独立站网站数据分析(6)——电商常用数据分析模型

在前几篇的文章当中，我们对数据规划、数据指标、指标分级有了基本的认识，在今天的文章中，我们主要了解下独立站网站数据分析中常用到的网站分析模型，这些模型你可以通过Google分析师提供的模板报告来实现或其他第三方的工具。

事件分析

独立站上的“事件”特指用户在网站上进行的某个操作行为，事件的类型包括页面浏览、点击元素、浏览元素、修改文本框。

事件分析是所有数据分析模型中最基础的一种，是针对用户行为事件的指标进行统计、维度细分、筛选等分析操作。

例如以“购买”这个事件，我们用“购买次数”来度量，度量结果一般用折线图、柱状图、或表格来呈现。你也可以同时添加多个事件一起分析，如下图所示。

如果加上“会话来源”这个维度数据，就形成了来自（direct），referral，Google等来源的购买次数（如下图所示）；而筛选则是对指定的区分方式来进一步筛选想看的流量，比如“来自PC端的访问”，来自“美国地区”的访问等。

通过事件分析，我们可以准确了解网站内发生的事件量，而这些事件通常是影响到网站和销量的主要指标，通过自定义报表，可以轻松回答关于变化趋势、分维度对比的问题，比如：

• 某个活动专题页面的用户分时走势，不同渠道的来源占比分别是多少；
• 某个渠道的累计成交订单量是多少，这些渠道的成交和上一周期对比的差距如何；
• 某个产品页面的浏览量的次数有多少，对比昨天提升了多少；
• 不同国家来源的加入购物车次数是多少，排名前3的加购用户来自哪些国家；

想要通过Google Analytics来进行事件分析，你可以使用谷歌自带的事件工具来增加事件；或者通过Google tag manager来增加更多追踪的事件。

漏斗分析

漏斗分析是一套流程式的数据分析模型，我们在第一篇文章里就就以广告的点击到转化画出了一个简单的倒三角漏斗。简单的说，漏斗就是把用户行为的起始的各个行为节点作为分析模型的节点，来衡量每个节点的转化效果，一般通过横向的柱状图或者漏斗图形来呈现。

漏斗分析可以帮助我们清晰的了解在一个多步骤的过程中，每一个的流失及转化情况，从多角度剖析对比，找到流失的原因，提升转化率。

和事件分析不同，漏斗分析是基于用户来统计某一批用户所发生的行为，我们通常用漏斗分析来找到某一段事件内用户访问流程存在的问题。

所以在使用漏斗分析模型时，会通常和用户流转地图结合在一起。用户流转地图也是起源于UJM（用户旅程地图）模型，只是在绘制流转地图时，我们会添加流转的节点、线路、流转数量和流转比例。

在漏斗分析中，你可以借助这样的流转地图去来确定每一个步骤，同时加上起始时间和转化时间窗口这两个要素，来构成这样的漏斗。

起始时间是指第一个步骤发生的时间，而转化时间窗口指的是完成这个漏斗的有效时间限制，这个涉及到归因的统计窗口，比如一个用户在做出了漏斗中的第一个动作，访问产品页面，但是他却在第31天才完成了最后一个步骤购买，而网站对于转换追踪的cookie有效期仅设置为了30天，那么这个用户的行为就不算完成了一个完整的漏斗。

在GA的媒体资源管理面板中， 你可以看到Google Analytics的归因及回溯期。

除了用漏斗分析来来分析用户购买的流转流程，我们还会用横柱状图来分析用户注册的转化率，看用户注册流失通常发生在哪一步。

通过建立这样的漏斗，来度量每一步的转化率和整体转化率，再通过时间维度来监控每一步的趋势变化，从而帮助我们及时发现问题、及时止损。

这样的漏斗分析图你可以通过GA4里面的探索功能来实现

热图分析

又叫热力图分析，根据实验记录，反映访客在网络页面上眼球聚焦和焦点流动的统计学规律就是热图，通过看热图我就知道消费者更关注屏幕的哪个位置，哪些是黄金位置，哪些是白菜位置。

热图的数据分析来源一般有两类，一类是追踪眼球浏览行为的，比如眼球的自然聚焦、视觉焦点辐射、扫视、扫读，关注焦点，这类热力图就是大家经常看到的这种。

不过这种热力图需要追踪热门的眼球、瞳孔、眼部肌肉的运动，通常是来源于大型实验室组织千人以上的实验，通过特殊的眼睛记录消费者眼动规律，来绘制像素热图。

但是在分析自己的网站时，我们无法去做到大规模的实验，所以会采取成本更低，更容易实现的基于“鼠标行为”的追踪，从而形成热力图。

热力图，我个人认为最大的价值，就是避免运营人员自嗨，做出错误的优化方向，自满于刚刚想到的营销点子；也可以让老板知道一些非销售页面的重要价值，比如品牌故事和退换货政策。

市面上有很多第三方的热力图工具，比如HotJar，CrazyEgg，Smartlook，Ptengine，Clarity，大家在选择时，建议选择按月计费的工具。

从热力图拿到相应的数据后，你可以按照以下思路来进行优化

1. 最佳区域:找到访客在SERP/LP页面中最容易聚焦的区域。
2. 最优信息: 找到访客最容易聚焦的信息。
3. 配合: 将最佳区域和最优信息二者巧妙结合。
4. 辐射: 最佳和最优无法结合时巧妙利用辐射原理，让消费者看到更多网页信息。
5. 视线引导:巧妙选位，利用页面元素引导消费者视线。
6. 信息隐藏:利用视觉规律隐藏不想让人看到的信息。
7. 设置休息: 利用热图提示，巧妙设计休息，降低浏览疲劳感。
8. 消费者心理:通过热图深入了解消费者心理。

事件流分析

事件流分析是了解用户在网站上行为流转的最佳方法，一般是采用桑基图的方式的展现。

它和刚刚提到的漏斗分析不一样的地方在于， 漏斗已经标记好了每一个步骤，每一个路径，所以在漏斗图里你看到的都是严格按照这个路径去完成整套动作的用户。

但是如果用户没有按照我们的预设去流转呢？ 这就是事件流分析的价值。

通过事件流分析可以回答以下问题

• 用户的行为路径是否与预设的路径不一致？
• 网站改版后，用户行为、路径是否发生变化？
• 用户在预设路径上流失后去了哪里

例如：在一个电商网站上，我们通过事件流分析发现，有52%的用户点击了首页banner跳转到指定的产品页面， 29%的用选择在导航上搜索品类，而有16%的用户选择在网站搜索框进行搜索。在GA4当中，你可以使用路径探索工具来追寻事件流。

讲了这4个分析模型后，大家可能会意识到一个问题，所有分析模型都是基于对用户行为、和事件的追踪，我怎样才能确保我记录到这些事件来支撑分析呢？这些事件和追踪如何设置呢？

好，重点来了！在下一篇文章中，我将对Google Analytics的追踪代码部署、设置、事件来进行实操讲解。