Google Analytics 维度和指标

转载自:https://support.google.com/analytics/answer/1033861?hl=zh-Hans

概览

Google Analytics(分析)中的每个报告都由维度和指标组成。

“维度”是指数据的属性。举例来说,“城市”维度表示的是发起会话的城市,例如“巴黎”或“纽约”。“网页”维度表示的是用户浏览过的网页的网址。

“指标”是量化衡量标准。“会话数”指标是指总会话次数。“每次会话浏览页数”指标是指每次会话的平均网页浏览量。

大多数 Google Analytics(分析)报告中的表格会逐行显示维度值,逐列显示指标值。 例如,下表显示的是一个维度(“城市”)和两个指标(“会话数”和“每次会话浏览页数”)。

维度

指标

指标

城市

会话数

每次会话浏览页数

旧金山

5,000

3.74

柏林

4,000

4.55

在大多数 Google Analytics(分析)报告中,您可以更改维度并/或添加次级维度。例如,如果将“浏览器”作为次级维度添加到上表中,表格将如下所示:

维度

维度

指标

指标

城市

浏览器

会话数

每次会话浏览页数

旧金山

Chrome

3,000

3.5

旧金山

Firefox

2,000

4.1

柏林

Chrome

2,000

5.5

柏林

Safari

1,000

2.5

柏林

Firefox

1,000

4.7

有效的维度-指标组合

并不是每个指标都能与每个维度组合使用。每个维度和指标都有各自的数据范围:用户一级、会话一级或匹配一级。在大多数情况下,只有将具有相同范围的维度和指标组合在一起才有意义。比如说,“会话数”是基于会话的指标,因此只能与会话一级的维度(例如“来源”或“城市”)搭配使用。如果将“会话数”与“网页”等匹配一级的维度组合在一起,就不符合逻辑了。

要查看有效的“维度-指标”组合,请参考维度和指标参考信息

如何计算指标

Google Analytics(分析)通过 2 种基本方式计算用户指标:

  • 作为概览总计 这种方式是将指标显示为整个网站的汇总统计信息,例如跳出率和总浏览量。
  • 与一个或多个报告维度关联 这种方式是按照所选的维度显示具体的指标值。

以下图表通过一个简单的示例展示了这两种计算类型。在左侧,用户数据作为概览指标进行了计算;在右侧,相同的数据通过“新用户”维度进行了计算。

image

在“概览报告”示例中,网站停留时间是按照用户从初次会话到退出之间的时间差计算的,并总结了 3 次会话中每次会话的平均长度。这一数字是根据通过收集请求级别的时间戳数据实现的相对简单计算得出的。

在“新访者与回访报告”示例中,并未计算所有会话的平均值,而是按照“用户类型”维度进行了计算。通过将网站停留时间指标与维度进行配对,您就可以按照请求的维度修改计算方式,进而通过“回访用户”与“新用户”维度对此指标进行分析。使用维度可提供概览报告无法提供的关于用户行为的深层次信息:很明显新用户在网站上停留的时间多于回访用户的停留时间。

为给定指标分配多个维度也会影响指标的计算。无论是在预设报告还是在自定义报告中,您都可以同时使用多个维度。例如,假设您同时使用“用户类型”维度和“语言”维度分析您的网站的网站停留时间。在这种情况下,新用户和回访用户的计算还和之前一样,但是如果您使用语言维度查看新用户的详情,计算将受到额外维度的影响而进一步修改。所以,在此例中,您的用户细分可能如下所示(最高网站停留时间按顺序列出):

用户类型

语言

平均网站停留时间

所有类型

所有语言

3:25

回访用户

所有语言

5:03

芬兰语

29:49

越南语

20:44

印度尼西亚语

16:55

新用户

所有语言

2:09

马来语

17:38

英语 (GB)

16:56

中文(繁体)

16:20

这些数字是基于真实的 Google Analytics(分析)报告得出的。在此例中,您可以确定是新用户还是回访用户的停留时间最长,并且通过使用额外维度,您还能进一步确定这两个类别中使用哪种语言的用户在网站上的停留时间最长。

归因模型

为了解答有关用户行为的各种网站分析问题,Google Analytics(分析)会使用各种计算类型或归因模型来得出您在报告中看到的数据。请将每份 Google Analytics(分析)报告视为对某类用户分析问题的解答。通常,这些问题可以划分为以下几类:

  • 内容:特定网页被浏览的次数。
  • 目标:哪些网页网址对目标转化率的贡献最大。
  • 电子商务:给定网页为交易贡献多少价值。
  • 内部搜索:哪些内部搜索字词促成了交易。

对于以上各种主要类别及其包含的报告,Google Analytics(分析)会使用不同的归因模型。由于每种归因模型都是专为计算一组已知指标而设计的,您可能会注意到某些指标(例如,网页浏览量)只在某些报告中显示而不在其他报告中显示。这是由该报告所使用的归因模型决定的。

Google Analytics(分析)报告使用 3 种归因模型:

依据请求归因

这种归因模型给出单个指标或指标/维度对的汇总值。这是最常见也是最简单的 Google Analytics(分析)归因模型,因为值是由各用户的 GIF 请求确定的。因此,对于任何给定的请求,都可以查询特定的维度和/或指标。

大部分维度值都在请求级别可用,并通过 HTTP/GET 请求本身或 GIF 请求使得针对您的网站发出的所有网页请求或事件请求保持长期有效。以下是一些在请求级别可用的常见维度:

  • 网页 URI - 指示所访问网页的路径,可用于向您网站发出的所有请求。
  • 广告系列 - 如果用户通过广告系列前来访问,该广告系列对于所有后续请求保持长期有效,直到广告系列本身发生了改变。
  • 用户代理 - 用户发出的任何请求都包含该用户的浏览器信息,此类信息会由浏览器通过 HTTP/GET 请求发送,并直接储存在日志文件中。

网页价值归因

这一归因类型的目的在于判断特定网页与目标或收入价值之间的关系有多大。该归因模型用于确定单个网页或一组网页的“网页价值”值。以下示例显示了一系列与目标和购买有关的用户网页浏览量,例如您的网站中可能发生的情况。

image.png

图例:P1 至 P4 代表网页。购物袋表示收据页,旗子图片表示目标。

此归因模型被称为“前瞻性”归因模型,因为它会通过预见访问网页后会发生的目标和/或购买为网页赋值。下表显示了此序列中归于每个网页的具体价值。

网页

收入/目标价值

P1

55 元 + 目标 1

P2

55 元 + 目标 1

P3

35 元 + 目标 1

P4

0 元

目标报告或电子商务报告中不会使用此归因模型,因为这些报告不会显示与电子商务活动有关的网页 URI 或标题。

网站搜索归因

此归因模型让网站搜索报告能够显示目标转化率和每个搜索字词的目标价值。

此归因模型的运行方式不同于网页价值归因,目标价值是在转化发生前(而不是在转化发生后),因此被归因于可带来转化的最近的搜索字词。以下图表展示了带有网页浏览量和购买次数的一系列内部网站搜索。

image.png

图例:P1 至 P4 代表网页。购物袋表示收据页,搜索图标表示对字词“鞋”和“花”的搜索。旗子图片表示目标。

使用此归因模型时,目标 1 和交易所归因于的搜索字词如下:

  • 鞋 - 20 美元
  • 花 - 25 美元

在这种模型中,交易或目标归因于目标或交易前的最后一次搜索对应的搜索字词。

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技评论

业界 | 腾讯优图首个开源项目 ncnn 加入 ONNX

AI 科技评论按:腾讯优图首个 AI 开源项目 ncnn 目前已正式加入 ONNX,现已支持将 ONNX 文件转换为 ncnn 模型。本事件在雷锋网旗下学术频道...

1071
来自专栏WOLFRAM

多范式数据科学的应用:ThrustSSC超音速汽车工程

本文译自Wolfram技术沟通与战略总监Jon McLoone于2018年9月11日的博客文章:Thrust Supersonic Car Engineerin...

1342
来自专栏大数据文摘

Kaggle | 使用Python和R绘制数据地图的十七个经典案例(附资源)

8345
来自专栏鹅厂网事

服务器硬盘故障预测实践

故障预测类似于临震预报,最重要的意义是给用户一个从容的时间段进行数据和业务的迁移或处理,改善用户体验。

2K9
来自专栏ATYUN订阅号

谷歌在云平台上提供包含5000万涂鸦的数据集

你可以通过涂鸦的方式来表现一个人:这是由谷歌创意实验室于2016年11月推出的一项互动式网络实验Quick Draw背后的想法。它招募了网友来用画图进行描述说明...

1011
来自专栏北京马哥教育

Python实现图片滑动式验证识别

本文分享自 Linux 视野。滑动式验证码现在使用越来越广泛了,关于怎么攻克的文章之前看到的不多,这篇提供了一个思路。 作者:fantlam 来源:htt...

4735
来自专栏目标检测和深度学习

SCI论文快速翻译,免费无限制!OCR识别,阅读文献必备!

科研人员在阅读外文文献时,经常会碰到看不懂的专业词汇或语句,需要将其复制到在线词典翻译。

3772
来自专栏数据的力量

五种高效自学方法 | 用学霸的思维建立系统的知识体系

2374
来自专栏流柯技术学院

性能测试学习之三—— PV->TPS转换模型&TPS波动模型

TPS = ( (80%*总PV)/(24*60*60*(T/24)))/服务器数量

2332
来自专栏人工智能头条

聚类分析算法在Netflix服务器异常自动侦测中的应用

1602

扫码关注云+社区

领取腾讯云代金券