什么是Urchin？ Urchin Software from Google 可以分析一个或多个网站的点击量，并提供易于理解的访问者报告 -“访问者来自哪里？”、“他们如何使用您的网站？”以及“是什么将他们转换为客户？”等等。 如果您的内容是在安全防火墙后面或者 Intranet 或内部网络中，您就无法使用 Google Analytics（分析）服务，此时 Urchin Software from Google 就很适合您。 当前版本 urchin 7 ubuntu 下安装 1.安装mysql urchin需要数据库MySQL或 PostgreSQL，在LAMP中都安装使用mysql，我的机器上已安装过mysql，不过在此再说一下. sudo apt-get install mysql-server 启动，重起，停止命令 sudo /etc/init.d/mysql start sudo /etc/init.d/mysql restart sudo /etc/init.d/mysql stop 2.安装urchin 7 http://www.google.com/urchin/download.html 选择相应系统，下载最新版urchin unzip current_urchin7_linux2.6_kernel_x32.zip tar xvzf urchin7000_linux26_x32_kernel.tar.gz sudo ./install.sh 一路默认 在填写SQL Socket path时，输出 /var/run/mysqld/mysqld.sock [...]
漏斗模型分析过程可以从以下三步展开：确定需要分析的访问路径或操作流程，收集数据并分别统计出该路径中每一步的人数，最后用漏斗模型展示结果。 用户访问路径（Path Analysis） 之前的从WEB日志到点击流这篇文章中对点击流的概念进行了介绍，其实一个点击流就是用户的一次访问路径。在大多数情况下用户的访问路径随意的，无序的，用户在访问一个网站时可能会经常使用后退、返回主页或者直接点击某个链接等，不同用户访问路径的重合度可能只有1%，分析这些无序的路径是毫无意义的。 所以，我们要分析的是网站中的一些关键路径（Key Path），即用户是为了某个目标而进入了一个相对标准的有序的路径，用户的目标就是为了到达“出口”，而不是随意游荡。如电子商务网站的注册流程、购物流程，应用型网站的服务使用流程等。举一个电子商务网站购物流程的简单例子： 于是，我们就可以根据这些关键路径来计算每一步的转化率了。 转化率（Conversion Rate） 转化率，顾名思义，就是从当一个页面进入下一页面的人数比率，比如访问我的博客首页的用户有30，而从首页点击进入本文的用户有12，那么从首页到这篇文章的转化率就是12/30=40%。当然，我们可以根据用户的访问路径计算每个页面到下个页面的转化率，同样这类工作大部分也是没有意义的，我们需要抓住重点——关键路径的转化率。 以上面的购物流程为例，我们可以分别统计出这5步中每一步的人数，然后计算得到每一步的转化率： 浏览 购物车 订单 支付 完成交易 人数 2071 622 284 235 223 上一步转化率 100% 30.0% 45.7% 82.7% 94.9% 总体转化率 100% 30.0% 13.7% 11.3% 10.8% 通过对这些数据的统计，我们已经可以初步判断该流程转化率的情况，及每一步的流失率情况。当然，为了让分析的结果更加具体形象，我们可以借助一些图表工具，漏斗模型用在这里正好恰当不过了。 漏斗模型（Funnel Model） 漏斗模型不仅显示了用户在进入流程到实现目标的最终转化率，同时还可以展示整个关键路径中每一步的转化率。Google Analytics提供了漏斗模型很好的分析和展示方案，具体的方法可以参考蓝鲸的文章——Google Analytics功能篇—目标和渠道，Google Analytics中漏斗模型的展示可以见右边的截图。 因为可以拿到原始数据，所以我选用了更加灵活，定制程度更高的excel表格来处理。为了能显示漏斗的效果，在网上找到了一个很实用的方法——设置占位数据，然后用条形堆栈图展示数据，并将占位数据的数据条颜色去除，显示效果上就是下面每个数据条都居中了，占位数据=(进入人数-当前人数)/2，结果如下图： 这里的下面每个蓝条的左边都是占位数据条，只是它们被“隐形”了而已。 需要注意的是，单一的漏斗模型对于分析来说没有任何意义，我们不能单从一个漏斗模型中评价网站某个关键流程中各步骤的转化率的好坏，所以必须通过趋势、比较和细分的方法对流程中各步骤的转化率进行分析： 趋势（Trend）：从时间轴的变化情况进行分析，适用于对某一流程或其中某个步骤进行改进或优化的效果监控； 比较（Compare）：通过比较类似产品或服务间购买或使用流程的转化率，发现某些产品或应用中存在的问题； 细分（Segment）：细分来源或不同的客户类型在转化率上的表现，发现一些高质量的来源或客户，通常用于分析网站的广告或推广的效果及ROI。 所以，漏斗模型适用于网站中某些关键路径的转化率的分析，以确定整个流程的设计是否合理，各步骤的优劣，是否存在优化的空间等。试着去了解用户来你的网站的真正目的，为他们提供合理的访问路径或操作流程，而不是一味地去提高转化率。
如何创建自定义过滤器 经过过滤的数据是不可恢复的，所以在创建过滤器之前先要想清楚自己所需要的报告及数据内容。并按照所需的数据内容创建过滤规则。然后，按照下面的步骤创建过滤器： 1编辑需要应该过滤器的配置文件。 2选择添加过滤器，并选择自定义过滤器。 3为过滤器起一个简单易懂的名称。 4选择过滤器类型及过滤字段 5在过滤模式中输入过滤规则 6保存设置后，过滤器开始工作。 自定义过滤器需要注意的问题： 搜索和替换过滤器对目标渠道设置的影响： 如果使用了Google Analytics搜索和替换过滤器重写网址，需要保证目标和渠道的设置与替换后的URL相符。搜索和替换过滤器会在目标被处理前应用到原始数据上。因此，目标和渠道URL应该是经过替换后的最终URL内容。 搜索和替换过滤器对网站覆盖图的影响： 如果利用搜索和替换过滤器重写网址，那么网页上的 HTML 链接就无法与”内容概述”报告下导航摘要中的已修改数据相匹配。 在这种情况下，”网站覆盖图”报告将无法正确地与 HTML 中的相应链接关联数据。 过滤器的应用顺序问题： 默认情况下，过滤器是按照配置文件中添加的顺序应用于收到的数据。这有可能会导致某些过滤器因为顺序问题而不起作用。你可以在配置文件中调整过滤器的执行顺序。 大写/小写过滤器的应用范围： 这个过滤器只作用于字母，不会影响字符或数字。另外大写/小写过滤器不需要设置过滤模式，一般经常用来对请求URL进行规范操作。 包含和排除过滤器的应用范围： 这个过滤器除了会排除符合过滤模式的字段外，还会排除相应数据条目中的其他信息。例如：排除请求URL为/sitemap的字段，那么该条数据中的访问者，路径，推介来源等其他信息也将一起被排除。
过滤器是Google Analytics中一个非常强大的功能。Google Analytics的过滤器共分为3种，预定义过滤器，自定义过滤器和高级过滤器。通过过滤器可以分割网站流量，控制报告的数据范围，梳理报告内容。本篇介绍的是最简单的一种“预定义过滤器”。高手请直接略过。过滤器的高级应用在“天岸网络营销博客”和“David-SEM搜索引擎营销”有详细的介绍。 过滤器与配置文件 过滤器通常都是和配置文件一起来使用的。过滤器的效果体现在配置文件的报告内容里。将过滤器应用到指定的配置文件上，就可以按我们的需要在该配置文件中显示需要的报告内容了。比如：我们可以对一个网站创建多个配置文件，并通过过滤器控制让其中一个配置文件只显示来自google搜索的访问量报告，而让另一个配置文件只显示网站中某个频道的访问量报告。 过滤器的几个特点 1过滤器作用于配置文件 过滤器位于配置文件的前端，只有被应用到配置文件后过滤器才会对数据起作用。一个过滤器可以被同时应用到多个配置文件上，并对数据进行过滤。 2过滤后的数据不可逆转 Google无法对过滤后的数据进行恢复。这将是一个不可逆转的过程。所以，为了避免数据损失和错误过滤。需要为每个过滤器创建一个单独的配置文件。并始终保留一个没有使用任何过滤器的原始配置文件。这样，即使出现问题也不会影响到原始数据。 3过滤器只对新数据起作用 过滤器只对应用后新产生的数据进行过滤，而不会对应用前的老数据进行过滤。所以当对网站流量进行追踪和创建配置文件时，需要先想清楚流量的过滤和分割策略。然后预先创建相对应的过滤器及配置文件。 4过滤器的执行顺序 在对一个配置文件同时应用多个过滤器时，google会按照过滤器的顺序依次对数据进行过滤。有时这些过滤器间可能会产生冲突。比如：在一个配置文件中包含google和baidu的搜索流量。如果对这两个来源分别创建过滤器，后一个过滤器可能会不起作用。正确的做法是只创建一个过滤器。过滤规则是 google|baidu。 或者也可以通过指定不同过滤器的前后顺序来调整数据在进入配置文件时被过滤的顺序。（默认过滤器会按照我们的创建顺序进行排序） 如何创建过滤器 “修改”需要应用过滤器的配置文件，在“配置文件设置”面板中可以看到应用过滤器选项。选择添加过滤器。依次输入过滤器的名称和过滤规则。然后选择保存。一个新的过滤器就创建完成了。新创建的过滤器会显示在“配置文件设置”面板的应用过滤器部分。并且可以随时对过滤器进行修改和调整过滤顺序。 如何管理过滤器 当我们创建了很多过滤器之后，可以通过过滤器管理器对过滤器进行管理。（网站配置文件界面中）这里包含了帐户下所有配置文件的过滤器。在这里可以对过滤器进行添加，删除，筛选和修改操作。所有操作都会马上应用到想对应的配置文件。 在过滤器管理器中除了已经应用到配置文件的过滤器外，还有两种过滤器。 1在配置文件中已经被删除的过滤器。 有些过滤器我们可能已经在配置文件的过滤器部分删除掉了，但这个过滤器依然会保存在过滤器管理器中，在这里随时可以重新修改或应用这个过滤器。 2没有应用到任何配置文件的过滤器。 在过滤器管理器中可以单独创建过滤器，而不必应用到任何配置文件中。当你在测试不同过滤器区别的时候，可以先将一个过滤器暂存在这里，当需要的时候可以随时应用到配置文件中。 过滤器的复用 过滤器管理器的另一个好处是，可以对已有的过滤器在不同配置文件之间进行复用。比如，你创建了一个过滤内部IP的过滤器。需要应用到8个配置文件中。在过滤器管理器里找到内部IP过滤器，选择修改，直接添加需要应用这个过滤器的配置文件名称就可以了。而不用再分别创建8个同样的过滤器。 创建预定义过滤器 前面说了这么多了，好像还没有进入今天的正题：预定义过滤器。预定义过滤器是Google Analytics中是最简单的一种过滤器。说它简单是因为这种过滤器创建方便。不用做过多复杂的设置就可以完成。 预定义过滤器可以完成以下三种功能。 1从报告中排除内部点击量 通过输入内部的IP地址，可以在报告中排除掉来自公司或网站内部的访问量。预定义过滤器中只允许输入一个固定IP地址。IP地址段或动态IP的过滤需要使用自定义过滤器才可以。这部分可以参考我之前的文章：“ 排除Google Analytics报告中的内部访问量” 2跟踪网站特定目录的流量 在我的博客的URL中，不同的目录代表不同的页面或内容。比如： http://bluewhale.cc/documents 代表资源文档页面 http://bluewhale.cc/web-analytics-library 代表网站分析库页面 http://bluewhale.cc/bbs 代表网站分析讨论组的内容 使用预定义过滤器的“访问子目录流量”可以对不同子目录的内容访问量进行分割。例如：将网站分析讨论组的流量(/bbs/)与网站分析博客的流量分别显示在不同的配置文件中。 3排除来自相应域的流量 Google Analytics使用反向 IP 查询功能来获取用户的网域。使用该过滤器可以排除来自特定网域的点击量。网域通常代表访问者的 ISP（互联网服务提供商）；大公司在映射 IP 地址时可能会选择自己的域名，而不会使用 ISP 的域名（如 google.com/intl/zh-CN/）。例如，如果要排除来自 [...]
什么是网络资源ID 网站资源ID是一组以字母UA开头的数字组合。例如: UA-12347890-1。网站资源ID是Google Analytics对不同帐户及不同配置文件设置的一个唯一标识。你可以把这个ID简单的理解为是每个配置文件的身份识别号码。类似我们的身份证编码。 网络资源ID的作用 网络资源ID是Google Analytics区分不同的账号及配置文件的唯一标识。它会同时出现在网站追踪代码和配置文件中。Google Analytics按照网站资源ID将追踪到的数据写入到正确的配置文件中，最终生成报告。 http://www.google-analytics.com/__utm.gif?utmwv=4.7.2&utmn=622237838&utmhn=bluewhale.cc&utmcs=utf-8&utmsr=1280×1024&utmsc=32-bit&utmul=en-us&utmje=1&utmfl=10.0%20r22&utmdt=%E8%93%9D%E9%B2%B8%E7%9A%84%E7%BD%91%E7%AB%99%E5%88%86%E6%9E%90%E7%AC%94%E8%AE%B0%20%7C%20%E5%85%B3%E6%B3%A8Google%20Analytics%E5%BA%94%E7%94%A8%E4%B8%8E%E6%8A%80%E5%B7%A7&utmhid=1618638154&utmr=-&utmp=%2F&utmac=UA-12347890-1…… 例如:你网站追踪代码的网站资源ID为UA-12347890-1，那么google就会把从这个网站中追踪到的所有数据发送到网络资源ID为UA-12347890-1的配置文件中。而如果网站网站A和网站B的追踪代码中的网络资源ID都为UA-12347890-1，那么google也会将这两个网站的数据统一发送到网站资源ID为UA-12347890-1的配置文件中，并形成报告。 网络资源ID的另一个作用是，当你需要调整接收网站数据的配置文件时，只需要修改这个网络资源ID就可以了，而不必重新添加追踪代码。 网络资源ID的结构 网络资源ID由三部分组成： 第一部分是统一为字母UA。 UA-XXXXX-YY 第二部分X是一组标识帐户的数字。 UA-XXXXX-YY 第三部分Y是一个用来标识配置文件的数字。 UA-XXXXX-YY 三部分组合在一起表示了完整的网站资源ID。举个例子：我的网络资源ID是UA-12347890-1，那么第二部分的数字12347890表示我的帐户ID，第三部分的数字1表示了我的配置文件ID。 帐户ID和配置文件ID 前面介绍了网络资源ID的结构，其中第二部分和第三部分分别为账户ID和配置文件ID。在google analytics中，不同的帐户有各自不同的帐户ID，同一帐户中不同的配置文件也会有不同的ID。配置文件ID与配置文件是一一对应的关系。Google analytics通过这种对应关系来识别出不同的配置文件。例如，当创建账户时，系统会自动分配给你一个帐户ID，并用1来标识第一个创建的配置文件，也就是我们前几篇文章中提到的主配置文件。此时，你的网络资源ID是：“UA-系统分配的帐户ID-1”当你在这个账户中继续创建新配置文件时，系统会用2来标识。此时的网络资源ID是：“UA-系统分配的帐户ID-2”。并以此类推。相同的帐户ID表示他们属于同一个google analytics帐户。而相同的帐户ID+配置文件ID则表示他们是重复配置文件。 使用网络资源ID识别帐户结构 最后我们再来看下文章开头的那5组网络资源ID，看看是否可以通过网络资源ID来查找帐户与配置文件的对应关系。同时间接了解帐户的配置文件的设置情况。 下面是文章开头处的5组网络资源ID 1. UA-12347890-1 2. UA-12347890-2 3. UA-78901234-1 4. UA-78901234-1 5. UA-78901234-2 第一组网络资源ID和第二组网络资源ID拥有相同的帐户ID 12347890，因此他们是属于同一个帐户下的两个不同的配置文件。第三，四，五组的网络资源ID与前两个有不同的帐户ID，所以他属于另一个帐户，而第三组和第四组用于相同的帐户ID和配置文件ID，所以他们是重复配置文件。
Google的追踪代码在收集到数据后是如何将这些数据报告到google服务器，最终展现在报告中的呢？当我们访问带有Google Analyitcs追踪代码的页面时，页面中的GA追踪代码被执行，然后会向Google服务器发送一个1像素的图片请求。（http://www.google-analytics.com/__utm.gif ）并将所所收集到的数据作为请求__utm.gif图片链接的变量一起发送回google服务器。然后经过google服务器的处理发布到我们的数据报告里。 例如：当访问XXX页的时候，Google Analyitcs就会发回这样一条数据给Google服务器。 http://www.google-analytics.com/__utm.gif?utmwv=4.6.5&utmn=2131698805&utmhn=XXX&utmcs=UTF-8&utmsr=1152×864&utmsc=32-bit&utmul=en-us&utmje=0&utmfl=10.0%20r42&utmdt=%E8%93%9D%E9%B2%B8%E7%9A%84Web%20Analytics%E7%AC%94%E8%AE%B0&utmhid=1899795741&utmr=0&utmp=%2F&utmac=UA-12347890-1&utmcc=__utma%3D127635166.1139791987.1263958249.1264564573.1264566597.23%3B%2B__utmz%3D127635166.1262856757.1.1.utmcsr%3D(direct)%7Cutmccn%3D(direct)%7Cutmcmd%3D(none)%3B%2B__utmv%3D127635166.user%3B Google都追踪到了哪些数据呢？通过分析链接里的这些变量，就可以知道了。 http://www.google-analytics.com/__utm.gif ?utmwv=4.6.5 Google Analyitcs追踪代码的版本。 &utmn=2131698805 utm.gif的唯一ID编号，防止GIF图像缓存。 &utmhn=bluewhale.cc 用户访问的主机名（就是我域名）。 &utmcs=UTF-8 用户浏览器语言编码。 &utmsr=1152×864 用户屏幕分辨率。 &utmsc=32-bit 用户的屏幕颜色。 &utmul=en-us 用户浏览器语言设置。 &utmje=0 用户浏览器是否支持JAVA。 &utmfl=10.0%20r42 Flash的版本。 &utmdt=%E8%93%9D%E9%B2%B8%E7%9A%84Web%20Analytics%E7%AC%94%E8%AE%B0 当前网页的标题（title里的内容），在这里是经过编码的字符串。 &utmhid=1899795741 &utmr=0 推介链接的URL，我是直接输入域名访问的，所以没有推介链接。 &utmp=%2F 当前页面产生的请求，记录你在这个页面的点击行为及其他自定义的返回值。 &utmac=UA-12347890-1 用户Google Analytics帐户的ID号。 &utmcc= __utma%3D127635166.1139791987.1263958249.1264564573.1264566597.23%3B%2B __utmz%3D127635166.1262856757.1.1.utmcsr%3D(direct)%7Cutmccn%3D(direct)%7Cutmcmd%3D(none)%3B%2B __utmv%3D127635166.user%3B 以上都是Cookie里存储的数据，__utma用来分析唯一用户，访问次数，停留时间，新访或回访等等。__utmz用来记录流量来源。__utmv存储细分用户所定义的值。 通常，这里面的大部分变量值是不会经常改变的。比如：utmsc屏幕颜色，utmsr分辨率，utmul语言设置等等。而另一些变量在用户访问不同的网页时，值也会不一样。比如：utmdt 网页标题URL，utmp当前页面产生的请求等。通过这些变化的变量值，我们可以检查不同的页面上的追踪代码是否正常工作。比如utmp就是一个很重要很重要的值，我们利用_trackPageview函数所监测的各种数据都存在这个变量里。通过检查这个链接里的变量值我们可以知道GA的代码以及我们的定制追踪部分是否能正常工作。 以上这些并不是全部的返回数据，只是Google Analyitcs追踪的基本数据。如果你的网站开通了电子商务追踪功能或是你自定义了事件追踪。那么在返回Google服务器的链接中就会看到更多的变量值。比如： &utme 事件追踪数据 &utmipc 用户购买的产品编号 &utmipn用户购买的产品名称 &utmipr 用户购买的产品单价 &utmtsp 运费 [...]
GA的报告通常是由指标和维度两部分组成的，在报告中的“行”表示维度信息，“列”代表指标信息。不同的指标与不同的维度组合，可以生成各种类型的报告。（并非所有的组合都有意义。）而通过不同的维度对相同的指标进行分割可以产生各种维度的指标细分报告。 在GA中，目前大约有40多个指标和60多个维度。（不算自定义的指标和维度） 两者的组合是一个非常庞大的数字，所以，GA无法提供所有维度和指标的组合报告。但我们可以使用自定义报告工具来创建需要的报告。比如，我们可以将多个最重要的指标组合成一个报告。也可以针对一个指标选择不同的维度进行逐层细分。 维度：对报告和数据进行细分的类别。 指标：报告中的具体数值或者数字。 面对如此多的维度和指标，在创建自定义报告前需要考虑报告的用途和所要展现的内容。并选择好相对应的维度和指标进行组合。在自定义报告中。维度是对指标的分割，同一个指标与不同的维度组合会产生不同内容的报告。而维度间是包含与被包含，逐层深入的关系。建议每个自定义报告都围绕一个主题创建，逐层深入。方便理解和分析。 在自定义报告中，GA最多允许选择10个指标和5个维度。（指标可以通过新建标签的方式来增加。最多50个）将选择好的指标和维度直接拖到模板中的相应位置就可以了。每个自定义报告至少要有一对指标和维度的组合。 在自定义报告中，Google Analytics最多允许选择10个指标和5个维度。（指标可以通过新建标签的方式来增加。最多50个）将选择好的指标和维度直接拖到模板中的相应位置就可以了。每个自定义报告至少要有一对指标和维度的组合。 当选中一个指标和维度后，有部分指标和维度会变成灰色不可选。这是因为Google Analytics对某些组合做了限制。具体的组合规则在这里。 创建完自定义报告后可以对报告进行预览，并且可以与其他配置文件和帐户分享报告模板。这是新增加的功能。对于常用的报告，只要创建一次就可以在所有的帐户中使用了。 以下是一个搜索类的自定义报告，报告将访客的站外搜索与站内搜索进行关联，并按照同样的维度创建了目标完成情况的指标标签。 通过这个自定义包括可以逐层选择： 1不同搜索引擎的访问量。 2访客在搜索引擎中使用的关键词。 3这部分访客在站内搜索时使用的关键词。 4这部分访客对站内搜索关键词所进行的优化。 通过这个自定义报告可以清晰的了解访客在站外和站内搜索需求的变化，访客每一步的需求和意图，及不同阶段的目标完成度。 标签相当于对指标的分组，自定义报告中最多可以创建5个标签。（50个指标） 创建好的自定义报告会单独显示在右侧菜单的“自定义报告”目录中。在这里可以选择报告名称进行查看。（这些配置文件和帐户要求你有查看的权限。）自定义报告和Google Analytics自动生产的报告没有任何区别，同样支持导出数据，邮件发送和添加到仪表盘的操作。同时也可以配合高级群组等功能对报告进行进一步细分。
衡量你网站最大数量或者质量最好的流量从何而来，是一个网站分析师能做的最基本最重要（也是最简单）的事情。但是，很多情况是，许多网站分析师的网站流量来源报告（traffic sources report）常常看上去是下面的样子： 如果你足够老练，你可能会用饼图做出一个图形化的报告： 对于这两种呈现数据的方法，我都毫无疑义，它们都能很好的总结数据。但是，我还是发现了一个问题： 我能从中获得什么样的见解？ 观察上面的表和图，我能获得下面的信息： * 似乎有相当多的流量来自于其他的网站（Some other site） * 有一些人直接从浏览器登陆了我们的网站 * 没有多少流量来自于搜索引擎 但是还是有些问题无法解答： * 他们从这些流量源头（Sources）来了之后又做了些什么？ * 付费搜索和自然搜索（指非付费搜索）的对比情况如何？ * 从RSS提交/e-Mail/以及其他网络渠道（affiliates）来的流量情况如何？我能否把它们区分开，看各自的表现如何？ * 除此之外，还可以列举更多! 关键是，上面展现的信息产生的问题比能够解答的问题多得多。但是，实际上这些问题能够得到解决！ 下面是一些我认为能够从流量来源报告中获取一些深度见解的点子： 1. 决定网站流量的来源 你的组织中很可能有多种营销手段共存的复杂情况。你可能拥有e-newsletter（电子邮件）营销，e-blast营销，Facebook应用营销，RSS提交以及等等等等！所有的这些努力都可能为你的网站带来可观的流量，但你未必清楚。 与你组织中的人聊聊（最好从市场部门开始），试着从他们中搞到现在正在进行的可能为你的站点带来潜在流量的营销手段的清单。试着把他们分成7-8个主要的类别。一开始不要分得太细，否则会让你“只见树木，不见森林”，不利于你的分析。 下面是一个例子： 1.直接流量（Direct Traffic，指在浏览器中输入网址，或者从收藏夹，历史记录中进入的流量，译者注） 2.E-mail（包括新闻邮件即Newsletter，以及eBlasts） 3.RSS / Atom Feeds 4.付费的联盟站点（aka内容联盟） 5.非付费的联盟站点（所有有你网站的链接，而你不需要付费的站点） 6.付费搜索 7.自然搜索（即非付费搜索） 确保你所定义的每一组都是恰当的，以保证每一个都能被恰如其分的归类。 2. 为你定义的来源建立追踪（Tracking） 既然你已经知道该测量些什么了，你就应该再做一点而努力，把你需要测量的东西都建立追踪标签。 对于大多数网站分析工具而言，独立的追踪各个流量源是很简单的，只需要在这些流量源的每一个连接上加上标签即可，这样分析工具就能辨识他们。 例如，在我的RSS 提交链接中，我就加上了Google Analytics的追踪代码： 图中链接中下划线的部分就是告诉Google Analytics，“嗨！这是一个从RSS提交（RSS Feed）中来的访问者，所以你把它归类到RSS组中吧！” 你必须跟你的分析工具提供商协作，以找出那些属于这个工具的参数，但是不同工具的方法是完全相同的。 3. [...]
毫不夸张地说，网站存在的意义即在于转化。因为每一个网站的存在都有它的目的，而这个目的正是我们需要的转化的结果。对于电子商务网站、门户网站、垂直类型的网站以及政府网站等等等等，每类网站都有它们清晰的诉求和功用，因此，也就需要实现异常明确的转化。 转化率的公式是：，这意味着在流量既定的情况下，影响转化率的因素就是最终转化实现的程度。 从根本上说，影响网站实现最终转化这个中心的只有两个基本点：正确的人和正确的体验。一方面，网站要带来真正对网站内容会感兴趣的人；另一方面，当这些人真的来到网站上，他们需要有正面的体验以促使他们走向转化。二者缺一不可，对于转化的优化归根结底是对这二者的不断优化。 失去转化，网站的意义就随之失去了。这就如同电子商务网站无法实现订单，门户网站没人点击广告，我的博客无人问津。这是悲伤的失败，网站经营者必须要避免的失败。为了避免失败，我们就必须要关注造成这些失败的关键因素，就必须擦亮眼睛，不蹈覆辙。 现在，让我们一个个看看这些关键因素（实际上很多是关键“失误”）都是什么，我们又应该如何避免。请注意，所有的这些因素都是我亲身经历的案例，我相信它们代表了非常普遍的情况，如果你也有心得，请不要吝惜与我们分享。现在，让我们开动我们的坦克，碾压过这些“误区”吧！ 误区一：目标失焦 发生频率：★★☆ 影响强度：★★★★☆ 每一个人都笃信自己对网站的目标一清二楚。可是，事实并非如此。网站没有真正实现有效转化的误区之一，就是目标不清晰或者不准确。 误区在什么地方？首先，网站的目标不具体（也就是不清晰）是常见错误。没有清晰的目标，潜台词就是“我不知道要实现什么转化”。这好比AK47没有准星，打哪儿指哪儿，网站不可能有好的转化做报答。此外，目标不清晰就无法产生清晰的行动，也就无法帮助转化得到提升。 你一定不觉得自己会犯这样的错误，但是我的很多朋友其实都犯过。一个最简单的例子，我们是不是曾告诉过自己类似的事情？——“我要让我的网站的销售收入在下个月增加10%”。这是一个看似清晰的目标，有具体的时间，有具体的增长量。可是，对于提升网站的转化而言，这个目标远不够清晰。 对于网站而言，销售收入的增加的确是终极转化，但反映在网站上，是由哪些因素驱动的呢？在我帮助朋友们咨询过的案例中，销售收入增加的主因是：占20%的商品的销售量的提升（由于2/8定律，往往20%的商品占据了80%的销售收入）、网站访问者数量的增加、促销、旺季等。因此，根据实际情况的不同，转化目标的设定也应该是不同的。如果的确是寄望部分商品销售量的提升带来收入提升，那么转化目标应该具体到增加这几种商品的销售转化上；如果网站访问者数量增加是网站收入提升的来源，那么转化的目标就应该聚焦在流量的捕获；如果是促销，那么需要关注的就是促销转化的情况。有时候，销售收入的增加是上面多种因素的复合，那就更应该注意目标的具体细分，以各个击破。 很显然，更加具体的转化目标才能带来更加具体的策略，才有助于集中优势资源，才有助于采取具体可行的行动，才能最终帮助优化转化。 另一个目标失焦的误区是，忽略目标的动态性。由于目标都是具体的，因此网站也就没有一个一成不变的转化目标。我有些朋友的电子商务网站刚刚开张，他们每天关注的就是有多少个订单产生。这本身没有问题，但是考虑到网站是刚刚建立，更现实的做法是初期的目标更应该聚焦于流量，而转化的目标则应该是有多少对于商品的有效关注。在没有累积到一定的潜在用户前就考虑订单转化的优化可能会揠苗助长。而一旦网站做到一定的规模，转化的目标就应该转移到订单的实现上了，否则肯定会失去收入。所以，在合适的时间考虑合适的目标才是理性的做法，才能帮助提升网站的转化。 在这一节，请朋友们记住：网站的转化目标不仅是具体的，也是动态的。好的目标才能实现好的转化。 误区二：错误匹配 发生频率：★★★★☆ 影响强度：★★★★☆ 说错误匹配恶贯满盈绝对不为过，它绝对是的降低网站转化的“杀手”，而这个杀手却经常出没于网路，所到之处往往哀鸿遍野。 什么是错误匹配？相信你一定见过，那就是广告的创意和信息与点击之后进入的网站的页面的创意与信息不一致，让访问者“尽兴而来、失望而归”。 我今天刚刚帮客户研究一个转化案例，豁然又发现了这个杀手的身影，如下图。 图：广告创意，突出了“酷睿i5”这个主诉求 这是广告的创意，画面整洁，色调平和，传递的信息是让大家投身“英雄会”活动，但由于广告中“酷睿i5”和它的logo处于非常醒目的位置，并且你并不知道“英雄会”是什么，因此我相信你第一眼看到它会认为这是一个为“酷睿i5”这个产品所做的广告。另外，这个广告所提到的“秀出你的智能多玩身手”你一定会觉得不解，这个是另外一个误区，会留到后面详解。现在，请您接着看下图： 图：点击广告后的登陆页面，强调参与活动 这个图是点击前面的广告后出现的登陆页面，页面的主体视觉和广告的视觉已经完全不一致。而传递的信息也不完全一致——引起大家兴趣（或是让大家疑惑）的“秀出你的智能多玩身手”在页面中并没有解释。另外，由于广告所传递的信息更偏向于“酷睿i5”这个产品本身，而打开的页面是一个风格迥异的活动的页面，因此一定会与广告点击者的预期有很大不同，造成的结果是访问者一头雾水地离开，转化率不佳。 通过我的另一些客户的实际案例，能够深切感受到匹配的强大力量。在一个campaign中，广告和登陆页存在创意上的不匹配（广告是骆驼，强调耐久性；而登陆页上的主视觉是冰刀，强调流畅性），bounce rate高达90%；但同样的campaign，广告创意和文案换为冰刀强调流畅性后，bounce rate旋即下降了5个百分点。而bounce rate是实现最终转化的第一步，更低的bounce rate有助于更高的最终转化。 敬请铭记：不要让点击广告的访问者失望，因此一定要注意广告和登陆页面的匹配。人们愿意点击广告，是因为广告激发了他们的兴趣，让他们产生了先入为主的预期（好奇心），因此随之打开的页面一定要满足他们的预期。否则，你会让访问者失望、甚至愤怒，最终只会让你自己无功而返。 这样的例子还有很多。在今年的上海点石大会上，白鸦举出了某一个网站销售Adidas和Nike等高档运动鞋的例子。网站投放的广告强调了大幅度折扣的正品球鞋，但是点击广告后的登陆页面却没有相关商品，只有一个美女跑步的Flash动画，令人大失所望。可以想象，这个网站的bounce rate应该相当的高，最终的转化一定不会理想。点击这里看看白鸦的相关分享，对你会有启发。 误区三：故意诱导 发生频率：★★★ 影响强度：★★★★ 诱惑无处不在，别掉入陷阱！ 大家都有过被诱导的经历，比如路过一个路易斯·威登的店，看到一个巨大的招牌说“1折”，等进了店才发现“1折”后隐藏着的一个极小的“起”字，而大部分商品都不过9折而已，瞬间大感失望。稍等，这不过是我随便臆造的一个案例，但大家随便换个牌子即可对号入座。不过，这个案例本身却是典型的诱导。 好奇心会杀死猫。在网络营销世界，诱导所用的方法也大抵如此，当然也不乏新的手段： * 美女和性诱惑：别不好意思，我们都中过招，尤其在没有河蟹和绿贝的世界中。大家都是吃五谷杂粮长大的不是？ * 标题党：这个，我最讨厌，现在网友们的免疫力虽然提高，但还是敌不过更为高超的文字功力。中文博大精深啊，令人深感震精。 * 虚假下载链接：谁都有下载软件的时候，但是真正的那个软件的下载链接总隐藏在最不显眼的地方，然后硕大的下载链接是什么暴风、Maxthon、迅雷、快车等等。或者，干脆就是虚假的下载链接。 * 虚假界面或关闭按钮：在页面上弄一个虚假的QQ弹出窗，或者广告的关闭按钮不是真的关闭，而是打开登陆页面。 …… 图：你以为红框中的下载按钮是这个软件的下载链接就大错特错了，但很多人真的会误点，我也小白过误点过 图：性诱导和虚假界面同时出现在一个网页上，这种情况其实非常普遍，每天都有大量很傻很天真的网友上当 这些诱导都会引诱我们采取行动，以实现诱导所期望的目的。诱导大肆泛滥，其存在一定有合理性，甚至已经成为一些网站的生存之道。但是，我相信看到这篇文章的站长们，都是安心本分的做事业的，也不是CCAV去河蟹的对象，因此我们要避免采用这类诱导。 显然，一般我们都不会主动采用这类诱导方法，原因跟误区二一样，网友们不仅不喜欢被骗，而且他们情绪急躁容易恼怒。点击之后如果没有得到他们想要的（比如说没有看到裸体或者广告的窗口没有关闭反而打开一个新的页面），他们肯定会气愤，这不仅伤害转化，更会伤害你的品牌。 请注意：发生诱导的情况下，最终转化都不会超过1%，或者换句话说，诱导本身不对最终转化产生效果。 我们不会主动去做，不代表别人不会帮我们做，因此请谨记：我们一定要避免我们的广告代理或者我们选用的广告网络用这招对付我们。 如何发现诱导？ 这是网站分析工具的强项：诱导会造成广告的点击率空前提高，但实际转化率却会急遽衰减。这个流量特征即意味着存在诱导流量的可能性。 [...]
电子商务网站分析目标： 第一个层次，也是最高层次，当然是实现网络营销（互联网营销）的商业目标 第二个层次，也是核心的层次，即在增加访问流量的同时，提升用户（访问者）的网站使用体验 第三个层次，是那些需要我们通过具体操作解决的问题，也是跟网站分析直接联系的部分，包括： （1）改善流量的质量；（2）改善网站的结构；（3）改善页面的设计；（4）了解网站的访问者。 电子商务网站分析点： 1、几类页面的访客百分比以及他们的退出百分比： 首页,产品展示页,分类页,支付页面 我们总是希望客户能在支付完成后退出，而不希望客户的跳出率很高 查看退出百分比很高的一类页面，对其页面覆盖进行分析 如果是用户在FAQ等页面退出的话，那就要改善此页面了 2、研究客户的Abandon Rate 需要提高支付按钮的显著性 或者已经点击支付却没有进一步支付 3、客户对网站的参与性 可能客户在网站的活动很高，却没有支付，也可能客户一直在寻找支付方法 这样可以根据客户在网站的活动过程得到用户的行为过程，以此来提高转换率 对于站点上被访问最多的页面，访客的行为是什么样子的，这些页面上的内容有没有发挥作用 访客的行为是否是你期望的 4、客户的网站停留时间 客户实际的停留时间大小、 客户的活动轨迹是什么、 在什么地方退出、 有没有加入商品到购物车、 有没有完成订单 完成订单的收益是多少（订单金额） 这些数据能使我们对改良购物车、对网站的产品构成、对产品之间的相互关联能做出判断 举个例子： 客户去了促销页，多大的比例去了产品页，多大的比例加入了购物车，多大的比例完成了订单 5、衡量网站的表现、站点工作的有效性（商业效果）、客户满意度 提高平均销售价格（需要数据库数据） 目标转化率，AdWords等付费的搜索广告转化 电子商务报告 6、站内搜索的正确性以及重要性 7、页面分析 访问最多页面 跳出率最高页面 错误页面，错误js、图片 页面关键词量化，头部标题 页面访问速度，加载速度 页面用户友好性体验 8.访客信息，细分访客 访客来源：adwords,搜索引擎,邮件促销，直接访问，推介网站等 访问者的地理位置 访问者的操作系统，浏览器，屏幕分辨率，显示支持的色深乃至Flash版本等软件使用情况 是否新访问者 访问者的行为属性 网站分析技术： 1.页面标签法 Google Analytics 与 AdWords 紧密集成 [...]
