击通常不是因为用户真的喜欢某些功能而点击，而是习惯性动作才导致了很多非内容或功能区域点击聚集。

以图4-17为例，点击热力图显示了用户在填写表单时的点击焦点。通过像素热力图分析发现，首页游戏充值表单的右侧（线框区域）点击热度很高，但该区域并没有如此多的功能交互项，因此不可能发生基于特定的内容或兴趣产生的点击。这些位置很大可能是用户习惯性的点击右侧，以完成表单选择或作为滚动滑轮的前置动作。

图4-17　用户点击热力图

4.7.5　为什么归因分析主要存在于线上的转化行为

归因分析产生于线上网站数据分析主题中，主要原因是在于线上转化行为的归属模糊性。以订单转化归因为例，在线下实体销售网络中，商品都隶属于某个分公司、分销商或门店，具有明显的归属关系。当商品售卖出去之后，可以通过商品归属分析商品是通过哪些门店、促销展柜等卖出去的。

但是，线上的商品却没有明显属于哪个“门店”的逻辑，相对于线下门店或商品陈列的位置，线上对应了多种商品展示位置，例如首页、列表页、超市页、活动页等，所有的位置都可以展示并允许用户点击甚至购买商品。当用户从某个位置点击商品之后，还可能会通过其他位置再次点击相同的商品，此时如果发生订单转化，就很难判断到底是哪个位置导致了用户的订单转化行为或卖出了商品。以下两种场景显示了转化归因的难点：

场景1　用户点击了多个商品陈列位置并购买了其中的商品。

假如商品P1在首页、超市页和列表页分别有K1、K2、K3三个商品展位。用户依次进入这3个页面并点击了K1、K2、K3这三个坑位后最终购买了该商品。此时，用户由于点击了3个坑位，无法判断到底哪个坑位产生的转化贡献最显著，更无法判断到底是那个展位卖出的商品。

场景2　用户点击了多个商品陈列位置但购买了其他商品。

假如商品P1在首页有一个展示坑位K1，当用户点击该商品P1后到达商品详情页；此时用户发现商品详情页上有关联推荐商品P2便进行了点击，在P2页面用户又发现了P3商品并到达商品P3的详情页，最终用户下单购买了P3。此时，用户从首页坑位K1到达P1页面，然后到达P2页面，最后到达P3页面完成购买。虽然用户开始点击的商品跟最终购买的商品不同，但不可否认的是，前两次点击对于用户购买P3确实也产生了重要作用，如果没有前两步的“引荐”作用，用户可能无法发现P3更不可能购买。

归因分析的出现恰好用来解决线上用户复杂的访问和购买场景下，如何分配所有参与转化的主体如何分配“贡献度”的问题。

4.7.6　漏斗分析和路径分析有什么区别

漏斗分析和路径分析都是用来衡量有关多个主体的流程性、序列性的关系，因此二者很容易混淆，但这两种分析方法具有很大的差异性：

分析目标不同。漏斗分析用于测量有特定完成目标的场景，例如购物车转化、注册转化等；而路径分析侧重点分析开放性的流程，通常没有特定完成的目标。

不同环节的关系不同。漏斗分析只能看到从上一级节点到下一级节点的转化关系以及到外部的流失节点；但是路径分析可以形象的展示某个节点跟其他所有节点之间的关系而不限定于是否转化或流失。

衡量主体之间的逻辑不同。漏斗分析的前后不同序列节点之后，往往带有明显的转化关系，通常会用从上一级到下一级还“剩”多少来表示这种关系；但路径分析的不同层级和节点之间是一种平行的关系，不存在明显的前后序列或转化关系，并且路径分析的不同主体之间还可以相互转换互相成为双向上下游，而漏斗分析只能是单向的上下游关系。

表示结果不同。漏斗分析通常用完成率、流失率等指标评估，而路径则使用事件的比例来评估，例如页面浏览量占比、访问量占比等。

应用主体不同。漏斗分析可以用来分析不同类型的数据之间的转化关系，例如事件、页面、行为，例如停留超过30秒→浏览首页→点击加入购物车→提交订单；但是路径分析通常只用来分析相同维度下的主体，例如页面路径、广告渠道路径、关键字路径等，很少会做交叉类的分析。

有关网站分析的具体分析实践，主流的方法是通过网站工具来实现，而非使用R或Python。很多公司内部也有使用Python、R基于日志来做网站分析，甚至自己开发网站分析工具。但几乎所有公司内部自己开发的具有网站数据分析功能的工具，其分析能力、实时性、可用性、灵活性等都无法与免费的Google Analytics相提并论，更不用说与Webtrekk、Adobe Analytics等商用分析工具比较。Python等开源工具可以用来做网站分析，但并不是大多数场景下网站分析的最优选择。本节提到的漏斗、路径、归因、热力图，以及其他更深入的多维下钻、转化和自定义跟踪配置、实时数据分析等都是如此。有关Python应用到网站数据分析的更多话题，会在后面第7章讲到。