独立站网站数据分析(3)——基本的网站数据分析名词定义

在上篇文章，我们提到了用户行为的5+1要素，而我们在实际的分析过程当中，各项数据和维度也是在这6个要素下产生，接着不同要素下的数据和维度交叉组合生成更有指导价值的数据，然后组合数据又可以和单一基础数据按一定维度进行分析，最终形成可以指导我们行动的方向和策略。

用一张来解释这个过程，就是下面这个这个样子

大部分卖家因为三方数据未被整合，同时也受到数据采集或能力限制，所以我们有时候不得不对所需要数据进行裁剪，结合大部分卖家在使用的分析工具，Google Analytics，在这篇文章中，我会将常用数据及概念列出来，以免生疏的概念会对你后面的深入学习带来阻碍。

5+1元素下产生的常用的单一数据

注意：我在这里对术语做的命名和解释，都是源自Google Analytics里的术语及定义，依据你所使用的追踪软件不同，部分术语的最终定义以你的追踪分析软件为准。

名词解释及其意义：

会话： GA当中的重要概念。 某个用户进入到网站，发起第一次服务器请求（比如浏览页面或点击某个按钮）即开始记做一次会话，如果某用户在您网站上处于非活动状态的时间达到或超过 30 分钟，那么任何进一步的活动都会被归入新会话。如果用户在离开您网站后 30 分钟内返回，则之后的活动仍将被计为初次会话的一部分。

唯一用户：又叫唯一访客，通常以设备为单位区分不同的访客。 假设2个人使用同一台电脑，用同一个Google账户访问你的网站，依旧会被记做1个用户。

用户：在指定的日期范围内，至少处于一个会话中的用户数量。比如，一个用户在一周内访问了2次你网站，唯一用户数为1，用户数为2.

访问时长：用户从从第一次进入网站到离开网站所用的时间，通常我们会取平均值，称作平均会话时长

访问时间：用户第一次进入网站的具体时间，通常不会直接显示在面板中，而是以小时分布图与用户数据结合在一起，来展示网站每小时的访客量。

跳出：“跳出”特指仅触发了一次对服务器的请求的会话。例如，用户打开了网站上的一个网页，然后就退出了网站，并且这次会话没有触发对服务器的任何其他请求。

流量来源：记录用户从什么地方进入的网站，比如direct、organic、Email、Google

国家地区：记录用户在什么国家、省份访问的网站

产品类别：商家自己按照产品属性进行的维度划分，比如价格维度、颜色维度、category维度等。

互动行为： 又可称为“事件”，商家可以自定义不同的追踪时间，比如注册、订阅、加购、购买等

当然这里不是全部的单一数据，本着实用主义的原则，以上列出的只是部分常用到的单一数据，你可以根据公司的分析需求再继续增加。

基于基础数据展开的计算指标

计算指标指的是，在单一数据的基础上，对两个数据进行对比，最常见的就是除法公式，在不同的分析目的下，或者每个公司关注的要点不同，对分子和分母选取也可能会有所不同。比如

关于用户注册率，是用注册用户数除以访问用户，还是用除以会话数。可能有些公司关注的是用户层级的数据，而有些用户以会话数为分母来分析每一次访问的质量。但是无论是用哪一种，我们只需要确保在分析时数据的一致性。 比如， 计算注册率时， 分母为访客，那么购买转化率时，分母也应该依旧为分母。

我们对那6个用户行为关键元素进行两两组和，你就会看到这些常见的计算指标：

who*when

• 平均访问时长：访问时长/访客

who*where

• 每位用户的浏览量：浏览/访客

who* how

• 注册率：注册数/访客
• 加购率：加购数/访客
• 订阅率： 订阅/访客
• 购买转化率： 购买/访客

who*how much

• 每位访客的价值：订单金额/访客

when * where

• 平均互动时长；访问时间/会话数

where*where

• 每次会话页面浏览量：浏览/会话数
• 跳出率：跳出数/会话数
• 退出率：退出数/会话数

where*how much

• 每次浏览价值：金额/浏览量

how*how

• 加购购买率， 购买/加购
• 结账购买率：购买/结账，交易漏斗的一部分，看最后临门一脚的放弃率
• 交易阻碍率：结账/购买 通过这个数据判断用户在结账页面尝试几次，从而判断结账页面是否有交易阻碍

How * how much

• 平均客单价：订单金额/购买
• 每次加入购物车价值：订单金额/加入购物车

维度组合后产生洞察和决策

除了以上可以计算出来的公式数值，还有一些单一数据和组合数据在不同维度之间的组合，可以帮助我们发现一些问题：

比如组分设备看人均访问量、跳出率等数据，可以得知在在不同设备上的用户体验情况，从而判断某些设备是否存在兼容或不友好的问题；比如页面行为和产品类别的组合从而得知哪类产品更受关注，圣诞节活动页面的转化率是否达到活动预期等。

还有很多很多，这些数据可以按照一定维度进行无限的细拆和组合，随着组合的变多，分析的复杂度就会变大。那么如何确保自己想要分析的数据不被遗漏，如何有体系、有规划的去获取并分析这些数据呢？

其实各个数据之间互相有关联，通常我们可以用流程图来建立数据之间的关系，比如购买转化漏斗，用户访问流程。

而这个就涉及到我们的下一篇章的内容。数据分析的理论篇，包含数据规划及分析模型等内容。

数据基础的三篇文章就到此结束，这是独立站数据分析系列文章的第3篇，开始填坑的第3篇。