網(wǎng)站數(shù)據(jù)分析實(shí)戰(zhàn)—用戶偏好分析_數(shù)據(jù)分析師

熟悉網(wǎng)站分析的朋友們都知道，GA(Google Analytics)中可以關(guān)聯(lián)不同的維度(Dimension),比如“城市”和“產(chǎn)品”，通過關(guān)聯(lián)(Sub-relation)，我們可以得到不同城市下，各產(chǎn)品的相關(guān)數(shù)據(jù)。在Omniture的幾個(gè)網(wǎng)站分析工具中，也同樣能夠?qū)δ硞€(gè)eVar根據(jù)按另一個(gè)eVar來breakdown。

好了，廢話不多說，接下來就讓我們一起去發(fā)現(xiàn)一些有趣的事情！

Step 1. 獲取數(shù)據(jù)

1.a 請生成一張報(bào)表，

維度(Dimension)：城市(Cities)

指標(biāo)(Metric)：購買數(shù)量/銷量(Units)

時(shí)間段可根據(jù)需要設(shè)定，時(shí)間粒度(Granularity)在Omniture中選None/aggregate，表示把時(shí)間以聚合的方式展現(xiàn)，而不是按daily、monthly等方式來劃分，GA中同理。

好了，我們得到了一張關(guān)于各個(gè)城市的訪客所產(chǎn)生的訂單數(shù)的報(bào)告，第三列Ratio是經(jīng)過計(jì)算得到的各城市訂單數(shù)占總體的比例。這里假定了只有圖表中所列出的10個(gè)城市，所有數(shù)據(jù)均為模擬數(shù)據(jù)。

1.b 類似上一張城市報(bào)告，我們再獲得一份產(chǎn)品類(Product Category)的報(bào)告，維度：Category， 指標(biāo)：Units，獲得的報(bào)告如下

* 這里需要注意，你所看到的兩張表中的Units總量是一樣的，但如果你選擇了Orders作為Metric的話，那么品類報(bào)告中的Orders應(yīng)該會(huì)大一些，因?yàn)橛行┯脩舻膯蝹€(gè)訂單橫跨了不同的產(chǎn)品類。比如實(shí)際情況是你下了一個(gè)訂單，包含了一臺(tái)VAIO和一臺(tái)DSC，那么在產(chǎn)品類報(bào)告中這1個(gè)訂單會(huì)被分拆為2個(gè)，各自歸屬到2個(gè)品類中。如果Orders總量相差不大，那不用太在意這個(gè)差異，如果你覺得差異讓你無法接受的話，那也不難，對城市報(bào)告中的數(shù)據(jù)做個(gè)簡單處理：處理后各城市訂單數(shù) = 處理前各城市訂單數(shù) * （產(chǎn)品類報(bào)告訂單總數(shù) / 處理前城市訂單總數(shù))。但是這樣的處理會(huì)稍許影響到后續(xù)介紹的計(jì)算過程，當(dāng)然，只要你保持頭腦清醒，相信在理解了算法后根據(jù)需要來修改也不是難事。

1.c 獲得一份Sub-relation的報(bào)告，第一個(gè)維度選擇城市，第二個(gè)維度選產(chǎn)品類，指標(biāo)仍然是Units，報(bào)表如下：

City Breakdown by Category
限于篇幅，圖中只顯示了Shanghai的數(shù)據(jù)，實(shí)際應(yīng)該是所有其它城市都會(huì)得到跟Shanghai類似結(jié)構(gòu)的數(shù)據(jù)。由于本例中共有10個(gè)城市和10個(gè)產(chǎn)品類，因此得到的數(shù)據(jù)應(yīng)該是10*10=100行。同樣，這里的Units總量應(yīng)該與之前的相同。

從表中我們可以知道，在Shanghai所產(chǎn)生的962個(gè)Units中，VAIO占了378個(gè)，DSC占了112個(gè)，這個(gè)很容易理解。

Step 2. 數(shù)據(jù)處理

Difference
如上圖所示，我們在1.c報(bào)表的基礎(chǔ)上，新增一列Predicted Units，作為我們預(yù)測的商品銷量，怎么計(jì)算呢？Predicted Units = 1.a中Shanghai的 Units * 1.b中VAIO的Ratio（或者1.a中Shanghai 的 Ratio * 1.b中VAIO的Units也是一樣的）

然后我們再新增一列Difference，表示實(shí)際值與預(yù)測值的差異程度，計(jì)算方式為：

Difference = (Units – Predicted Units) / Predicted Units

Step 3. 數(shù)據(jù)解讀

不難理解，如果實(shí)際值大于預(yù)測值，Difference為正，反之為負(fù)，實(shí)際值與預(yù)測值差異越大，Difference的絕對值越大。

既然需要的數(shù)據(jù)都有了，該怎么看我們用戶的偏好呢？如何去發(fā)現(xiàn)那些有價(jià)值的信息呢？

Difference 一列中，最抓人眼球(eye-catching)的顯然是Shanghai-DSC那行了，372%。這表示，Shanghai的用戶比我們想象中的更熱衷于DSC產(chǎn)品，而且是遠(yuǎn)遠(yuǎn)大于預(yù)期。同樣，VAIO、Tablet等產(chǎn)品在Shanghai用戶中的銷售情況也比我們的預(yù)期要好。而HIFI的-80%，MDR的-59%，說明了Shanghai的用戶對這些產(chǎn)品并不是非常感興趣。當(dāng)然，如果在做這個(gè)分析前，你已經(jīng)對你的某些產(chǎn)品做了定向投放，那么會(huì)一定程度上影響該報(bào)告的解讀，這時(shí)候，我的建議是：

1. case by case的來分析那些定向投放了的產(chǎn)品，需要綜合考慮你的投放情況及業(yè)務(wù)情況

2. 剔除那部分定向投放了的產(chǎn)品及密切相關(guān)的產(chǎn)品，從而解讀那些未受太大影響的產(chǎn)品數(shù)據(jù)。

到這里，如果在讀這篇文章的你正從事Online Marketing等相關(guān)的工作，不知道有沒有能夠觸動(dòng)到你的神經(jīng)呢？SEM、adwords等廣告投放平臺(tái)中的地理位置定位，能通過這個(gè)分析得到改進(jìn)嗎？花錢買的廣告，真的投放給那些感興趣的用戶了嗎？……

本文所謂的預(yù)測，并沒有基于什么很高級(jí)的算法，只是先假定了我們的所有用戶的偏好是一致的，基于這個(gè)假設(shè)，兩個(gè)維度關(guān)聯(lián)后的情況應(yīng)當(dāng)與兩個(gè)維度獨(dú)立時(shí)所推斷的情況一致。還是舉個(gè)簡單的例子來說明吧。假定雙胞胎姐妹總共吃了4個(gè)水果，又知道水果中香蕉被吃了2個(gè)，蘋果也被吃了2個(gè)。如果姐妹倆的偏好一致，我們可以認(rèn)為姐妹應(yīng)該各自吃了1個(gè)香蕉1個(gè)蘋果。然而真實(shí)的情況是姐姐吃了2兩個(gè)香蕉，妹妹吃了2兩個(gè)蘋果，也就是說，姐姐比我們所認(rèn)為的多吃了1個(gè)香蕉而少吃了1個(gè)蘋果，那么她的偏好應(yīng)該是愛吃香蕉而不愛吃蘋果。

當(dāng)然，這樣的預(yù)測方法由于少考慮了很多因素而并變得不是很精準(zhǔn)，但筆者認(rèn)為，這不會(huì)是什么很大的問題。雖然我們的計(jì)算過程是定量的，但我們的目的只是定性而已，380%的Difference在這個(gè)方法中跟370%沒有什么太大的區(qū)別。而且，以損失一些精度為代價(jià)，獲得更高的效率并非什么不可原諒的事，畢竟我們是在商場里作戰(zhàn)，而不是在學(xué)校碼論文。

最后想說的是，本文所舉例子是不同城市用戶關(guān)于不同產(chǎn)品類的購買偏好分析，實(shí)際上，朋友們完全可以根據(jù)自己的業(yè)務(wù)需求來驅(qū)動(dòng)類似的分析，比如關(guān)聯(lián)用戶的操作系統(tǒng)(Operating System)和瀏覽器(Browser)，指標(biāo)選擇訪問數(shù)(Visits)，便能了解到你網(wǎng)站的用戶在不同操作平臺(tái)上更喜歡用哪種瀏覽器。

理論上來說，任意兩個(gè)維度都可以關(guān)聯(lián)起來，且能說明些問題，但不建議強(qiáng)行地去關(guān)聯(lián)兩個(gè)維度，然后絞盡腦汁地去賦予它某種意義，不要為了分析而分析。還是那句話，以業(yè)務(wù)需求來確定分析目標(biāo)，再以分析結(jié)果來驅(qū)動(dòng)業(yè)務(wù)發(fā)展。