《流量的祕密》閱讀分析

前朝俊傑發表於2018-04-20
第一部分
資料產品的兩段式，關於怎麼分析資料指標。
第一部分概覽理解：
1、放棄對因果關係的追求，關注相關關係。（個人理解：因果關係是一定存在的，只是比較晦澀，追尋這些因果關係，可能要花費大量的資源和精力，並且得到的回報可能是毫無用處的雞肋結論，投入產出過小，不如只追求表面的相關關係划得來。）
2、用途：a、預測趨勢，做大勢分析。b、對個體分析，做精準化營銷（這是目前一般公司的用途）
3、資料結構：大資料更多體現在海量非結構化資料本身與處理方法的整合
NO.1
網站分析的指標：
1、基本指標比較清晰和常見，在過去的工作中大大小小均有所接觸，也比較容易理解，主要關注在基本指標基礎上，更進一步的複合資料分析，這些複合指標分析可能直接作為策略指導以及業務導向。基礎指標就不展示了，列一下需要深度思考的 一些問題。
進一步思考：
- 訪客價值
- 頁面價值（或者資源位和廣告的價值）
- 新舊訪客的投資回報率
- 網站的跳出率（根據不同頁面以及不同來源進行分析）
- 網站對使用者的吸引力
- 使用者的生命週期
帶著這些問題，抱著研究的心態，繼續接下來的閱讀，據書上說，能在下面的章節找到答案。
分析的基礎方法論：
1、方法論：獲得訪客→評估表現→分析趨勢→實驗改進 （迴圈此步驟，逐漸優化）
就目前對資料產品這塊來看，大的框架還沒有逃出上面所述的方法論指導，隨著資料這塊關注度的提升和技術的進步，在每一個步驟的深挖程度較早先的時候，可能提升比較多，但是做初步瞭解從經典的方法論起步，也沒有偏頗的風險。
2、網站分析的重要性
書上有一句話特別經典：”衡量投資回報率的投資回報率是多少“，不說公司，單說市場和商業模式，在這兩者已經確定的情況下，接下來就是一個精細打磨的過程，在定勢上做優化，在公司市場和供應鏈投入不變的情況下，投入資料產品優化（包括流程、人與網站內容的關係等），從而提升公司在市場上的投入產出比。對流量、轉化進行分析和優化，是一個公司發展到一個階段後的必由之路。
NO.2
網站分析的現有方法：
此處的現有方法是比較早了，很多問題現在已經得到了優化（尚未完全解決），比如原來會自然丟失20%的流量，現在可以做到只又10%的丟失，但瞭解此部分可以增加對全書內容的理解。
1、頁面標籤技術
- 主要的優點是可以提供精準的追蹤，實時提供和處理客戶端資料，還能統計電子商務資料，應用比較廣泛。
- 頁面標籤主要通過cookie完成，刪除cookie和使用第三方cookie會造成資料無法統計和使用者拒絕問題。
- 一個網頁，在沒有清除cookie情況下，兩個使用者先後訪問，會只統計到一個使用者（通過賬號登陸可以緩解此問題）
- 類似於網咖這種，關機會自動清除cookie 的，同一個使用者會被統計多次（通過賬號登陸可以緩解此問題）
2、日誌檔案
- 可以處理舊資料，可以不受防火牆阻隔，儲存在伺服器中（這就意味著不能追蹤事件）
- 日誌檔案通過IP來統計，動態IP的話，會導致資料不準
- 訪問快取頁面的時候，可能沒有辦法和伺服器聯通，統計不到資料
- 爬蟲等技術，會使資料虛高
3、總結分析
- 兩種方法都可以統計資料，但是都有侷限，可能會造成資料不準甚至是錯誤，所以這些統計方法， 只是在研究關係和趨勢方面會有指導意義，如果要看某個具體的數值，比如流量大小之類，只能看一 個大概（已經能滿足運營需求）；如果是一個電商網站，需要看精確資料的，大概是兩個值：一是訂 單相關，二是gmv相關，這些都可以儲存在資料庫中， 是比較精確的，其他的資料只要用趨勢來指導 一下業務就完成了其資料的使命。
- 資料的統計策略：兩種方法有缺陷，在統計時，可能有問題的資料，寧願捨棄，也不要將其納入資料統計中，”舍即是得“。另外，需要過濾一些特定的、已經確認是無效的資料，比如機器人爬蟲之類的，在前期考慮儘量全面，可以避免很多髒資料。
- 頁面的漏斗和層級要設定好，全面考慮，建立一個良好的合理的漏斗模型。
GA的亮眼功能（系統的功能介紹）：
- 路徑完整性好，使用者從哪兒來、使用者在網站的行為、關鍵路徑的轉化，GA都包含。
- 交叉分類，可以對資料集合進行交叉操作
- 電子商務報告，亮眼的功能中這個功能最亮，將資料貨幣化，可以深挖電商方面的資訊。

除了其他一些報表常見功能外，上面幾個功能是GA好用的精華，但是比較自己做的系統來說，還是不夠因地制宜，但是可以滿足一般的功能需求了。另外，GA的資料無法被第三方呼叫，這塊是有一些不方便的，如果平臺要用這些資料做一些其他的事情（包括人群的風控、營銷活動投放至指定人群等），還是要走自己開發的路線，這些功能可能還涉及到人群畫像之類的其他模組。
第二部分
GA的報告：
- 需要關注指標 頁面價值 $index=（目標價值+電子商務收入）/ 獨立頁面瀏覽數
頁面價值越高，受歡迎程度越高。
- 此章節中，可以看到【第一部分】中的問題答案：通過報告可以展示各項資料
其他：略（GA的後臺設計是比較清晰的）
第三部分
此部分主要是部署，作為資料方面的產品經理，瞭解資料分析的流程策略即可，不需要具體實施。
第四部分
此部分主要是資料產品的兩段式的後半段，主要是關於怎麼用資料優化產品設計。
NO.1
書中的關鍵流程：確定合作伙伴→頭腦風暴→設定OKR（目標和關鍵結果）→提煉OKR
- 對於現階段的工作來說，主要重點是網站商品排序和推薦的策略，主要是通過演算法策略影響轉化和營收，對於我們團隊來說，業務方就是我們自己，我們團隊內部通過一系列的研究和實驗，得出一個最優的策略並應用到線上。
- 與文中切合點在：設定OKR和提煉OKR，並將okr拆解成可以實現的、可以影響的指標引數。
- 2018/04/23 -
- okr是關鍵目標，所有的KPI需要對關鍵目標負責，並且kpi可以納入考核機制，產品工作中方法論的OKr與kpi需要與驅動力剝離開，工作中的驅動力，更多的應是來自自我驅動，KPI只是實現過程的指標拆解（驅動網站進步）。
- kpi的指標是需要可衡量和計算的，這點對於資料產品來說，不算問題，資料產品從資料出發，回到資料，全程都是可對比、可衡量的。
- kpi需要具有層次性，拆分的顆粒度儘可能細緻。
- kpi的對比標準需要仔細考慮其他因素，包括市場環境、競品行為等，都需要合理的考量，不能光看資料進行對比。比如電商有淡季和旺季（對於海外市場，國情文化不同，淡旺季的表現可能也不同），不能單純的對比往月資料。
- 書中闡述了在電商產品中，各經理主要關注的kpi，指標設定具有一定的啟發性，但例子本身並不是適用於目前工作範圍，暫不贅述。
NO.2
本章會主要說明GA的作用，以及產生作用的GA功能。
- $index值、做多登陸和離開的網頁、渠道視覺化的報告，這些能幫助定位哪些網頁的效果欠佳，不過在拿到資料後，應當綜合考慮，有部分效果欠佳的網頁，可能是因為政策和當地環境等因素不得不如此設定，這個就是內在原因了，我們需要拿到資料，再綜合考慮原因，然後思考策略，最後落地實現並觀察。
- 接上文，有些時候跳出率並不能說是網頁效果不好，前幾天看到的知識（正規途徑看到的！），介紹說pornhub（黃色網站）的視訊熱度計算策略是根據使用者觀看視訊後關掉網站的行為計算的，確實很符合使用場景。對電商來說，如果有段時間商詳或購物車向結算的轉化降低，單獨看是可能這兩個頁面有問題，但是可能另外一個資料是加購率提升，最後導致這兩個指標變化的原因是在做活動預熱，類似於淘寶的xx節預告，結合了原因來看，那兩個異常的資料就很正常了。
NO.3
本段主要介紹分流測試工具：website optimizer
- website optimizeer 可以做傳統的A/B測試，也可以應用於多變數測試（測試多個組合，比如abc、acb等）
- 測試：
（1、確定測試頁面以及其kpi
（2、為頁面新增標籤（技術）（測試內容的變體為存在Google故武器中）
（3、新增測試內容
（4、評估和釋出

- 完 -

相關文章