數據會說話 What I learned from numbers

Ruby Wang

王宛如 Ruby Wang PM, EC & Marketing Science, ASUS 政大資管＋AMBA 訊連科技、共贏科技、 聯合報系 udn買東西、歐易亞科技 數據分析／SEO／導購 活動／網站／平台規劃

Agenda

• 什麼是網站分析（Web Analytics）？ • 網站分析的原理與工具

– 站內分析 – 競爭分析

• 有什麼可以分析？ – 常用 KPIs – 指標（Metrics）／維度（Dimensions）有什麼不同

• 切割（Segmentation）的重要性 – 資料切割 – A/B Testing

• 練習：我們可以利用數據解決什麼問題？ • 網站分析的美麗與憂愁 • 學習資源

什麼是網站分析？ WHAT IS WEB ANALYTICS?

Web Analytics 2.0 之定義

你跟你的競爭者的質化跟量化的分析

• the analysis of qualitative and quantitative data from your website and the competition,

為的是持續性改善用戶跟潛在用戶的線上體驗，精益求精

• to drive a continual improvement of the online experience of your customers and prospects,

並轉化成你想要的結果／目的（包含線上跟離線的）

•which translates into your desired outcomes (online and offline)

~ Web Analytics 2.0, Avinash Kaushik

問對問題／確認目的是最重要的

~ 增長黑客, 范冰

分析的工作流程

提出

假設

設定

目標

佈碼/報

表計畫

佈碼

數據

驗證

報表

呈現

分析

洞察

網站分析的原理 HOW WEB ANALYTICS WORKS?

目前主流的追蹤方法

1. Server Log

Server Log

目前主流的追蹤方法

2. JavaScript / Cookie

Source: https://analyticsacademy.withgoogle.com/course02/unit?unit=2&lesson=1

基本 code + 資料加工

Ｗeb / APP 分析工具

一般通用

• Google Analytics

• OMNITURE (Adobe)

• mixpanel

• webtrends

• Webtrekk

• Coremetrics (IBM)

特殊使用

• Flurry (Mobile)

• AppsFlyer (APP)

• Application Insight (MS)

• APP Annie (APP)

• 百度統計 (China)

• CNZZ (China)

• Yandex Metrica (Russia)

其他分析工具

定性

• 4Q Survey

• Kampyle

• uservoice

• surveygizmo

• surveymonkey

Misc.

• CrazyEgg

• ClickTale

• SkyGule

• UXSuite

競網分析工具種類

瀏覽器小工具 Toolbar Data

• Alexa, SimilarWeb, Pingle

樣本資料 Panel Data

• comScore, Nielsen

網路服務供應商 ISP Data

• Hitwise, Compete

搜尋引擎資料 Search Engine Data

• Keyword Planner

分析工具的產業標準 Benchmarks from Web

Analytics Vendors

• Fireclick, Coremetrics, GA

自主回報 Self-reported Data

• Quantcast, Google’s Ad Planner

客戶滿意 External Voice of Customer Data

• iPerceptions

混用資料 Hybrid Data

• Compete , DoubleClick Ad Planner

• Google's Trends for Websites

http://www.kaushik.net/avinash/competitive-intelligence-data-sources-best-practices/

有什麼可以分析？ DIMENSIONS, METRICS, REPORTS

Visits/Sessions & Visitors/Users 訪次／工作階段＆訪客／使用者

一個 Visitor 可能會有多次造訪 Visits ／Sessions。

每一個追蹤工具都有自己的命名與追蹤方式，

必須了解才能善用。

Time on Page & Time on Site 網頁停留時間＆網站停留時間

3:00 pm

3:01 pm 3:05 pm

3:10 pm

Bounce Rate 跳出率 • The sexiest web metrics!

• 使用者只看一頁（到達頁／著陸頁）就離開網站的比率。

• 兩個衡量層次

– 全站的平均 bounce rate

– 熱門到達頁（landing page）的 bounce rate

• 其他應用（＋維度）

– Top referrers 的 bounce rate

– 關鍵字（paid/organic）的 bounce rate

– Blog的 bounce rate是否重要？

Exit Rate 離開率

• 訪客從特定網頁離開你的網站的比率。

• 使用者終究會離開網站，但他們是否是在我們期許的情況下離開？

• Bounce Rate & Exit Rate 是相輔相成的。

Bounce Rate vs. Exit Rate

看到廣告/FB

到達頁

瀏覽網站

註冊流程

捐款/報

名

流程

再訪/

分享

Conversion Rate 轉換率

• 訪次完成預期目標的比率。 Conversion Rate = Outcomes ⁄ Sessions

• 舉例：

Sessions = 10, Users = 3, Orders = 1, Revenue = 2,000 Conversion Rate = 1 / 10 = 10%

關於轉換率

• 常見轉換率：註冊、購買、廣告、 訂閱、下載/安裝、捐款、儲值、 使用。

• 轉換重心根據目的及公司定義而有所不同。

–萌芽期 成長期 成熟期 衰退期

–政府、企業、社會企業、非營利組織…

ROAS 目標廣告投資報酬率

• 每 1 元廣告支出，能為公司帶來的業績。 ROAS = Revenue / Advertising Spending

• 舉例：

Sessions = 10, Users = 3, Orders = 1, Revenue = 2,000, AD Spending = 50 ROAS = 2,000 / 50 = 40

使用者參與 Engagement

• 參與、涉入：吸引更多喜好與關注。

– Time on site？Frequency？回訪？回購？

• 量化資料只能得知 Engagement 的程度，無法得知類型（正面/負面）。

– Facebook 按讚、點擊、分享？

• 因地制宜，適時加入質性研究。

嘗試一下

2014/12/2

2015/1/2

2015/1/5

2015/2/2 看了 1 頁即離開

看了 3 頁（加入會員）才離開

看了 2 頁才離開

看了 1 頁即離開

在報表區間 2015/1/1-2015/2/20 內…

工作階段 Sessions = 3 單次工作階段頁數 Page/Session = 6/3 = 2

使用者 Users = 2 跳出率 Bounce Rate = 1/3 = 33.33%

瀏覽量 Pageviews = 6 % 新工作階段 % of New Sessions = 1/3 = 33.33%

入會達成率 Conversion = 1/3 = 33.33%

網站停留時間 Time on Site / Session Duration

工作階段時間長度 Time on Site = 8:15 – 8:00 = 15分

各別頁面停留時間

Page 1 = 8:05 – 8:00 = 5分

Page 2 = 8:15 – 8:05 = 10分

Page 3 = ? – 8:15 = 0分

8:20 am

我們如何用不同角度切割數據

• 使用者的樣貌 –年齡

–性別

–新客／舊客

–使用裝置

• 使用者的行為 –流量來源

–瀏覽頁面／到達頁／離開頁

• 時間

使用者樣貌－年齡

使用者樣貌－性別

年齡性別是預估而來

• 嘗試一下 Google 廣告設定 https://www.google.com/settings/ads

使用者樣貌－新客與回訪

使用者樣貌－使用裝置

使用者的行為－流量來源

關於網站內容－所有網頁

關於網站內容－到達頁

到達頁（landing page）是使用者到達網站的第一頁，到達頁可能是任何一頁。 到達頁的重要性在：若能清楚了解使用者的來源與到達頁，便可在到達頁上提供適切的內容與資訊，加深使用者繼續瀏覽的意願－降低跳出率，提升轉換率！

關於網站內容－離開頁

離開頁是指，使用者在哪一頁離開網站。 使用者終究會離開網站，但若使用者在重要環節（如：確認結帳頁）離開網站，那就大事不妙了。

關於目標－程序視覺呈現

藉由了解消費者完成目標的流程， 觀察每一個流程裡的離開率， 就可以知道， 哪個步驟需要優化。

關於時間

指標(Metrics) vs. 維度(Dimensions)

Source: https://analyticsacademy.withgoogle.com/course01/

Dim

ensi

on

s

Metrics 好壞評斷依據

資料切割方式

優秀KPI的四個特性 • 簡單

• 指標與業務相關

– 可從朋友或競爭者取得靈感

• 即時

• 即時有用

– 可以馬上發現問題

～Avinash Kaushik

Avinash 的三個教訓

• 不要過分追求完美

– Stuart Gold：一次讓人有收穫的犯錯，好過什麼都不做。

• 要做到少而精

–做最重要的事。

• 重視網站指標的生命週期

資料切割的重要性 SEGMENTATION & A/B TESTING

有時候問題很複雜， 資料需要切割，或是分類

使用次維度把資料做細分

比較不同產品系列的使用者樣貌

比較不同產品系列的使用者樣貌

關於實驗 A/B Test

• A/B Test的金科玉律 – 一次只改一個小東西（變數）

– 持續改善（把好 A/B Testing 到最好）

– 改變變數≠改變目的

– 同一個人看到的都是同一個選項

A/B testing in Online Advertising

至少換過五個圖

樣本數越多越好，至少每個ad有100個clicks

測試結果無法使用一輩子，但可以延伸

練習： 我們可以利用數據解決什麼問題？

先來個簡單的

看到廣告/FB

到達頁

瀏覽網站

註冊流程

捐款/報

名

流程

再訪/

分享

指標索引

• Visits/Sessions 訪次／工作階段

• Visitors 訪客

• Time on Page 網頁停留時間

• Time on Site 網站停留時間

• Bounce Rate 跳出率

• Exit Rate 離開率

• Conversion Rate 達成率

• Page Value 網頁價值

• Engagement 使用者參與

拿個網站當例子 http://www.youthrights.org.tw/

網站分析的美麗與憂愁 PROS & CONS OF ANALYTICS

If you cannot MEASURE it,

you cannot IMPROVE it.

英國物理學家 Lord Kelvin

~ SSA: 用戶搜索與行為分析, Louis Rosenfeld

價值三億美金的按鈕

Source: https://articles.uie.com/three_hund_million_button/

樣本≈母體

但數據無法告訴我們…

使用者的意圖

學習資源

參考書籍

• 英文書 – Web Analytics 2.0

– Practical Google Analytics and Google Tag Manager for Developers

• 中文書 –人人都是網站分析師（簡／繁）

–網站分析實戰（簡）

–流量的秘密（繁）

– SSA：用戶搜索心理與行為分析（簡）

Google Analytics 官方資源

• 說明中心 – https://support.google.com/analytics/

• Google Analytics Academy – https://analyticsacademy.withgoogle.com/explorer

• 功能介紹 – https://www.google.com/intl/zh-TW_ALL/analytics/features/index.html

• Google Developer – https://developers.google.com/analytics/

• The Analytics Blog – http://analytics.blogspot.tw/

• Google+ 社群 – https://plus.google.com/+GoogleAnalytics/posts

• YouTube – https://www.youtube.com/user/googleanalytics

結語

網路上， 什麼都可以記錄！ 什麼都可以測量！

但重要的是要先討論

什麼是應該測的？ 先定義成功，再設定策略

我認為一個好的 數據分析師應該是…

• 對分析有熱情，喜歡新東西。

• 邏輯好比念什麼系重要。

• 問問題的能力。

• 刻苦耐勞，不怕失敗。

• 販賣點子的能力。

• 加分：產業知識。

累積數據經驗的訣竅就是， 只要確保不會影響原始資料，

那就 大膽玩，不怕髒 就可以了

Thank You. Merci Beaucoup.