SEMer 不可或缺的数据分析十大方法，其中最后一个令人惊叹！

在互联网时代，信息如潮水般涌来，令人目不暇接的事物众多，然而真正实用的，未必是那些外表酷炫的。许多方法平淡无奇，却能化解大量难题。

接下来要介绍的十种方法，是我从事多年互联网运营分析必定会采用的最为经典的手段。倘若能将这些方法熟记于心，实际上就差不多掌握了互联网运营分析的核心要点。真的没有那么繁杂。

我们从第十种方法开始倒叙讲解，它们的重要性并无高低之分，不过压轴的，往往是最为关键的。

方法十：Link Tag 的流量标记

对流量源头进行 Link tag 标记，绝对是所有方法当中最为基础且关键的一种。这种方式不但适用于网站的流量来源，对于 app 下载来源的监测同样适用（但后者需要满足特定条件）。

Link tag 的含义在于，在流量源头的链出链接上（也就是访问 URL 上）添加尾部参数。这些参数不但不会影响链接的跳转，而且能够指明这个链接所属的流量源是什么（从理论上讲，能够标明流量源的属性数量是没有限制的）。

Link tag 无法单独发挥作用，必须要与网站分析工具或者 app 分析工具相互配合才行。

Link tag 是流量分析的基石，要严谨地分析流量，不只是常规分析，包括归因分析（attribution analysis），都需要运用 link tag 的方法。

（精准获客菌：关于这个方法的具体操作，我们有视频教程：每个关键词的转化效果如何评估？30 分钟免费高清视频！）

方法九：转化漏斗

分析转化所采用的基本模型为转化漏斗（conversion funnel），想必大家对此都不陌生。

转化漏斗最为常见的是将最终的转化设定为某种目标的达成，最为典型的便是实现销售，所以很多时候大家会把转化和销售混为一谈。但转化漏斗的最终转化也能够是其他任何目标的实现，例如一次使用 app 的时间超过 10 分钟（session duration >10minutes）。对于增长黑客而言，构建漏斗是极为常见的工作。

漏斗帮助我们解决两个方面的问题，其一，在一个过程当中是否出现泄漏（即流失），倘若有泄漏，我们能够在漏斗中察觉，并且能够通过进一步的分析堵住这个泄漏点；其二，在一个过程当中是否出现了其他不应出现的过程，致使转化主进程受到损害。

漏斗的构建颇为简单，不管是在 web 还是 app 上，都是极为好用的方法之一。但漏斗使用的诀窍却十分丰富。而且漏斗方法还会与其他方法结合使用，趣味无穷。

方法八：微转化

人人都知晓转化漏斗，但并非所有人都关注微转化。然而，期望一个转化漏斗持续提升转化率是极为困难的，而微转化却能够做到。转化漏斗解决的是转化过程中的重大问题，但这类大问题总是有限的，当这些问题处理妥当后，你仍然需要对转化进行持续优化，此时就必须运用微转化。

微转化指的是在转化必经过程之外，但依然会对转化产生影响的各类元素。这些元素与用户的互动，左右了用户的感受，也直接或者间接影响了用户的决策。

比如，商品的某些图片展示，并非转化过程中必须查看的，然而它们的存在，是否会对用户的购买决策产生影响？这些图片就是微转化元素。

个人觉得，研究微转化比研究转化更具趣味。

方法七：合并同类项

合并同类项是大家容易忽略的常用方法。我们往往非常注重细分，但有时我们需要了解更为宏观的表现。

合并同类项便是这样的方法。举个例子，我问你，一个电子商务网站，所有商品页的整体表现怎样？它们作为一个整体的 bounce rate 如何，停留时间怎样，用户满意度又如何等等，你能够回答吗？

倘若我们查看每一个商品页的表现，然后再把所有单个页面的数据累加起来进行分析，就太过繁琐了（根本无法实现分析）。在这种情况下，我们必须要合并同类项。

如何进行合并？利用分析工具的过滤工具或者查找替换功能。

（PS：不支持此类功能的工具你可以不予考虑，因为这根本不应被放入增长黑客的专业装备箱中）。

合并同类项还有诸多用途，比如你要了解 web 或者 app 一个版块（频道）的整体表现，或者你要了解整个导航体系的使用情况，这都是必须运用的方法。

方法六：A/B 测试

通过数据优化运营和产品的逻辑十分简单——发现问题，想出主意，制作原型，测试定型。

比如，你察觉到转化漏斗中间存在一个漏洞，于是你认为，一定是商品价格不合适，导致大家不想购买。你发现了问题——漏斗，并且你也想出了办法——改变定价。

但是这个主意是否靠谱，并非是你想出来的，必须要让真实的用户来检验。于是你采用 A/B 测试，一部分用户看到的是老价格，另外一部分用户看到的是新价格。倘若你的主意确实有效，新价格就应当有更出色的转化。若果真如此，新的价格就会被确定下来（定型），开始在新的转化高度上运行，直到你又发现一个新的需要改进的问题。

增长黑客的一个主要理念之一，是不要去做一个大而全的东西，而是不断制作能够快速验证的小而精的东西。快速验证，如何验证呢？主要方法便是 A/B 测试。

在当今的互联网世界，由于流量红利时代的结束，对于快速迭代的要求大幅提高了，这也使得我们更加重视测试的力量。

在 web 上进行 A/B 测试较为简单，在 app 上难度则要高很多，但解决办法还是不少的。国外的经典 app，还有那些收费的游戏，几乎每天都在进行 A/B 测试。

方法五：热图及对比热图

热图是一个备受大家喜爱的功能，它是最为直观地记录用户与产品界面交互的工具。不过真正运用起来，或许大家很少真正去深入探究吧！

热图，对于 web、app 的分析，都极其重要！如今的热图相较于过去的热图，功能得到了极大的增强。

在 web 端，过去一些难以处理好的问题，比如只能查看链接的被点击情况，点击位置错位，对浮层部分点击的标记，对链出链接的标记等等，现在已经有良好的工具能够提供许多新的办法去解决。

在 app 端则分为两种情形，内容类的 app，对于热图的需求较弱；但工具类的 app 对于热图的需求则非常显著。前者的 screen 中以并列内容为主，且内容动态变化，热图的应用价值不高；后者则特别需要通过热图反映用户的使用习惯，并结合 app 内其他的 engagement 的分析（in-app engagement）来优化功能和布局设计，所以热图对它们至关重要。

要想热图运用得好，一个非常重要的要点在于你几乎不能单独使用一个热图就期望解决问题。我常常采用集中对比热图的方法。

其一，多种热图的对比分析，尤其是点击热图（触摸热图）、阅读线热图、停屏热图的对比分析；

其二，细分人群的热图对比分析，例如不同渠道、新老用户、不同时段、A/B 测试的热图对比等等。

其三，深度不同的互动，所反映的热图也是不同的。这种情况也值得利用热图对比功能。例如点击热图与转化热图的对比分析等。

总之，分析众多用户交互的时候，热图简直是神器，只不过，热图真的比你所看到的要更强大！

方法四：Event Tracking（事件追踪）

互联网运营数据分析的一个非常重要的基础是网站分析。现今的 app 分析、流量分析、渠道分析，还有后续要讲到的归因分析等等，都是在网站分析的基础之上发展起来

的。

然而，早期的网站分析具有一个特点，就是对于用户在页面上互动行为的记录，只能记录下来一种，那就是点击 http 链接（点击 URL）。随着技术的进步，页面上不仅仅只有 http 链接，页面上还有很多 flash（如今 flash 都即将被淘汰了）、JavaScript 的互动链接、视频播放、链接到其他的 web 或者 app 的链接等等，用户点击这些内容就都无法被旧方法记录下来了。

不过，有问题就必定有解决办法，人们发明了事件追踪来处理上述问题。事件追踪本质上是对这些特殊互动的定制化监测，而且由于是定制化，所以反而带来了更多的益处，即能够额外添加对于这个活动的更多的说明（以事件追踪这个方法的附件属性的形式）。结果，这个方法甚至有些反客为主，即使是一些 http 链接，很多分析老手也喜欢为它们添加事件追踪（从技术上讲完全可行），以获取更多的额外监测属性说明。

随着 app 的出现，由于 app 的特殊性（屏幕较小，更强调在一个屏幕中完成互动），分析 app 的 page（实际上应当是 app 的 screen）间跳转的重要性远远不如 web 上的 page 之间的跳转，但分析 app 上的点击行为的重要性则极为巨大，这就使得我们在分析 in-app engagement 的时候，必须大量依靠 event，而相对较少使用 screen。也就是说，在 app 端，event 反而是主要的，page（更准确应当是 screen）反而是辅助的！

这也是为何，这个方法你必须要掌握的原因。

方法三：Cohort 分析

Cohort 分析还没有一个被所有人统一使用的译名。有的称为队列分析，有的称为世代分析，有的称为队列时间序列分析。大家可以参考维基百科：

https://zh.wikipedia.org/wiki/%E9%98%9F%E5%88%97%E7%A0%94%E7%A9%B6，寻找自己认为合适的译名。

不管采用哪种称呼，cohort 分析在有数据运营领域都变得极为重要。原因在于，随着流量经济的衰退，精细化的互联网运营特别需要仔细洞察留存状况。Cohort 分析最大的价值也正在于此。Cohort 分析通过对性质完全相同的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。

Cohort 分析受到欢迎的另一个原因是它使用起来十分简单，但却非常直观。Cohort 仅用简单的一个图表，甚至连四则运算都无需使用，就直接描述了用户在一段时间周期的留存（或流失）变化情况。甚至，Cohort 还能够帮助你进行预测。

我一直觉得 cohort 分析是最能体现简单即美的一个典型方法。

方法二：Attribution（归因）

归因并非人人都听说过，能运用好的更是少之又少。 不过，考虑到人们购买某一样东西的决策，可能会受到多种因素（数字营销媒体）的影响，比如看到广告从而了解到这个商品的存在，利用搜索，进一步了解这个商品，然后在社交渠道上看到这个商品的公众号等等。这些因素的综合作用，促使一个人下定决心购买。

如何了解数字营销渠道之间的这种先后关系或者相互作用？如何设置合理的数字营销渠道的策略以促进这种关系？在评价一个渠道的时候，如何将归因考虑在内从而能够更客观地衡量？这些都需要运用归因。

倘若你是互联网营销的负责人，归因分析是必不可少的分析方法。详情可参考精准获客之前的文章：SEM 总监成长记 | 营销活动中的归因模型

方法一：细分

严格来讲，细分并非一种方法，它是一切分析的根源。所以它当之无愧排名第一。

我常说的一句话是，无细分、毋宁死。没有细分你做什么分析呀。

细分有两类，一类是特定条件下的区分。例如：在页面中停留 30 秒以上的 visit（session）；或者只要北京地区的访客等。其实这就是过滤。另一类是维度（dimension）之间的交叉。例如：北京地区的新访问者。即分群（segmentation）。

细分几乎能够帮助我们解决所有问题。比如，我们前面提到的构建转化漏斗，实际上就是把转化过程按照步骤进行细分。流量渠道的分析和评估也需要大量运用细分的方法。

维度之间的交叉是比较能够体现一个人分析水平的细分方法。比如，我的朋友孙维（卡车之家的数据负责人），他将用户的反馈作为 event tracking 的属性（放在了 event action 属性中），提交给 GA，然后在自定义的报告中，将用户反馈和用户的其他行为交叉起来，从而看到有某一类反馈的用户，他们的行为轨迹是怎样的，进而推测发生了什么问题。

分析跳出率时，我们也会把 landing page（落地页）和它的 traffic source（流量源）进行交叉，以检查高跳出率的表现是由着陆页造成的，还是由流量造成的。这也是典型的维度交叉细分的应用。

无细分，毋宁死。