前言
任何的产品都会是由产品经理进行设计的，无论这个产品是否复杂，产品经理都必须了解这个产品涉及到的行业市场背景、产品范围、范围内的细分背景，如ERP系统在不同行业中计算基准也不一。
产品是属于技术和运营之间的中轴，如果产品的理解本就错误的，技术做出来的东西必然不符合实际需要。运营从这个设计出来的产品中得到的数据比如也是错误的（国内目前没有人文类数据分析师）。
产品必须要在宏观、微观之间不断切换视角去看待业务需求（五层），才能设计出优秀的产品。
五层：https://blog.csdn.net/Su_Levi_Wei/article/details/89313778
国内大数据发展阶段
许多公司投入了大量的时间和资金来收集、挖掘历史数据，展示出一副量很大的数字出来，而解读这些数字的人是从日志提取数据的IT人员，大部分仅在解释，并没说明数字背后意义，更别说给出可行性建议，统计做了99.99%，分析和发现只有可怜的0.01%，有的甚至分析和发现都不做。
如某微博搞了次活动，花费了1000万左右的预算，用户注册数量有200万。过了一周，这200万新用户，只有几万有登录过微博，登录超过2次的用户仅有这几万的三分之一。可悲的是，数据仪表板仅仅展示了此次活动带来的注册量。
产品经理可能会想，我又不是干运营、市场的，这关我什么事（国内互联网数据行业尚未成熟，目前通常是由产品经理与运营共同承担此工作），在这种现象下，即便发现了，可能也没有人想过是否因目录排版的问题导致用户离开的。
为什么要分析数据？
视频、Ajax等应用进一步改善了用户体验，内容可按照个人的喜好订阅，且RSS和移动端等更多渠道发布，让更多用户更多的参与进来，信息已从单向传递到双向互动。
整个互联网已从单向独白到双向对话转变，不再是独立一人，也不是一次性，从社交的转变可看出，社交就是将用户对话整合到互联网上如何活动的一个过程。
今天的市场营销更多的是关于用户和互动发生在哪里，及给予用户更多的利益，通过参与对话和倾听用户心声来提供有价值的东西，进而建立良好的口碑后，用户才会把公司的产品推广到所能接触的地方。
现今任何人都可以访问互联网，在认为有价值的东西需要表达，就会传递给相关者的手中，虽然公司品牌、金钱和影响力仍然很重要，但已不在对内容发布渠道拥有完全控制权，而传统的广告公司和电视广告已失去控制力。
关于用户、用户互动，及用户心声等信息的来源是来自数据分析系统，系统收集、存储、分析数据。
问题在于数据分析出来的数据是基于过去，只有人为分析数据的成果才是展望未来的。
在现今的时代，需要的不仅仅是数据分析，更需要的是分析数据、得出见解，提供可行性建议。
数据的影响
数据已是互联网的基础，数据驱动运营，数据节省成本，数据提高效率，数据找出问题，数据提供建议，数据分析已是互联网的眼睛。
百分之九十的数据挖掘加上百分之十的策略创意成就完美的营销效果，而提升服务体验能力是未来网站产出转化率提升的基础，只有正确的理解数据、分析数据、应用数据才是产出转化率提升的基础。
如今大家都生活在数据极度丰富的环境中，在这个环境中，可用数据来确定有效的市场，及如何真的与受众联系在一起，如何改进用户体验，如何对有限资源进行投资，如何提高投资回报，乃至于让竞争对手出局。
思维转变
如博客带来的挑战是用户可以在你的博客和所有网站上谈论你，能够提取内容的摘要，并进行延伸拓展，可以在所有网站上写评论表扬或批评你，突然间，你已无法控制交谈的内容。
所有互联网上的演变，伴随着那些革命的变化，迫使我们重新思考，并形成新的创新策略，遇到的调整更多的并不是对于海量数据的收集，而是思考方式的转化。
追踪到网站上每个人的每一次点击，是否对实际上的产出有帮助？
大多数时候我们将决策失误或绩效下降的原因，归结于数据类型太少。最终领导下定决心找了一家供应商采集了大量的数据回来，却发现有如此之多的数据了，却只能得到极少的深入分析见解，甚至无法进一步将数据转化为可执行方案来改善网站或加强用户忠诚度与联系。
为什么会造成这样的数据困境？或者说为什么无法进一步分析数据得出见解？
摒弃旧有的思维模式，重新审视决策的制定过程，认识到人才是关键所在，而非数据（智能是基于过去，人是展望未来）。不要过于纠缠数据的准确度，而更多关注找到这些数据指标是否与想解决的问题相关，数据能否说明相关的问题。
接下来让我们在数据领域共同探索体验（Experience）、行为（Behavior）、产出（Outcomes）构成的三维策略。
基础数据：即点击流数据，用来衡量页面及营销活动的效果，帮助分析各种网站行为；如访问、用户、停留时间、页面浏览、跳出率。
多目标产出分析：有目标的深入衡量产出，将用户行为与公司的实际目标联系紧紧起来，将分析与公司的产出紧紧联系起来（避免有数十个报表，却没一个可衡量产出的报表）。
测试：在与网站的实际使用者离得很远，远离实际业务操作的情况下，也就很难理解用户的想法了，也无法衡量是否是良好的投入，如对网站目录进行更改，可用技术手段控制5%的流量进入此页面，对这5%的流量行为数据进行分析，看是否有利于用户体验。
用户反馈：分析系统可提供追踪到的数据，可用户真正想看却没看到的内容是不能追踪的，此时需通过可用性测试，或从目标用户库中获得反馈意见等定性数据。
竞争对手：了解与竞争对手之间的差距，可助你不断提高，并从中发现新的机遇，在竞争中不会出局。
小结：大量的点击流数据在诉说发生了什么，然而更重要的是知道为什么，即点击流数据（是什么）是需要定性数据（为什么）的支撑和解释，才能明白什么才是用户真正想要的。
转变
|
过去 |
未来 |
思维 |
|
点击量代表一切 |
点击流不代表一切 |
范围、面的关注 |
|
表面（定量分析） |
表面与内在（定量与定性分析） |
人文联系（心理、地域文化等） |
|
分析范围：我 |
分析范围：自己与竞争对手 |
优劣 |
|
离散 |
连续 |
有套路、有招数 |
|
高层主导 |
用户主导 |
用户为中心 |
小结：点击量不代表一切，要结合定量与定性分析来支持具体的目标，同时关注竞争对手发生的一切，并尽可能的参与到数据化决策的过程中，从而减少报表的制作与基础分析所占的时间,工作应当具有连续性（调研、测试、行为分析…），且不断的改进的，要让用户数据来主导优化，清楚的理解用户体验，进而影响用户在网站的行为。
企业规模关注点
小型企业：点击流数据、产出、用户的反馈；需要用户量，来提高市梦率，以获得投资者的资金投入。
中型企业：产出、点击流数据、用户反馈、测试；人员极速膨胀与市场快速扩张，产出（现金流）极为重要；
大型企业：用户反馈、产出、点击流数据、测试、竞争情报、深入的后端分析、网站结构与缺陷；往往可能一件很小的用户事件，可能变成公众事件，对品牌的打造与维护及其重要。
小结：数据转化为深入见解，最有效途径在于时刻与公司实际情况结合，如行业潜在规则、背景信息、高层行为等…
报表还是分析？
多数公司都会说想要的是分析，事实上是只有很少的公司才真正想要分析，多数只是想要数据报表。
需要数据报表的常见原因：
决策分散化：保证不同层次的管理者都参与决策，这些决策决定了公司的业务操作，管理层需要的是行动建议的分析报告。
企业文化：公司在做决定时，是否需要大量数据佐证？是，那么公司需要的只是数据，即报表。
现有的工具：公司现有工具主要用于制作报表，而不是分析建议。
公司历史：历史悠悠的公司而言，敏于思考，快速行动，不是他们的行为准则，因此他们习惯使用报表，而不是分析。
风险倾向：进行分析意味着给分析人员足够的权限和信任，即公司是否会因错误分析而炒掉你？会，那么需要的也是报表。
员工/团队中的知识结构：分析人员不能参与决策，最好能将数据提供给参与决策的人。
选择案例
真正审视公司需求，客观的确定能给公司带来最大收益的是报表还是分析，进而选择对应的系统工具。
错误案例一：需要一套能够将数据快速发送给各级人员的系统，却选择了一套对数据进行高度细分与分析，分析结果快速反馈的系统工具。这套系统工具在报表方面十分失败，每个人都要花费大量时间来处理自己的数据，导致所有人都失去耐心，工作效率急剧下降。
错误案例二：数据是实时的，图表十分华丽，几乎能回答任何线上和线下的问题，且与手机等移动设备也能很好的集成。但公司内只有三个人懂得使用该工具，高层也从未在这些数据之上制定出一个战略决策。
供应商选择的因素
是否是ASP模式（服务器和运算都放在乙方），是否提供本地部署版本？
从数据收集到服务器运算全部都在企业内部完成。
使用什么样的数据捕获机制？
JavaScripe加码是最常用的方式，还可通过网站日志、数据嗅探器等方式。另外基于此问题询问供应商是否支持视频、RSS、移动平台等捕获。
总成本多少？
总成本完全可能是供应商的报价单的上的好几倍，其中包括流量成本、定期维护费、管理供应商之间的关系人员投入、供应商的其他增值服务等。
供应商的哪些服务是免费，哪些是收费的？
签合同并实施，只是系统的开始，而非数据的终点。
系统当中哪些功能允许对数据进行族群细分？
不可能在部署系统前就想到所有数据问题，族群细分是得出深入分析的关键所在，明确供应商是否提供你所需要的功能，从而进行更全面的判断。
有哪些方式将系统数据导入公司内部系统？
大多数供应商在你需要导出数据时，都收取高额又高额的费用，理想的情况是供应商可以提供API接口，直接获取到需要的数据。
提供了哪些功能可以将其他来源的数据集成到系统？
需要的是数据背后的深入分析，系统如何导入重要的外部数据及可集成的数据类型很重要。
正在规划的的新系统功能？
考验供应商的前瞻性，及是否关注市场，如何应用市场变化，尽量避免拿着原始日志文件也能把牛皮吹上天的。
系统交付后能提供哪些文档？
全套文档是校验供应商成熟度的标准之一。
《项目全生命周期管理的规范文档》https://blog.csdn.net/Su_Levi_Wei/article/details/94206222
能否试用下系统？
系统的易用性；功能扩展性是需要定制化还是自定义（如族群细分、加码）；技术是否是跟上时代；响应时间；数据抽样算法，如果以后需要让查询速度加快时，系统采用何种数据抽样算法；搜索分析中是否可以区分PPC（点击付费广告）、SEM（搜索引擎营销）流量及自然流量；内容重新分类时，历史数据如何处理；实习生试用，了解系统的普及程度；
最后阶段，合同内应包括：
系统性能；
离线计算间隔时间；
服务与极端情况处理；
服务沟通、联络人员；
交付文档；
数据指标
指标是用来统计描述网站的事件和趋势的定量衡量标准，而KPI是帮助理解目标达成程度的指标。
常用指标
浏览人数PV：浏览页面次数，几乎是所有网站指标计算的基础。
独立访客UV：某一时间段内的同一个人访问计为一次，具有很好的反映到达网站的真实访问者数量。但并不等同于现实人数，有些浏览器会设置禁用cookie或第三方cookie，使独立访客这一指标受到影响，而在移动分析中大多数用专门的指纹算法或存储其他的个人身份信息来追踪独立访客。
停留时间：停留时间是用来衡量用户在网站上的某一页或是某一次访问（会话）所停留的时间，一般分为网站停留时间、网页停留时间。
跳出率：指网站上单个页面访问所占的会话比例，可以用来衡量用户的行为（来、吐、离），针对那些来到网站没任何操作行为的用户，即没有做任何事就离开，因此已几乎是最重要的指标。
基本从两个层面来衡量：一是整个网站的总体跳出率;二是最热门的着陆页的跳出率。如停留超过5秒的，或进来后进入网站下一个页面，与离开网站的比例。
从产出上看，需要的是可持续转化的流量，如搜索某关键词后进来就离开的流量，在发现这种流量的跳出率特别高时，就要采取措施了。
退出率：在某个页面有多少用户离开网站，分为好的退出与坏的退出，在结合了跳出率的情况下可区分退出的好坏。
如用户完成了支付后退出网站，那是好的退出；用户在进入付款页面时退出是坏的退出，是找不到按钮还是某些原因不愿意购买了？这个时候正是分析价值的体现。
区分：退出率是指不管从哪个页面进入网站，而在这个页面退出的访问比率；跳出率是指仅从这个页面进入网站没有做任何事就在这个页面退出网站的访问比例。
转化率：用来衡量产出的，计算方式就是用某种产出除以独立访客数或访问量，如商城产出就是提交的订单。
用户来到网站的原因是市场将流量吸引到用户最相关的页面上，即市场投放策略。
在决定选择哪个指标作为分母时，要思考下哪种模式对公司的业务更合适，不同的转化率计算方式不同，对衡量反向链接、市场活动、关键词的效率会有很大的影响。
参与度：趋于吸引更多的关注与兴趣,包括参与程度与参与类别.
参与程度即由冷到热的过程，高参与度用户是指对目标的介入超过平均水平的程度，如评论数、下载内容等；参与类别是指正面还是负面，但仅用分析系统是无法得知正面还是负面，如用户心理。
参与度本质是一个定性的指标，很难只用分析系统的点击流数据来得出，在分析参与度时，要从不同的角度去看待这个指标的数据。
指标选择与制定
简单：只有一个人理解这个指标或者KPI，可以确定公司肯定不会针对这个指标的结果采取任何行动，如跳出率，容易理解、解释。
相关：战略、战术、商业模式、业务重点及网站在整个业务体系中的作用体现，如跳出率说明了网站在哪些方面在浪费市场预算。
及时：决策者才能及时的做出决策，为了及时性，甚至可牺牲指标的复杂度和完美度，且最好做到每日更新。
即时有用性：管理层知道的东西并不多，发给他们的指标不能让他们马上明白，那么他们很快就会忽略掉这些信息，如某个关键词跳出率70%，竞争对手是20%，那么要优化了。
避免：
过分追求完美：只要准确，而非精准，往往会在纠结、徘徊中错失先机，在对数据有90%的信心时，就可以做决定了。
做到少而精：衡量业务绩效最关键的指标是哪3个。
重视网站指标的生命周期：定义 à 衡量 à 分析 à 行动 à 改进/弃用
即找出关键指标，衡量网站的表现，再分析收集的数据，最后转化为实际的行动。
如果这个指标不能指导实际行动，说明可能选错了，需放弃这个指标，或进一步衡量改进这一指标；且市场在变，指标不可能一成不变，需适时的校验指标的产出价值。
指标使用建议
确定最关键因素：通过关键指标揭示问题所在，在决定投入大量的预算在广告联盟、付费关键词上时，先停下来，尽量找出影响转化率的因素，接着将目光移到成本与收益上，关注在产出较大的方面上。
即：寻找为什么？ à 影响有哪些？ à 怎样做测试？ à 得出结论？ à 投入市场
合理自定义报表：分析系统里的优秀标准报表，是由各个系统供应商深思熟虑后创建的，但这些人并不了解业务也就无法做出适合的报表。
此时需结合企业内其他数据进行整合，将重要的指标放在所需报表里，以便更好了解网站情况，而对这份自定义报表的讨论与争论能让人对网站的表现更为了解。
建立团队报表中心：报表所包含的指标根据不同的用户进行设置，减少不同人员查看无关自身权限所能影响的内容，也是形成数据驱动型的有效方式。
宏观把握网站表现：在非执行策略时期，站在的高一点，避免陷入大量细节数据的诱惑，不要过分纠缠细节的方面。
网站用户：观察长期的趋势，不要过分纠结比例细节。
用户来源：渠道的回报率对比，如未做付费的搜索引擎关键词也可带来流量。
对用户的期望：用户目的、最重要的3个流量策略带来的用户画像。
用户实际行为：关注流量最大页面、页面点击覆盖图、流程抛弃率、前10个流量最大的着陆页等数据共同分析。
主流数据收集方案
指标数据来源于用户行为的产出，对这些数据收集方式不同，会导致得出的指标不同，接下来看下主流的数据收集方案（具体可视业务使用或组合使用）。
注：目前还没完整的监管标准来处理个人身份数据，但须关注政府关于这方面的监管措施与立法（《产品学习及企业管理基础知识》中提到的范围层的环境政策了解）。
大多数都是通过Web日志或JavaScript标记的方式来收集数据，对公司要求具有很强的IT实力，因此无形中形成了很高的壁垒。
日志
这是比较老的解决方案，通过标题和URL字符串等信息的解读，有的公司已经开发了自定义脚本过滤器和日志分析器来获取其网站上的流量，这种方法很麻烦并不常见。
优点：有位IT人员，能够编写简单的代码即可。
缺点：缺少很多信息，如跳出率和网站停留时间等，没有办法通过日志的方式获取。
数据嗅探器
这种是基于硬件的方法来收集数据，与网络运营商（电信）或云厂商合作以获取关键数据，用加码来追踪网站流量。
优点：不必修改前台网站，与向网页添加代码，就可得到整体的数据和报表。
缺点：成本高，在以前需将这新的硬件平台部署在所有服务器出口，如果是分布式架构，部署就更加复杂了。现在可以寻找云厂商（阿里云、腾讯云）来做这种解决方案。
加码（Tag）
使用JavaScript或图片加码（广告界），在网页或链接上添加特定的跟踪代码，这需公司各个团队的协作，并在广告系统和分析系统进行很多手动设置。
优点：跟踪网站活动的正常流程加码，不需做任何额外的工作。
缺点：过分依赖cookie，如果是移动端，将受制于手机产商的系统。
分析入门
分析套路
有效细分：
不同的用户访问网站，有不同的想法与意图，首先对业务要有透彻的认识，理解对业务而言什么才是最重要的，及要实现的目标，在此基础上对数据进行细分。
细分并非盲目的细分，而是遵循对业务而言的最重要的那部分的细分原则,才可迅速的在更深的层面了解数据，获取许多有价值的潜藏信息，且决策层可能并不了解网站体验的复杂性，将细分趋势，展示出来，是最好沟通方式之一。
如每个月销售额上在加上各细分渠道所占的销售额比例，并计算出回报率，让决策层看到哪些渠道在下个季度要重新考虑预算。
关注用户行为而非总体结果：
观察真正能够反映用户网站行为的数字，找出有特别实践意义的信息。
如在单次访问页面数和平均网站停留时间都出现良好增长，可能是用户花很短的时间翻遍了网站却仍然找不到想要的内容，或者很少的页面上浏览很久。跳出率虽还是高企，但趋势是在下降，说明近期的网站改进和引流策略颇有成效。新用户访问趋势趋于下行，但用户中旧用户越来越多，这也解释了为何跳出减少而停留时间延长。
每个企业的业务、商业模式等各不相同，所有的例子都是可灵活变通的。
流量来源：
流量大的渠道未必是有益的，可能最终产出贡献和流量最小的渠道相差无几，细心的翻阅带来流量的具体来源是哪些网站、关键词等，就能推断出用户群体的特征，甚至目的，有助于更好的理解受众特质，也可以衡量引流策略是否到位，及市场营销费用运用是否合理。
细分流量来源：
直接流量：直接输入URL或使用收藏夹和标签直接来到网站的，可看出网站与用户的有效性互动、吸引用户回访、用户忠诚度培养等方面是否存在问题。
反向链接流量：指向网站的站点博客、行业网站、论坛等链接。
搜索引擎：自然流量（非付费的关键词）和付费搜索流量（PPC或SEM），这部分流量是极为重要的，无论是移动端还是PC端，搜索引擎的流量至少是前三的，甚至贡献网站一半的流量。
其他流量：广告联盟、邮件、媒体，这些流量是花钱买来的流量，反映了引流整体策略的成效。
分析示例
热门着陆页和跳出率：找出哪些门是明开暗合，用户根本进不来的，而跳出率是完全从用户的角度来体现网站是有多差。
关键词报表：可以让看到用户意愿，跳出率高的关键词说明网站并没满足用户的意愿。侧面也说明网站在不合适的关键词搜索结果中排名很高，及着陆页设计不佳，吸引用户能力有限。
点击密度覆盖图：可以从用户的视角去观察，直观的了解用户在网站做什么，看到哪些页面没有达到预期效果，找出那些明显的疏漏所在。
如用户需很多时间在站内溜达才能到达关键页面，那么网站的主导航设计或商品排列一定有问题。
推敲行为：系统会从用户第一次访问就开始追踪，可用此类数据观察用户购买前的行为特点，推敲出是什么在说服他们买东西。
如把购买前访问数与购买前天数结合起来看，就可以知道间隔时间，这些数据可与销售策略整合起来找出可执行的结论。
……
每个企业的业务、商业模式等各不相同，所有的例子都是可灵活变通的。
改善示例
站内搜索分析：可分为站内搜索使用度与站内搜索质量：站内搜索使用度，即不同的关键词的转化率占比；站内搜索质量是指内容与搜索意愿匹配度，其中搜索后的浏览页面深度、停留时间都可作为变量加入考量，另外二次搜索中更能看清用户需求。
SEO分析：SEO核心是提高网站搜索排名，当用户搜索相关词时，使你的网站获取尽可能高的排名，即被搜索引擎收录的情况，收录的数量增加会持续带来流量上升趋势。
如改善网站的索引便于爬虫读取、清理URL结构、慎重使用JavaScript链接（部分搜索引擎爬虫不认JavaScript）、选取合适关键词、提高页面内容相关度。
SEO关键词扩展分析：分析关键词每次点击费用（平均）、搜索量和趋势等，基于成本、竞争力、搜索量和趋势等多方面考虑，决定对哪些关键词使用付费搜索，确认那些能带来充足的流量而价格又不是很贵的关键词。
直接流量分析：此流量是非广告、非搜索、非友情链接的流量，也就是由用户在地址栏输入的网址或使用收藏夹而产生的流量，这部分流量是主动上门的，意愿非常强烈，通常会带来优质的产出，对这部分流量的提升不仅会使忠诚用户满意，还可以节省开支。
可查看点击覆盖图看这部分流量偏爱的内容有什么特别之处，找出特别之处，对于制定未来市场策略相当有效。
以上只是从不同的方面去改善，万变不离其宗，思维、思路正确了，也就正确了。
调整
富媒体内容时代：视频、Ajax等富媒体内容改善了用户体验，针对这些改善事件追踪功能提供了含有多个存储仓的层级模型来追踪用户行为，主要集中在分类、动作、标签、价值的数据层级定义上。
但事件追踪功能是需进行预定义设置，让开发人员在编程时把代码安置到对应的位置上。如视频网站，跟踪用户点播了哪些片子，何时点击暂停、停止按钮，及跳过了哪些片段、缓冲时间等。
cookie的选择：用来识别用户的唯一浏览器，可能是跟踪独立用户的最佳途径。
从本质分为永久与临时：永久cookie是一段随机产生值；临时cookie通常指的是会话。
从种类分为第一方cookie与第三方cookie：第一方cookie是由目标网站自身域名创建的；第三方cookie是用户在访问网站时，由别的网站产生的，如广告联盟。
第一方cookie较少会被删除与被浏览器禁止，而相反许多浏览器会禁用第三方cookie。但第一方cookie的便携性较差，只能用于唯一的站点，如广告平台这种需要再多网址状态下跟踪独立用户，必须依靠第三方cookie。
数据抽样的应用：特别是在收集到海量网站数据时，简单的报表慢的跟蜗牛那样，特别复杂的细分报表就更慢了，在大多数此类场景下，数据抽样的价值就完全的体现出来了。
三种常见抽样方法：一是部分网页的所有数据进行抽样，这种情况下是看不到网站的全貌的；二是从所有网页收集数据，但针对每个网页，只对部分数据进行抽样，如加载10次页面，收集一次数据，这种优于第一种；三是收集所有数据，只有在运行查询或报表时抽样，特别是时间段拉的很长的或结构复杂的查询，这种优于第二种。
指标的定义：指标的命名与理解不一致会增加了分析的难度，确认指标理解的一致是极为重要的，如转化率是用订单数/独立访客数，还是用订单数/访问数。
数据类型：网站数据几乎是匿名的，不完整且高度非结构化的，这就更难将行为绑定到业务产出（商品）上。
竞争对手分析
竞争对手分析可以从根本上改善决策制定过程，及从更多方面衡量业绩，探究商业趋势，更好的了解竞争对手，才能更好的识别业务中的策略机会，进而更有准备的应对竞争对手的出击，侧面的更好的了解用户的行为和偏好。
宏观上就是对垂直市场或整个网络生态系统的分析，微观上就是具体的某几位竞争对手，如腾讯云获取所有云计算行业的竞争信息后，就可以追踪对手的业绩，为自己的发展寻找新机会，及在了解竞争对手阿里云的用户增长趋势或流量中质量较好的渠道，有助于策略的制定。
竞争对手信息数据可能不太精确，所以务必确保数据样本偏差和抽样偏差尽量小，但这些数据也可以用于比较竞争对手的业绩，从而了解发展趋势、发现机会、确定策略。
常见的竞争对手信息收集方法
用户库数据：公司线上招募参与用户，每个用户都安装一个监控软件，该软件可以收集用户的浏览行为，并将相关数据返回公司（了解过电视收视率的评估模型的，会发现这个方式很类似，其实这个方式就是参考那个模型的）。
用户库数据需要注意三个方面：一是样本偏差，即用户库数据的盲区十分重要；二是抽样偏差，用户库的人属于特定类型的，倾向会导致数据偏差较大，所以要注意样本的用户类型与分析的人群类型吻合；三是差异性非常巨大，用户库数据其方法固有的局限性。
ISP（互联网服务供应商）数据：收集的数据包括通过URL的各种元素，如网站、网站名称、关键词等，甚至可以获取系统信息，如浏览器类和操作系统等。
好处是减少抽样偏差，即使甲乙不同意接受监控，ISP可以简单的通过收集这些匿名数据然后卖给第三方分析，但ISP数据的样本量过小的话，会导致偏差巨大。
搜索引擎数据：每个搜索引擎都有不同的定位，因此这种数据各有特点，但一般搜索引擎服务提供商（百度）会提供分析工具的。
网站分析提供商的行业基准数据：许多供应商聚合真实客户数据，并整理成基准数据，以方便衡量行业业绩标准，可用此数据与所在行业的细分进行比较。
好处是数据是真实的，即使网站分析提供商提供的是匿名数据，数据也会非常准确。但只能与部分竞争对手的业务进行比较，需要注意供应商的行业地位，即供应商拥有多少客户。
自行提供数据：自行提供的数据要弄清不同衡量标准的含义，在不完全部署加码时，会导致样本偏差。
混合数据：多种数据来源扩充数据集：一是附加直接来自网站的数据；二是用计算机高速打乱不同数据源的数据，运用少量数学方法和纠正算法，最终得到新数据。
好处是弥补不同数据源之间存在的差异，缺点是更难理解数据的细微差别与深层含义。
小结：竞争对手信息分析是多维度的，其中包含行业、渠道、市场策略等信息，而不同的信息获得方式的缺陷与用处要清楚，及与数据的样本大小和抽样的偏差。
竞争对手分析点示例
流量分析：
分析长期流量趋势：比较随着时间变化的趋势，以此更好的了解竞争对手优势，利用这些趋势调整自己策略。
分析竞争网站的重合度：了解竞争对手的用户访问时，最可能使用的搜索词在不在你的网站下。
分析反向链接和退出网站：观察并细分竞争对手流量来源渠道，及弄清用户离开后又去了哪些网站，有助于发现用户在网站进行寻找但没有找到的信息。
搜索关键词分析：
最热门关键词的绩效趋势：观察多个相关品牌并进行对比，判断某品牌的下降趋势是否真的很糟糕，可以更好的了解竞争市场，并为下一步的市场策略做准备。
地域兴趣和机会分析：所有搜索引擎最简单的一项功能就是可以根据地域投放广告，
如两个品牌不同广告策略，或是因办公地点导致的差异。
而想要增强品牌效应的最佳的策略是把市场蛋糕做大，即进行完整的市场分析，以发现有机会拓展的区域，并不仅是对抗已知的竞争对手，而是发现全面的市场情况和所有竞争者。
这称不上是品牌竞争，而是增强对地域重要性的认识，基于这些地域数据，提高市场份额，和制定其他关键决策，如指导实体店营销和广告行为，从而增加销售，扩大品牌知名度。
典型的例子是电影推广，通过搜索引擎关键词判断何处的用户兴趣最高，并在这些区域重点推广新电影即可。
相关的搜索和快速上升的搜索：持续收集相关搜索词，拓展对相关市场的视野,并关注Top10词条，及排名快速上升的搜索词，确保你能识别用户多变的搜索兴趣点，且深刻理解市场的竞争格局，深入发掘用户的兴奋点。
如婚礼行业是紧追潮流的，考虑到用户的多样性，关注上升趋势的搜索词即可知道，公司接下来的婚礼策划销售的风格样式了。
市场占有率分析：不断攀升的搜索数据是来自付费还是自然搜索，而观察关键词带来的流量占到了整个搜索流量的多少，此时就可以明确谁是竞争对手了。
在这个过程中可以看到公司的行业市场份额还有多大的上升空间，也可以更好的平衡付费或自然搜索策略，以增加市场份额。
竞争性关键词优势分析：知己知彼百战百胜，认识竞争对手的优势关键词，及自身的优势品牌关键词，进而制定有利、有效的搜索引流策略，如分析哪些关键词可以给自己和竞争对手的网站带来最大的流量。
受众识别和细分分析：
大部分用户反感的不是广告，而是与自己无关的广告， 如果知道用户需要什么样的广告，就要进行受众识别和细分分析，挖掘线上用户行为和心理特点数据，才能开展更好的广告推送。
基于人口统计学的细分分析：可分析自身网站用户概况和主要竞争对手网站的用户概况之间的差异，进而了解自身网站的用户特征，如学生推荐看电影折扣的信用卡，在申请信用卡时此卡在列表排序默认第一。
基于用户心理的细分分析：用户生命周期和社会心理来识别相关受众用户，如果网站很大，则可以使用不同用户库数据源对用户进行社会分析，如喜欢看漫画等。
《解析周遭心理学带来的好处》https://blog.csdn.net/Su_Levi_Wei/article/details/103546984
搜索行为和受众细分分析：互联网广告的最高境界是将广告展示按照不同的用户搜索行为结合起来，先对线上广告的行为与效果进行分析后，对搜索行为进行统一分析，实际上由于用户的自主性行为，很难将两个很好的结合起来。
拓展 - 线上广告的业务过程
广告供应商背后的工作：
对于线上广告来说，目的是提高广告的有效性，及向用户显示预期相关的优化内容，从而提高投资回报率，但基础都要从个人流量行为中收集数据，并对数据结果进行行为定向，以此更好的对广告和内容进行定向，即通过网站服务平台整合智能工具或引擎对用户数据进行运算，从而优化用户体验。
如简单的就是根据用户的搜索关键词来展示不同的首页图片，复杂的就是自动学习用户看了什么内容，及地理位置等，利用这些信息显示相关产品的内容。
也可以通过分析交互行为理解访客的目的从而克服数据规模、解读和多样性的问题，并向他们提供更为相关的内容，如购买了X产品的人很可能购买Y产品，那么系统可以自动推荐Y产品，或捆绑销售。
注：国内互联网用户已走向成熟、理性化，越来越注重体验，视频已从商业广告转变为给用户提供更好体验的核心战略。
投入生产前的工作
用户研究是观察人们日常事务如何进行交互的一门人文科学，这些日常事务包括网站、软件或硬件，得出如何改进的结论，而注重用户体验和消费比了解使用什么样的UI设计要重要的多。
我们总以为自己代表了用户，确切知道线上购物者或搜索者的需求,并没有有效的倾听用户想法，去满足用户的期望，即为什么，点击流数据意味着什么。
每当满心欢喜的对分析结果制定了策略，并迅速的投入生产影响所有的用户，却发现收获一堆投诉，甚至出现大量用户流失，造成无法挽回的结果。
万物相生相克，万变不离其宗，或者找到新环境寻找下灵感吧。
然而，在软件工程中，在开发完后有一个测试过程，那么在制定完策略后是否也可以进行测试后，在决定投放。
注：外部信息对大脑的刺激有助于灵感的喷发《解析周遭心理学带来的好处》。
内部测试
实验室可用性研究：测试用户完成某项任务的能力，需要用户在某个网站中完成一项或一组任务，每一项任务根据使用的环境不同而有不同的既定目标，如有效性、效率、用户满意度等。
测试开始到结束至少约有5名用户，才能找出哪些部分用户体验与流程运行良好，哪些地方出了问题，及为什么对他们来说是很简单的。
测试期间不要依赖被测试者的话来发现问题，还要观察他们的行为，即被测试者完成任务很重要，但理解肢体语言和其他信号，才能理解用户样本局限性。
对测试的结果要做到：一是明确任务失败的关键点；二是提出具体的建议来改善用户行为；三是将建议进行分类（如优先级），以便于决策者选择。
好处是可以更好的贴近用户，与用户互动，可以较早的获得用户反馈，发现问题所在，适用于优化UI设计、工作流程，进而真正理解用户意见及行为，并促使人们产生一些新想法。
弊端在于要确保被测试者是公司业务的用户或目标受众群体，避免霍桑效应影响参与人员的行为。
注：不要单凭测试结果对网站进行大幅度的改动，要循序渐进，不要剧烈变革。
最大的难题是找到最佳被测试者，并邀请它们进行测试，但还有线上招募和外包的方式来解决。
线上招募：即线上邀请用户，邀请不能显得太唐突，要清楚标注好关闭按钮，如果用户选择继续则可以看到一份问卷，如今天访问网站的原因是什么？网站是否满足了你的需求。
弊端在于不能亲自近距离观察被测试者的反应。
外包线上可用性研究：如果公司没有专门的研究人员，又想知道用户体验，可以选择外包的方式。
弊端就是网站对被测试者的类型没有太大的选择余地，也不能得到自然状态下的用户行为，如无法告诉被测试者，平时怎么做，现在怎么做。
其他常见的测试分析方式：
快速可用性分析测试：如5秒内，用户能够回忆起网站的哪些内容，及竞争对手网站的内容进行对比，可以发现网页内容结构与元素中，哪些没有达到效果。
线上卡片分拣测试：让用户将内容关联的卡片放在一起，可以选择是让用户自己创建网站的项目类别，或按照预先确定的项目类别进行分类，这种方式有助于理解网站信息体系结构及信息组织方式，但这种测试是很费钱的。
人工智能视觉热点图：基于用户最可能看到的事物和注意力流向算法创建热点图，即用户是怎样浏览网站的网页，什么内容吸引了他们，什么内容影响了他们浏览网页。
选择此类外包注意点：
数据处理严谨：即合适的数学方式。
动态数据细分功能：数据分析不是静态，是随时在发生变化的。
提供行业基准与指数：行业基准取代个人立场，对公司决策者很有帮助，最好是可以加上与竞争对手的对比。
确认邀请类型：退出时调研、弹出式、背弹式、主动或是被动，各有利弊，最好可以体验下。
成熟的cookie技术：避免用户调研疲劳，最好允许设置抽样率。
数据集成：数据分析是多维度的数据综合分析结果，不是单面的。
提供测试：买的不仅是调研方法，更多是与供应商的关系，没有测试服务，即没有有效的服务。
线上测试
想要尽早预知成败，就要充分发挥测试与试验的力量，如对网站着陆页的设计与布局改动效果放到网站上，让用户选择最适合他们的体验，但想要见效快，成本低，且规模可控的话，有效的线上试验是最好知道结果的。
好处在于具有多样性，用户是在自然状态下参与测试，测试结果可决定哪种方式是最佳的，在测试前需确认目标，期望产出是什么，并尽早开始，尽早预成败，唯一担心的是网站的流量是否够大，创意够不够多。
常用的线上测试方式有AB测试和多变量测试（MVT）。
AB测试：测试网站上某网页的两个或更多版本优劣的方法，适用于检测网页上的变化是否可行，找到改进网页的方法，即测试网页的几个新版本，哪个版本可以达到预期目标，测试前需要预先设置看到每个版本的用户百分比，然后随机展示给这些用户。
优点是性价比最高，实施起来也不难，也易于团队交流，但太过于依赖这种方法的话，网站的变化速度就太慢了。
缺点是很难知道具体哪些改动发挥了作用。
多变量测试（MVT）：指一个页面当中同时测试多个不同元素的变化，想实施MVT测试，需在页面上添加采集的JavaScript代码，根据设置，页面将动态的构建不同元素的页面（不同的图片，不同的行为引导方式，改动后的文本）。
常用的MVT测试的两项技术有，全因子测试和部分因子测试。
全因子测试是测试网页所有不同变化的全部组合，例如有图片、文本、颜色，每项元素有3种变化，那样就有3x3x3=27种组合了。
部分因子测试是只要进行部分组合测试，其他组合结果可以靠推理得到。
全因子测试可以从每两个要素的相互作用中挑选出关键影响点，为决策者提供更充分的依据，但要求有充足的时间和大量的被测试者来保证每种组合都可以获得足够的观测数据。部分因子测试虽然得不到那么多的观测数据，但可以较快的得到结果。
可以集两者之长，先用部分因子测试找出最差的组合，去掉这些组合后，在用全因子测试处理剩下的组合。
如太阳消失用全因子组合测试，解决白蚁的产品可以用部分因子组合测试。
MVT测试的优点是随着时间的推移会变得更简单，可以看到许多分析数据，理解分析结果也很容易，可以加深对用户偏好的理解，并认识到某个想法是具有价值的，这些都是直接转化为更好的用户体验，如文本改变不如颜色或图片改变。
其缺点是要求付出和投入更大的资源，所能发挥的最大效果是由想法决定的，如果一开始错了，那么就白搭了，这也是为什么很多MVT测试没有给业务带来帮助，且MVT优化的是单个页面，而不是整个网站的用户体验，其他页面都不是最优的还是不能算是成功。
AB测试与MVT测试都是改善网站用户体验，吸引用户的办法之一，具体视环境而定用哪种。
对照测试
为了防止其他因素的影响，在做一组试验，即对照试验，除了被测试的条件（独立变量）外，其他条件保持相同，最后与原试验所得的结果进行对比，观察异同，找出试验结果变化原因和影响因素。
如商城测试得到礼物的用户与未得到礼物的用户是否会产生二次购买，或对不同地区投放线上广告与线下广告的对比。
优点是能回答基本的业务问题，了解多渠道的在线有效的效果，从而得出深入的结论，进而根据用户类型、所在地等，制定合适的有效策略，。
缺点是要求有足够的资源，各个部门之间需高度、紧密的合作。
测试应用示例
注：每家公司实施的线上战略都不相同，但想法具有很好的移植性。
改进关键页面：这些页面的流量很大，改进难度也不高，可以事半功倍，如观察着陆页流量来源，外部搜索关键字等方面进行改进。
付款、注册/登录和提交页面：选出对目标群体最合适的流程，如提供验证码登录，或付款流程简化。
优化广告数量及位置：测试不同的广告位置，改善广告的点击效果，如横幅占据区域大小改变后，转化率的影响结果。
测试不同定价与销售策略：如搭配销售，但没有人想让收入减少，在大家担忧的情况下可以使用AB测试，让5%的用户看到这个搭配销售，也可以测试用户喜欢打折还是减少金额。
优化外部市场活动：测试并改善网站联盟、站外广告和搜索引擎的营销效果，针对不同群体的特性进行A/B测试，从而强化页面体验效果。
测试建议
首先：抛开自以为是，以假设为开始，确保用户在网站上得到的体验与服务是与其相关的，从而才可以转换为更高的参与度，提高转化率。
制定结果评估标准和预先决策:测试的目的是提高转化率，这是不够的，毕竟修改难免会带来给部分用户消极的影响,要衡量好多目标产出，如跳出率，忠诚度、用户满意度等，即成果产出（任何事情都要强调成果，不要盲目追求结果）。
根据用户最需要的问题进行测试：放下自己的经验和偏见，从用户的实际问题中吸取测试构想的灵感，只有解决好用户的实际问题才会带来成果，即提炼用户想法，转化为测试问题。
测试结果的沟通：公司这个大团队是一环扣一环的，要把测试结果与相关人员进行沟通。
《木头也要懂得讲故事的时代》https://blog.csdn.net/Su_Levi_Wei/article/details/103276666
调研
内部测试就是手动造数据，闭门造车，即便是线上测试也无法尽量切实的了解用户真实需求，而想要更有效、更直接的倾听用户的心声方式就是调研。
线上调研主流的有两种方式：
页面级调研：针对某个页面的被动模式调研，为任务或目标收集微观层次的数据，即收集具体任务的用户反馈，如报告网站BUG，页面对用户是否有帮助。
优点是集中完成一项任务，可以了解到网站最忠诚的用户的意见。而缺点是邀请模式是被动的，无法全面的了解用户的意图，只能完成局部用户的意见反馈，即不能很好的收集完整的或潜在的用户体验，也很难得到足够大的数据样本。
网站级别调研：这是为收集关于用户意图，及用户体验的宏观数据，邀请模式是主动，适合用于评估网站的有效性，宏观的用户体验，品牌及线下服务等，一般在用户结束网站访问时询问，可以比较自由的控制让谁看到调研，如利用cookie缓存，同一个人3个月看到一次，及可以使用一些逻辑条件限定用户的调研问题。
优点是获取宏观用户体验、访问意图和访问产出水平等信息，如你怎么知道我们网站的，你的意愿是什么。而缺点是网站级别调研并不能收集页面级别用户体验数据，要有专人负责收集、分析如此海量的数据，微观问题比较难解决，如你觉得这个网页怎么样。
每种调研方式都有各自的适用范围，根据测试的目的，看是需要得到特定的用户反馈还是整个网站的用户体验。
调研的注意点：
问太多问题：这是对用户的不尊重，说明了没有充分考虑用户需求，每次与用户接触都是加深品牌认知的好机会，建议从用户的意愿角度去提出问题，如下的三个问题。
你访问我们网站的目的是什么？用户不同目的之间的差异对我们很有启发意义。
在网站上能完成你的意愿吗？任务完成率可以说明用户来访的目的，哪些任务没有完成，知道问题出现在哪里，即用户怎么想才是最重要的。
如果无法完成你想做的事，原因是什么？有助于改善问题。
一坨的反馈：要把用户反馈分类成几个常用的主题，列出改进清单，以此改善用户体验。
没完没了：要实施以用户为中心的策略，控制网站调研与用户访问的比例，建议同一个用户，三个月询问一次。
产出价值衡量
老板只关心一项简单的结果，就是旗下的网站今天为他带来了什么？
如访客数对你是重要的，但对决策者而言意义微乎其微，很难让老板产生明确而具体的认知。
要想打动老板，就要让其发现其中的影响与价值，只有标识清楚产出，才能让老板明白实际成效如何，以便于他做出决策。
如常常会听到你伴侣叫你赶紧去洗澡，洗完赶紧来一起睡觉觉了。
可能你会回一句写完这篇文章再去。
此时你的伴侣可能会生气。
但如果你告诉她写完这篇文章，这个月可以额外获得2000块钱的稿费收入，哪又不一样了，你的伴侣可能马上给你倒杯热茶，捶捶肩膀等你写完一起睡觉觉。
以上这个案例告知我们，要把目光转移到产生决定影响的关键节点，如从战略角度看，网站要解决的最重要的事情是什么？哪些指标能够描述当前3项最重要的业务的绩效。
为何存在的问题，最终必然落回到产出生产的问题上。
并且少数的关键指标会统一公司奋斗方向，所衡量的绩效内容让公司成员明白哪些才是对公司业务最重要的。
产出指标价值衡量示例
任务完成度：指用户访问网站到他们预期目标的比例，即人们最终在站上做了什么，哪些是无法实现的。
搜索流量比例：流量来自搜索引擎的比例，及主要竞争对手的比例，从而了解搜索流量策略是否有效，是否在发挥其应有的价值。
用户忠诚度及回访率：忠诚度是指每位用户访问网站的次数；回访率是指访客两次访问的时间间隔；
吸引新用户过来虽然不容易，但要留住他的心，让他时不时回来滋润你才是意义所在，可查询访问次数分布，掌握好用户的行为，毕竟用户行为决定更新网站的频率（网站是包括前后端的，不止是前端，可能是后端的推荐算法权重调整），逐步的调整，让用户来的更频繁。
订阅数：这是网站最忠实、最具有价值的用户群体，主动从网站获取信息，根本无须费力寻找。
正面退出率：了解正面退出率的来源、内容、搜索情况等行为，有助于更好的掌握渠道，并优化网站，说不定还可以把负面退出用户挽留回来。
购物车和结算流程的放弃率：用户在完成购买前，须经过一连串结算流程，在结算流程之前，还要说服他们把商品加入购物车,这个指标可以知道要优化的地方，也许是步骤太繁琐或页面太长了，也可能是某些按钮不够醒目。
购买前访问次数和天数：此指标可以掌握好时间点向用户传递信息，在结合访问深度和停留时间时，便于掌握用户的行为习惯，如购买前天数较短，说明消费具有冲动性，以此调整价格，相对的如果一直一味的催促用户，可能最后并没有效果。
平均订单价值：销售额与订单结合在一起时，可以看到何种渠道来源的用户不愿意多花钱，类似这种分析可以促使公司重新思考市场与销售策略。
宏微观转化衡量：大部分人都受到了点击流的局限，并没有很好的从产出角度进行多方位衡量，如技术支持网站，宏观转化率是任务完成度，可从电话次数，咨询事件次数等来衡量。
经济价值：不能埋头苦干，在衡量经济价值时，一是需要借助财务部和销售部的力量；二是确保清楚的标记好转入线下系统的线上数据，从而计算出转换效果。
行为价值衡量：不同的网站用户的行为产生价值不同，但必须明确用户的何种行为才是业务价值所在，如前面说的微博，在2013年用注册人数来衡量是没错的，但如今互联网入口基本都成熟了，此时用活跃交互的用户衡量才是业务价值所在（市场在变，指标也要变）。
B2B网站衡量：B2B的用户一样是人，只是销售周期长一点而已，用户需要更多的时间做决定，同样可以衡量忠诚度、回访率、购买天数等，还可以衡量视频完整播放次数，样品试用数量等。
博客产出价值衡量示例
原始作者的贡献：这是所有博客标准的基础，即每月帖子所创建的内容，但并不能衡量所贡献内容的质量，只能说明了贡献的频率和连贯性。
整体受众增长：包括线上订阅与线下订阅，但订阅用户数接近不等于网站分析概念中的独立访客数。
到达数：每天流量或点击内容的人数，有多少打开并阅读一篇文章。
转化率：博客提供了一个对话平台而非单向独白，重点在于有没有人参与与作者交谈提供的内容。
引用和轰动指数：链接到博客的其他独立博客的数量，衡量博客作为一个整体引发的连锁反应，即衡量由博客引发的传播效果。
博客的成本：需要从各个方面衡量投入到博客的成本，技术（软硬件）成本、时间成本、机会成本。
博客收益（投资回报率）：一是比较价值，使用外部链接、订阅用户数等，来计算博客所能创建的资产；二是直接价值，即博客产生的经济利益；三是无法量化的价值，如成就感。
……
视频应用产出价值衡量示例
基本性能指标：用户所在地区和城市，找出感兴趣的用户在什么地方,更好的掌握用户的喜好。
跟踪关注度及受众的互动情况：视频过程的用户关注度，即视频什么内容吸引用户，什么不吸引用户。
社交参与情况：如评论、收藏、评分、弹幕、分享等，观察这些定量数据进行定性分析，而且社交参与数据是辅助知道网站视频策略的有用信息。
跟踪视频传播情况：传播的分布和视频在网络的传播路径，可以得知视频是否被正确的关键词索引和列出。
细分：关注视频的受众细分并衡量视频效果时，才能理解视频真正产生的影响，再将这一细分应用到流量来源报表，看哪些广告更能带来完整观看影片的流量。
情境的影响：针对某些倾向的细分群体，分析情境的影响或其他产生的价值，且影响程度是用户会话中浏览网页或使用功能的用户行为来决定，与用户经过路径和时间点无关。
内容影响效果：有助于公司在正确的地方使用宝贵的资源，而不是盲目的生产更多的视频。
收集用户心声：用户提供的数据将告诉你哪些功能对购买者起了影响作用。
测试衡量用户的实际行为：定义视频转化，决定视频类型在网站的价值，必须使用用户的实际行为，而不是个人主观看法来衡量效果。
微博产出价值衡量
粉丝人数的增长：流失率。
信息放大：转发数量和回复，即对用户价值的差别。
参与度：单向独白还是参与到对话过程。
达到数：信息量大到足以建立受众群。
速率：被回复的速度。
需求：多少人回帖。
行为：帖子吸引新粉丝是否有效。
……
拓展：SEO
现代搜索引擎的输出结果，已不再局限于文字形式，已扩展到图片和食品等多种内容，即为全能搜索。
SEO优化：由于不同搜索引擎有不同的算法，只要爬虫能在网站正常工作即可，可通过改善网站的索引便于爬虫读取、清理URL结构、慎重使用JavaScript链接（部分搜索引擎爬虫不认JavaScript）、选取合适关键词、提高页面内容相关度。
注：搜索引擎不止是百度这类的，还有微信、App市场这类的，如公众号文章搜索。
有效的搜索策略是体系化：必须针对各大搜索引擎进行优化，也必须兼顾付费搜索和自然搜索，这两者平衡是很重要的，在自然搜索流量面前需要常思考，是否因为网站的内容不符合搜索引擎算法？为何流量的偏向了付费搜索？
在某些关键词带来相似的流量甚至没有流量时，应该检查相应的显示页面，是否缩略图不行，或页面名称不对。
SEO投入产出：可通过衡量总流量中来自自然搜索流量所产生的影响，在结合其他市场有效活动数据进行分析，可以得出确切的投资回报率（推广费用、联合营销、付费搜索活动等费用）。
庞大点击数的陷阱：我们真正关心的是流量是否能增加业务收益。例如SEM与PPC所带来的流量中的关键词或广告组的每次点击收益、投资回报率即毛利率（销售额减去广告费用，最好允许导入所有产品销售成本共同计算）的结合展示有便于考虑SEM与PPC的实际产出作用。
案例：某商城某关键词点击数非常大，可是用户回访率和转化率较低，但网站停留时间却挺高的，而且大多数用户最后访问页面是商品详情页。
经过分析、测试、自身体验，最终团队决定将催促用户下单提示（现在订，更便宜）进行了修改。
第一项举措是弱化这些催促声音，因为大多数用户并不想一来就买，于是他们加了收藏本页面。
第二项举措是添加了一项降价XX%通知我的功能，这项功能也让他们顺利收集到了用户的联系方式（未来必然是有效的结合人文科学的产品取胜）。
分析建议
了解背景信息
主要指标是周围那些定量或定性的信息，而提供指标所处的背景情况，可以让人们知道结果是好是坏，从而驱动公司的行动。
比较不同时期的关键指标：时间与业务的比较，停留时间上升意味着获得了更多优质的流量。
细分提供背景信息：为什么不同渠道的转化时间不同，转化时间是否合理，通过什么关键词进来的。
比较网站关键指标的平均值和细分值：搜索流量的停留时间比其他流量要高。
指标伴侣
尽量选择产出指标作为伴侣指标，可以更好的了解指标的表现，这样有助于衡量网站的绩效。
利用行业基准和竞争数据：可以看到自身表现与同行业的差距与进步空间。
了解业务知识：这些信息包括公司的各项举措、营销计划、网站的更新与变化、管理层变化、服务器中断这些都会影响网站。
KPI变化趋势比较
随着战略的不断发展，新的变量和指标都会加到KIP中（新产品或新营销活动），深入的去挖掘趋势和表现背后所隐藏的问题，找到实施营销活动和进行网站改进的人，并沟通是否有什么措施导致上述的变化，但网站本身巨大改变将使得数据不再有用（在过去一年增长了500%，还有比较的必要吗？）。
呈现业务知识：体现出对变化的理解，并转化为行动。
细分：变化趋势隐藏分析见解，从而发挥不了数据的作用，最好去看相关的细分数据的变化趋势，如看自然搜索流量的趋势表现。
比较：指标子不同时期的表现
Top10之外什么改变了
更大的变化发生在表面之下，这些变化很难发现，可以集中在某行变化巨大的数据上，而且用什么改变了，来取标准的Top10，可以确保高层不会忽略你，并且提供的数据不再一成不变。
如了解为什么这些网站突然带来了流量，甚至可以考虑在上面投放广告。
最优长尾策略
只关注单个关键词带来的5000次访问，而忽视如何去优化这35000次访问的100个关键词，并且这35000次的访问关键词就是长尾的价值。
分析发现见解：头部关键词容易受到竞争对手的攻击，从而带走很多流量。
采取行动：作出变化的说明，批判性的分析头部和长尾关键短语
了解品牌和行业关键词：市场背景，品牌关键词带来的访问基本上是已经知道你的人和购买生命周期最后阶段的人。
更低成本：长尾行业的关键词意味着的更低的竞争和成本，可以有更多的预算用在别的地方，如品牌关键词会有很强的竞争对手。
这就是理解关键词类型和头部、长尾部分访客的类型所能带来的价值，平时不要局限在自己的世界，多了解网站细微变化，营销渠道如何运作，或用户如何使用他们。
远离一夜情
在了解了用户购买生命周期的每一个阶段，就可以衡量不同生命周期阶段的成本收益，及在不同阶段培养用户的正确方法，如衡量购买前所用天数和访问数，以确定购买花了多长时间，是远离了一夜情的心态，是正确的恋爱方式。
投资回报率
投资收益的80%来自20%的广告活动，只有拥抱投资回报率的分布报表，才可以看到哪些因素是有害，哪些是在帮助你，进而重新评估。
隐藏的陷阱
追求的不应是帮助你分析的系统或工具，而是正确的思维模式和分析方法，从多角度触发的思考方式和决策成本的对比，只有建立一套有效的思维模式，才不会陷入拥有大量数据，却没有深入分析的困境里。
数据准确性还是精确性
互联网不存在真正准确的数据，不要过度追求数据质量，数据质量可能是有局限性的，但仍然可以以其为基础做出有价值的决策。
要深入思考业务适合采用什么方法，准确性是尽可能的获得完美的数据，而精确性是为了获得同一结果而达到的程度，可预测的，重现性好。
在过去的商业环境中，改变是很缓慢的（信息传递到执行层），如果出现错误，付出的代价很昂贵，因此风险承受力较低，这时需要的是准确性，不可能等待几个月去追求精确性，而要更快的做出决定。
但在实际操作中要尽量追求精确性的数据。
一成不变的数据与指标
市场变、用户在成长，数据和指标应该随着市场的变化而变化，应在内部设立一个流程来定期校验收集到的数据，至少一个季度校验一次，尽量让数据保持高度的精确性，避免被分析系统提供的数据牵着鼻子走。
数据不完整
使用不完整的数据做决策是最难的，也可能思维模式的问题，或公司对风险的谨慎，总是希望有完美的数据答案。
要认识到完美的数据收集是不可能的，数据是丑陋、琐碎、不完整的，可是很多情况下，时间都浪费在等待完整数据的完整性上，从而导致分析瘫痪，无法提供分析建议，进而提高了机会成本，甚至失去机会。
我们是要帮助公司更快的行动和思考，并不是等待数据完整性，要学会使用不完整的数据，并做出决定。
决策数据的迷惑性
大多数建立仪表板的人，通常是闭门造车，很少出去收集足够的相关知识，以充分掌握数据趋势背后的行为，而且仪表板的创造者通常是外部人员，没有理解公司内部问题的实践经验，常常会使得仪表板可操作性不高，缺乏可信度。
仪表板上的数据的量或许很大（也有可能是计算方式导致），但缺少了分析人员提供的分析解读，管理层无法得到深入的分析见解和可操作的建议。
仪表板的目的是推动管理层尽可能的迅速了解目前的情况，不仅需要知道指标成果，更重要的是让人知道如何行动，不是提出问题，更多的是给出见解，即可执行建议与见解是不会来自静态的报告，而是来自对于数据的细分与分析。
管理层更关心的是与企业绩效相关的最重要的三个KPI，因此仪表板上的设计可去掉可有可无的辅助指标，并且可以考虑接入公司的财务系统，清晰准确的说明损失多少钱，及多少用户不满意。
指标带来的行动 à 建议 à 预期结果 à 管理层决策
仪表板设计建议：
责任归属：清晰的表明指标的责任归属，业务方面的指标负责人和分析负责人。
基准与细分：可以使用内部或行业基准、目标、甚至这一指标之前的值，基准有助于迅速了解部分群体使整体下降，并通过细分对趋势和背景情况的解读来提高分析的价值，警告哪些数据可能出了问题，管理层此时需要关注的重点。
分离出少数的关键指标：提供大量的数据让人对你留有印象，实际上只是在浪费大家的时间，对于公司的主要业务，知道哪三个指标最为关键即可。
不要停留在指标表面：应该有深入的分析，缺乏深入分析的仪表板失去了其价值的体现机会，包含成功与失败的原因，及业务上的一些可行变化，下一步怎么做，在现有的情况下有什么新机会等。
精炼仪表板：将仪表板控制在一页，对于有效沟通和促进行动至关重要。
淘汰与保持相关性：由下级最高的目标不断调整，仪表板和指标也应该调整，想要这样做很困难，因为公司愿意保持稳定，高层喜欢可预见的东西。
离线用户行为数据
这部分离线用户行为数据是用户在真正消费网站内容产生的，如用户在飞机上，浏览已缓存的文章。
可通过时间追踪机制收集数据，定义好变量参数进行数据处理，在连接上互联网了，就同步已标识的离线数据（这就是做过技术的产品的好处）。
用户行为基准
互联网是非常复杂的，不可能获得确切的误差范围，很大程度上，互联网的用户行为是不合逻辑的，类型、用户体验等不同的情况下，所谓用户行为基准也就不那么重要了。
拓展：全线营销和多渠道时代
在专注于线上流量分析时，不要忽略了现在是一个全线营销与多渠道的时代。
正如上面这张图，用户在购买时会经过4个阶段：研究、选择、验证、购买，如购买笔记本、扫地机器人等。
在思考营销策略如何影响人们时，应该认识到用户并不是简单的通过线上或线下之一做出决定，如果要赢得用户信任，必须调整思维，切实的执行全线营销。
线上衡量最困难的调整也是其中最敏感的问题，一个访客可能多次访问你的网站，接触到多种网络营销活动，但用户受到的影响不仅是线上渠道，可能还看了电视广告和广告牌，因此对于全线营销来讲，只针对单一的因素是远远不足的，并且产出的衡量不在局限于线上转化，可能还只是在网站展示商品，然后在线下转化。
目前几乎所有网站收集的数据仅仅只是线上内容，不能识别个人身份信息，但银行是一个例外，有卡号和身份证的绑定
在线下团队通过电视、杂志、广播、零售、广告牌影响人们时，如何衡量这些线下广告投放对线上的影响，又如何衡量线上广告对线下的影响，即投资回报率，这意味着需要一点创意和小心思。
全线营销影响衡量示例
衡量线下行为引导：提供线下实体店的地理位置查询功能，跟踪此行为引导，查看其影响性，也可衡量搜索结果页，浏览过的和有向购物车产品加入行为的产品页面，这是用户购买意向的强烈信号，进而在对于线下销售数据。
网站申请产品目录，或者是汽车网站申请试驾等
追踪电话和线上聊天：生产订单的成功电话，以及网站没有帮助用户而使用户需要技术支持的不成功的电话，如线上发生了多少转化，线下产生了多少电话量。
深入挖掘线上和线下的数据：发行会员卡来分析用户的线上和线下的行为，无论线上和线下都会用这张会员卡。
调研预测线下影响：访客退出网站时进行调研。
关联流量趋势和线下广告安排：侧重于特定的地理位置，或用户类型，或某个产品，衡量区域影响，访问量与原始区别，深入到广告方案中，如不同地域的人喜欢听什么歌。
利用主要研究：对照试验、实地调研、专家小组、访谈等，引发购物的行为的原因。
多触点营销活动归因分析
如果客户在转换前发生了多次接触，那么此次转化就是所谓的多触点转化，在多触点场景中，不可能了解每个触点对用户形成的影响，在没有这些信息情况下，只能利用对业务的理解，甚至猜测来进行归因，即多个营销活动的功劳归属。
常见的归因模型：
基于最后点击：最后一个有效活动对购买的决定，但如果用来决定在不同的营销渠道中的投入，这种方式并不是最佳的。
基于第一次点击的归因：那样为何还要用别的活动才能让用户发生转化呢？
基于平均点击的归因：这种模型是次优的，是一种避免做出艰难决定的妥协。
基于功劳划分归因：50%归于最后的活动，其他平分剩余的50%，这种虽然并不完美，但至少不是生搬硬套。
自定义归因：横幅广告、主页推广、广告联盟、自然搜索、PPC等活动的自定义归因，这要求对业务的了解、经验和思考能力较强。
媒体组合模型：这是归因分析的可行替代方案，将选择特定的市场（市场或指定地区），在每个渠道上花费将成为预算的一部分分配给投资组合的一部分，最后对比产出，直到找到边际效益递减点，但这种很难控制可能会影响试验的所有变量，要确定可以控制和无法控制的变量。
小结：了解所有模型及其局限性，按照业务选择最佳的模型并应用，不要执着于如何划分功劳到不同的营销活动，而是如何在可用的广告和营销渠道之间优化预算分配。
总结
在传统商业智能领域中，系统建成以后就不再进行打的改动了，然而在互联网行业是行不通的，未来我们所有人都需要在互联网的多样性，如多用户（地域、文化、性格…）、工具、类型等方面的更深入思考。
目前国内互联网数据行业发展的并未成熟，从面试过程可以窥见， 95%的企业是要求要懂大数据技术应用，再到数据收集、存储、分析的一条龙服务。
如招聘数据挖掘工程师时，面试官只知道要找个算法高手从数TB甚至上百TB的数据中挖掘数据，根本不知道这样做带来的产出收益是什么。
其实在所讲到的内容中，可以发现像百度拥有大量的用户行为数据，可以做企业咨询版营销，为企业真正的解决困境。B站此类视频网站可以对视频段观看最多，弹幕最多的可以截取，做成感人的短视频，从而会引用户自主转发，加强品牌效应。
任何知识都要在生活中思考，应用。
互联网分析过程：以分散开始、变为集中、再以分散结束。
互联网分析本质：看数字、指标和趋势，猜测数字意味着什么, 使用大量信息判断和评估周围的不确定因素，适当的审查大量的数据，关注富含信息的重点处，从而得到深入的分析见解，进而需要有深厚的技术功底，理解JavaScript代码、网址、参数、重定向和网页等。
指标的下降：下降不可怕，要明确目标是什么。
漏斗分析：从底部开始而不是顶部，就不会陷入大量的数据分析中，而且底部数据很容易核对。
纠结：在不知道选择哪种方案好时，先把想到的所有方案列出来，写出来，不要在脑中形成一团浆糊。
过度关注短期的成功：决策者往往不耐烦，希望数据是实时的，即使这意味着衡量错误的数据，如此次活动注册用户在10天内有多少带来了购买订单才有价值。
互联网非常具有革命性的一点，就是允许在极短的时间内多次失败并不断的改进，只有多向数据提出为什么，才能更好的使用定量数据创造更好的定性分析，从而成为用户体验专家。
深刻认识：改变人的思维模式要深入实质、了解支撑精神信仰的根源，最重要的是，理解人们的心理，很多人害怕数据反映出他们的问题，或是不想改变一直以来的工作方式，要认识到公司主要是基于信仰而非数据进行决策的。
努力向业务产出靠拢：即便老板或客户并没有设置产出目标，你也要设置，明确既定的业务产出。
利用用户和竞争对手推动事情：高层管理人员自然会偏向自己，但会屈服于客户数据和竞争对手数据，及竞争机会，如哪些需要改进的表明了赚钱的机会。
公司层面：策略是高层的问题，但缺乏策略的数据分析，是无法得到正面对待的，要将分析推升到公司层面。
数据泛滥：不要急于使用全部的数据，制作一堆的指标，老板和客户在乎的是为网站解决了什么问题。
摆正自己的位置：学会如何与老板交流，给他们想要的东西，你的老板比你知道更多的战略目标、组织背景、业务重点等信息，可以通过有效的沟通来了解老板的观点，找出可以解决老板问题的方法。
限制绑住：公司很少会为你提供时间学习和成长，但周围的环境总是不断变化和发展的，如果不跟上就会过时，需要跳出某个世界为自己负责。
拒绝数据服务业务：努力挖掘大量的日志数据，加以提取，组合，结果最后什么都没有留下。
时刻挂念产出：数据的核心问题总是被人遗忘，这一复杂过程会让人陷入大量的报表，忘记产出目标。
批判性思想家：具有强烈的好奇心和广博常识的来了解市场规则，对待数据分析的目的是创造用户为中心的产出决策。
遭到预算拒绝：不要只关注资源的价值，而是量化你带来的价值。让客户和竞争对手帮助你。
技术转管理：这件事情总是困难的，必须要放弃编码，逐渐在领导和授权方面成熟，领导力的成功取决于启发和激励团队成员的能力，作为一个技术团队的领导，人际交往能力对成长限制比什么都大。
高估：往往我们会高估技术作为核心能力的作用，忽略了公司成功的最大因素在于更普通的，看得见的管理、政治、预算和组织结构上。
《产品学习及企业管理基础知识》https://blog.csdn.net/Su_Levi_Wei/article/details/89313778
《项目全生命周期管理的规范文档》https://blog.csdn.net/Su_Levi_Wei/article/details/94206222
《木头也要懂得讲故事的时代》https://blog.csdn.net/Su_Levi_Wei/article/details/103276666