웹사이트 데이터 분석: 시간 요소 고려 필요

웹 사이트 데이터의 분석에서 시간은 가장의 시간 요인 또한 영향을 미칠 수 몇 가지 통계적 규칙 및 세부 지표, 그리고 그것은 시간 요인의 효과 간과 하기 쉬운 일부 데이터 분석 하는 동안 범위 및 인덱스 통계의 세분성을 제한 하는 데 사용 됩니다 가장 일반적이 고 필수적인 차원 중 하나 이러한 효과 최종 결론을 오해 수 있습니다.

데이터 추출 요구 사항에서 문제는, 사이트는 매일 새로운 콘텐츠를 많이 발표할 예정 이다, 이러한 새로운 권장 될 필요가 콘텐츠, 묻혀 있을 것입니다 그렇지 않으면, 너무 많은 사이트는 "최신 권장 사항" 및 다른 모듈 있고이 데이터 수요 분석 어떤 새로운 콘텐츠를 권장 해야 하는 발견? 새로운 웹사이트 콘텐츠 품질이, 적은 데이터 축적 그리고 있다 권장된 모듈 새로운 콘텐츠의 잠재력을 배치할 필요가 있도록 할 데이터 분석 새로운 콘텐츠에 대 한 가능성을 찾을 것입니다 그래서 완전 인기 콘텐츠의 성장 탐험을. TOP10의 권장된 목록, 트래픽 또는 새로운 콘텐츠 변환의 톱 10을 정렬 하는 것입니다이 작업을 수행 하는 가장 쉬운 방법은 있지만 전환율 주목 해야 하는 것에 대 한 참고 많은, 주요 지표에 비밀입니다. 우리가 지난 주에 대 한 요약 데이터를 선택 하는 경우에 주의 해야 합니까?으로 생각 할 수 있습니다, 새로운 콘텐츠를 여기에 대 한 이유는 새로운 콘텐츠 릴리스 (게시 시간)는 사람의 생년월일, 처럼 그리고 출시는 현재 시간 간격의 시간에서 그 내용, 기간 그것은 또한 개인의 나이 처럼 콘텐츠 (수명)의 생활 기간으로의 생각할 수 있습니다. 콘텐츠 지속 더 이상 더 많은 데이터를 축적, 해당 접속 확률, 만약 우리가 주에 주의 서로 다른 시간에 발표 하는 콘텐츠의 총 금액을 비교, 그 잘못된 비교의 함정에 빠질 것 이다 또는 "불일치".

이미지는 유는 새로 입 대 신병과 전투-강화 된 베테랑의 결투, 비록 모집 하지 완전히 기회를 승리, 아마도 모집 용 감, 태어난 또는 사전 기세, 베테랑, 하지만 대부분의 경우 이것이 적은 이길 수 이것은 불공평 한 결투를 그리고 데이터 분석에 우리 같은 불공정 결투 (비교)을 방지 하려고 해야 합니다.

컨텐츠 및 상품 분석

사실, 일상 생활에서 이러한 오류의 발생 될 수 있습니다 매우 일반적인, 내가 몇 일 후에 새 블로그 게시물을 Google 웹 로그 분석 데이터를 볼, 발견 하는 새로운 기사 페이지 상대적 위치에 되지 않기 때문에 아무도 진짜로 보면, 하지만 기본에 조지아의 요약 데이터를 거의 1 개월 표시 게시 보고서는 페이지 뷰 새로운 콘텐츠 수 없습니다 신속 하 게 짧은 시간에 최고 몇 가지를 서 두에 따라 정렬 됩니다. 새 콘텐츠 또는 새 제품의 낮은 주파수와 함께 웹사이트에 대 한 사업자의 새로운, 그래서 몇 가지 인공 식별을 통해 분석 하는 경우 함정에 빠지지 쉽지 않다 더 알고 있을 수 있습니다 하지만 새로운 콘텐츠 사이트 매주 수백, 이러한 실수 확률이 최고 품질의 제품의 일부를 묻어.

우리는 요소 분석, 비교 하기로 하는 경우에 일반적으로 결과에 개체, 우리 우리가 새로운 콘텐츠를 이전 데이터를 삭제 하도록 콘텐츠의 이전 릴리스에 대 한 지난 주에 대 한 데이터의 통합된 선택의 인기를 비교 하 여와 같은 모든 비교 개체는 동일한 기간을 제어 해야 하는이 시간의 영향을 우회 하는 방법의 찾이 필요가 지난 주에 릴리스 되었습니다 단지 콘텐츠 삭제 되었고 데이터의 전체 주 추가 될 때까지이 비교에는 관여 하지 않습니다. 이렇게 하면 동일한 기준선에 비교는 하지만 의심 연기 눈길 콘텐츠의 성능에 대 한 결론의 평가 찾을 수 없습니다 시간에, 그래서 여기는 방법의 통계 단위 시간 표시기의 사용 즉, 각 콘텐츠의 기간 (일반적으로 정확 하 게 하루에), 얻을 수 게시 된 시간 통계의 내용에 따라 다음,이 기간에 의해 콘텐츠 액세스의 총 금액을 나누어 시간 단위 당 액세스 콘텐츠를 얻을 하 고 비교:

5 새로운 출판 콘텐츠를 위의 테이블 소요 거의 콘텐츠가 게시 되었기 때문에 일 수를 추가 하는 트래픽 데이터의 10 일 우리 총 기간에 의해 방문 수를 나누어 평균 매일 양의 트래픽 계산 하 고 각각 총 트래픽 및 평균 매일 소통량의 내림차순 순위. 우리가 1를 정렬 했다, 우리 아마 D 콘텐츠의 강력한 성능을 무시 하 고 시퀀싱 시간 요소 시키는데 우리를 보다 정확 하 게 후 새로운 콘텐츠의 잠재력을 파악.

위의 방법에도 적용 됩니다 전자-상거래 웹사이트 상품 분석, 많은 전자 상거래 웹사이트에 새로운 상품에 원하는 선택 키 마케팅 수행을 충분 한 잠재적인 상품,에서는 소위 "폭발 돈", 따라서 추가 판매 및 이익을 증가 주문 수량 성장을 승진 시킨다. 잠재적인 새로운 제품의 선택은 한 손에 냄새와 비전, 다른 한편으로, 데이터 분석의 사용에 충분히 과민할 필요가 있고이 시간을 위의 언급 한 시간 요인의 영향을 고려, 1 개월 상품의 20 개를 판매 하는 50의 판매 보다 반드시 더, 키가이 상품 진열대에는 때를 기억합니다 상품의 가치 있는 성장 포인트를 찾을 수 진짜 잠재력을 평가 하는 효과적인 방법의 사용.

그래서 현명한 웹 사이트 작업은 항상 찾고 새로운 성장 점, 시간 요소, 그 잠재적인 제품 및 콘텐츠 부족의 데이터 분석 "갈 린된" 제품 콘텐츠를 오랜 시간에 대 한 가능성이 될 경우 자신의 라이프 사이클, 웹사이트 콘텐츠 또는 제품 지속은 알고 너무 느린 웹사이트 대사를 하면 다음 다른 웹사이트의 뒤에 떨어지는.

사용자 분석

사용자 분석에서 같은 사용자 RfM 분석, 고객 충성도 가치 점수, 사용자 라이프 사이클 값이 지속적인 행동 분석 모델 들의 함정에 빠지지 하는 기간에는 사용자에 따라 같은 시간 요인에 주의 해야 합니다. 우리는 새로운 사용자에 게만 등록 되어 최근 1 개월에 1 주 동안 있기 때문에 당신이 단지 그에 게 7 일, 그는 충분 한와 함께 사용자;의 30 일 부탁 수 없습니다. 마찬가지로, 그들은 동일한 출발선에 없는 때문에 소비와 소비 세 또는 6 개월에서 한 달 새 사용자를 비교 해야 합니다. 하지만 새 사용자는 잠재력는 그들은 성장할 것 이다까지 더 높은 가치, 그래서 우리는 사용자에 대 한 마케팅이 요인의 영향을 제거 하기 위해 충성 사용자 수 사용자의 사용 (사용자의 첫 방문 또는 등록 시간으로 시작 하는) 사이트의 기간을 분할 하 여 단위 시간 계산 방법의 지표 뿐만 아니라. RFM 모델을 사용 하 여 사용자 평가 전과 시간 요소를 고려한 후에 차이 보면.

RFM 모델 위의 표에 표시 된 대로 데이터를 분석 하는 사용자의 거의 100 일 경우,이 또한 "기간" 통계, 사용자 일의 현재 번호를 등록 하 고 사용자의 등록 시간이 100 일 경우, 다음 사용자의 기간 통계 주기는 100 일 (최대 기간)을 추가 합니다. RFM의 3 통계에 있는 최근 구매 간격 (R)는 사용자의 기간에 의해 영향을 받지 않습니다, 따라서, 시간 요소를 고려할 때 구매 주파수 (F)와 소비 금액 (M) 영향을 받는, 그리고 단위 시간 값 (여기는 일) 기간을 나누어 계산 됩니다. 즉, 각 사용자 테이블 "시간 요소를 고려해 야 여부" 전후에 변환 색인. 전후, 사용자 1 비교에서 때문에 오래 된의 지속적인 사용은 사용자 구매 주파수 전에 시간 요소를 고려 하지 않습니다와 소비 금액에는 명확한 이점이 있다 하지만 데이터 변환 후의 끈 적 거 림 및 값 사용자 2 성능 높은, 즉, 사용자 2가 웹 사이트의 사용은 오래, 그러나 단위에 시간 1, 사용자 보다 더 많은 구매를 방사형 차트를 고려 전후 우리 더 시간 요인의 영향에 보였다:

사용자 1, 사용자 2, 빨간 선 파란 선 다이어그램에서 데이터 표준화 후 점선 시간을 고려 하지 않는 요소, 담당자의 구현 시간 요소를 고려해 볼 수 있습니다 사용자 2 시간 고려에서 요인 값이 크게 확대에서 그림 사용자 예상 값의 2를 얻을 수 있습니다 우리 시간 요인의 영향을 고려 하지 않습니다, 분석의 결과 수 있습니다 오해 사용자의 올바른 평가 상당한 편차를 갖게 됩니다.

사실, 시간 요소 언급 여기 비교의 원칙에 따라, 객체 간의 비교 비교, 그렇지 않으면 어떤 의미 없이 비교의 결과.