python資料分析：流量資料化運營（上）——知識點

阿新 • • 發佈：2018-12-26

流量資料化運營

流量值從數字裝置上訪問企業的網站、app應用、智慧裝置的使用者行為，它主要包括使用者從哪裡來，在企業相關載體上有哪些行為、產生了哪些轉化等。
媒體資訊時代，使用者行為移動化、需求個性化的複雜背景下，企業想要獲得使用者關注愈發困難。並且隨著營銷成本的增加，企業流量能夠更高的轉化為客戶，精準營銷需求日益突出。
流量資料化運營需要解決的本質問題提高轉化率的問題。

流量採集分析系統工作機制

在這裡插入圖片描述

流量資料採集

線上採集

傳統採集：客戶端>>網站伺服器>>客戶端載入頁面>>資料傳輸到採集伺服器
Server to Server：客戶端>>網站伺服器>>採集伺服器

外接採集

在這裡插入圖片描述
ps：理想情況下通過API介面匯入外部資料是最優選擇，但綜合IT人力、物力和時間投入因素，通過FTP匯入資料的方式卻更易於實現。前期可以考慮使用FTP自動上傳的機制，待資料需求穩定且業務實現思路無誤後再通過技術開發API。

流量資料處理

資料規則層

程式碼部署規則：資料採集階段的語法規則，不同欄位通過不同的語法實現。
資料採集規則：指資料傳送到收集伺服器時只收集符合條件的資料
- 特定網站內容的流量：如主機名、目錄、請求URL、網頁標題、著陸頁地址資訊；
- 特定外部來源的流量：如推薦連結、社會化媒體來源、自定義來源跟蹤標記（來源、媒介、位置、廣告活動、內容、關鍵字等）；
- 特定使用者屬性的流量：如瀏覽器、作業系統、裝置資訊、網路服務資訊、操作裝置（PC、WAP、APP應用）、國家、城市、地區、IP地址等；
- 特定使用者行為的流量：如搜尋、購買、特殊事件標記、自定義使用者維度等；
資料處理規則：對原始資料進行處理的規則要求

資料處理層

通用資訊處理：有些資料維度是所有網站分析都具備的：全部來源渠道、引薦來源、搜尋引擎和關鍵字、全部頁面、進入網頁、退出網頁、訪客地域、新老訪客、時間等。涉及的指標包括UV、訪問量、瀏覽量、停留時間、IP數、跳出數、跳出率等。
特殊資料處理：特殊資料可能包括維度有：電子商務跟蹤資訊、產品資訊、自定義渠道資訊、站內搜尋資訊、使用者路徑資訊、訪問裝置資訊、目標轉化資訊、事件資訊、漏斗資訊、關聯資訊、使用者細分和區段、歸因模型資訊、多渠道轉化、異常檢測資訊、分組資訊、媒體跟蹤資訊、A/B測試資訊以及自定義維度資訊等。可提供的指標可能包括：支援度、頻次、首次轉化價值、輔助轉化價值、各級轉化率、到達數、放棄率、完成率、互動度、訪問價值、價格、數量、例項、位置值、登入註冊數、排名、登入率、CTR、費用、週轉率以及自定義指標等。

流量資料應用

Web Service: SAAS模式的網站分析系統都是通過線上訪問進入系統，所有線上訪問產生的資料請求都可以歸為Web Service，包括資料報告的下載、下鑽、篩選、展現、上卷、更新、刪除、新增等功能操作和分析操作。
Report API：部分網站分析系統支援通過API呼叫資料報告，並整合到其他系統。
Excel API：部分網站分析工具提供Excel外掛，通過Excel實現資料查詢、匯出等操作。
Feed API:Data Feed只在高階網站分析工具中才提供，DataFeed是結構化的原始網站資料的集合，也可以看成是結構化後的網站行為日誌，Data Feed常用來與企業資料倉庫（EDW）做資料整合使用。
DataWarehouse：部分高階網站分析工具提供資料倉庫匯出介面，可直接通過資料倉庫構成完整的點選流資料，這種方式更利於企業資料倉庫的實現。

流量資料運營指標

站外營銷推廣指標

曝光度：指廣告在站外對使用者展示的次數，從技術上來講，廣告曝光指的是特定廣告跟蹤程式碼被載入的次數
點選量：站外廣告被點選的次數
點選率：常用CTR表示。點選率的計算公式為：點選率=點選量/曝光量，反映使用者喜好程度，但是過高點選率可能意味著點選作弊。
CPM：Cost Per Mille，每千人成本。CPM是廣告典型的付費方式之一，按照每千次展現付費。如一個廣告展現了10000次，約定CPM為30元，那麼對於該廣告應該付費300元。
CPD：Cost Per Day，按天展示成本。傳統廣告媒介尤其是門戶廣告普遍採用的費用結算方式，只根據展示的時間付費
CPC：Cost Per Click，每次點選成本。CPC廣告是部分展示類廣告、SEM廣告的主流投放形式，企業只需要按照點選的次數付費
CPA：Cost Per Action，每次行動付費，通常會將行動定義為網站特定的轉化目標，如下載、試用、填寫表單、觀看視訊等
每UV成本：點選站外廣告到達網站後，每個UV的成本，計算公式為：每UV成本=廣告費用/ UV
每訪問成本：指點選站外廣告到達網站後，每個訪問的成本。計算公式為：每訪問成本=廣告費用/訪問量
ROI：投資回報率，指投入費用所能帶來的收益比例，計算公式有兩種：ROI =利潤/費用或ROI =成交金額/費用
每點選/UV/訪問/目標轉化收益
- 每次點選收益。每次點選收益指每次站外廣告點選能獲得的轉化收益，通常將轉化定義為電子商務交易收入，即訂單金額。該指標與CPC相對應。
- 每UV收益指點選站外廣告到達網站後，每個UV產生的轉化收益。UV收益反映了每個“人”能帶來多少訂單收益，計算公式為：每UV收益=廣告總收益/ UV量。該指標與每UV成本相對應。
- 每訪問收益。每訪問收益指點選站外廣告到達網站後，每個訪問產生的轉化收益。相對於每UV收益，每訪問收益中增加了“頻次”的考核，反應的是每人次收益結果。計算公式為：每訪問收益= 廣告總收益 / 訪問量。該指標與每訪問成本相對應。
- 每次目標轉化收益。對網站內的每個目標，通常會定義一個目標轉化值。如根據業務經驗，每一次下載會產生50元最終轉化收入，那麼可以將目標轉化收益設定為50元。該指標與CPA相對應。

網站流量質量指標

訪問深度：訪問深度= PV /訪問量，在某些場景下，也會使用PV / UV來計算訪問深度。
停留時間：停留時間指使用者在網站或頁面的停留時間的長短。計算公式為：
- 網站停留時間：最後一次請求時間戳-第一次請求時間戳。
- 頁面停留時間：下一個頁面請求時間戳-當前頁面時間戳。
跳出/跳出率：跳出指使用者在到達落地頁之後沒有點選第二個頁面即離開網站的情況，跳出率指將落地頁作為第一個進入頁面的訪問中直接跳出的訪問比例。計算公式為：跳出率=跳出的訪問 / 落地頁訪問。
退出/退出率：使用者從網站上離開而沒有進一步動作的行為。退出率指在某個頁面退出的訪問佔該頁面總訪問的比例，計算公式為：退出率= 頁面退出的訪問 / 退出頁面訪問
產品頁轉化率：產品頁轉化率=產品頁訪問量/總訪問量或產品頁轉化率=產品頁UV/總UV
加入購物車轉化率：加入購物車轉化率= 加入購物車訪問量 / 總訪問量或加入購物車UV / 總UV
結算轉化率：結算轉化率= 結算訪問量 / 總訪問量或結算轉化率= 結算UV / 總UV
下載轉化率：下載轉化率= 下載訪問量 / 總訪問量或下載轉化率=下載UV / 總UV
註冊轉化率：註冊轉化率=註冊會員量/總UV數
購物車內轉化率：購物車內轉化率=提交訂單的訪問量/加入購物車的訪問量或購物車內轉化率=提交訂單的UV / 加入購物車的UV

分析模型

流量波動檢測

在廣告流量結構中，有幾類流量是相對穩定並且效果較好的，例如導航類流量（例如360導航）、品牌專區流量（例如百度品牌區）、品牌關鍵字（例如百度品牌關鍵字）、SEO流量（例如百度SEO流量）。
對這幾類廣告渠道可以通過廣告流量波動模型進行監測，該模型可以對具有相對穩定或具有一定時間規律特徵的資料做檢測分析。
預測的結果資料中我們可以定義上下限的置信區間，如果真實值超出置信區間那麼就意味著資料波動異常。
步驟如下：

資料讀取和預處理，主要是將字串轉換為時間格式。
資料穩定性、白噪聲檢驗和預處理。
時間ARIMA或ARMA對時間序列資料擬合，找到最佳PDQ或QP引數值以及對應fit（訓練時）的最佳模型結果物件。
基於最佳模型結果物件選擇應用forecast方法做預測（而不是predict方法），並設定如下關鍵引數：
- steps：整數型，要預測的時間序列點之外的資料數，例如設定step=6的效果與predict方法中設定predict(start=‘1991-07-28’, end=‘1991-08-02’)的週期是相同的。
- alpha：浮點型，設定具體置信區間範圍，置信區間值設定為(1-alpha)%，例如設定alpha=0.05會計算在95%置信區間下的範圍值。

除了可以應用到廣告流量的異常波動檢測外，該模型還可以應用到流量運營中的網站重點內容的檢測，例如首頁、幫助中心、購物車流程頁等，這些頁面通常相對來講從流量來源結構、使用者訪問特徵等方面的特徵相對穩定，也可以做流量波動性檢測。

渠道特徵聚類

當企業投放眾多廣告媒體時，第一次對如此眾多的媒體多特徵分析可能無從下手。此時可以考慮對廣告渠道特徵進行聚類，然後從幾類具有比較顯著的群體上再深入挖掘。
以幾乎所有企業都會投放的SEM渠道為例，賬戶內的關鍵字擁有上千個長尾詞是常態，大型企業過百萬的關鍵字更是“家常便飯”，如何針對海量關鍵字效果做分析是一個難點。以聚類方法為例，首先可以使用聚類方法將所有的關鍵字的屬性、操作和效果劃分為多個群組。其中：

屬性：賬戶結構、質量度等。
操作：預算、價格、黑名單、地域、匹配方式、時段、展示方式、匹配的創意、平臺等。
效果：SEM排名、點選價格等SEM指標，站外廣告曝光、點選以及站內流量數量和轉化類指標。

然後，基於劃分的群組分析不同群組間的顯著性特徵，從中找到可以進一步分析和優化的方向。例如：

某一類關鍵字的排名較差、質量度低、流量低、轉化差，這些可能需要重新規劃關鍵字投放策略；
某一類關鍵字的排名好、質量度高，但是流量低，這些可能需要重點優化展示和創意的吸引度，以獲得使用者的關注和點選；
某一類關鍵字的排名好、質量度高、流量高，但是轉化差，這些關鍵字需要重點從著陸頁開始做分析，將轉化流程和步驟層層拆分，找到流失和轉化的關鍵節點。

廣告整合傳播模型

使用者廣告來源路徑可以幫助我們瞭解帶有轉化的使用者訪問來源的所有先後序列以及轉化步長和時間，這對於轉化過程、時間和模式的理解非常重要。雖然每個轉化的路徑是一個全路徑，但讀者其實可以將其路徑作為已經預處理好的關聯分析的源資料，直接對其做關聯分析可以從中找到有轉化的使用者的廣告來源模式。
目標轉化歸因可以幫助我們根據企業自身特點定義的歸因模型，有效的對參與轉化的廣告渠道做貢獻分配，從而輔助於價值評估和付費投入，尤其對於處於轉化“前期”處於引流和輔助功能的渠道特別重要。
廣告渠道的關聯訪問可以幫助我們瞭解所有使用者頻繁的訪問模式，尤其對於小範圍的媒介組合尤其有效，它可以解決全過程（包含轉化和非轉化）的使用者關聯訪問模式的問題。

雖然上述三種方法已經相對於以前的調研問卷方式有了進一步的量化提升，但仍然有以下幾方面問題需要注意：

上述方法的實現目前都是基於cookie的，而我們知道cookie的穩定性會隨著時間、使用者操作等因素改變，這會導致資料直接發生變化。
使用者應用平臺的多樣化以及多裝置、多瀏覽器和多應用導致的同一個使用者識別難度增加，如果使用者沒有有效的識別方式，那麼資料會產生極大的分散性，也就無法產生關聯效應。
流量作弊的問題在廣告領域比較頻繁，在做整合分析之前的異常檢測和資料排除工作也必不可少。
受限於資料採集的限制，當用戶僅僅瀏覽但是沒有點選企業投放的廣告併到達企業網站或應用時，由於企業無法獲得廣告曝光資訊，因此無法對非點選或者點選非到達類的渠道做評估。常見的此類渠道以展示類廣告為主，例如CPM類。

流量預測模型

流量預測根據不同的場景有不同的方法：

如果是沒有可控的自變數或無法找到自變數的，例如直接流量、引薦流量、自然社交媒體流量等，可以考慮使用時間序列分析方法。。
如果是費用控制類媒體，例如SEM、硬廣、導航類廣告等，可以使用迴歸類模型做流量預測。

流量預測應用跟其他數值型預測（例如銷售預測）的方法類似，但存在一定的特殊性：

廣告費用的持續性。一般情況下，廣告費用支出是持續的，但在某些情況下，可能由於費用到賬不及時等因素導致廣告無法投放，此時會出現有費用無流量的情況。這些通常是由於溝通機制和媒介自身因素導致。
伺服器併發的響應性。當企業做大型促銷活動時，流量往往呈幾倍甚至幾十倍的增長，如果企業伺服器無法支撐瞬時的高流量併發，那麼會影響整個公司的資料工作，包括流量、銷售、會員等。在資料方面的影響主要是沒有流量資料、銷售資料下跌等。
廣告媒體的相互影響。廣告媒體的投放往往會產生交叉影響效應，這意味著即使某些媒體沒有投放廣告，也會受到其他媒體或活動的影響而產生資料變化。例如投放廣告通常會增加SEM品牌關鍵字、品牌區、導航網站、直接輸入渠道的流量。
作弊流量。這裡又一次提到作弊流量，原因是作弊這一因素很多情況下不可控並且不一定能被檢測出來。另外，不同型別的廣告的作弊流量規模也不同。通常點選類（流量數量為主的廣告渠道，例如硬廣）作弊較為嚴重，SEM、導航、社交媒體等相對較好。
廣告效果的持續性。當廣告停止投放之後，廣告效果仍然會持續一段時間。這種現象比較常見，尤其是時效性較長的廣告，例如電子郵件、社交媒體等。
補量。補量的意思是廣告媒介由於某些自身因素，沒有達到預期承諾的廣告投放標準，例如展示次數不足、點選量不足等，此時媒介會通過增加廣告位置、延長廣告時長等方式補足承諾效果。

基於時間序列的使用者群體過濾

在大多數細分群體過濾條件應用時，都是以無時間序列的方式做條件組合，例如：

看了首頁又看了商品頁的使用者；
搜尋了A品牌詞2次又看了幫助中心的使用者；
看了M活動頁又將商品P加入購物車的使用者。
但很多時候，我們可以將不同事件的時間序列模式加入到群體細分條件中，例如還是上面的3個示例，加入時間序列特徵後條件如下：
先看了首頁後又看了商品頁的使用者；
先搜尋了A品牌詞2次又看了幫助中心的使用者；
先看了M活動頁又將商品P加入購物車的使用者。

加入時間序列後的過濾條件要求目標過濾條件必須有明顯的先後順序特徵，否則即使兩個條件都滿足也不符合條件。這種基於時間序列的使用者群體過濾能應用到很多具有明顯事件先後順序的分析場景中，例如：

分析促銷活動效果，要求先瀏覽活動然後才購買活動中的商品；
分析廣告媒體效果，要求先看了A廣告，然後再看了B廣告；
分析流量引導模式，要求先點選C1商品展位，後點擊C2商品展位。

補充

關注趨勢、重要事件和潛在因素是日常報告的核心

日常報告如果要在常規化的前提下做出特色，內容是最重要的一個方面，以下是針對日常報告中內容的4個建議。

關注整體趨勢。週期性報告一定要有關於整體趨勢的定論，對比、環比、定基比都是比較好的趨勢觀察方法，關於整體趨勢的變化結論除了描述漲落以外，還需要確定漲落異常；另外，確定標杆值也是日常資料描述的重要途徑和參照點。
關注重要事件。報告期內的重要事件是彙報物件普遍關注的模組，因此有必要將重要事件的資料及對整體的影響做簡要分析。
關注潛在因素。除了整體資料外，作為資料分析師一定能通過資料發現報告週期內的潛在因素，該因素可能是與整體趨勢相近或相反的，但對整體可能產生重要影響的業務節點。
關注成本物件。大多數情況下，企業內部對於成本的支出較為關注，因此應該在報告中將佔有較高成本的物件的實際效果加以反饋，尤其對於其變化的原因加以瞭解。

流營銷流量的質量評估是難點工作

流量質量的評估不僅是重點還是難點工作，主要表現在兩方面：
一方面，“質量”並不是一個恆定且可以用資料直接定義的指標，不同目標、不用需求、不同時間下質量定義不同。
另一方面，“質量”結果的影響因素多種多樣，很難準確區隔不同因素對“質量”的影響權重。
例如，針對跳出率高的分析點至少包括三方面：

站外渠道因素，即渠道本身的質量因素，包括群體喜好、需求、媒體質量等；
站外廣告因素，即廣告素材對質量的影響，包括廣告賣點、宣傳商品、促銷價格等；
站內自身因素，包括著陸頁設計、使用者對網站品牌的認知度、熟悉程度等。

以上三方面因素綜合影響跳出率，但很難只將站內渠道因素分離處理並得到渠道本身質量問題；尤其是關於資訊匹配度、需求吻合度、價格敏感度、需求強烈度、品牌認可度等主觀資料無法直接通過資料測量。這也是當前流量運營中的難點，因此大多數情況下流量效果評估仍然聚焦在流量規模上，而對於流量質量的評估上屬於“輔助”評估因素。

作為資料從業者，仍然可以一定方法來對營銷流量做評估和校驗：

對比分析是評估廣告流量質量的實用方法，將廣告流量與非廣告流量進行對比即可瞭解到底是渠道質量問題還是網站自身質量問題。
建立複合指標評估體系，將使用者的複雜行為分解為可供站內評估的目標矩陣，如註冊、試用、訂單、產品頁瀏覽、加入購物車等。
A/B測試（雙變數測試）是找到最佳方案的有效手段，可直接對比發現影響渠道質量的關鍵因素。

個性化媒體投放問題

個性化的媒體廣告投放相對於大眾廣告投放具有以下3方面優勢：

更好的使用者體驗。傳統廣告的單向傳播模式在個性化媒體時代發生了變化，使用者的每一個“聲音”都被記錄和分析；同時，媒體已經開始“猜測”使用者需求，媒體的角色開始從主觀推送需求向滿足需求轉變，整個過程的使用者認知度、體驗度和忠誠度提高。
營銷效率的提升。傳統廣告的購買與投放執行主要依靠廣告代理或企業自身，經過談判之後購買固定時間、版面、人群、網站群等；由於整個過程主要靠人工操作，效率低且出錯機率大，更重要的是要耗費大量人力、財力、物力和時間成本。個性化媒體投放通過自動化、智慧化程式實現人群定位、素材管理與投放、效果評估與自我優化等關鍵流程，大大提高了營銷效率。
營銷效果的提升。個性化媒體投放從廣告曝光、點選、到達這三個關鍵環節都是針對使用者個性化需求而提供的內容，高度相關的內容提高了廣告點選率、到達率，直接從廣告源頭提高流量，直接降低CPM、每次點選成本和每次訪問成本的同時還能促進廣告轉化率的提升。

個性化投放問題：

媒體認知問題

從大眾傳播開始媒體就一直處於強勢地位，廣告、訊息等都是直接通過媒體向用戶單向傳播；媒體對於自身定位、服務價值、服務方式等定位仍然停留在強勢媒體階段，大多數媒體尤其是強勢媒體還沒有“客戶服務”的概念，個性化媒體廣告投放無從談起。這直接導致了接入到個性化媒體平臺的媒體數量，尤其是優質媒體數量的不足。

優勢資源問題

雖然現在可供選擇的媒體平臺眾多，但真正的高價值流量仍然集中於少數媒體，這些媒體往往通過CPD（包段購買，如包天、包月）、CPM（每千次付費）等品牌傳播類形式售賣優勢資源，如新浪門戶的首頁焦點圖、視訊媒體TIPS彈窗等、導航文字鏈都屬於此類售賣方式；而能夠實現個性化媒體投放的資源往往是優勢資源之外的“剩餘資源”或低價值資源位，因此造成個性化媒體投放難以大規模應用到核心媒體資源或核心媒介中。覆蓋面的不足直接導致了曝光的補足，個性化媒體從入口開始面臨緊縮考驗。

技術實現問題

個性化投放的實現需要基於海量資料，但這些資料以及對應的實施技術和規則等仍然面臨現實性難題：

資料不全面。個性化媒體投放需要儘量多的關於平臺、使用者和投放企業的資訊，而這些資訊是分散在不同場景中的，媒體本身無法掌握全部資訊。資料不全直接導致個性化投放效果不佳。例如我在A商城瀏覽了P商品，但之後2天我卻在B商城購買該商品，此時A商城的個性化廣告很可能會持續給我推送P商品的廣告和促銷活動。
方案無法全部個性化。個性化的媒體廣告投放，如果是涉及商品投放的可以直接調取商品屬性和描述資訊，但如果是文字、圖片、視訊以及互動類廣告的則需要企業主提供多種互動方案，這本身就不是一個可以完全個性化的實施思路，因為廣告主無法想到所有的個性化廣告方案。

常用流量分析工具

Adobe Analytics：進入中國市場較早，憑藉其技術實力及在華跨國子公司佔據了很大一部分國內市場，也是國內付費網站分析工具領域最主要的工具和服務供應商。
Webtrekk Suite：進入中國時間較晚，因此在市場時機上不佔天時，但通過最近幾年的發展以及本地化的快速響應，它已經廣泛獲得客戶的認可並具有很高的市場知名度。
Webtrends：網站分析鼻祖，於1999年進入中國，由於其技術實力、行業經驗及國外知名客戶案例多等優勢，再加上其本地化的部署方式，能最大化滿足國內企業資料安全性的需求，因此初期客戶規模龐大。
Google Analytics：免費版本，但其資料跟蹤、採集、定義、分析等方面的能力非常強大，它幾乎已經滿足大多數中小企業的日常需求。當然，對大型企業來說，受其流量處理規模的限制、有限的定製特性的限制，通常無法滿足很多個性化、靈活性和大規模資料分析和整合的企業需求。這點已經成為大型企業應用的桎梏。
IBM Coremetrics：IBM coremetrics主要包括兩部分：網站分析套件（Web Analytics Suite）和數字營銷優化套件（Digital Marketing Optimization Suite）。前者是針對網站流量統計、分析和資料探勘的解決方案，後者是從網站分析套件中獲取資料洞察和價值驅動點，然後整合到自身營銷優化應用中，通過網路、社交和移動應用等針對性地進行業務活動
百度統計：整體來看，百度統計滿足了企業網站分析入門時只看資料統計結果的需求，尤其是做大規模百度投放的客戶，結合這些資料後更利於SEM優化。
Flurry：Flurry是國外的一款基於SAAS的免費移動應用分析工具，它是移動應用統計分析領域的標杆。
友盟提供針對iOS、Android和Windows Phone等多平臺的服務，基於SAAS服務模式，使用者只需要註冊並下載友盟SDK並整合到APP開發中就可以實現針對APP的資料跟蹤及其他服務。

第三方流量分析工具選擇

需要結合企業自身需要做有效評估；否則，即使工具效能再強大，企業也無法發揮其真正價值。

整體解決方案

整體解決方案能力是指能完整的、與其他工具或解決方案融合提供更廣泛支援的能力

整合資料能力

網站資料：網站（WEB/WAP/APP）流量相關資料。
運營資料：運營環境資料，如果運營範疇只為圍繞網站端的所有業務動作，可能只包括營銷、運營、使用者體驗和線上銷售相關資料；如果運營有更大的業務範疇，可能還包括會員維繫、活動策劃、產品規劃、市場規劃等相關資料
業務資料：整個業務體系資料，運營資料外，還包括運營的上下游業務部門的資料，如IT、HR、管理、監察等。
企業資料：所有企業產生的業務資料、財務資料、職能資料等，所有資料構成企業大資料集合。

網站分析工具整合資料系統的能力越強，越容易實現資料整合以及基於整合資料的完整視角。

整合運營系統能力

網站資料發揮價值的方式之一是通過資料相關從業者提供資料解讀，從而為業務策略和執行提供輔助建議；另外一種方式是通過相關係統對接，直接通過資料驅動的方式將資料價值輸出到業務系統，實現資料的自我價值。
常見的與網站分析工具整合的運營系統包括：

CRM：通過網站流量資料固定觸發，針對性地完成CRM相關流程。如針對已經登入並將商品加入購物車但放棄購物的使用者，網站分析工具將資料傳輸到CRM中，CRM根據預設條件進行判斷並執行，如可針對性地傳送優惠券、打折資訊或其他刺激購買的方式提高轉化率
銷售系統：網站分析工具將網站流量資料傳輸到銷售預測系統中，銷售預測系統根據產品瀏覽趨勢、使用者屬性和來源，以及轉化率資料綜合評估出未來N天的產品銷售情況，並將該資料傳輸到相關庫存系統，及時提醒相關採購補貨。
站外營銷系統：網站分析工具對站內使用者的關鍵行為進行採集並提取出特定特徵，然後將使用者喜好資訊反饋到營銷系統，營銷系統根據此資訊優化站外投放結構、素材和其他營銷策略。
站內推薦系統：網站分析工具將特定資料傳輸到站內推薦系統，站內推薦系統根據使用者行為有針對性地推薦其喜好的內容或產品。
網站運營系統：大多數網站運營系統都靠人工以手動方式調整素材和內容等，網站分析工具可以將固定廣告位、內容位、資源位資料回傳到網站運營系統中，網站運營系統根據資料自動調整頁面展示內容，提高運營效率。

產品易用性

IT部門關注易實施

對於IT部門來說，產品穩定性高、實施方便、技術開發難度小、資料安全性高是首要關注因素。對於SaaS模式而言，產品易實施是其最重要的關注點。
容易實施的技術方案不僅能減少技術開發工作量，從而保證網站分析專案快速落地，而且可以減少由於程式碼過多導致的版本更新、程式碼釋出等網站資料採集的問題。

業務部門關注易用性

面對這種複雜的資料需求矩陣，如何讓使用者根據自身需要而快速、有效、深入地得出結論是評估一款網站分析工具的重要指標。

以使用者角色為出發點的產品定位。領導層和執行層看的資料不同，領導層關注結果、趨勢或彙總資料，因此Dashboard、彙總報表必不可少，如果能有一個報表能涵蓋領導日常關注的核心指標已經足夠，通過多種傳送、實時更新或資料對接產生更多的附加值則是錦上添花；執行層關注原因、細節和深入探究，因此多層級下鑽、多維度交叉分析、使用者群體細分、路徑流及各種資料分析和挖掘模型必不可少。
以使用者應用為導向的功能設計。根據不同的業務模組劃分資料報表，營銷推廣、站內運營、使用者體驗、線上銷售等不同業務模組需要不同的報表，報表需要單獨拆分呈現；並且要讓使用者以少的點選、最快的速度找到答案，儘量減少業務思考資料在哪的時間。

功能豐富性

基本功能：基本維度、基本指標、APP跟蹤、WAP跟蹤、使用者許可權管理、熱力圖、Excel外掛、標籤管理器、下鑽功能。
自定義功能：自定義維度跟蹤、自定義事件跟蹤、自定義指標跟蹤、自定義計算指標、自定義資料分類、自定義報表、自定義Dashboard等。
高階功能：標籤管理器、跨域追蹤、跨裝置跟蹤、單歸因功能、A/B測試、路徑功能、漏斗功能、資料整合能力、實時資料、預警功能、自動傳送服務等。
特色功能：當前市場上的網站分析工具，尤其是商用付費工具的功能特性基本相同。但不同的工具具有一些其他工具沒有的特徵。例如Adobe Analytics的異常檢測、無窮維度下鑽、多序列模型的過濾器，Webtrekk的關聯演算法模型、描述性統計特徵、預測性資料指標

增值服務價值

增值服務的考察點分為3個方面：

日常支援：日常支援會涉及部署、溝通、培訓等各方面的問題，日常支援的方式（郵件、電話、進駐企業）、響應效率（2小時答覆、7×24，還是其他）等都是重要參考因素。
原廠服務團隊：大多數國外網站分析工具都是通過代理商提供產品銷售和服務支援，但由於各方面的問題，代理商團隊很可能無法提供高質量的諮詢服務。如果有原廠服務團隊支援，無論是本地還是遠端溝通，將更利於問題解決。
Local辦公和本地化作業：Local辦公是指在中國有分公司或辦公室，本地化作業是指根據企業需求入駐到企業內部共同推進該專案，這兩方面是評價一個網站分析工具服務商本地化的重要參考標準。

價格和費用

流量費用：大多數網站分析工具都是基於流量付費，流量規模決定了付費區間，流量越高，整體價格越高（單價其實更低）。
功能費用：支付流量費用之後，網站分析工具大部分功能都可以使用，但某些功能模組可能需要額外付費。在選擇網站分析工具時，需要確認是否所有的產品和功能特徵都可用，以免後期使用時造成不必要的麻煩。
服務費用：服務費用通常與以上兩種費用打包結算，國內目前很少按時間付費，這也是網站分析諮詢服務價值低的一個體現。

參考：

《python資料分析與資料化運營》宋天龍