說服甲方不用嘴！一步步教你分析網站數據
發(fā)布者： 華企立方 發(fā)布時間：2015-10-6 9:06:51
用戶體驗，分析至上
在上一個客戶的案例中，小紅利用數據分析來發(fā)現那些需要進行可用性測試的地方。然而目前為止，小紅只發(fā)現了網站中值得測試的單獨的頁面和頁面組。她覺得她需要知道更多的關于最常見的用戶行程（user journey）的信息。她還想更加深入地理解用戶，看看不同類型的用戶如何訪問網站。為了能進行最佳的可用性測試，小紅真心想要知道人們事實上是如何使用網站的。
簡單來說，數據分析是一種用來發(fā)現可用性測試最佳測試頁面的極好的方法。在本系列文章的第一部分，我講解了如何利用數據分析來發(fā)現網站的問題所在之處。這么做可以讓我們更好地理解目前的用戶行為，并且?guī)椭覀兗辛α吭趯⒁獪y試的任務上。
在如何利用數據分析來指導可用性測試的這一系列文章的總結部分，我將更仔細地探討如何通過識別用戶行程、將用戶分類來比較不同的用戶組的行為。
識別流失點
知道用戶是如何在整個網站建設中流轉的可以增加單個頁面狀態(tài)的情境（context）。比如，分析用戶行程中前一個頁面的數據可以幫助我們識別為什么某個特定頁面的退出率特別高。另外，找出最常見的用戶行程對于謀劃可用性測試很有好處?？捎眯詼y試可根據這些常見的用戶行程來設計，從而確保在測試中用戶的行為是和已經存在的用戶行為是相符的。
谷歌分析嘗試通過用戶流程圖（user flow）和行為流程圖（behavior flow）報告來展示用戶行程。他們可能比較難閱讀，并且經常因為把多個頁面組合在了一起而變得很麻煩。這意味著谷歌分析通常只能把最為普遍的幾個頁面單獨展示，而把其他的頁面組合在一起，顯示為"大于100個頁面"——這對我們一點幫助也沒有。下面的截圖顯示出這種非常局限的信息是如何讓分析變得困難的：只有幾個頁面在每個用戶行程的階段中是單獨被顯示的，剩下的頁面都被組合在了一起。
盡管頁面被組合造成了很多問題，花些時間分析這些報告仍然可以幫我們發(fā)現問題區(qū)域，根據的是流失率或意想不到的用戶行程（比如，我們本來期待的是這樣，但用戶卻走向了另一個方向?）。一旦我們發(fā)現了問題區(qū)域，我們就可以謀劃可用性測試，來看看用戶在整個行程中是如何思考的，了解他們?yōu)槭裁磿羞@些麻煩。
在谷歌分析的用戶流程和行為流程報告中，所有的頁面用了綠色的矩形來表示，灰色的連接線用來表示頁面之間的用戶行程。每個矩形還用紅色表示了流失率的百分比（也就是說用戶正離開網站）。它們可以說明常見的用戶行程，以及用戶在哪些地方離開了網站——也是另一種問題區(qū)域的跡象。
數據分段，更多的細節(jié)
數據分段為觀察不同用戶的不同行為提供了一個絕佳的方式。一個簡單的例子就是比較新用戶和回訪用戶。下面的圖來自于一個在線找工作網站，它顯示出新用戶的數量在該月幾乎是持平的，然而回訪用戶的數量卻跟隨了一個不同的模式：在周末的時候數量明顯下降。
這使我想知道更多的細節(jié)，關于新用戶和回訪用戶的不同點。其他關于這兩種不同用戶的數據顯示出，回訪用戶傾向于在網站上花費更多的時間，每段時間會瀏覽更多的頁面，并且更傾向于申請工作。
根據這個數據我可以做出假設：回訪用戶更可能是真正找工作的人，但新用戶訪問網站的時候更隨意。因此我推薦網站做一些個性化的設計——對待新用戶，展示更多的保證信息，說明該找工作的網站是合法的、值得信賴的，并且引導他們簡單快速地做出行動，比如注冊工作提醒。對待回訪用戶，展示更精確、細節(jié)的搜索工作的選項，并且提供信息鼓勵他們申請工作。
新用戶和回訪用戶不同的行為可以透露許多事情，取決于網站的類型。比如，對一個電子商務網站來說，它顯示回到這個網站的人更傾向于下單。如果這是真的話，那么我們可以把重點放到幫助第一次訪問網站的用戶下單。
這種數據分段分析還可以幫助可用性測試的招募。如果在新用戶和回訪用戶之間有明顯的行為區(qū)別，那么可能最好同時招募已有用戶和尚未訪問過該網站的用戶來進行測試。測試不同的用戶類型可以幫助解釋為什么他們在網站上有迥然不同的行為。
除了上說例子中的新用戶和回訪用戶，在谷歌分析上還有一些現成的數據分段方式來幫助我們分隔數據，包括：
不同的流量來源——可以用來發(fā)現那些通過搜索和鏈接來到網站的用戶的區(qū)別。
使用不同設備類型的用戶——可以用來比較使用手機、平板和桌面電腦用戶的參數。
根據自己的需求來改造分段方式也是很好的方法，這可以使分段方式可以和整個網站重要的用戶及角色更好地相符合。通過這種方法，我們可以分析這些不同的用戶群所采取的不同的用戶行程，例如，比較已有用戶和第一次購買的用戶的行程。
數據分段可以被用來觀察使用不同設備的用戶的行程。根據手平板和桌面電腦來分段可以提供三個不同的行為流程供研究。這種方法對于發(fā)現使用不同設備的用戶可能存在的問題特別有幫助。手機用戶的行為流程圖可能會在用戶流程中顯示出一個重大的流失點，但在平板和桌面電腦中卻不是問題。這應當引出相應的手機端的可用性測試，重點放在找出手機用戶在流程中的該點流失的原因。
現在該怎么辦?
在利用數據分析識別問題區(qū)域后，下一步就是找到為什么用戶會有這些問題。數據分析能夠提供一些關鍵的地方，需要我們在可用性測試中特別關注，或者拆分出特別的測試。作為用戶體驗的職業(yè)人，我們自然而然地想要和我們的用戶在一起，在可用性測試中從他們身上學到東西。數據分析只是幫助我們更好地進行測試。
嘗試一下——提取一些這里提到的方法，把它們應用到某個項目中。你會驚奇地發(fā)現，我們竟然可以從數據分析中發(fā)現這么多東西。
對于那些仍然覺得不確定的讀者，這里有非常多的幫助資料。如果你想和谷歌分析最新的發(fā)展保持同步，我推薦谷歌分析官方博客，和Occam's Razor——數據分析大師Avinash Kaushik的博客。如果你想在實踐中學習提高數據分析的技能，可以參考谷歌分析培訓中心。這些教程都能幫助你更好地準備獲得一個谷歌分析個人資格證書。
更多資訊來源于：佛山做網站http://2800kj.cn/
此文關鍵字：
客服中心
公司地址
QQ客服