怎样分析数据致提高产出？（一）

为什么要分析数据？

       视频、Ajax等应用进一步改善了用户体验，内容可按照个人的喜好订阅，且RSS和移动端等更多渠道发布，让更多用户更多的参与进来，信息已从单向传递到双向互动。

       整个互联网已从单向独白到双向对话转变，不再是独立一人，也不是一次性，从社交的转变可看出，社交就是将用户对话整合到互联网上如何活动的一个过程。

       今天的市场营销更多的是关于用户和互动发生在哪里，及给予用户更多的利益，通过参与对话和倾听用户心声来提供有价值的东西，进而建立良好的口碑后，用户才会把公司的产品推广到所能接触的地方。

现今任何人都可以访问互联网，在认为有价值的东西需要表达，就会传递给相关者的手中，虽然公司品牌、金钱和影响力仍然很重要，但已不在对内容发布渠道拥有完全控制权，而传统的广告公司和电视广告已失去控制力。

       关于用户、用户互动，及用户心声等信息的来源是来自数据分析系统，系统收集、存储、分析数据。

       问题在于数据分析出来的数据是基于过去，只有人为分析数据的成果才是展望未来的。

       在现今的时代，需要的不仅仅是数据分析，更需要的是分析数据、得出见解，提供可行性建议。

       注：未来必然是深度结合人文科学的产品才能赢得用户的青睐。

 

拓展：产品的重要性

       任何的产品都会是由产品经理进行设计的，无论这个产品是否复杂，产品经理都必须了解这个产品涉及到的行业市场背景、产品范围、范围内的细分背景，如ERP系统在不同行业中计算基准也不一。

       产品是属于技术和运营之间的中轴，如果产品的理解本就错误的，技术做出来的东西必然不符合实际需要。运营从这个设计出来的产品中得到的数据比如也是错误的（国内目前没有人文类数据分析师）。

       产品必须要在宏观、微观之间不断切换视角去看待业务需求（五层），才能设计出优秀的产品。

       五层：https://blog.csdn.net/Su_Levi_Wei/article/details/89313778

 

国内大数据发展阶段

      

许多公司投入了大量的时间和资金来收集、挖掘历史数据，展示出一副量很大的数字出来，而解读这些数字的人是从日志提取数据的IT人员，大部分仅在解释，并没说明数字背后意义，更别说给出可行性建议，统计做了99.99%，分析和发现只有可怜的0.01%，有的甚至分析和发现都不做。

       如某微博搞了次活动，花费了1000万左右的预算，用户注册数量有200万。过了一周，这200万新用户，只有几万有登录过微博，登录超过2次的用户仅有这几万的三分之一。可悲的是，数据仪表板仅仅展示了此次活动带来的注册量。

产品经理可能会想，我又不是干运营、市场的，这关我什么事（国内互联网数据行业尚未成熟，目前通常是由产品经理与运营共同承担此工作），在这种现象下，即便发现了，可能也没有人想过是否因目录排版的问题导致用户离开的。

 

数据的影响

       数据已是互联网的基础，数据驱动运营，数据节省成本，数据提高效率，数据找出问题，数据提供建议，数据分析已是互联网的眼睛。

       百分之九十的数据挖掘加上百分之十的策略创意成就完美的营销效果，而提升服务体验能力是未来网站产出转化率提升的基础，只有正确的理解数据、分析数据、应用数据才是产出转化率提升的基础。

       如今大家都生活在数据极度丰富的环境中，在这个环境中，可用数据来确定有效的市场，及如何真的与受众联系在一起，如何改进用户体验，如何对有限资源进行投资，如何提高投资回报，乃至于让竞争对手出局。

 

思维转变

       如博客带来的挑战是用户可以在你的博客和所有网站上谈论你，能够提取内容的摘要，并进行延伸拓展，可以在所有网站上写评论表扬或批评你，突然间，你已无法控制交谈的内容。

       所有互联网上的演变，伴随着那些革命的变化，迫使我们重新思考，并形成新的创新策略，遇到的调整更多的并不是对于海量数据的收集，而是思考方式的转化。

追踪到网站上每个人的每一次点击，是否对实际上的产出有帮助？

       大多数时候我们将决策失误或绩效下降的原因，归结于数据类型太少。最终领导下定决心找了一家供应商采集了大量的数据回来，却发现有如此之多的数据了，却只能得到极少的深入分析见解，甚至无法进一步将数据转化为可执行方案来改善网站或加强用户忠诚度与联系。

为什么会造成这样的数据困境？或者说为什么无法进一步分析数据得出见解？

       摒弃旧有的思维模式，重新审视决策的制定过程，认识到人才是关键所在，而非数据（智能是基于过去，人是展望未来）。不要过于纠缠数据的准确度，而更多关注找到这些数据指标是否与想解决的问题相关，数据能否说明相关的问题。

接下来让我们在数据领域共同探索体验（Experience）、行为（Behavior）、产出（Outcomes）构成的三维策略。

 

       基础数据：即点击流数据，用来衡量页面及营销活动的效果，帮助分析各种网站行为；如访问、用户、停留时间、页面浏览、跳出率。

       多目标产出分析：有目标的深入衡量产出，将用户行为与公司的实际目标联系紧紧起来，将分析与公司的产出紧紧联系起来（避免有数十个报表，却没一个可衡量产出的报表）。

       测试：在与网站的实际使用者离得很远，远离实际业务操作的情况下，也就很难理解用户的想法了，也无法衡量是否是良好的投入，如对网站目录进行更改，可用技术手段控制5%的流量进入此页面，对这5%的流量行为数据进行分析，看是否有利于用户体验。

       用户反馈：分析系统可提供追踪到的数据，可用户真正想看却没看到的内容是不能追踪的，此时需通过可用性测试，或从目标用户库中获得反馈意见等定性数据。

       竞争对手：了解与竞争对手之间的差距，可助你不断提高，并从中发现新的机遇，在竞争中不会出局。

       小结：大量的点击流数据在诉说发生了什么，然而更重要的是知道为什么，即点击流数据（是什么）是需要定性数据（为什么）的支撑和解释，才能明白什么才是用户真正想要的。

 

转变

过去	未来	思维
点击量代表一切	点击流不代表一切	范围、面的关注
表面（定量分析）	表面与内在（定量与定性分析）	人文联系（心理、地域文化等）
分析范围：我	分析范围：自己与竞争对手	优劣
离散	连续	有套路、有招数
高层主导	用户主导	用户为中心

       小结：点击量不代表一切，要结合定量与定性分析来支持具体的目标，同时关注竞争对手发生的一切，并尽可能的参与到数据化决策的过程中，从而减少报表的制作与基础分析所占的时间,工作应当具有连续性（调研、测试、行为分析…），且不断的改进的，要让用户数据来主导优化，清楚的理解用户体验，进而影响用户在网站的行为。

 

企业规模关注点

       小型企业：点击流数据、产出、用户的反馈；需要用户量，来提高市梦率，以获得投资者的资金投入。

       中型企业：产出、点击流数据、用户反馈、测试；人员极速膨胀与市场快速扩张，产出（现金流）极为重要；

       大型企业：用户反馈、产出、点击流数据、测试、竞争情报、深入的后端分析、网站结构与缺陷；往往可能一件很小的用户事件，可能变成公众事件，对品牌的打造与维护及其重要。

       小结：数据转化为深入见解，最有效途径在于时刻与公司实际情况结合，如行业潜在规则、背景信息、高层行为等…

 

报表还是分析？

       多数公司都会说想要的是分析，事实上是只有很少的公司才真正想要分析，多数只是想要数据报表。

       需要数据报表的常见原因：

       决策分散化：保证不同层次的管理者都参与决策，这些决策决定了公司的业务操作，管理层需要的是行动建议的分析报告。

       企业文化：公司在做决定时，是否需要大量数据佐证？是，那么公司需要的只是数据，即报表。

       现有的工具：公司现有工具主要用于制作报表，而不是分析建议。

       公司历史：历史悠悠的公司而言，敏于思考，快速行动，不是他们的行为准则，因此他们习惯使用报表，而不是分析。

       风险倾向：进行分析意味着给分析人员足够的权限和信任，即公司是否会因错误分析而炒掉你？会，那么需要的也是报表。

       员工/团队中的知识结构：分析人员不能参与决策，最好能将数据提供给参与决策的人。

 

选择案例

       真正审视公司需求，客观的确定能给公司带来最大收益的是报表还是分析，进而选择对应的系统工具。

       错误案例一：需要一套能够将数据快速发送给各级人员的系统，却选择了一套对数据进行高度细分与分析，分析结果快速反馈的系统工具。这套系统工具在报表方面十分失败，每个人都要花费大量时间来处理自己的数据，导致所有人都失去耐心，工作效率急剧下降。

       错误案例二：数据是实时的，图表十分华丽，几乎能回答任何线上和线下的问题，且与手机等移动设备也能很好的集成。但公司内只有三个人懂得使用该工具，高层也从未在这些数据之上制定出一个战略决策。

 

供应商选择的因素

       是否是ASP模式（服务器和运算都放在乙方），是否提供本地部署版本？

       从数据收集到服务器运算全部都在企业内部完成。

       使用什么样的数据捕获机制？

JavaScripe加码是最常用的方式，还可通过网站日志、数据嗅探器等方式。另外基于此问题询问供应商是否支持视频、RSS、移动平台等捕获。

       总成本多少？

       总成本完全可能是供应商的报价单的上的好几倍，其中包括流量成本、定期维护费、管理供应商之间的关系人员投入、供应商的其他增值服务等。

       供应商的哪些服务是免费，哪些是收费的？

       签合同并实施，只是系统的开始，而非数据的终点。

       系统当中哪些功能允许对数据进行族群细分？

       不可能在部署系统前就想到所有数据问题，族群细分是得出深入分析的关键所在，明确供应商是否提供你所需要的功能，从而进行更全面的判断。

       有哪些方式将系统数据导入公司内部系统？

       大多数供应商在你需要导出数据时，都收取高额又高额的费用，理想的情况是供应商可以提供API接口，直接获取到需要的数据。

       提供了哪些功能可以将其他来源的数据集成到系统？

       需要的是数据背后的深入分析，系统如何导入重要的外部数据及可集成的数据类型很重要。

       正在规划的的新系统功能？

       考验供应商的前瞻性，及是否关注市场，如何应用市场变化，尽量避免拿着原始日志文件也能把牛皮吹上天的。

       系统交付后能提供哪些文档？

       全套文档是校验供应商成熟度的标准之一。

《项目全生命周期管理的规范文档》https://blog.csdn.net/Su_Levi_Wei/article/details/94206222

       能否试用下系统？

       系统的易用性；功能扩展性是需要定制化还是自定义（如族群细分、加码）；技术是否是跟上时代；响应时间；数据抽样算法，如果以后需要让查询速度加快时，系统采用何种数据抽样算法；搜索分析中是否可以区分PPC（点击付费广告）、SEM（搜索引擎营销）流量及自然流量；内容重新分类时，历史数据如何处理；实习生试用，了解系统的普及程度；

       最后阶段，合同内应包括：

       系统性能；

       离线计算间隔时间；

       服务与极端情况处理；

       服务沟通、联络人员；

       交付文档；

 

数据指标

       指标是用来统计描述网站的事件和趋势的定量衡量标准，而KPI是帮助理解目标达成程度的指标。

 

常用指标

浏览人数PV：浏览页面次数，几乎是所有网站指标计算的基础。

独立访客UV：某一时间段内的同一个人访问计为一次，具有很好的反映到达网站的真实访问者数量。但并不等同于现实人数，有些浏览器会设置禁用cookie或第三方cookie，使独立访客这一指标受到影响，而在移动分析中大多数用专门的指纹算法或存储其他的个人身份信息来追踪独立访客。

停留时间：停留时间是用来衡量用户在网站上的某一页或是某一次访问（会话）所停留的时间，一般分为网站停留时间、网页停留时间。

跳出率：指网站上单个页面访问所占的会话比例，可以用来衡量用户的行为（来、吐、离），针对那些来到网站没任何操作行为的用户，即没有做任何事就离开，因此已几乎是最重要的指标。

基本从两个层面来衡量：一是整个网站的总体跳出率;二是最热门的着陆页的跳出率。如停留超过5秒的，或进来后进入网站下一个页面，与离开网站的比例。

从产出上看，需要的是可持续转化的流量，如搜索某关键词后进来就离开的流量，在发现这种流量的跳出率特别高时，就要采取措施了。

退出率：在某个页面有多少用户离开网站，分为好的退出与坏的退出，在结合了跳出率的情况下可区分退出的好坏。

如用户完成了支付后退出网站，那是好的退出；用户在进入付款页面时退出是坏的退出，是找不到按钮还是某些原因不愿意购买了？这个时候正是分析价值的体现。

区分：退出率是指不管从哪个页面进入网站，而在这个页面退出的访问比率；跳出率是指仅从这个页面进入网站没有做任何事就在这个页面退出网站的访问比例。

       转化率：用来衡量产出的，计算方式就是用某种产出除以独立访客数或访问量，如商城产出就是提交的订单。

       用户来到网站的原因是市场将流量吸引到用户最相关的页面上，即市场投放策略。

在决定选择哪个指标作为分母时，要思考下哪种模式对公司的业务更合适，不同的转化率计算方式不同，对衡量反向链接、市场活动、关键词的效率会有很大的影响。

       参与度：趋于吸引更多的关注与兴趣,包括参与程度与参与类别.

参与程度即由冷到热的过程，高参与度用户是指对目标的介入超过平均水平的程度，如评论数、下载内容等；参与类别是指正面还是负面，但仅用分析系统是无法得知正面还是负面，如用户心理。

       参与度本质是一个定性的指标，很难只用分析系统的点击流数据来得出，在分析参与度时，要从不同的角度去看待这个指标的数据。

 

指标选择与制定

       简单：只有一个人理解这个指标或者KPI，可以确定公司肯定不会针对这个指标的结果采取任何行动，如跳出率，容易理解、解释。

       相关：战略、战术、商业模式、业务重点及网站在整个业务体系中的作用体现，如跳出率说明了网站在哪些方面在浪费市场预算。

       及时：决策者才能及时的做出决策，为了及时性，甚至可牺牲指标的复杂度和完美度，且最好做到每日更新。

       即时有用性：管理层知道的东西并不多，发给他们的指标不能让他们马上明白，那么他们很快就会忽略掉这些信息，如某个关键词跳出率70%，竞争对手是20%，那么要优化了。

 

避免：

       过分追求完美：只要准确，而非精准，往往会在纠结、徘徊中错失先机，在对数据有90%的信心时，就可以做决定了。

       做到少而精：衡量业务绩效最关键的指标是哪3个。

       重视网站指标的生命周期：定义 à 衡量 à 分析 à 行动 à 改进/弃用

即找出关键指标，衡量网站的表现，再分析收集的数据，最后转化为实际的行动。

       如果这个指标不能指导实际行动，说明可能选错了，需放弃这个指标，或进一步衡量改进这一指标；且市场在变，指标不可能一成不变，需适时的校验指标的产出价值。

 

指标使用建议

确定最关键因素：通过关键指标揭示问题所在，在决定投入大量的预算在广告联盟、付费关键词上时，先停下来，尽量找出影响转化率的因素，接着将目光移到成本与收益上，关注在产出较大的方面上。

即：寻找为什么？ à 影响有哪些？ à 怎样做测试？ à 得出结论？ à 投入市场

       合理自定义报表：分析系统里的优秀标准报表，是由各个系统供应商深思熟虑后创建的，但这些人并不了解业务也就无法做出适合的报表。

       此时需结合企业内其他数据进行整合，将重要的指标放在所需报表里，以便更好了解网站情况，而对这份自定义报表的讨论与争论能让人对网站的表现更为了解。

       建立团队报表中心：报表所包含的指标根据不同的用户进行设置，减少不同人员查看无关自身权限所能影响的内容，也是形成数据驱动型的有效方式。

       宏观把握网站表现：在非执行策略时期，站在的高一点，避免陷入大量细节数据的诱惑，不要过分纠缠细节的方面。

       网站用户：观察长期的趋势，不要过分纠结比例细节。

用户来源：渠道的回报率对比，如未做付费的搜索引擎关键词也可带来流量。

       对用户的期望：用户目的、最重要的3个流量策略带来的用户画像。

用户实际行为：关注流量最大页面、页面点击覆盖图、流程抛弃率、前10个流量最大的着陆页等数据共同分析。

 

主流数据收集方案

       指标数据来源于用户行为的产出，对这些数据收集方式不同，会导致得出的指标不同，接下来看下主流的数据收集方案（具体可视业务使用或组合使用）。

       注：目前还没完整的监管标准来处理个人身份数据，但须关注政府关于这方面的监管措施与立法（《产品学习及企业管理基础知识》中提到的范围层的环境政策了解）。

大多数都是通过Web日志或JavaScript标记的方式来收集数据，对公司要求具有很强的IT实力，因此无形中形成了很高的壁垒。

 

日志

       这是比较老的解决方案，通过标题和URL字符串等信息的解读，有的公司已经开发了自定义脚本过滤器和日志分析器来获取其网站上的流量，这种方法很麻烦并不常见。

       优点：有位IT人员，能够编写简单的代码即可。

缺点：缺少很多信息，如跳出率和网站停留时间等，没有办法通过日志的方式获取。

 

数据嗅探器

       这种是基于硬件的方法来收集数据，与网络运营商（电信）或云厂商合作以获取关键数据，用加码来追踪网站流量。

       优点：不必修改前台网站，与向网页添加代码，就可得到整体的数据和报表。

       缺点：成本高，在以前需将这新的硬件平台部署在所有服务器出口，如果是分布式架构，部署就更加复杂了。现在可以寻找云厂商（阿里云、腾讯云）来做这种解决方案。

 

加码（Tag）

使用JavaScript或图片加码（广告界），在网页或链接上添加特定的跟踪代码，这需公司各个团队的协作，并在广告系统和分析系统进行很多手动设置。

优点：跟踪网站活动的正常流程加码，不需做任何额外的工作。

       缺点：过分依赖cookie，如果是移动端，将受制于手机产商的系统。

 

分析入门

分析套路

有效细分：

不同的用户访问网站，有不同的想法与意图，首先对业务要有透彻的认识，理解对业务而言什么才是最重要的，及要实现的目标，在此基础上对数据进行细分。

细分并非盲目的细分，而是遵循对业务而言的最重要的那部分的细分原则,才可迅速的在更深的层面了解数据，获取许多有价值的潜藏信息，且决策层可能并不了解网站体验的复杂性，将细分趋势，展示出来，是最好沟通方式之一。

       如每个月销售额上在加上各细分渠道所占的销售额比例，并计算出回报率，让决策层看到哪些渠道在下个季度要重新考虑预算。

 

关注用户行为而非总体结果：

观察真正能够反映用户网站行为的数字，找出有特别实践意义的信息。

       如在单次访问页面数和平均网站停留时间都出现良好增长，可能是用户花很短的时间翻遍了网站却仍然找不到想要的内容，或者很少的页面上浏览很久。跳出率虽还是高企，但趋势是在下降，说明近期的网站改进和引流策略颇有成效。新用户访问趋势趋于下行，但用户中旧用户越来越多，这也解释了为何跳出减少而停留时间延长。

       每个企业的业务、商业模式等各不相同，所有的例子都是可灵活变通的。

 

流量来源：

       流量大的渠道未必是有益的，可能最终产出贡献和流量最小的渠道相差无几，细心的翻阅带来流量的具体来源是哪些网站、关键词等，就能推断出用户群体的特征，甚至目的，有助于更好的理解受众特质，也可以衡量引流策略是否到位，及市场营销费用运用是否合理。

       细分流量来源：

       直接流量：直接输入URL或使用收藏夹和标签直接来到网站的，可看出网站与用户的有效性互动、吸引用户回访、用户忠诚度培养等方面是否存在问题。

       反向链接流量：指向网站的站点博客、行业网站、论坛等链接。

       搜索引擎：自然流量（非付费的关键词）和付费搜索流量（PPC或SEM），这部分流量是极为重要的，无论是移动端还是PC端，搜索引擎的流量至少是前三的，甚至贡献网站一半的流量。

       其他流量：广告联盟、邮件、媒体，这些流量是花钱买来的流量，反映了引流整体策略的成效。

 

分析示例

       热门着陆页和跳出率：找出哪些门是明开暗合，用户根本进不来的，而跳出率是完全从用户的角度来体现网站是有多差。

       关键词报表：可以让看到用户意愿，跳出率高的关键词说明网站并没满足用户的意愿。侧面也说明网站在不合适的关键词搜索结果中排名很高，及着陆页设计不佳，吸引用户能力有限。

       点击密度覆盖图：可以从用户的视角去观察，直观的了解用户在网站做什么，看到哪些页面没有达到预期效果，找出那些明显的疏漏所在。

如用户需很多时间在站内溜达才能到达关键页面，那么网站的主导航设计或商品排列一定有问题。

       推敲行为：系统会从用户第一次访问就开始追踪，可用此类数据观察用户购买前的行为特点，推敲出是什么在说服他们买东西。

如把购买前访问数与购买前天数结合起来看，就可以知道间隔时间，这些数据可与销售策略整合起来找出可执行的结论。

       ……

       每个企业的业务、商业模式等各不相同，所有的例子都是可灵活变通的。

 

改善示例

       站内搜索分析：可分为站内搜索使用度与站内搜索质量：站内搜索使用度，即不同的关键词的转化率占比；站内搜索质量是指内容与搜索意愿匹配度，其中搜索后的浏览页面深度、停留时间都可作为变量加入考量，另外二次搜索中更能看清用户需求。

       SEO分析：SEO核心是提高网站搜索排名，当用户搜索相关词时，使你的网站获取尽可能高的排名，即被搜索引擎收录的情况，收录的数量增加会持续带来流量上升趋势。

       如改善网站的索引便于爬虫读取、清理URL结构、慎重使用JavaScript链接（部分搜索引擎爬虫不认JavaScript）、选取合适关键词、提高页面内容相关度。

       SEO关键词扩展分析：分析关键词每次点击费用（平均）、搜索量和趋势等，基于成本、竞争力、搜索量和趋势等多方面考虑，决定对哪些关键词使用付费搜索，确认那些能带来充足的流量而价格又不是很贵的关键词。

       直接流量分析：此流量是非广告、非搜索、非友情链接的流量，也就是由用户在地址栏输入的网址或使用收藏夹而产生的流量，这部分流量是主动上门的，意愿非常强烈，通常会带来优质的产出，对这部分流量的提升不仅会使忠诚用户满意，还可以节省开支。

可查看点击覆盖图看这部分流量偏爱的内容有什么特别之处，找出特别之处，对于制定未来市场策略相当有效。

       以上只是从不同的方面去改善，万变不离其宗，思维、思路正确了，也就正确了。

 

挑战

       富媒体内容时代：视频、Ajax等富媒体内容改善了用户体验，针对这些改善事件追踪功能提供了含有多个存储仓的层级模型来追踪用户行为，主要集中在分类、动作、标签、价值的数据层级定义上。

但事件追踪功能是需进行预定义设置，让开发人员在编程时把代码安置到对应的位置上。如视频网站，跟踪用户点播了哪些片子，何时点击暂停、停止按钮，及跳过了哪些片段、缓冲时间等。

       cookie的选择：用来识别用户的唯一浏览器，可能是跟踪独立用户的最佳途径。

从本质分为永久与临时：永久cookie是一段随机产生值；临时cookie通常指的是会话。

从种类分为第一方cookie与第三方cookie：第一方cookie是由目标网站自身域名创建的；第三方cookie是用户在访问网站时，由别的网站产生的，如广告联盟。

       第一方cookie较少会被删除与被浏览器禁止，而相反许多浏览器会禁用第三方cookie。但第一方cookie的便携性较差，只能用于唯一的站点，如广告平台这种需要再多网址状态下跟踪独立用户，必须依靠第三方cookie。

       数据抽样的应用：特别是在收集到海量网站数据时，简单的报表慢的跟蜗牛那样，特别复杂的细分报表就更慢了，在大多数此类场景下，数据抽样的价值就完全的体现出来了。

       三种常见抽样方法：一是部分网页的所有数据进行抽样，这种情况下是看不到网站的全貌的；二是从所有网页收集数据，但针对每个网页，只对部分数据进行抽样，如加载10次页面，收集一次数据，这种优于第一种；三是收集所有数据，只有在运行查询或报表时抽样，特别是时间段拉的很长的或结构复杂的查询，这种优于第二种。

       指标的定义：指标的命名与理解不一致会增加了分析的难度，确认指标理解的一致是极为重要的，如转化率是用订单数/独立访客数，还是用订单数/访问数。

       数据类型：网站数据几乎是匿名的，不完整且高度非结构化的，这就更难将行为绑定到业务产出（商品）上。

 

拓展 - 线上广告的业务过程

广告供应商背后的工作：

对于线上广告来说，目的是提高广告的有效性，及向用户显示预期相关的优化内容，从而提高投资回报率，但基础都要从个人流量行为中收集数据，并对数据结果进行行为定向，以此更好的对广告和内容进行定向，即通过网站服务平台整合智能工具或引擎对用户数据进行运算，从而优化用户体验。

如简单的就是根据用户的搜索关键词来展示不同的首页图片，复杂的就是自动学习用户看了什么内容，及地理位置等，利用这些信息显示相关产品的内容。

也可以通过分析交互行为理解访客的目的从而克服数据规模、解读和多样性的问题，并向他们提供更为相关的内容，如购买了X产品的人很可能购买Y产品，那么系统可以自动推荐Y产品，或捆绑销售。

       注：国内互联网用户已走向成熟、理性化，越来越注重体验，视频已从商业广告转变为给用户提供更好体验的核心战略。

       《怎么分析数据致提高产出？（二）》https://blog.csdn.net/Su_Levi_Wei/article/details/103820781