① 一步步教你分析網站數據
一步步教你分析網站數據
可用性測試和數據分析是一對無敵好搭檔，它們讓我們更多地了解用戶，跟蹤我們的目標，解決意外的問題。說到解決問題，數據分析告訴我們哪些頁面或者流程正在給用戶造成麻煩，哪些領域需要我們在可用性測試中重點關注。接下來，可用性測試會告訴我們為什麼用戶會表現出某些特定的行為。在這兩者之上，我們可以為網站擁有者提供重點明確、針對用戶的建議。
在小紅（和許許多多與之相似的用戶體驗從業人員）的例子中，數據分析能揭露用戶到底是怎麼訪問網站的。雖然小紅和客戶在用戶體驗或顧客方面的經驗可能讓他們對於測試什麼有了不錯的假設，但對於人們是如何訪問網站，數據分析展示給他們的是更為清晰、無偏見的方式。
對於任何希望通過學習一些簡單的工具來讀懂數據的人，數據分析可以幫助你：
識別網站上出問題的地方顯露網站對於用戶的吸引力測量設計上的改善帶來的結果在這兩篇系列文章中，我將會解釋如何利用數據分析來識別用戶有問題的地方，以及網站的哪些地方會從可用性測試中受益最多。本篇文章的重點為——三個識別網站問題的參數：跳出和退出率(bounce and exit rate)，頁面平均時間(average time on page)和目標價值(page value)。在第二部分，我們會進一步利用這些參數來識別drop off points，然後我們會深入到數據分段(segmentation)來獲取額外的細節信息。
辨認問題網頁（組）作為一名自由職業者和用戶體驗咨詢師，我與各種各樣不同領域的網站合作過，其過程非常一致，總是以數據分析為開端。最開始我會去辨認每天有多少用戶訪問這個網站，哪個頁面最常用。這會給我一個大概的感覺，知道人們是如何訪問這個網站的。然後我會進行下一步：辨認潛在的出問題的領域，繼而知道我的用戶體驗建議將會著重在哪一塊。
總體來說，我會觀察三種類型的參數來辨認問題所在：
跳出和退出率(Bounce and exit rate)頁面平均時間(Average time on page)目標價值(Page value)跳出和退出率(Bounce and Exit Rate)
跳出率和退出率是兩個可能造成混淆的參數。跳出率是只訪問了網站的一個頁面的用戶的比例：在一個頁面登陸，但是沒有去訪問任何其他頁面就離開了網站。
【譯者註：谷歌官方解釋為「跳出率指單頁訪問次數（即訪問者從入口頁離開網站而未與網頁互動的訪問次數）所佔的百分比」。】
退出率是從一個頁面離開了網站的用戶的比例（它包括了那些之前在該網站瀏覽了其他頁面的人）。
【譯者註：谷歌官方解釋為「退出百分比指從某個或某組特定網頁退出網站的次數所佔的百分比」。】
如果我發現了網站的一部分出現了一個很高的跳出或者退出率，我會做上筆記，以防某些頁面的什麼東西造成了用戶的離開。一個有著高跳出率的頁面可能說明這個頁面上的內容不是用戶來到這個頁面所期望看到的東西。一個高退出率的頁面可能說明這個網頁導致了用戶在他們想要的流程中半途而廢——從另一方面看，如果一個高退出率的頁面是流程的最後一頁，那麼這個高退出率就不再是個問題了。
用谷歌分析（Google Analytics）中的「加權排序（weighted sort）」會讓跳出率更加有用。根據谷歌分析，「加權排序把百分比數據根據重要程度排列，而不是序號排列」。舉個例子，一個頁面雖然有著100%的跳出率，但在過去的一個月中，只有一個用戶訪問，然後離開了該頁面（另外一個更大的問題可能是沒有任何人訪問過這個頁面！）。如果一個頁面有80%的跳出率，但是是一個在流程中非常關鍵的起始頁面，那麼這個網站可能因此流失了大量的生意。為了更好地為頁面可用性測試做准備，我們必須辨認出問題出現的原因：是因為沒有人訪問這個頁面，還是每個訪問的人都馬上離開了網站？
頁面平均時間(Average Time on Page)
「頁面平均時間」是指用戶瀏覽某個頁面所花費的平均時間。如果我發現有一個頁面的「頁面平均時間」很低，這可能意味著該頁面沒有引起用戶足夠的注意。從另一反面來看，如果用戶在一個結賬頁面停留很久，那麼可能是因為該頁面過於復雜了。當然，所有的參數都必須放在具體的情境下分析；如果一個博客文章有一個很高的「頁面平均時間」，那麼總體來說是一個好的現象，因為這可能意味著用戶真的在閱讀整篇文章。
另外一個衡量頁面表現的非常好的方式是利用「與網站平均數比較」的選項。這個圖會顯示某些頁面在某個參數上是不是在很大程度上高於或者低於平均值。雖然這些頁面仍然需要一頁一頁地分析，因為不同的頁面有用不同的目標，但是低於平均瀏覽時間的頁面總體來說可能會有問題，假設目標是為了讓用戶繼續閱讀的話。下面的例子清晰地表現出「聯系（contact）」頁面相對來說有比平均值更低的瀏覽時間，然而「博客（blog）」頁面有高於平均值80%的時間。
再次強調下，情境是關鍵。用戶可能來到聯系頁面來尋找一個公司的地址，或者聯系電話。如果他們成功地找到了，那麼他們就會離開該網站，因此較低的頁面瀏覽時間在這里是一個好的現象，說明頁面很有用。一個「博客」頁面是用來吸引用戶的注意的，因此一個高於平均值的時間可以被看做是一件好事。
頁面價值(Page value)
「頁面價值」是一個非常重要，但是很少被用到的參數，它可以用來發現表現欠佳的頁面。目標價值，就如它的名字所示，是一種賦予頁面直接的貨幣價值的方式。對於電子商務網站來說，它納入了各種各樣的交易收入總數和所有類型的網頁的目標價值——這些參數都需要在谷歌分析中人工設置，才能計算出頁面價值。一個高價值的頁面往往顯示出它是一個重要的頁面，意味著該頁面值得被納入可用性測試中。
一個高價值但是展示出高退出率的頁面是值得重視和改進的。意味著這些頁面讓用戶在回話流程的關鍵位置離開了。在下面的的例子中（一個電子商務網站），我突出顯示了三個有著類似的頁面價值的品類。可以清楚地看到，「個性化化玩具（personalised-toys）」的產品頁面有一個相當高的退出率。這說明這個高價值的頁面正在讓用戶「流失」，並且應該在未來的用戶體驗設計工作中引起重視。
然而，單獨的某個頁面只能展示部分真相。「內容分組(content grouping)」這個功能很重要，我們可以利用它來觀察網站的某個部分表現如何。內容分組可以把數據根據用戶訪問的頁面種類來進行分類，因此十分必要。我們可以用各種各樣的方式來分組。比如對於一個買衣服的網站來說，可以根據不同種類的服飾來分組，看看褲子是不是比襯衫的頁面價值要高。
一旦發現某個頁面或者某個組的頁面價值很低，下一步我們要做的就是：找出背後的原因。在上面的例子中，襯衫相對來說有比較低的價值。我採取的第一步行動是，根據我的經驗和判斷力，看看在襯衫的頁面上有沒有任何明顯的用戶體驗或者技術方面的問題。做完這個之後，我會和真實的用戶一起來測試這些個頁面，來看看為什麼會有這些問題——並且尋找那些暗含了修復方式的線索。
內容分組是一個非常強大的工具，可以讓你看到網站的不同部分的真實表現。
在實踐中利用參數
這只是利用數據分析來發現網站問題的第一步。在本系列的第二部分中，我們會著眼於如何發現用戶流程中的流失點，以及如何把用戶分類來看到更多的細節信息。
與此同時，你嘗試著利用在本篇文章中學到的方法來發現可能存在的問題：
調出跳出率，找出那些用戶訪問並且馬上離開了的頁面。瀏覽所有頁面的退出率，找出在流程的哪些地方用戶離開了網站。考慮到用戶在頁面平均停留時間的重要性——一個擁有著高跳出率的博客頁面，同時擁有著很長的平均頁面時間，這是一件好事！根據頁面價值排序，觀察頁面。頁面價值越高，那麼就越值得被納入可用性測試，從而最終修復用戶在該頁面遇到的問題。在上一個客戶的案例中，小紅利用數據分析來發現那些需要進行可用性測試的地方。然而目前為止，小紅只發現了網站中值得測試的單獨的頁面和頁面組。她覺得她需要知道更多的關於最常見的用戶行程（user journey）的信息。她還想更加深入地理解用戶，看看不同類型的用戶如何訪問網站。為了能進行最佳的可用性測試，小紅真心想要知道人們事實上是如何使用網站的。
簡單來說，數據分析是一種用來發現可用性測試最佳測試頁面的極好的方法。在本系列文章的第一部分，我講解了如何利用數據分析來發現網站的問題所在之處。這么做可以讓我們更好地理解目前的用戶行為，並且幫助我們集中力量在將要測試的任務上。
在如何利用數據分析來指導可用性測試的這一系列文章的總結部分，我將更仔細地探討如何通過識別用戶行程、將用戶分類來比較不同的用戶組的行為。
識別流失點知道用戶是如何在整個網站中流轉的可以增加單個頁面狀態的情境（context）。比如，分析用戶行程中前一個頁面的數據可以幫助我們識別為什麼某個特定頁面的退出率特別高。另外，找出最常見的用戶行程對於謀劃可用性測試很有好處。可用性測試可根據這些常見的用戶行程來設計，從而確保在測試中用戶的行為是和已經存在的用戶行為是相符的。
谷歌分析嘗試通過用戶流程圖（user flow）和行為流程圖（behavior flow）報告來展示用戶行程。他們可能比較難閱讀，並且經常因為把多個頁面組合在了一起而變得很麻煩。這意味著谷歌分析通常只能把最為普遍的幾個頁面單獨展示，而把其他的頁面組合在一起，顯示為「大於100個頁面」——這對我們一點幫助也沒有。下面的截圖顯示出這種非常局限的信息是如何讓分析變得困難的：只有幾個頁面在每個用戶行程的階段中是單獨被顯示的，剩下的頁面都被組合在了一起。
盡管頁面被組合造成了很多問題，花些時間分析這些報告仍然可以幫我們發現問題區域，根據的是流失率或意想不到的用戶行程（比如，我們本來期待的是這樣，但用戶卻走向了另一個方向？）。一旦我們發現了問題區域，我們就可以謀劃可用性測試，來看看用戶在整個行程中是如何思考的，了解他們為什麼會有這些麻煩。
在谷歌分析的用戶流程和行為流程報告中，所有的頁面用了綠色的矩形來表示，灰色的連接線用來表示頁面之間的用戶行程。每個矩形還用紅色表示了流失率的百分比（也就是說用戶正離開網站）。它們可以說明常見的用戶行程，以及用戶在哪些地方離開了網站——也是另一種問題區域的跡象。
下面的例子來自於一個我曾經工作過的旅行網站。它在主頁有一個特別明顯的搜索框。
在這個簡化了的並加上了筆記的圖中，我們可以看到一個可能的問題。用戶利用搜索框來找到某個旅行目的地，但之後又從搜索結果頁面回到了主頁（又名，彈簧跳（pogo sticking）），說明了搜索結果對用戶來說不夠滿意。這可能歸結於許多的理由：可能搜索功能經常搜不出結果，搜到太多結果，或者太少結果。也可能這個問題和搜索結果本身無關，而是其他的理由，比如搜索結果里的酒店的價格太高了。
數據顯示最初的搜索是讓用戶不滿意的，這讓我決定針對搜索框來進行一些可用性測試。可用性測試的結果顯示，問題的原因在於搜索結果太多太泛了，用戶被大量的結果淹沒了。根據這個測試結果，我建議引入一個多面搜索系統（faceted search system）：在搜索結果頁面讓用戶可以根據一些標准來過濾搜索結果，而不用返回到主頁重新搜索。這個新的搜索系統讓用戶可以根據酒店提供的服務設施來過濾他們的搜索結果；比如是否有游泳池、健身房和其他的設施，這意味著用戶可以發現對他們自身有用的結果。這個設計方案讓搜索後又回到主頁的用戶數量大幅度下降，讓更多的用戶進入到他們行程的下一步。
上面的結果顯示的是多面搜索系統被引進一個月後的分析數據。圖中顯示出，主頁和搜索結果頁面之間的「彈簧跳」現象減少了。雖然仍然還有改進的空間，但這個變化產生的積極效應是非常鼓舞人心的。
數據分段，更多的細節數據分段為觀察不同用戶的不同行為提供了一個絕佳的方式。一個簡單的例子就是比較新用戶和回訪用戶。下面的圖來自於一個在線找工作網站，它顯示出新用戶的數量在該月幾乎是持平的，然而回訪用戶的數量卻跟隨了一個不同的模式：在周末的時候數量明顯下降。
這使我想知道更多的細節，關於新用戶和回訪用戶的不同點。其他關於這兩種不同用戶的數據顯示出，回訪用戶傾向於在網站上花費更多的時間，每段時間會瀏覽更多的頁面，並且更傾向於申請工作。
根據這個數據我可以做出假設：回訪用戶更可能是真正找工作的人，但新用戶訪問網站的時候更隨意。因此我推薦網站做一些個性化的設計——對待新用戶，展示更多的保證信息，說明該找工作的網站是合法的、值得信賴的，並且引導他們簡單快速地做出行動，比如注冊工作提醒。對待回訪用戶，展示更精確、細節的搜索工作的選項，並且提供信息鼓勵他們申請工作。
新用戶和回訪用戶不同的行為可以透露許多事情，取決於網站的類型。比如，對一個電子商務網站來說，它顯示回到這個網站的人更傾向於下單。如果這是真的話，那麼我們可以把重點放到幫助第一次訪問網站的用戶下單。
這種數據分段分析還可以幫助可用性測試的招募。如果在新用戶和回訪用戶之間有明顯的行為區別，那麼可能最好同時招募已有用戶和尚未訪問過該網站的用戶來進行測試。測試不同的用戶類型可以幫助解釋為什麼他們在網站上有迥然不同的行為。
除了上說例子中的新用戶和回訪用戶，在谷歌分析上還有一些現成的數據分段方式來幫助我們分隔數據，包括：
不同的流量來源——可以用來發現那些通過搜索和鏈接來到網站的用戶的區別。使用不同設備類型的用戶——可以用來比較使用手機、平板和桌面電腦用戶的參數。根據自己的需求來改造分段方式也是很好的方法，這可以使分段方式可以和整個網站重要的用戶及角色更好地相符合。通過這種方法，我們可以分析這些不同的用戶群所採取的不同的用戶行程，例如，比較已有用戶和第一次購買的用戶的行程。
數據分段可以被用來觀察使用不同設備的用戶的行程。根據手平板和桌面電腦來分段可以提供三個不同的行為流程供研究。這種方法對於發現使用不同設備的用戶可能存在的問題特別有幫助。手機用戶的行為流程圖可能會在用戶流程中顯示出一個重大的流失點，但在平板和桌面電腦中卻不是問題。這應當引出相應的手機端的可用性測試，重點放在找出手機用戶在流程中的該點流失的原因。
現在該怎麼辦？在利用數據分析識別問題區域後，下一步就是找到為什麼用戶會有這些問題。數據分析能夠提供一些關鍵的地方，需要我們在可用性測試中特別關注，或者拆分出特別的測試。作為用戶體驗的職業人，我們自然而然地想要和我們的用戶在一起，在可用性測試中從他們身上學到東西。數據分析只是幫助我們更好地進行測試。
嘗試一下——提取一些這里提到的方法，把它們應用到某個項目中。你會驚奇地發現，我們竟然可以從數據分析中發現這么多東西。、
以上是小編為大家分享的關於一步步教你分析網站數據的相關內容，更多信息可以關注環球青藤分享更多干貨
② 怎樣分析網站數據
分析網站數據，需要藉助網站分析工具，免費的有GA，但是這個需要有專業的知識，付費系統和工具也比較多，我們正在用的就是99click旗下的siteflow系統，按流量收費，價格也合理，有專門的客戶服務，你可以試試。
③ 網站數據分析的基本內容有哪些
1、獨立訪問者數量
規定時間范圍內(一般指1天)獨立客戶訪問網站的數量，一個客戶無論瀏覽多少個頁面，都是一個獨立的uv，通過該數據可以分析出規定的時間內網站的訪問量。
2、重復訪問者數量
重復訪問者數量反映了網站用戶忠誠度，網站的質量，網站的質量越高，網站的用戶忠誠度越高，網站的重復訪問數量就越大。
3、頁面瀏覽數
在規定時間范圍內(一般指1天)，所有瀏覽者訪問的所有頁面之和，頁面瀏覽數反應了頁面的質量是否是讀者滿意的內容，網站的頁面質量越高，頁面瀏覽量就越大。
4、跳出率
只瀏覽一頁便離開的用戶的比例，通過分析網站跳出率，可以判斷網站內容的質量，如果網站跳出率比較高，說明網站的內容質量不高，用戶體驗不夠好。
5、退出率
用戶從某個頁面離開次數占總瀏覽量的比例。
6、用戶停留時間
用戶停留時間反映了網站粘性及用戶對網站內容質量的判斷。
④ 網站運營數據分析報告怎麼寫
描述當前的數據狀態，網站整體情況，針對平時的 數據變化記錄，比較哪些項目是有變化的，是上升了還是下降了，下降的原因是什麼，進行糾正調整，以及上升的原因，然後此方法可以接著用，特別是你做了調整的地方要著重監測。
⑤ 如何進行網站數據分析
1、網站伺服器的運行狀況及影響
通過對網站日誌及監控工具的分析與觀察，我們可以了解到網站在每個時段中的運行狀態，網站是否被攻擊、伺服器是否出現問題，出現的這些問題是否影響訪客的來訪，網站在每個地區的運行是否都正常。
2、網站程序是否有利於搜索引擎
搜索引擎訪問網站的爬行軌跡都會被伺服器記錄，觀察總結搜索引擎對網站各個部分的訪問情況，可以查看到網站程序中是否有死循環，網站是否有利於蜘蛛的爬行收錄，網站程序代碼是否需要精簡，去除無用的代碼。
3、網站哪些內容收錄
網站的在搜索引擎的的收錄，影響著整個網站的流量，收錄越多，流量的來源越廣，流量也就越多。通過對各個搜索引擎的收錄分析，我們可以總結觀察出網站在搜索引擎的表現主題，搜索引擎對網站的整體的定位，關鍵詞與整體內容的表現含義越相近，排名也就越高。
4、網站的訪客情況與分析
通過對網站流量數據的分析，我們可以獲知網站的主體訪問人群以及訪客來自的地區，是否是我們想要的訪問者，而這些訪問者又需要什麼樣的內容，有什麼需求，網站哪些部分吸引他們。
5、網站各種關鍵詞的表現情況
網站的關鍵詞是流量來源的根本(排除品牌網站)，所以對各種關鍵詞在搜索引擎的表現情況的研究分析就變得尤為的重要。總結分析網站流量來源前列的關鍵詞排名，然後針對流量大的關鍵詞及有很大提升空間的關鍵詞加以優化，使得網站能夠有更好的流量。
⑥ 網頁數據分析如何做
看你怎麼採集網頁數據，一般來說自己後台可以進行原始數據的統計，即看日誌，然後開發出可視化的頁面。另外一種方式就是通過第三方插件進行統計，例如網路統計等。
採集完上述數據後，基本上最有效的就是pv、uv、停留時長等數據，對於這些數據有一些公式的演算法你需要進行分析，例如pv/uv、留存、tad等。
pv、uv、日留存、三日留存等數據可以做成按時、按日的線性趨勢圖，用來找到比例關系及冰點期、熱點期等。
上述的基本分析做完後，可根據子目錄、頁面轉化進行分析，即你想讓用戶從哪裡進入到哪裡，但實際的數據是否達到你的預期值等。這些基本性質的數據做完後，個人認為已經可以達到一般運營的需求了，更深層次的挖掘分析及機器學習在此處意義不大，因為操作起來復雜且波動性大會造成結論不準確。
⑦ 網站優化之數據分析
網站優化之數據分析
網站優化最重要的就是分析，不僅要分析自己的網站，還需要分析競爭對手的網站，更需要分析搜索引擎。那麼我們分析什麼呢?在所有的分析中只有數據是最直觀、最有效、最有說服力、最具依據性的。所以說網站優化數據分析能力是衡量一個網站優化人員的重要參考標准。
網站優化需要分析哪些數據
一般來說常見的數據包括網站收錄情況、網頁快照、外鏈數量變化情況、友情鏈接情況、關鍵詞排名變化、pr值、流量變化、權重等。有些人可能認為這無關緊要，隨便看看了解一下就可以了，其實不然，建議大家最好將這些數據詳細的實時地記錄下來，對於網站優化是很有幫助的，也是研究分析的重要標准依據，可以了解到搜索引擎更新的時間，長時間積累可以根據推算了解到搜索引擎演算法的大更新及小更新時間，較好的了解動向，以至於更好的做好前期准備。如果是一個優化團隊就需要要求每一位成員必須詳細的記錄網站優化數據情況，以供優化策略分析參考，另外團隊內部人員也會互相分享優化經驗，網站優化不是閉門造車，是團隊工作，只有經驗的共享交流，才能有更大的進步。
實際上除了上文提到的數據，我們還需要注意對手網站的數據變化。及時的調整自己網站優化的策略，取對手之長處，避其短。另外我們還需要對網站日誌進行分析，分析把握搜索引擎蜘蛛的爬行規律和特點，以及較早的發展自己的網站所存在的問題。最後提醒大家需要分析的數據是關鍵詞的分析，盡可能的分析用戶會如何進行搜索，分析用戶通過什麼詞搜索到我們的網站，還有我們的網站中哪些頁面的排名比較好，權重比較高，這些信息都需要分析數據抽調出來，著重優化，因為一個網站你可能有幾十萬甚至上百萬的頁面，但是可能為你帶來流量的也就是其中的100個頁面，所以你需要分析出來那些頁面，哪些關鍵詞可以為你帶來流量。
網站優化為什麼要分析數據
可以這么說，沒有分析就沒有優化，一個網站優化人員如果你懂得分析那就不是網站優化人員了。我們只有分析數據才能從中獲得有價值的東西，才能更好的調整網站優化策略、網站優化方向。不能否認，在網站優化中有時候需要我們的特殊創意，以及一些創造性的改變，但是數據是最有依據性的。這一點我們忽視不得。我們只有從這些數據中發現規律，發現搜索引擎的特點，才能更好、更有效的進行優化工作。通過分析這些數據你才能更好的發現什麼是有利於優化，什麼是不利於優化的，及時的調整你的網站，才能讓你的網站更受搜索引擎的歡迎。
以上是小編為大家分享的關於網站優化之數據分析的相關內容，更多信息可以關注環球青藤分享更多干貨
⑧ 網站常用的數據分析方法介紹
網站常用的數據分析方法介紹
本篇文章我們介紹4種網站分析中最常用，也是最有效的分析方法。他們分別是細分分析，對比分析，對比分析，質與量分析。這些分析方法在實際工作中經常組合使用。我們先來看下細分分析。
1，細分分析單一的指標數據或大維度下的指標數據是沒有意義的，只有當指標與維度配合使用時才有意義。細分也叫下鑽，是網站分析中最常用的一種方法。原理就是通過對匯總數據進行多個維度對指標進行分解。逐步找到有問題的部分。在整個的Google Analytics報告的中，隨處都充滿了細分方法。
匯總數據是一個極其籠統的大維度數據。而平均數數據則可能會掩蓋很多問題。這里是一個平均數的計算方法：訪問者A瀏覽了10個頁面，訪問者B瀏覽了2個頁面。網站每次訪問頁面瀏覽量6個頁面。看似表現不錯的平均數據其實包含很很多問題。但我們僅從平均數中無法看到這些問題。細分的主要目的就是對匯總數據和平均值數據進行剖析，發現這些問題並加以改進。
1.1如何使用Google Analytics進行細分我們如何使用Google Analytics來對指標進行細分？Google Analytics報告本身的結構就是一個支持細分的結構。不用我們進行特別的設置就可以對指標進行細分。下面我們來看下如何使用Google Analytics報告中的這些簡單的默認細分功能和高級細分功能。
默認細分功能在Google Analytics的四類報告中，都提供了細分功能。展開每一類的報告，概述報告，而下面的各個子報告都是對概述報告的一個細分。
同時在子報告中，也提供了更進一步的細分。我們所要做的就是找到感興趣的維度，並且點進去進一步查看。
自定義細分功能除了Google Analytics的默認細分功能外，還有三種更靈活的自定義細分功能。他們分別是次級維度細分，高級細分和自定義細分。自定義細分與默認細分功能最大的差別在於，默認細分是在一個大的維度下逐級深入細分。例如，流量來源，搜索引擎，Google，自然搜索，關鍵詞。而自定義細分則可以完整更復雜的跨越多個維度的細分。例如：流量來源，搜索引擎，地理位置。
次級維度
第一個自定義細分功能是次級維度，在大部分Google Analytics報告中，都可以實現次級維度的細分。以下是次級維度的截圖。我們可以很容易的使用次級維度來查看同一個指標在兩個不同維度中的表現如何。例如：北京地區的Google搜索引擎。
高級細分
第二個自定義細分是自定義報告，使用自定義報告進行細分要比次級維度靈活的多。細分的層級也要深入的多。自定義報告的的實質是對指標和維度的重組。
自定義報告
第三個自定義細分是高級細分，與自定義報告相比，高級細分的主要優勢在於細分結果的廣度。當我們設置了一個自定義細分的維度後，這個維度將應用於整個Google Analytics報告中。
2，對比分析除了使用細分以外，我們還可以使用對比分析來觀察指標的變化趨勢，例如，本月的訪問量是300萬，那麼和上個月相比怎麼樣呢？和去年同一時期又如何呢？這就是我們介紹的第二個方法，對比分析。對比分析的設置很簡單，在時間里設置好要對比的時間段，報告會自動給出指標的變化結果。這里有一個需要注意的問題是，當使用Google Analytics自帶的與上一個時期進行對比時，時間段內周末的數量可能會不相同。而這也將直接影響指標的對比結果。
3 ，聚合分析第三種分析方法是聚合分析，聚合分析常用於對網站內容的分析上。網站有大量的頁面訪問數據，而每一個頁面又都擁有自己的指標數據。對於如此龐大和細碎內容數據，我們該如何下手呢？答案是使用聚合分析。
3.1應用場合聚合分析通常用來對網站的分類和導航系統進行分析。例如：關注A頻道的訪問者是否也瀏覽了B頻道的信息？他們如何在這兩類信息間流動。使用列表篩選的功能是否中途也會使用站內搜索？這些在基於頁面的數據中是很難發現的，因為數據的顆粒度太細小了。需要我們對網站中不同的內容進行聚合。
3.2內容組介紹聚合內容的方法很簡單，就是將內容相關，或者你關注的信息進行分類，我們稱為內容組。而分類的粒度取決於你分析的最終粒度。
聚合內容的維度也有很多種，完全看我們的分析需求。最簡單的方法，我們可以按網站的頻道劃分內容組，或者按網站的功能來劃分。例如首頁，站內搜索功能，列表篩選功能，產品展示功能，購物結算功能。注冊登錄功能。等等。
3.3路徑分析創建的內容組主要用於進行訪問者路徑分析。也就是Google Analytics的訪問者流報告，和導航摘要報告中。通過訪問者在各內容組間的路徑來驗證網站邏輯和不同產品間的設計是否合理。
4，質與量分析最後介紹的質與量的分析方法。質與量與細分一樣，也始終貫穿於Google Analytics的各個報告中。
在流量來源報告中，訪問次數是一個量的標，跳出率是一個質的指標。通過這兩個指標可以有效的衡量不同渠道流量與網站內容的匹配度。
在內容報告中，瀏覽量是一個量的指標，退出百分比是一個質的指標，通過這兩個指標可以衡量頁面的質量。
4.1什麼是量什麼是網站的量？通常來說，量是一個絕對值，用來衡量事物的多少。例如，網站來了多少人，訪問了多少次，看了多少個頁面，產生了多少訂單等等。這些絕對值數據都可以歸為網站的量指標。但也並不絕對。
4.2什麼是質什麼是網站的質？通常來說，質是一個比率。用來衡量效果。例如：跳出率，轉化率，平均停留時間，每次訪問瀏覽頁面數，平均訂單價值等等。這些比率都可以歸為網站的質指標。
4.3主要應用場景及報告質與量在網站分析中的應用比較廣泛，任何的流量，網站頁面及訪問者行為都可以通過質與量兩個維度進行有效的分析。例如，進入次數與跳出率，頁面瀏覽量與關鍵行為點擊率，等等等等。
以上是小編為大家分享的關於網站常用的數據分析方法介紹的相關內容，更多信息可以關注環球青藤分享更多干貨
⑨ 網站數據分析是什麼
1.網站營銷的角度
網站數據剖析能夠協助看清網站里發生了什麼事情、訪問者來自哪裡、他們在網站中尋找什麼、網站中哪些信息最受歡迎等等。在這里首要的剖析對象是訪問者，訪問者在網站中的行為以及不同流量渠道之間的關系。(本圖表使用Data Analytics數據可視化軟體製造，原數據已做脫敏處理，下同)。
2.產品和架構的角度
網站數據剖析能夠了解到網站健康狀況，網站頁面的體現怎麼、哪個功能呈現了問題、哪裡需要進行調整、頁面布局是否合理、導航是否清晰等等。在這里首要的剖析對象是網站的邏輯和結構，網站的導航結構是否合理，注冊及購買的邏輯流程是否順暢。
3.網站運營的角度
網站剖析讓我們在完結方針的過程中合理分配資源和預算，並通過優化不斷提高網站的體現。在這里首要的剖析對象是出資回報率(ROI)，也就是說，在現有的情況下，怎麼合理地分配預算和資源以完結網站的方針。
⑩ 網站數據分析的十個要點
網站數據分析的十個要點
隨著數據量的大量產生及很容易獲取，許多網站分析人員通過與專家、社會媒體、同等進行交流討論分析什麼樣的數據才能產生有意義/價值的信息。
作為藝術與技術結合的網站分析師，不能僅依靠關鍵指標或者依賴於一個很炫的儀表盤。而真正的價值體現在於不斷的細分網站用戶，從而更好的分析用戶，為他們提供個性化的服務進而實現其商業價值。
本文提供了10點細分的建議，讓你的數據直接變成有價值的信息。
1、一濾、二組、三細分
雖然網站(流量)分析的數據量是海量(譯者註：UV超過10萬UV/天的網站網站日誌、訂單數據、商品數據、會員數據等每天產生的數據一般都是以G為單位原始數據。)，但往往也會很容易導致一些錯誤的結論(譯者註：大數據量意味數據內容多，但如果對於數據的收集過程或者數據本身是否有偏/不足不了解，就很容易在分析的時候做出的決定是錯的)。由於JS代碼的執行是在客戶端(瀏覽器載入網頁的過程中)，所以有很多固有的錯誤是無法避免的，除非你對這些數據進行過濾處理。另外，如果不對數據進行細分，那麼往往top10與TOP50列表內容各個時間段都並不太會有太大改變(譯者註：對於一個流量相對穩定的公司來說，排名前面幾位的一般變化不大。所以分析時候，最好看每個大類下面的TOP50，更容易發現一些數據的異常)。
2、細分客戶類型
常規的用戶類型：新訪者、潛在用戶(多次訪問過訪問，但沒有注冊)、會員、聯盟客戶、公司員工。不同類型的用戶訪問網站的行業差異性很大。會員的行為與潛在用戶可能完全不一樣(譯者註：因為不同類型的用戶來網站的目的是不一樣的，會員來購買可能注是為了購買某種商品，而潛在用戶可能只是來看看或者進行比比價)。會員有時候會讓轉化率這個指標出現虛高，往往公司內部員工的轉化率會比較高。
3、對渠道類型進行劃時代
渠道類型主要分為：付費與自然流量;付費媒體與免費媒體，內部與外部廣告，以及聯盟。很多網站分析工具提供的基本的流量細分報告，但如果沒有另外再加入跟蹤代碼，可能很難超越的三種基本類型。
一些關鍵流量渠道細分必須考慮加入一些代碼包括：如果一些社會化渠道來源(一些人分析你網站的內容的轉貼或者發貼)，自有社會化媒體的渠道(像在youtube或者facebook上官方主頁之類;付費或者自然搜索;自然的引用鏈接(像別的網站轉載你的內容然後會加上原文鏈接)，一般網站鏈接的交換。否則這些渠道的流量跟蹤可能會無法統計。
4、仔細檢查自然流量加的代碼
許多網站的自然流量往往是不可信因為加入的代碼往往質量很差。請仔細檢驗你的郵箱、社會媒體、重定位或者手機流量的監測代碼是否准備且完全正確的，這樣才能對更准備去判斷是否統計的自然輸入是真的直接輸入。
5、通過意向對內容進行細分
網站的用戶可以分為：研究、購買、重復購買、談判、推薦。不對的人對於內容的印象是不一樣的，所以利用這些相同的內容定位命名為你的網站分析報告。隨著時間的推移，通過構建一個好的購買流程漏斗：包括：研究、遊客，購買，交易和/或更新，從而不斷的夠優化用戶體驗。
6、利用有意義的的方法劃分產品類型
就像你通過內容來細分目的，為了更好追求從而更好的分析/識別業務上產品的配置便於作的擴展分析。
7、跨平台的整合數據
網站分析數據不應該被交易數據所替代，整合不同的數據源用於理解的分析或者記錄的信息的區別。從記錄的信息中得出結果，二者並不相等，信息並表示結論。
8、更貼近你的客戶
許多在報告中呈現的專業術語與科學術語似乎與商業股東的利益沒有明顯的相關。轉變報告的內容表達從而更好走向你的「聽眾」，讓他們更好的理解報告。
9、為每一個推測建議目標並檢驗這些預測
一個好的網站分析師通過假設、以及從數據中發現的規則來對未來的趨勢做出預測，基於對於整個市場的趨勢做出研判。一個偉大的網站分析師可以給猜測一個合適的解釋，從而可以為下一步月度、季度、年度去評估這些預測的目標。
10、把商業驅動與細分&指標聯系在一起
您的業務主要集中在積極的收購重點產品?開始分割你的數據，包括關鍵的發現，圍繞該焦點。
你報告的聽眾是否持續深入的進一步你的用戶服務行為，而不是僅僅把焦點集中的新用戶服務、潛在客戶的細分上。與業務相一致，以及注意各類細節，從而讓你的分析你的聽眾願意接受分析，並保持開放。
總結
雖然很少人可以完全掌握並使用這些要點，然後對於是作為藝術與技術結合的網站分析師來說，我們應該都要知道每一項細分都影響商業價值的實現。
以上是小編為大家分享的關於網站數據分析的十個要點的相關內容，更多信息可以關注環球青藤分享更多干貨