網站分析的十大誤區及候補（三）

仲介交易 SEO診斷 淘寶客 雲主機 技術大廳

【導讀】

網站分析仍然是新鮮事，因此，我們對她的認識可能存在種種偏差。 這篇文章總結了在我的工作中發現的種種容易出現的對網站分析認識上的誤區。 這是第二部分，這個部分將進入一些更細節的領域。 第一部分請見：網站分析的十大誤區及候補(一)第二部分請見：網站分析的十大誤區及候補(二)。

【正文】

寫這個系列的上一篇文章時還是在5月1日，現在已經是8月1日了，時間過得真快，令人感慨。

其實在前兩集中，十大誤區已經談完了，今天要講的只能是候補。 之所以叫做候補，原因是它們都是很有爭議的領域，我是一家之言，仍只敢博君一笑。 不過知識沒有候補之說，我希望引發討論，甚至爭論，以獲得真正的見識和真理。

候補誤區一：網站分析有標準的benchmark

這是一個存在普遍誤解的地方。 我們經常討論bounce rate，討論time on site，所以有很多朋友會問：

我的網站bounce rate是60%，好不好?或者，平均time on site是5分鐘，好嗎?

這些其實都是我無法回答的問題，因為網站分析對於這些關鍵度量並沒有一個所謂標準的benchmark可以參照。 我只能說，bounce rate是60%不是我見過的最糟糕的或是最好的，5分鐘的time on site也是如此，不過至於到底好不好，僅憑這幾個孤立資料本身是無法解答的。

為什麼網站分析沒有標準的benchmark的原因，在於網站和網站之間的區別太大了。 首先，網站的受眾/流量來源不同;其次，網站的功用不同;再次，網站設計的內容也不一樣;最後，網站新舊程度不一樣......

所以，網站分析沒有標準的benchmark!例如，不能說bounce rate低於60%就是好，高於60%就是不好。

現在，你會問一個更好的問題：

如果是同一個細分行業的，或是受眾很重合的網站，是不是可以相互比較這些諸如bounce rate、time on site、PV/V、訪問者忠誠度等基礎指標?比如，新浪和搜狐、土豆和酷6、京東商城和新蛋網， 他們可以兩兩相互比較這些指標嗎?

我認為完全可以相互比較，不過，千萬不要覺得自己網站的指標數值比別人差，就是自己的網站不好。 假如新浪的bounce rate是10%，而搜狐的是15%，陽哥就要發飆了嗎?大可不必，這未必說明搜狐就比新浪要差。 還是那個原因，新浪和搜狐的頁面其實很不一樣，雖然他們都是門戶，而且他們牟足了勁在競爭，但他們仍然有很大很大的差異。

同樣，Nike和Adidas的網站，Intel和AMD的網站，他們都是同一個tier(類別)的，但他們其實也很不一樣。 這些指標的大小不能簡單說明一個網站就好于或者差于另外一個網站。

所以，我一直堅持：即使是相同類別的網站，指標簡單的數值好壞也不能說明網站的好壞。

那麼，你又會問了：

既然比較不能說明好壞，那比較還有什麼意義?!

有，當然有!如果你知道了競爭對手的數值情況，你就可以分析它咯;你知道了你的數值不如它而瞭解自己。 所謂以人為鑒可以知得失，網站之間也是如此。

最好，請大家不要產生另一個誤解，那就是既然沒有標準的benchmark，那麼無論我的數值無論多少，都不說明我的網站好壞，我大可以高枕無憂。

相信沒有朋友會這麼想。 :)

如果您的數值太過離譜，超出了普通的範圍，那麼還是很能說明問題的。 例如，如果您的網站整體bounce rate高於80%甚至90%，那還是要注意下了。 :) 網站分析喜歡這些異常現象，還記得這篇文章嗎?

下面列舉一些我經驗中的一些極值(請注意，這些值只對用Google Analytics分析有效，其他WA工具因為定義和監測方式的不同，數值可能有明顯區別)，如果超過這些值，可能說明網站出現了較為嚴重的問題(但不絕對!)

最後再次提醒大家，由於每個網站都是獨一無二的;而且指標本身也不能孤立的解讀，所以，網站分析的標準benchmark不存在。

候補誤區二：利用自動BI系統進行網站分析

是否能夠利用自動BI系統進行網站分析?這是一個很聰明的問題，提出這個問題的朋友，都是很動腦筋，而且很願意去解決問題的。 但是，就我愚見，這個想法很好，但是很難實現。

網站分析有一些固定的模型。 根本上，遵循「輸入->分析->輸出」模型，我們希望的，是在分析這個環節利用電腦的智慧運算能力幫我們進行分析，然後直接輸出結果。 這就好比IBM的深藍和人下國際象棋，輸入是當前的棋局，分析是它自己肚子裡面的程式，輸出是棋的下一步。 網站分析也希望能夠類似，例如，輸入網站的bounce rate=65%，網站的PV/V=2.54，網站的time on site=187秒，網站產生的revenue=$332,343，conversion rate=1.34% 以及其他各種指標和metrics(包括各個頁面的指標)等等，然後智慧程式開始運算分析，最後輸出結果——網站是否健康，網站有哪些優點和弱點，以及網站在什麼地方需要改進，以及建議。

很美好，但是比較難實現(除了某些特殊情況，後面提)。

問題出在什麼地方呢?輸入、分析、輸出都有問題，都無法實現——原來現實總是這麼殘酷;而且，我認為，輸入的問題最難解決。

為什麼輸入的問題最難呢?舉一個不恰當的例子，例如戰爭(請原諒我是和平主義者，所以這個例子並不好)，假如俄羅斯和美國要打一仗，我們可以通過電腦類比出勝率，但真正開仗了，你會相信戰爭的過程一定會和電腦類比的一樣嗎? 不可能一樣，因為左右戰爭進程的除了武器裝備等內部因素外，外部因素往往更加重要，而外部因素難以界定邊界，而且有很多時候完全是混沌的。

網站分析如此。 網站的種種可以被監測的指標，是內部因素，有明確的定義和邊界，但是遺憾的是，僅僅只有這些內部因素，不足以説明我們完成分析。 網站分析師分析的核心價值在於，把這些用網站分析工具監測到的內部因素，與網站所擁有的外部因素進行關聯，並進一步分析挖掘，從而尋找到真正有價值的洞見(insight)。

你會問我，網站的外部因素是指什麼?——好問題!網站的外部因素是那些瞬息萬變，不可能墨守成規卻又無時不刻不再影響網站變現的事物，我能想到的包括如下內容：

網站的設計——不僅僅是流程上的，更是視覺上的，usability上的，這些怎麼輸入給BI系統呢?

網站受眾的情況

網站所處的行業和經營環境

網站的競爭對手

中國互聯網的一些獨特「怪癖」

網站經歷的其他外來事件等等

這些外部事物哪怕對你的網站產生一點點影響，都會改變最終的分析結果，而它們既不格式化，也不結構化，都無法輸入到BI中，所以輸入上就有問題。

由於輸入上無法解決的問題，分析也就很困難了，在真正的類人神經網路電腦出現前，我們現在的電腦的分析只能按照結構化和程式化的方式來，如果輸入是類比的，甚至是模糊的，那它就無可奈何了。

談點兒題外話。 一定有不少朋友喜歡炒股，我讀過一本書，講華爾街的金融分析師，書名叫《華爾街的肉》。 其中作者提到了那些天天玩兒數學模型按照「輸入·分析·輸出」進行預測的分析師，往往預測的結論跟實際結果都不同，所以他對這個方法十分質疑。 我現在明白其中部分原因所在，就是許多外部因素是無法準確輸入到模型中的。

輸出也存在問題，即使分析有了結果，如何進行建議仍然是非常困難的。 電腦只能給出一些大概的指導性意見，它不可能告訴你應該如何調整你的call to action元素，或者應該如何修改流程，又或者如何重新構造首頁，它做不到。

所以，我斗膽預測，10年內用BI做深入的網站分析是不可能的，還得靠偉大的人腦。

當然，萬事無絕對，BI系統在一些方面很有價值，如下：

當網站的外部環境比較恒定，可以作為常量時;

自動優化流量來源，如SEM的自動投放系統;

做A/B測試或者多變數測試時;

自動根據測試結果進行內容投放時，如Omniture的Test&Target系統;

自動根據訪問者行為profile的分析結果進行定制化內容feed的時候。

就不再具體展開了。

候補誤區三：分析個體行為具有重大意義

我見到一些工具，記錄每一個訪問者在頁面上的滑鼠軌跡。 這些工具各有千秋，不過都很強大。 通常，這些工具是為UED(UCD)設計師準備的，但是它們對網站分析有重大意義嗎?

網站分析是一般是通過全體(即完全不抽樣)或者是大樣本量資料來分析網站訪問者所趨同的一些行為模式，並據此優化最主要訪問群體的訪問體驗。 網站分析極少通過研究個體訪問行為來進行分析。 在這一點上，網站分析和網站可用性(usability)分析是大相徑庭的。

如果您讀過《Don't Make Me Think》，您就知道，網站做好後，請一些從未使用過您的網站的普通人，在您的面前完成一些您規定的網路訪問事情，並且記錄下他們的訪問行為， 是一種非常重要的網站usability測試和改進的方法，但是網站分析則極少採取這種方法，即通過某一個訪問者在網站上訪問留下的資料情況來分析和優化網站。

原因很簡單，因為大量訪問者的訪問情況是符合正態分佈的。 有可能某些訪問者的訪問資料分佈在極值地區，如果用這些資料進行分析，偏差很大。 例如，A訪問者在網站上停留的時間長達1個小時，訪問的頁面多達100頁，這不代表著所有的訪問者都是如此，分析單個訪問者容易陷入危險。 也許你會說，我可以多分析幾個訪問者的行為，這樣會更可靠。 但是，問題是，與千百萬的訪問者數量比起來，你能夠分析的個體總是有限的，而且越多的個體分析，你就會越辛苦。

所以，在我的實際工作中，我幾乎不會用到一些非常具體的滑鼠軌跡監測工具，但我希望能夠有一個滑鼠軌跡記錄工具，記錄所有的滑鼠行為，並用不同的色彩表示滑鼠行為的密度，這對我們會非常有用，而且會比我們目前所做的熱區圖(heat map)更有價值。 但似乎目前沒有這樣的工具出現。

候補誤區四：優化方案是進行分析後的必然結果

網站分析重在分析，不錯，但分析並不是網站分析的全部，分析的最主要目的是發現問題，但分析本身不足以説明解決問題，或只能解決部分問題。

例如，在研究轉化時，我常常發現很明顯的某個頁面丟失了大量的訪問者，但是為什麼這個頁面的表現會如此糟糕?有時候，根據經驗，我們立即就能想到原因，並且據此提出改進意見;但有時候，我們其實並不知道為什麼這個頁面如此糟糕。 即使根據經驗我們能夠想到原因，這也並非一定就是真實的(或根本的)原因所在。

所以，有些時候(其實更準確的是大多數時候)，真正可靠的優化方案，並不能從分析中直接得來，而是來自于你通過分析提出建議之後的測試。 建議本身是主觀的，但測試之後的結果則是客觀的(只要你採用了科學的方法和流程)。 網站分析的一個輪回並不結束于分析，而是結束于測試，測試才是王道。

所以，下面的這個圖雖然是老生常談，但卻是真正重要的方法論。

好了，這篇文章終於結束了，這個系列也終於結束了(之後可能會有修訂和增補)。 感謝所有朋友們一直以來的鼓勵!希望大家提出不同意見，歡迎探討，歡迎爭吵!

版權所有: 番茄運營, 轉載請注明本文出處 原文位址：HTTP://www.chinawebanalytics.cn/top10-misunderstanding-for-web-analytics-part3/