數據會說話What We Learned from Numbers…

Ruby Wang

wanru.tw [a] gmail.com

王宛如 Ruby WangPM, 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

今天會以 web analytics 為主軸 但 web / APP 概念是差不多的

Agenda

• 什麼是網站分析（Web Analytics）？• 網站分析的原理• 網站分析的美麗與憂愁• 有什麼可以分析？

– 指標（Metrics）／維度（Dimensions）– 報表 & 報表視覺化（heatmap）

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

• 案例分享• 一些不錯的工具• 練習：我們可以利用數據解決什麼問題？

什麼是網站分析？WHAT IS WEB ANALYTICS?

什麼是網站分析？

問題≈目的

事業個體

會員／用戶

對象

質化研究

量化研究

方法

線上

線下

答案≈結果

持續改善／精進

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,

目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,

轉化成你想要的結果（包含線上跟離線的）

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

~ Web Analytics 2.0, Avinash Kaushik

分析的層次

The What: Click Stream

•直接的基本資料－Visits, Visitors, Time on Site, Page Views, Bounce Rate, Source, etc.

The How Much: Multiple Outcomes Analysis

•將公司目標、評量標準與分析結合起來才有用，通常一個網站的產出有三種：增加營收、減

少成本、加強客戶滿意或忠誠度

The Why: Experimentation and Testing

•測試並改正，才可以了解失敗，而且網路上的失敗通常是很快就可以知道又相對不貴的學習

The Why: Voice of Customer

•質性研究

The What Else: Competitive Intelligence

•就是要知己知彼，比較才知道自己的位置

~ Web Analytics 2.0, Avinash Kaushik

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

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

價值三億美金的按鈕

Source: http://rebuzz.tw/2013/09/hpx-ucd.html

樣本≈母體

但數據無法告訴我們…

使用者的意圖

有什麼可以分析？DIMENSIONS, METRICS, REPORTS

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

網路分析一定會用到的８個指標

8 Metrics

Visits/Sessions

Visitors

Time on Page

Time on Site

Bounce Rate

Exit Rate

Conversion Rate

Engagement

Visits/Sessions & Visitors訪次／工作階段＆訪客

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。

看到廣告/FB

到達頁

瀏覽網站

註冊流程

結帳

流程

回購

分享

Bounce Rate vs. Exit Rate

Conversion Rate 達成率

• 訪次完成預期目標的比率。Outcomes divided by Visits.

• 根據目的及公司定義而有所不同。

• 常見轉換率：註冊、購買、廣告、訂閱、下載/安裝、捐款、儲值、使用。

網頁價值 Page Value

• Page 1: ($100 revenue + $40 revenue + $0 goal value) / 2 unique pageviews = $70

• Page 2: ($100 revenue + $40 revenue + $0 goal value) / 2 unique pageviews = $70

• Page 3:($100 transaction revenue + $0 goal value) / 1 unique pageviews = $100

Visit #1 activity:

Visit #2 activity:

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

我們常用的維度

• 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

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

定義

衡量

分析行動

改進

棄守

KPI策略訂定

了解所有影響目標達成的關鍵因素

合理利用自行定義報表

建立團隊報表（大家要看的都不一樣）

以宏觀的視野理解網站

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

報表有時候需要視覺化…

想像老闆只有一眼的時間你希望他看到什麼

讓資料被看見

資料視覺化

• 圖表必須誠實

• 資料墨水比高

• 簡單為上，避免圖表垃圾

～Edward Tufte

舉個例－得到的資料本來是這樣

舉個例－再整理成這樣

A B C D E FDirect 31.16% 24.35% 32.76% 27.95% 29.21% 51.63%

Referrals 48.33% 38.38% 19.04% 22.81% 25.80% 18.03%

Search 18.01% 36.64% 45.45% 47.28% 41.61% 16.16%

Social 2.19% 0.51% 0.59% 0.51% 0.76% 14.09%

Mail 0.12% 0.04% 0.63% 0.15% 0.62% 0.01%

Display 0.19% 0.08% 1.53% 1.31% 2.00% 0.08%

舉個例－最後變成這樣

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

31.16%24.35%

38.20%32.76%

27.95% 29.21%

51.63%

48.33%

38.38%

23.84%

19.04%22.81%

25.80%

18.03%

18.01%

36.64% 35.11%

45.45% 47.28% 41.61%16.16%

Direct Referrals Search Social Mail Display

案例分享CASE STUDY

一些不錯的工具TOOLS

工具

• 如果你有網站…– 用 Google Analytics 做數據追蹤– 用 CrazyEgg 優化網頁呈現（heatmap／scrollmap）– 用 Google Search Console／Bing Webmaster Tool 做

SEO 看入站關鍵字– 用 Similarweb 看你跟競網的差異

• 如果你有 facebook…– 用 SocialBaker 看你跟競業– 用林克傳說看看今天流行什麼

• 如果你要研究內容…– 用 Google Trend／AdWords Keyword Planner看看大家都搜什麼

練習：我們可以利用數據解決什麼問題？

看到廣告/FB

到達頁

瀏覽網站

註冊流程

結帳

流程

回購

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

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.