网站数据分析案例（网站数据分析案例怎么写）

本文目录一览：

• 1、如何进行网站数据分析 理清网站分析的思路
• 2、案例 | 同花顺数据中心的“龙虎榜"数据分析
• 3、有哪些大数据分析案例?
• 4、一步步教你分析网站数据

如何进行网站数据分析 理清网站分析的思路

如何进行网站数据分析 理清网站分析的思路_数据分析师考试

如何进行网站数据分析？这是之前的分享流量时听众提的另一个问题，在这里把相应的内容整理一下。

下图是一个网站分析的生命周期示意图，在确认好分析需求并收集好我们所需要的数据后（强调一下，明确分析需求很重要，这可以避免为了分析而分析），我们就可以充分使用网站分析工具的各种报告对数据展开分析。

但网站分析工具中的数据量非常大，你可能一不小心就淹没在数据的海洋中，你得有一个明确的分析思路，知道要利用哪些报告或哪些报告视图才能帮助你快速找到问题的答案。以下是网站分析中涉及到的数据模块，这也提供了一个网站数据分析的大概思路。

根据上边的数据模块所涉及的内容，在网站分析报告中我一般会对下边所列出的板块与指标进行具体分析（以下列出的是在网站数据分析中一些我个人觉得比较重要的板块与指标，不同的网站重要的数据指标会有所不同）：

基本情况：

1.网站的流量水平怎么样？与行业同类网站的数据相比，根据我们的市场定位，我们的流量在未来需要有多大的提升？

2.访客主要来自哪些地方？这用于确认与我们制定的市场策略是否匹配。如果有相当多的用户来自一些小语种的国家，我们是否要考虑建设多语言网站？

3.访客一般会通过什么样的设备对网站进行访问？在移动化越来越流行的今天，我们是否要建设自己的移动站点或开发我们的APP？

新老用户的比例怎么样？我们在拓展新用户的同时，是否能够留住老用户？

流量来源

1.网站的主要流量来源有哪些，SEO、SEM、EDM还是社交媒体？还有哪些类型的流量来源我们可以拓展？

2.这些流量来源的优先顺序是怎么样的，哪些是我们最倚重的流量来源，哪些流量来源的转换率最高？

3.SEO/SEM的流量水平怎么样，该如何去提升？

4.EDM、社交媒体的营销方式的使用情况怎么样，转换率如何？

网站内容

1.网站的页面分类有哪些？

2.产品页面、目录页面、营销专题页面等各类页面的流量以及转换表现（页面价值）情况怎么样？

3.网站上最常见的着陆页面有哪些？是否页面上的内容正是我们希望用户浏览到的内容？

4.用户的访问路径的引导是否存在问题，我们是否把用户引导到了主要的营销专题或产品页面？关于访问路径的分析可参考：可参考如何分析用户的访问转换路径。

5.用户是否与网站发生了我们期望的互动：参与活动、观看视频、下载、投票、订阅或下单？

产品销售情况

1.网站的订单转换率与客单价是多少？与行业水平是否有差距？

2.购物车转换漏斗数据怎么样，用户在哪一步的放弃率比较高，购物车的用户体验是否可以作优化？

3.哪一类的产品销售情况最好？

4.用户在购买前一般会访问多少次网站或要考虑多久才会下单？

要注意的是，在分析数据时如果发现有问题（比如购物车的转化率特别低）但又百思不得其解时，可以亲自去体验一下网站的访问流程，看一下在完成一个特定的目标或任务时是否存在障碍，也许你一下子就发现了问题的根源。

案例：

当你需要对网站进行一次全面的分析时，你可以按上边所列的内容对网站的各个数据模块系统地进行分析。但各个营销渠道的网站分析需求多种多样，不同的需求的分析方法也有所不同。而遇到渠道部门提交的一些指标数据异常的分析需求，我们可以灵活地进行处理。

以下是两个简单的案例。

问题1：一个电商网站日均销售为$80万，但某天突然下降为仅有$40万。

分析：

我们可以按照里边的内容一步一步作分析，把销售异常的根源找出来，但如果你对网站的业务运营情况非常熟悉，在这种突发情况下我们可以一针见血地找到问题的根源，从而得以快速修正问题恢复网站的正常销售。

还是按照我们习惯的思路来。我们都习惯了把销售与流量关联起来，当销售出问题时我们就会习惯性地去查看网站的流量情况。流量也下降了吗？关于流量的变化这里有两种可能：

流量也有一个相似幅度的下降=流量来源出了问题？=细分流量来源（SEO、CPC、EDM、用户所在区域）作分析=页面流量分析（商品关注度是否有变化）

流量没有明显的下降è订单转换率出了问题？=对产品的销售情况作分析，某些产品的转换率下降了还是几乎所有产品的转换率下降了？=对产品的页面流量进行分析或对购物车转化路径作分析，是否是因为这部分转换率较高的产品的关注度下降了，还是网站的购买引导用户体验变差了，甚至是购物车系统在某一段时间不能访问？

从流量开始层层深入对数据进行分析，直至找到问题的根源为止。另外，在分析指标数据异常的时候，一些额外因素如特殊日子、重大事件、换季也要考虑在内，如“双11”别人者在如火如荼地在大搞促销，而你却没有一起去凑热闹，这段时间的销售有可能会变得较为惨淡。

问题2：EDM合作商给他们的北美地区的用户发送了50万封邮件（邮件链接里加了GA UTM标识），但对网站的销售增长却没有任何促进作用。

分析：

网站分析系统里来自EDM的流量数据有多少=这部分流量来自哪些地区，真的是北美吗？=这部分访客的访问路径怎么样，有没法有进入购物车=最终有没有产生订单

分析结果显示，这期EDM的仅带来了少量流量，而且访客多是香港以及东南亚的，没有带来任何销售，看起来这个合作商并没有践行合约的内容，下次就不要再找他们合作了…

Google Analytics智能警报

另外，在分析网站指标数据异常的时候，建议充分使用好GA的智能警报功能，这个可以大幅减少你的网站的工作量。当数据出现异常的时候，它可以把异常的数据指标给你列出来，并会相应地列出数据异常的原因。

在GA中有两种类型的提醒：自定义提醒和自动提醒。自动提醒是Google Analytics根据其算法生成的提醒。也就是说，每天GA的智能引擎都会检查以下维度（包含但不限于）的指标值，以确认它们是否发生了显著变化：

1.所有流量

2.访客类型（新访客与回访者）

3.城市

4.地区

5.国家/地区

6.广告系列

7.关键字

8.来源

9.媒介

10.引荐路径

11.着陆页

12.退出页

13.点击率（AdWords）

除了自动提醒，你还可以设立自定义提醒来监控网站运营数据。你可以为任何一个指标设置提醒标准并应用到任何维度，甚至还可以把提醒应用到高级细分的访问群组中。我们可以把网站流量与销售的高峰与低谷设置为警报，这样当网站的主要指标出现异常时这些自定义提醒就可以通过邮件发送功能及时地通知到相关人员。目前只有自定义提醒功能可以使用邮件自动发送功能。

网站分析并没有固定的步骤和方法，当你非常熟悉网站分析工具的使用以及所要分析的网站的业务时，你可以完全不必拘泥于以上的所提到的思路与方法，但网站分析的目的必须要明确：减少成本，提升效益，分析后的优化工作不可缺失。

以上是小编为大家分享的关于如何进行网站数据分析 理清网站分析的思路的相关内容，更多信息可以关注环球青藤分享更多干货

案例 | 同花顺数据中心的“龙虎榜"数据分析

对于证券行业网站，已经有诸多提供了数据挖掘和分析的模块。比如：同花顺数据中心、搜狐证券金罗盘、新浪财经数据中心等等。提供的数据分析功能，一般都是围绕证券市场公开信息所进行的不同程度、不同角度的挖掘和分析。比如，同花顺数据中心侧重公开市场交易信息、使用的体验最好；搜狐金罗盘对各券商研究报告、股票评级做的好；新浪财经数据中心则是在广泛信息收集之中侧重于从技术面、基本面的智能选股，可谓是各有千秋，三者之间功能重叠很多，但是究竟孰优孰劣，因为每个人的投资经验和喜好不同，就只能用户自己体验之后去判断了。

我本文就只针对同花顺数据中心进行一番介绍（不要冤枉我，我可没有收同花顺的一分好处费，纯粹是一片好心将这个不错的数据中心推荐给大家，相信大家看后会感谢我）。分析的目的，一方面是让大家可以有一个便捷获取证券市场信息的好地方，另一方面也是为证券公司提升投资者服务提供一个很好的案例参考，看看人家互联网证券网站是怎么能想的那么多、做的这么好的，开拓一下做投资服务的思路。

首先说网址，同花顺数据中心_同花顺金融网  。

同花顺数据中心提供的功能其实很全，从大家关注的龙虎榜、新股信息、资金流向、选股、交易提示、公告信息等等，可谓是汇聚了投资者交易分析的各方面信息，我们的投资者往往辛苦的在各大网站查阅股票资讯和证券市场信息，经常会难辨良莠，被一些错误信息误导，同花顺可谓是毕其一功于一役，采网络之精华、市场之鳞爪啊。

接下来重点说龙虎榜。其他功能基本操作类似，都具备了丰富的数据拓展链接，相互贯通。

1、基本信息。

龙虎榜随便点开一个上榜股票名称，这个页面基本是大家在各处都可看到的上榜营业部交易明细。但是，重点来了，看图上圈住的2处，一个是此股票上榜次数、一个是营业部上榜次数。看到这里，你会不会觉得一下脑洞大开啊，哇，这么看来似乎对于股票的走势、尤其是上榜营业部的实力会很有点看头呢，上榜次数多的营业部，最近三个月有200多次的（如果我们的营业部可以有这样一家，老板该睡觉都会笑醒了吧？！）。

2、上榜营业部

好吧，我如果猜得不错，你一定已经和我一样点开了龙虎榜信息里的营业部。该营业部的历史上榜数据统计一应俱全，次数、金额、参与的股票列表、介入最深、操作最多、一致行动的营业部。。。

（你的眼睛有没有睁大啊？！我反正是小地方人没见过世面，连嘴都张大啦）

尤其是介入最深、操作最多的股票，这恐怕至少是大户所为啦，是不是证券营业部的投资内参有引导客户操作？还是有大资金卧底在这家营业部来做庄呢?

正相关营业部，让我们看到经常勾搭一起的营业部，是大家都英雄所见略同吗？还是互通有无的一致行动人所在呢? 嗯，还可以看看他们一起干过的股票，究竟合作得效果如何呢?看看才知道哦。

3、买卖点

细心的观众，你有没有看到如图下的“买卖点标识”的地方？

点开了就是如图的走势上标注了红色、绿色远点的内容，这个上榜的营业部是散户所谓还是机构图谋呢?看买卖点就一目了然其获利情况。嘿嘿，号得准这些营业部资金的脉，每个人都成老中医啊！

同花顺数据中心无论是在数据信息的收集整理、还是数据挖掘后的再分析，都给人耳目一新的感受，你会觉得原来可以这样做啊！其实，这些功能恐怕是我们每一个证券投资者、甚至从业者都曾经想过但却无力做到的呢。找得到用户的需求、能够超乎用户需求实现，这才是互联网时代，我们客户服务应该做到的。

有哪些大数据分析案例?

如下：

1. 大数据应用案例之：医疗行业

1）Seton Healthcare是采用IBM最新沃森技术医疗保健内容分析预测的首个客户。该技术允许企业找到大量病人相关的临床医疗信息，通过大数据处理，更好地分析病人的信息。

在加拿大多伦多的一家医院，针对早产婴儿，每秒钟有超过3000次的数据读取。通过这些数据分析，医院能够提前知道哪些早产儿出现问题并且有针对性地采取措施，避免早产婴儿夭折。

它让更多的创业者更方便地开发产品，比如通过社交网络来收集数据的健康类App。也许未来数年后，它们搜集的数据能让医生给你的诊断变得更为精确，比方说不是通用的成人每日三次一次一片，而是检测到你的血液中药剂已经代谢完成会自动提醒你再次服药。

2）大数据配合乔布斯癌症治疗

乔布斯是世界上第一个对自身所有DNA和肿瘤DNA进行排序的人。为此，他支付了高达几十万美元的费用。他得到的不是样本，而是包括整个基因的数据文档。医生按照所有基因按需下药，最终这种方式帮助乔布斯延长了好几年的生命。

2. 大数据应用案例之：能源行业

1）智能电网现在欧洲已经做到了终端，也就是所谓的智能电表。在德国，为了鼓励利用太阳能，会在家庭安装太阳能，除了卖电给你，当你的太阳能有多余电的时候还可以买回来。

通过电网收集每隔五分钟或十分钟收集一次数据，收集来的这些数据可以用来预测客户的用电习惯等，从而推断出在未来2~3个月时间里，整个电网大概需要多少电。有了这个预测后，就可以向发电或者供电企业购买一定数量的电。

因为电有点像期货一样，如果提前买就会比较便宜，买现货就比较贵。通过这个预测后，可以降低采购成本。

2）丹麦的维斯塔斯风能系统(Vestas Wind Systems)运用大数据，系统依靠的是BigInsights软件和IBM超级计算机，分析出应该在哪里设置涡轮发电机，事实上这是风能领域的重大挑战。在一个风电场20多年的运营过程中，准确的定位能帮助工厂实现能源产出的最大化。

为了锁定最理想的位置，Vestas分析了来自各方面的信息：风力和天气数据、湍流度、地形图、公司遍及全球的2.5万多个受控涡轮机组发回的传感器数据。这样一套信息处理体系赋予了公司独特的竞争优势，帮助其客户实现投资回报的最大化。

3. 大数据应用案例之：通信行业—通过大数据分析挽回核心客户

法国电信-Orange集团旗下的波兰电信公司Telekomunikacja Polska是波兰最大的语音和宽带固网供应商，希望有效的途径来准确预测并解决客户流失问题。

他们决定进行客户细分，方法是构建一张“社交图谱”- 分析客户数百万个电话的数据记录，特别关注 “谁给谁打了电话”以及“打电话的频率”两个方面。“社交图谱”把公司用户分成几大类，如：“联网型”、“桥梁型”、“领导型”以及“跟随型”。

这样的关系数据有助电信服务供应商深入洞悉一系列问题，如：哪些人会对可能“弃用”公司服务的客户产生较大的影响?挽留最有价值客户的难度有多大?运用这一方法，公司客户流失预测模型的准确率提升了47%。

4、大数据应用案例之：零售业—大数据帮零售企业制定促销策略

北美零售商百思买在北美的销售活动非常活跃，产品总数达到3万多种，产品的价格也随地区和市场条件而异。由于产品种类繁多，成本变化比较频繁，一年之中，变化可达四次之多。

结果，每年的调价次数高达12万次。最让高管头疼的是定价促销策略。公司组成了一个11人的团队，希望透过分析消费者的购买记录和相关信息，提高定价的准确度和响应速度。

定价团队的分析围绕着三个关键维度：

1）数量：团队需要分析海量信息。他们收集了上千万的消费者的购买记录，从客户不同维度分析，了解客户对每种产品种类的最高接受能力，从而为产品定出最佳价位。

2）多样性：团队除了分析了购买记录这种结构化的数据外，他们也利用社交媒体发帖这种新型的非结构化数据。由于消费者需要在零售商专页上点赞或留言以获得优惠券，团队利用情感分析公式来分析专页上消费者的情绪，从而判断他们对于公司的促销活动是否满意，并微调促销策略。

3）速度：为了实现价值最大化，团队对数据进行实时或近似实时的处理。他们成功地根据一个消费者既往的麦片购买记录，为身处超市麦片专柜的他/她即时发送优惠券，为客户带来便利性和惊喜。

透过这一系列的活动，团队提高了定价的准确度和响应速度，为零售商新增销售额和利润数千万美元。

5、大数据应用案例之：网络营销行业（SEM）

很多企业在做SEM的过程中，都有这样的感触：每年都会花费大量的预算在SEM推广中，但是因为关键词投入产出无法可视化，常常花了很多钱却不见具体的回报。

在竞争如此激烈的SEM市场中，企业需要一个高效的数据分析工具来尽可能地帮企业优化SEM推广，例如BDP，来帮企业节省不必要的支出，提升整体的经营绩效。

企业可借助数据平台提供的网络营销整合解决方案，打通各个搜索引擎营销（SEM）、在线客服系统和CRM系统，营销竞价人员无需掌握复杂的编程技术，简单拖拽即可生成报表，观察每一个关键词的投入和产出，分析每一个页面的转化，有效降低投放成本。

通过BDP实况分析数据，可以快速洞悉对手关键词的投放时段、地域及排名，并对其进行可视化的分析，实时监控自己和竞争对手的投放情况，了解对手的投放策略，支持自定义设置数据更新的时间点、监控频次和时段，及时调整策略。知已知彼，才能百战不殆。

6、大数据应用案例之：电商行业

意料之外：胸部最大的是新疆妹子。曾经淘宝平台显示，中国女性购买最多的文胸尺码为B罩杯。B罩杯占比达41.45%，其中又以75B的销量最好，其次是A罩杯，购买占比达25.26%，C罩杯只有8.96%。

虽然淘宝数据平台不能代表一切，但是结合现实来看，这个也具有普遍的代表性，只能感慨中国女性普遍size。在文胸颜色中，黑色最为畅销，黑色绝对是百搭，每个女性必备。

从省市排名，胸部最大的是新疆妹子。这些数据都对于文胸店铺而言是很好的参考，为店铺的库存、定价、款式选择等策略都有奠定数据基础。

7、大数据应用案例之：娱乐行业

微软大数据成功预测奥斯卡21项大奖。2013年，微软纽约研究院的经济学家大卫•罗斯柴尔德（David Rothschild）利用大数据成功预测24个奥斯卡奖项中的19个，成为人们津津乐道的话题。

今年罗斯柴尔德再接再厉，成功预测第86届奥斯卡金像奖颁奖典礼24个奖项中的21个，继续向人们展示现代科技的神奇魔力。

总的来说，大数据的终极目标并不仅仅是改变竞争环境，而是彻底扭转整个竞争环境，带来新机遇，企业需要应势而变。企业只有认识到这一点，使用合适的数据分析产品、聪明地使用和管理数据，才能在长期竞争中成为终极赢家。

一步步教你分析网站数据

一步步教你分析网站数据

可用性测试和数据分析是一对无敌好搭档，它们让我们更多地了解用户，跟踪我们的目标，解决意外的问题。说到解决问题，数据分析告诉我们哪些页面或者流程正在给用户造成麻烦，哪些领域需要我们在可用性测试中重点关注。接下来，可用性测试会告诉我们为什么用户会表现出某些特定的行为。在这两者之上，我们可以为网站拥有者提供重点明确、针对用户的建议。

在小红（和许许多多与之相似的用户体验从业人员）的例子中，数据分析能揭露用户到底是怎么访问网站的。虽然小红和客户在用户体验或顾客方面的经验可能让他们对于测试什么有了不错的假设，但对于人们是如何访问网站，数据分析展示给他们的是更为清晰、无偏见的方式。

对于任何希望通过学习一些简单的工具来读懂数据的人，数据分析可以帮助你：

识别网站上出问题的地方显露网站对于用户的吸引力测量设计上的改善带来的结果

在这两篇系列文章中，我将会解释如何利用数据分析来识别用户有问题的地方，以及网站的哪些地方会从可用性测试中受益最多。本篇文章的重点为——三个识别网站问题的参数：跳出和退出率(bounce and exit rate)，页面平均时间(average time on page)和目标价值(page value)。在第二部分，我们会进一步利用这些参数来识别drop off points，然后我们会深入到数据分段(segmentation)来获取额外的细节信息。

辨认问题网页（组）

作为一名自由职业者和用户体验咨询师，我与各种各样不同领域的网站合作过，其过程非常一致，总是以数据分析为开端。最开始我会去辨认每天有多少用户访问这个网站，哪个页面最常用。这会给我一个大概的感觉，知道人们是如何访问这个网站的。然后我会进行下一步：辨认潜在的出问题的领域，继而知道我的用户体验建议将会着重在哪一块。

总体来说，我会观察三种类型的参数来辨认问题所在：

跳出和退出率(Bounce and exit rate)页面平均时间(Average time on page)目标价值(Page value)

跳出和退出率(Bounce and Exit Rate)

跳出率和退出率是两个可能造成混淆的参数。跳出率是只访问了网站的一个页面的用户的比例：在一个页面登陆，但是没有去访问任何其他页面就离开了网站。

【译者注：谷歌官方解释为“跳出率指单页访问次数（即访问者从入口页离开网站而未与网页互动的访问次数）所占的百分比”。】

退出率是从一个页面离开了网站的用户的比例（它包括了那些之前在该网站浏览了其他页面的人）。

【译者注：谷歌官方解释为“退出百分比指从某个或某组特定网页退出网站的次数所占的百分比”。】

如果我发现了网站的一部分出现了一个很高的跳出或者退出率，我会做上笔记，以防某些页面的什么东西造成了用户的离开。一个有着高跳出率的页面可能说明这个页面上的内容不是用户来到这个页面所期望看到的东西。一个高退出率的页面可能说明这个网页导致了用户在他们想要的流程中半途而废——从另一方面看，如果一个高退出率的页面是流程的最后一页，那么这个高退出率就不再是个问题了。

用谷歌分析（Google Analytics）中的“加权排序（weighted sort）”会让跳出率更加有用。根据谷歌分析，“加权排序把百分比数据根据重要程度排列，而不是序号排列”。举个例子，一个页面虽然有着100%的跳出率，但在过去的一个月中，只有一个用户访问，然后离开了该页面（另外一个更大的问题可能是没有任何人访问过这个页面！）。如果一个页面有80%的跳出率，但是是一个在流程中非常关键的起始页面，那么这个网站可能因此流失了大量的生意。为了更好地为页面可用性测试做准备，我们必须辨认出问题出现的原因：是因为没有人访问这个页面，还是每个访问的人都马上离开了网站？

页面平均时间(Average Time on Page)

“页面平均时间”是指用户浏览某个页面所花费的平均时间。如果我发现有一个页面的“页面平均时间”很低，这可能意味着该页面没有引起用户足够的注意。从另一反面来看，如果用户在一个结账页面停留很久，那么可能是因为该页面过于复杂了。当然，所有的参数都必须放在具体的情境下分析；如果一个博客文章有一个很高的“页面平均时间”，那么总体来说是一个好的现象，因为这可能意味着用户真的在阅读整篇文章。

另外一个衡量页面表现的非常好的方式是利用“与网站平均数比较”的选项。这个图会显示某些页面在某个参数上是不是在很大程度上高于或者低于平均值。虽然这些页面仍然需要一页一页地分析，因为不同的页面有用不同的目标，但是低于平均浏览时间的页面总体来说可能会有问题，假设目标是为了让用户继续阅读的话。下面的例子清晰地表现出“联系（contact）”页面相对来说有比平均值更低的浏览时间，然而“博客（blog）”页面有高于平均值80%的时间。

再次强调下，情境是关键。用户可能来到联系页面来寻找一个公司的地址，或者联系电话。如果他们成功地找到了，那么他们就会离开该网站，因此较低的页面浏览时间在这里是一个好的现象，说明页面很有用。一个“博客”页面是用来吸引用户的注意的，因此一个高于平均值的时间可以被看做是一件好事。

页面价值(Page value)

“页面价值”是一个非常重要，但是很少被用到的参数，它可以用来发现表现欠佳的页面。目标价值，就如它的名字所示，是一种赋予页面直接的货币价值的方式。对于电子商务网站来说，它纳入了各种各样的交易收入总数和所有类型的网页的目标价值——这些参数都需要在谷歌分析中人工设置，才能计算出页面价值。一个高价值的页面往往显示出它是一个重要的页面，意味着该页面值得被纳入可用性测试中。

一个高价值但是展示出高退出率的页面是值得重视和改进的。意味着这些页面让用户在回话流程的关键位置离开了。在下面的的例子中（一个电子商务网站），我突出显示了三个有着类似的页面价值的品类。可以清楚地看到，“个性化化玩具（personalised-toys）”的产品页面有一个相当高的退出率。这说明这个高价值的页面正在让用户“流失”，并且应该在未来的用户体验设计工作中引起重视。

然而，单独的某个页面只能展示部分真相。“内容分组(content grouping)”这个功能很重要，我们可以利用它来观察网站的某个部分表现如何。内容分组可以把数据根据用户访问的页面种类来进行分类，因此十分必要。我们可以用各种各样的方式来分组。比如对于一个买衣服的网站来说，可以根据不同种类的服饰来分组，看看裤子是不是比衬衫的页面价值要高。

一旦发现某个页面或者某个组的页面价值很低，下一步我们要做的就是：找出背后的原因。在上面的例子中，衬衫相对来说有比较低的价值。我采取的第一步行动是，根据我的经验和判断力，看看在衬衫的页面上有没有任何明显的用户体验或者技术方面的问题。做完这个之后，我会和真实的用户一起来测试这些个页面，来看看为什么会有这些问题——并且寻找那些暗含了修复方式的线索。

内容分组是一个非常强大的工具，可以让你看到网站的不同部分的真实表现。

在实践中利用参数

这只是利用数据分析来发现网站问题的第一步。在本系列的第二部分中，我们会着眼于如何发现用户流程中的流失点，以及如何把用户分类来看到更多的细节信息。

与此同时，你尝试着利用在本篇文章中学到的方法来发现可能存在的问题：

调出跳出率，找出那些用户访问并且马上离开了的页面。浏览所有页面的退出率，找出在流程的哪些地方用户离开了网站。考虑到用户在页面平均停留时间的重要性——一个拥有着高跳出率的博客页面，同时拥有着很长的平均页面时间，这是一件好事！根据页面价值排序，观察页面。页面价值越高，那么就越值得被纳入可用性测试，从而最终修复用户在该页面遇到的问题。

在上一个客户的案例中，小红利用数据分析来发现那些需要进行可用性测试的地方。然而目前为止，小红只发现了网站中值得测试的单独的页面和页面组。她觉得她需要知道更多的关于最常见的用户行程（user journey）的信息。她还想更加深入地理解用户，看看不同类型的用户如何访问网站。为了能进行最佳的可用性测试，小红真心想要知道人们事实上是如何使用网站的。

简单来说，数据分析是一种用来发现可用性测试最佳测试页面的极好的方法。在本系列文章的第一部分，我讲解了如何利用数据分析来发现网站的问题所在之处。这么做可以让我们更好地理解目前的用户行为，并且帮助我们集中力量在将要测试的任务上。

在如何利用数据分析来指导可用性测试的这一系列文章的总结部分，我将更仔细地探讨如何通过识别用户行程、将用户分类来比较不同的用户组的行为。

识别流失点

知道用户是如何在整个网站中流转的可以增加单个页面状态的情境（context）。比如，分析用户行程中前一个页面的数据可以帮助我们识别为什么某个特定页面的退出率特别高。另外，找出最常见的用户行程对于谋划可用性测试很有好处。可用性测试可根据这些常见的用户行程来设计，从而确保在测试中用户的行为是和已经存在的用户行为是相符的。

谷歌分析尝试通过用户流程图（user flow）和行为流程图（behavior flow）报告来展示用户行程。他们可能比较难阅读，并且经常因为把多个页面组合在了一起而变得很麻烦。这意味着谷歌分析通常只能把最为普遍的几个页面单独展示，而把其他的页面组合在一起，显示为“大于100个页面”——这对我们一点帮助也没有。下面的截图显示出这种非常局限的信息是如何让分析变得困难的：只有几个页面在每个用户行程的阶段中是单独被显示的，剩下的页面都被组合在了一起。

尽管页面被组合造成了很多问题，花些时间分析这些报告仍然可以帮我们发现问题区域，根据的是流失率或意想不到的用户行程（比如，我们本来期待的是这样，但用户却走向了另一个方向？）。一旦我们发现了问题区域，我们就可以谋划可用性测试，来看看用户在整个行程中是如何思考的，了解他们为什么会有这些麻烦。

在谷歌分析的用户流程和行为流程报告中，所有的页面用了绿色的矩形来表示，灰色的连接线用来表示页面之间的用户行程。每个矩形还用红色表示了流失率的百分比（也就是说用户正离开网站）。它们可以说明常见的用户行程，以及用户在哪些地方离开了网站——也是另一种问题区域的迹象。

下面的例子来自于一个我曾经工作过的旅行网站。它在主页有一个特别明显的搜索框。

在这个简化了的并加上了笔记的图中，我们可以看到一个可能的问题。用户利用搜索框来找到某个旅行目的地，但之后又从搜索结果页面回到了主页（又名，弹簧跳（pogo sticking）），说明了搜索结果对用户来说不够满意。这可能归结于许多的理由：可能搜索功能经常搜不出结果，搜到太多结果，或者太少结果。也可能这个问题和搜索结果本身无关，而是其他的理由，比如搜索结果里的酒店的价格太高了。

数据显示最初的搜索是让用户不满意的，这让我决定针对搜索框来进行一些可用性测试。可用性测试的结果显示，问题的原因在于搜索结果太多太泛了，用户被大量的结果淹没了。根据这个测试结果，我建议引入一个多面搜索系统（faceted search system）：在搜索结果页面让用户可以根据一些标准来过滤搜索结果，而不用返回到主页重新搜索。这个新的搜索系统让用户可以根据酒店提供的服务设施来过滤他们的搜索结果；比如是否有游泳池、健身房和其他的设施，这意味着用户可以发现对他们自身有用的结果。这个设计方案让搜索后又回到主页的用户数量大幅度下降，让更多的用户进入到他们行程的下一步。

上面的结果显示的是多面搜索系统被引进一个月后的分析数据。图中显示出，主页和搜索结果页面之间的“弹簧跳”现象减少了。虽然仍然还有改进的空间，但这个变化产生的积极效应是非常鼓舞人心的。

数据分段，更多的细节

数据分段为观察不同用户的不同行为提供了一个绝佳的方式。一个简单的例子就是比较新用户和回访用户。下面的图来自于一个在线找工作网站，它显示出新用户的数量在该月几乎是持平的，然而回访用户的数量却跟随了一个不同的模式：在周末的时候数量明显下降。

这使我想知道更多的细节，关于新用户和回访用户的不同点。其他关于这两种不同用户的数据显示出，回访用户倾向于在网站上花费更多的时间，每段时间会浏览更多的页面，并且更倾向于申请工作。

根据这个数据我可以做出假设：回访用户更可能是真正找工作的人，但新用户访问网站的时候更随意。因此我推荐网站做一些个性化的设计——对待新用户，展示更多的保证信息，说明该找工作的网站是合法的、值得信赖的，并且引导他们简单快速地做出行动，比如注册工作提醒。对待回访用户，展示更精确、细节的搜索工作的选项，并且提供信息鼓励他们申请工作。

新用户和回访用户不同的行为可以透露许多事情，取决于网站的类型。比如，对一个电子商务网站来说，它显示回到这个网站的人更倾向于下单。如果这是真的话，那么我们可以把重点放到帮助第一次访问网站的用户下单。

这种数据分段分析还可以帮助可用性测试的招募。如果在新用户和回访用户之间有明显的行为区别，那么可能最好同时招募已有用户和尚未访问过该网站的用户来进行测试。测试不同的用户类型可以帮助解释为什么他们在网站上有迥然不同的行为。

除了上说例子中的新用户和回访用户，在谷歌分析上还有一些现成的数据分段方式来帮助我们分隔数据，包括：

不同的流量来源——可以用来发现那些通过搜索和链接来到网站的用户的区别。使用不同设备类型的用户——可以用来比较使用手机、平板和桌面电脑用户的参数。

根据自己的需求来改造分段方式也是很好的方法，这可以使分段方式可以和整个网站重要的用户及角色更好地相符合。通过这种方法，我们可以分析这些不同的用户群所采取的不同的用户行程，例如，比较已有用户和第一次购买的用户的行程。

数据分段可以被用来观察使用不同设备的用户的行程。根据手平板和桌面电脑来分段可以提供三个不同的行为流程供研究。这种方法对于发现使用不同设备的用户可能存在的问题特别有帮助。手机用户的行为流程图可能会在用户流程中显示出一个重大的流失点，但在平板和桌面电脑中却不是问题。这应当引出相应的手机端的可用性测试，重点放在找出手机用户在流程中的该点流失的原因。

现在该怎么办？

在利用数据分析识别问题区域后，下一步就是找到为什么用户会有这些问题。数据分析能够提供一些关键的地方，需要我们在可用性测试中特别关注，或者拆分出特别的测试。作为用户体验的职业人，我们自然而然地想要和我们的用户在一起，在可用性测试中从他们身上学到东西。数据分析只是帮助我们更好地进行测试。

尝试一下——提取一些这里提到的方法，把它们应用到某个项目中。你会惊奇地发现，我们竟然可以从数据分析中发现这么多东西。、

以上是小编为大家分享的关于一步步教你分析网站数据的相关内容，更多信息可以关注环球青藤分享更多干货

关于网站数据分析案例和网站数据分析案例怎么写的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注云尚网络www.ysfad.net。