數據分析前提,需了解產品經營者的操作及考量,若不具以上資訊,只能單純且客觀的由數字來解讀結果,就會是單純的「成效追蹤」。
數據=使用者/消費者,數據僅能交叉驗證後推估使用者行為,使用者所造成的各種活動變數奇多,沒有真相。唯一的真相只有經營者針對需求、期望,自定義數據及取樣,定期與實驗性探勘後,反覆驗證試行調整,持續此模式。
逢假日,流量就會下滑,所以不意外,也無能為力。其實未必,觀察使用者於假日的使用行為,訪查目標大眾於假日的行為,針對假日行為做研究與實驗最終必有改善之道。
僅看整體走勢、數字、線圖的高低,斷定「網站狀況的好壞」。改善體質要看小數字,魔鬼真跡隱匿在細節裏。小數字如果都難懂了,談什麼大數據呢,大數據留給別人演講用。
經營網站前功課:市場觀察、產業評估、可能族群分析、產品定位…等,定出各種目標之標準線和停損點(不止與競品、競業比較)。事前準備為零,事後便失去斷定好壞的立場及能力。
流量分析不是數學課,沒有正確答案。也不是統計學,Script 方式獲得數據的方式,干擾因素太多,不要過度注意統計後的平均數字。
如何從 Google Analytics 的數字中得到答案?首先就是觀念的訂正:沒有絕對的數字,亦沒有不準的數字。要先正確理解該數字實踐的原理,會有「太相信/不相信」的情況,是因為對 Google Analytics 中的數字在獲得原理上有很大的誤會。
例:網站內容為「追星報導」,使用 Persona 設計使用者輪廓
定義期望:追星預期的使用年齡為 25 正負 5。
目標族群:大學生族群,可以再細分:中度上網、年輕、打工、有經濟能力追星。
根據教育部統計處,103 年大學生統計人數為:1,037,000 人,取整數人口:一百萬。可能分流至市面上有相同內容之 5 大媒體,平均推算各家可能佔據 20 萬使用者。
自每 1 媒體有 50% 因同類型內容而有機會被閱覽,前期保守預期再降 50%,末知因素降 50%。
每日平均 2.5 萬使用者。則為第 1 年預期用戶。
使用 Persona 設計出目標使用者「接受並喜歡」的產品及服務後,從使用者行為數據中,追蹤出他們的「使用習慣」,進而可能了解在使用過程中讓使用者所持有的好惡。產品設計的方向通常都是期望能夠直接符合目標使用者的需求和喜好,因此適性化打造該產品的分析表,才能對數據進行掌握並解讀產品現況是否符合使用者需求。