谷歌数据分析方法

前言

第 1章　数据分析进阶的全新世界

1.1　数据分析现状

1.2　行业现状

1.3　重新反思数据分析：实现数据分析进阶 3

1.3.1　“是什么”：点击流

1.3.2　“有多少”：多样性产出分析

1.3.3　“为什么”：实验和测试

1.3.4　“为什么”：用户反馈

1.3.5　“还有什么”：竞争情报

1.4　变革： Yes We Can

1.4.1　策略性调整

1.4.2　战术性转变

1.4.3 　其他分析



第 2章　选择数据分析工具的最佳策略

2.1　确定预期业务目标

2.2　第一步：选择数据分析工具前要回答的3个关键问题

2.3　第二步：选择数据分析工具前要问供应商的10个问题

2.4　数据分析供应商比较：多样化和竞争优势

2.5　第三步：如何有效地试用数据分析工具

2.6　第四步：确定合作前的协议，检查供应商的服务条款 23



第 3章　点击流分析的精彩世界：指标

3.1　回顾标准指标： 8个关键网站指标

3.2　跳出率

3.3　退出率

3.4　转化率

3.5　参与度

3.6　数据分析指标揭秘

3.6.1　优秀指标的 4个属性

3.6.2　优秀指标示例

3.6.3　关于网站成功的3条经验

3.7　关键网站指标的战略性策略

3.7.1　确定影响网站指标表现的根源一转化

3.7.2　利用自定义报表

3.7.3　创建团队报表中心

3.7.4　从宏观上进行分析



第 4章　点击流分析的精彩世界：实际操作

4.1　数据分析入门

4.1.1　熟悉基本指标

4.1.2　获取访客

4.1.3　控制成本

4.1.4　点击密度分析

4.1.5　衡量购买前的访问次数

4.2　最佳数据分析报表

4.2.1　流量来源

4.2.2　流量产出

4.3　基础分析策略

4.3.1　细分至关重要

4.3.2　关注用户行为而非总体情况

4.4　让日常点击流分析更具操作性

4.4.1　站内搜索分析

4.4.2　SEO 分析

4.4.3　付费搜索分析

4.4.4　直接流量分析

4.4.5　邮件营销分析

4.4.6　富媒体分析

4.5　面对现实：数据分析的挑战性

4.5.1　跟踪访客 cookie

4.5.2　数据抽样

4.5.3　历史数据的价值

4.5.4　对用户体验视频回放的作用

4.5.5　终极数据校正清单



第 5章　成功的关键：衡量绩效

5.1　关注“少数关键指标”

5.2　产出 KPI实际操作 5例

5.2.1　任务完成率

5.2.2　搜索流量比例

5.2.3　访客忠诚度和回访度

5.2.4　订阅数

5.2.5　正面退出率

5.3　转化率进阶

5.3.1　购物车和结算流程放弃率

5.3.2　购买前访问次数和天数

5.3.3　平均订单价值

5.3.4　识别可转化人群

5.4　衡量宏观和微观的转化

5.5　量化经济价值

5.6　衡量非电子商务网站的成功

5.6.1　访客忠诚度

5.6.2　访客回访率

5.6.3　网站停留时间

5.6.4　访问深度

5.7　衡量 B2B 网站



第 6章　利用定性数据解决“为什么”的难题

6.1　实验室可用性研究：是什么，为什么，有多少

6.1.1　实验室可用性研究是什么

6.1.2　如何进行测试

6.1.3　实验室可用性研究的最佳实践

6.1.4　实验室可用性研究的好处

6.1.5　注意事项

6.2　可用性研究替代方案：远程和线上外包

6.3　调研：真正倾听用户反馈

6.3.1　调研的类型

6.3.2　调研中最大的错误

6.3.3　永不过时的 3个最佳调研问题

6.3.4　选择线上调研供应商的 8个建议

6.4　互联网环境下的用户研究新方法

6.4.1　竞争性基准研究

6.4.2　快速可用性测试

6.4.3　线上卡片分类研究

6.4.4　人工智能视觉热点图



第 7章　快速试错：发挥测试和实验的力量

7.1　测试方法入门： A/B测试和多变量测试

7.1.1　A/B测试

7.1.2　多变量测试

7.2　可操作的测试建议

7.2.1　改进的关键——登录页面

7.2.2　关注结账、注册和提交页面

7.2.3　优化广告数量和位置

7.2.4　测试不同的定价与销售策略

7.2.5　测试包装等实物设计

7.2.6　优化外部市场活动

7.3　对照实验：提升分析水平

7.3.1　衡量付费搜索对品牌关键词的影响

7.3.2　对照实验案例

7.3.3　对照实验的优缺点

7.4　营造企业的测试文化

7.4.1　建议 1：第一次测试至关重要

7.4.2　建议 2：不要盲目依赖工具或专家

7.4.3　建议 3：抛开自以为是

7.4.4　建议 4：以假设开始

7.4.5　建议 5：制定目标评估标准和预先决策

7.4.6　建议 6：测试衡量多目标产出

7.4.7　建议 7：根据用户的痛点进行测试

7.4.8　建议 8：分析数据、交流心得

7.4.9　建议 9：配备测试推广者和测试专家



第 8章　竞争情报分析

8.1　竞争情报的数据来源、类型和机密

8.1.1　工具条数据

8.1.2　用户库数据

8.1.3　ISP数据

8.1.4　搜索引擎数据

8.1.5　数据分析供应商的行业基准数据

8.1.6　自行提供数据

8.1.7　混合数据

8.2　网站流量分析

8.2.1　分析长期流量趋势

8.2.2　分享竞争网站的重合度，发现机会

8.2.3　分析引用网站和退出网站

8.3　搜索和关键词分析

8.3.1　热门关键词的绩效趋势

8.3.2　地域兴趣和机会分析

8.3.3　相关搜索和快速上升的搜索

8.3.4　市场占有率分析

8.3.5　竞争性关键词优势分析

8.3.6　关键词扩展分析

8.4　受众识别和细分分析

8.4.1　基于人口统计学的细分分析

8.4.2　基于用户心理的细分分析

8.4.3　搜索行为和受众细分分析



第 9章　新兴分析：社交、移动端和视频

9.1　衡量新型社交网络：数据的挑战

9.1.1　网站内容的演变

9.1.2　推特的革命

9.2　分析离线用户体验（应用程序）

9.3　分析移动端用户体验

9.3.1　移动端数据的收集方法

9.3.2　移动端报表和分析

9.4　衡量博客的表现

9.4.1　原始作者的贡献

9.4.2　读者增长

9.4.3　转化率

9.4.4　引用和轰动指数

9.4.5　博客成本

9.4.6　博客的收益（投资回报率）

9.5　量化推特的影响

9.5.1　粉丝人数的增长

9.5.2　信息放大

9.5.3　点击率和转化

9.5.4　转化率

9.5.5　新兴的推特指标

9.6　分析视频的表现

9.6.1　视频的数据收集

9.6.2　关键视频指标与分析

9.6.3　高级视频分析



第 10章　解决隐藏的数据分析陷阱

10.1　准确性还是精确性

10.2　数据质量处理的 6个步骤

10.3　建立行动仪表盘

10.3.1　创建优秀的仪表盘

10.3.2　综合仪表盘

10.3.3　高影响力仪表盘的 5个准则

10.4　全线营销的机遇和多渠道衡量

10.4.1　转向全线营销模式

10.4.2　多渠道分析

10.5　行为定向的优势和挑战

10.5.1　行为定向的优势

10.5.2　克服基本的分析挑战

10.5.3　行为定向的两个先决条件

10.6　线上数据挖掘和预测分析面临的挑战

10.6.1　数据类型

10.6.2　变量的数量

10.6.3　多个主要目的

10.6.4　多次访问行为

10.6.5　缺少主键和数据集

10.7　涅槃之路：实现智能分析的步骤



第 11章　数据分析专家的入门指南

11.1　背景信息的重要性

11.1.1　比较不同时期的关键指标

11.1.2　通过细分提供背景信息

11.1.3　比较网站的关键指标平均值和细分值

11.1.4　给指标寻找伴侣

11.1.5　利用行业基准和竞争数据

11.1.6　了解业务知识

11.2　比较 KPI变化趋势

11.2.1　呈现业务知识

11.2.2　细分来救援 235

11.3　在 Top10之外：什么改变了

11.4　真正的价值：衡量潜在转化及访客行为

11.4.1　潜在访客行为

11.4.2　潜在转化

11.5　4种不能指导实际行动的 KPI衡量技术

11.5.1　平均值

11.5.2　百分比

11.5.3　比率

11.5.4　组合或计算得出指标

11.6　搜索：实现最优长尾策略

11.6.1　计算头部和长尾

11.6.2　了解品牌和行业关键词

11.6.3　最佳的搜索营销策略

11.6.4　执行最佳的长尾策略

11.7　搜索：衡量上层漏斗关键词的价值

11.8　搜索：付费点击的进阶分析

11.8.1　识别关键词的潜在机会

11.8.2　关注“什么改变了”

11.8.3　分析展示份额和收入损失

11.8.4　拥抱投资回报率分布表

11.8.5　用户搜索查询和匹配类型归零



第 12章　数据分析专家的进阶指南

12.1　多触点营销活动归因分析

12.1.1　多触点是什么

12.1.2　你有归因问题吗

12.1.3　归因模型

12.1.4　实际情况下归因分析的核心挑战

12.1.5　归因分析的可行替代方案

12.1.6　关于多触点的部分思考

12.2　多渠道分析：对于全线营销的衡量技巧

12.2.1　跟踪线下营销活动对线上营销活动的影响

12.2.2　跟踪线上广告活动的线下影响



第 13章　数据分析的职业生涯

13.1　数据分析师职业生涯规划：选择、薪酬前景和发展

13.1.1　个人技术贡献者

13.1.2　个人业务贡献者

13.1.3　技术团队领导者

13.1.4　业务团队领导

13.2　数据分析成功职业生涯的技能培养

13.2.1　使用数据

13.2.2　获取多个分析工具的经验

13.2.3　在实际中的运用

13.2.4　成为数据收集侦探

13.2.5　数学基础：学习统计学的基本知识

13.2.6　善于提问

13.2.7　与业务团队紧密合作

13.2.8　学习有效的数据可视化和 PPT技能

13.2.9　与时俱进：参加免费网络研讨会

13.2.10　与时俱进：阅读博客

13.3　数据分析专家最美好的一天

13.4　雇佣最好的人才：给分析经理和总监的建议




......