夫唯域名网网站运营数据解析之术语释义
作为网站运营、产品经理、交互设计师等岗位，常常需要对网站的运营数据进行解析，那么这些公式的计算方法是怎样的，每个术语又具体指代什么呢？
一、网站运营数据解析之内容指标
网站转化率Conversion Rates
计算公式：网站转化率=完成特定动作的访问量/总访问量
指标含义：评估网站内容对访问者的吸引力以及网站宣传的效果
指标应用：当你尝试在不同位置测试新闻订阅、下载链接或注册会员时，可以通过不同的链接名称、订阅方式、广告投放、付费搜索链接、付费广告(PPC)等，观察哪种方式能保持转化率上升？如何提高访问者与网站内容的相关性？如果这个值上升，说明相关性增强，反之则减弱。
回头客比例Return Visitor Ratio
计算公式：回头客比例=回头客数量/独立访问者数量
指标含义：评估网站内容对访问者的吸引力及网站的实用性，看你的网站是否有吸引访问者再次访问的有趣内容。
指标应用：基于访问时长设定和报告生成时间段的不同，这个指标可能会有较大差异。绝大多数网站都希望访问者回头，因此希望这个值不断提高，如果这个值下降，说明网站的内容或产品质量没有提升。需要注意的是，一旦你选定了一个时长和时间段，就要使用相同的参数来生成报告，否则就失去了比较的意义。
活跃访问者比例Active User Ratio
计算公式：活跃用户比例=访问超过N页面的用户/总访问次数
指标含义：评估有多少访问者对网站内容非常感兴趣
指标应用：根据你网站的内容和规模，确定N的大小，例如内容类网站通常定义在11~15页左右，电子商务类网站则可定义在7~10页左右。如果你的网站针对正确的目标受众且网站使用方便，你可以看到这个指标应该是不断上升的。
忠实访问者比例Loyal Visitor Ratio
计算公式：忠实访问者比例=访问时间超过N分钟的用户数/总用户数
指标含义：与上一个指标含义相同，只是用停留时间代替浏览页数，取决于网站的目标，你可以使用两个中的一个或结合使用。
指标应用：其中的N也通过网站的类型和规模来定义，例如大型网站通常定位在20分钟左右。这个访问者指标如果单独使用很难体现其效用，应该结合其他网站运营数据指标一起使用，例如转化率，但总体来说，较长的访问时长意味着用户喜欢留在你的网站，高的忠实访问率当然是较好的。同样的，访问时长也可以根据不同的需求自行设定。
忠实访问者指数Loyal Visitor Index
计算公式：忠实访问者指数=超过N分钟的访问页数/超过N分钟的访问者数
指标含义：指的是每个长时间访问者的平均访问页数，这是一个重要的指标，它结合了页数和时间。
指标应用：这个指数通过页面和时间对网站进行了更细致的区分，也许访问者正好离开吃饭去了。如果这个指数较低，意味着有较长的访问时间但较低的访问页面。通常都希望看到这个指数有较高的值，如果你修改了网站，增加了网站的功能和资料，吸引更多的忠实访问者留在网站并浏览内容，这个指数就会上升。
忠实访问者量Loyal Visitor Volume
计算公式：忠实访问者量=超过N分钟的访问页数/总访问页数
指标含义：长时间的访问者所访问的页面占所有访问页面数的比例
指标应用：网站通常都是通过宣传和推广吸引用户，这个指标的意义尤为重要，因为它代表了总体的页面访问质量。如果你有10000的访问页数却仅有1%的忠实访问者率，这意味着你可能吸引了错误的访问者，这些访问者没有价值，他们仅仅看一眼你的网页就离开了。这是你应该考虑你的推广方式和宣传方式是否有什么问题。
访问者参与指数Visitor Engagement Index
计算公式：访问者参与指数=总访问次数/独立访问者数量
指标含义：这个指标是每个访问者的平均会话(session)，代表着部分访问者的多次访问趋势。
指标应用：与回头客比例不同，这个指标代表着回头客的强烈程度，如果有一个非常准确的目标受众不断回访网站，这个指数将大大高于1；如果没有回头客，指数将接近于1，意味着每个访问者都有一个新的会话。这个指数的高低取决于网站的目标，大部分的内容型和商业性网站都希望每个访问者在每周/每月有多个会话(session)；但是如客户服务尤其是投诉之类的页面或网站则希望这个指数尽可能地接近于1。
回弹率(所有页面)Reject Rate/Bounce Rate
计算公式：回弹率(所有页面)=单页面访问次数/总访问次数
指标含义：代表着访问者只看到一页的比率
指标含义：这个指标对于最高的进入页面有很重要的意义，因为流量就是从这些页面产生的，那么在网站策划和网站规划时，你需要对网站的导航或布局设计进行架构设计时，尤其要注意到这个参数。总而言之，你希望这个比率不断下降。
回弹率(首页)Reject Rate/Bounce Rate
计算公式：回弹率(首页)=仅访问首页的访问次数/所有从首页开始的访问次数
指标含义：这个指标代表所有从首页开始的访问者中仅看了首页的访问者比率
指标含义：这个指标是所有内容型指标中最重要的一个，通常我们认为首页是最高的进入页面(当然，如果你的网站有其他更高的进入页面，那么也应该把它加入到追踪的目标中，如推广广告等)。对任意一个网站，我们可以想象，如果访问者对首页或最常见的进入页面都是一掠而过，说明网站策划时在某一方面有问题。如果针对的目标市场是正确的，说明是访问者不能找到他想要的东西，或者是网页的设计上有问题(包括页面布局、网速、链接的文字等等)；如果网站设计是可行易用的，网站的内容可以很容易地找到，那么问题可能出在访问者的质量上，即市场问题。
指标含义：该指标在所有内容型指标中占据首要地位，普遍认为首页是最高访问页面（当然，若网站存在其他更高访问页面，也应纳入追踪目标，例如推广广告等）。对于任何网站，若访问者对首页或常见进入页面仅作短暂停留，则表明网站策划在某个方面存在问题。若目标市场定位准确，则可能是因为访问者无法找到所需内容，或网页设计存在问题（包括页面布局、网速、链接文字等）；若网站设计可行易用，内容易于查找，问题可能在于访问者质量，即市场问题。
浏览用户占比Scanning Visitor Share
计算公式：浏览用户占比=少于1分钟的访问者数/总访问数
指标含义：此指标在一定程度上反映网页的吸引力。
指标应用：多数网站希望访问者停留超过一分钟，若此指标值过高，则应考虑网页内容是否过于简单，网站导航菜单是否需改进。
浏览用户指数Scanning Visitor Index
计算公式：浏览用户指数=少于1分钟的访问页面数/少于1分钟的访问者数
指标含义：一分钟内访问者的平均访问页数
指标应用：此指数接近于1，表明访问者对网站兴趣不大，仅匆匆一瞥便离开。这可能是导航问题，若对导航系统进行显著改进，应观察到指数上升；若指数仍下降，则表明网站目标市场及使用功能存在问题，需着手解决。结合浏览用户比率和浏览用户指数使用，可判断用户是在浏览有用信息还是因厌烦而离开。
浏览用户量Scanning Visitor Volume
计算公式：浏览用户量=少于1分钟的浏览页数/所有浏览页数
指标含义：一分钟内完成的访问页面数的比率
指标应用：根据网站目标不同，此指标高低要求各异，多数网站希望降低此指标。若为广告驱动型网站，此指标过高对长期目标不利，因为这意味着尽管通过广告吸引大量访问者，产生高访问页数，但访问者质量不高，收益也会受到影响。
二、网站运营数据分析之商业指标
平均订单金额Average Order Amount(AOA)
计算公式：平均订单金额=总销售额/总订单数
指标含义：衡量网站销售状况优劣
指标应用：将网站访问者转化为买家固然重要，但同样重要的是激励买家在每次访问时购买更多产品。跟踪此指标可找到更好的改进方法。
订单转化率Conversion Rate(CR)
计算公式：订单转化率=总订单数/总访问量
指标含义：此指标较为重要，衡量网站对每个访问者的销售情况
指标应用：通过此指标可观察到微小变化对网站收入可能产生巨大影响。若能区分新、旧访问者产生的订单，则可细化此指标，对新旧客户分别统计。
每访问者销售额Sales Per Visit(SPV)
计算公式：每访问者销售额=总销售额/总访问数
指标含义：此指标也用于衡量网站市场效率
指标应用：此指标与转化率类似，只是表现形式不同。
单笔订单成本Cost per Order(CPO)
计算公式：单笔订单成本=总市场营销开支/总订单数
指标含义：衡量平均订单成本
指标应用：每笔订单的营销成本对网站盈利和现金流至关重要。营销成本计算标准各异，有人将全年网站运营费用分摊到每月成本中，有人则不这么做，关键在于选择最适合自己的方式。若能在不增加市场营销成本的情况下提高转化率，此指标将下降。
再订货率Repeat Order Rate(ROR)
计算公式：再订货率=现有客户订单数/总订单数
指标含义：衡量网站对客户的吸引力
指标应用：此指标与客户服务密切相关，只有满意的用户体验和服务才能提高此指标。
单个访问者成本Cost Per Visit(CPV)
计算公式：单个访问者成本=市场营销费用/总访问数
指标含义：衡量网站流量成本
指标应用：此指标衡量市场效率，目标是降低此指标并提高SPV。为此，需削减无效市场营销费用，增加有效市场投入。
订单获取差额Order Acquisition Gap(OAG)
计算公式：订单获取差额=单个访问者成本(CPV)-单笔订单成本(CPO)
指标含义：此指标衡量市场效率，代表网站带来的访问者和转化访问者之间的差异
指标应用：此指标的值应为负值，用于测量从非访问者中获得客户的成本。有两种方法降低此差额：增强网站销售能力，降低CPO，缩小差额，表明网站转化现有流量的能力得到加强；或提高CPV，CPO保持不变或降低，差额也会缩小，表明网站吸引的流量具有较高的转化率，通常发生在启用PPC(pay per click)计划的情况下。
订单获取率Order Acquisition Ratio(OAR)
计算公式：订单获取率=单笔订单成本(CPO)/单个访问者成本(CPV)
指标含义：以另一种形式体现市场效率
指标应用：以比率形式往往更易于管理层，尤其是财务人员理解。
每笔贡献Contribution per Order(CON)
计算公式：每笔贡献=(平均订单数X平均边际收益)-每笔订单成本
指标含义：每笔订单带来的现金增加净值
指标含义：每笔订单为你带来的现金增加净额
指标应用：公司的财务总监对此指标十分关注，反映了你投入多少成本换取多少收益。
投资回报比（ROI）
计算公式：投资回报比=每笔产出（CON）/每笔订单成本（CPO）
指标含义：衡量广告投资回报的指标
指标应用：比较广告的回报比，应将资金分配给回报比最高的广告，但回报比应有时间限制，例如“每周25% ROI”和“每年25% ROI”存在较大差异。
网站数据分析：数据仓库相关问题（3）
网站数据分析：数据仓库相关问题（3）
前文——网站数据分析相关问题2主要整理了BI相关问题，本文主要想整理一些数据仓库相关问题。由于近期重新阅读了一些数据仓库资料和书籍，想将之前和当前遇到的主要问题提出来（博客中有关数据仓库的相关内容请参阅网站数据仓库目录），同时对自己在数据仓库方面的知识进行重新整理和认识，并且很久没有在博客发表新文章了，不能让自己过于懈怠。
之前阅读过Inmon的《构建数据仓库》和《DW 2.0》，而另一位数据仓库大师Kimball的《数据仓库生命周期工具箱》一直没有时间阅读，最近才有时间看完了大部分，迫不及待想写点东西。其实数据仓库领域普遍认为Inmon和Kimball的理论是对立的，两者在构建数据仓库上方向性差异一直争论不休，谁也无法说服谁哪种方法更好。我的Evernote笔记里面不知什么时候从哪里摘录过来了对两者观点的概括性描述，非常简洁明了而一针见血：
Inmon vs Kimball
Kimball—让每个人在他们需要的时候构建他们想要的，我们将在需要时整合所有内容。（自下而上的方法）
优点：快速构建，快速回报，灵活
缺点：作为企业资源难以维护，经常重复，经常难以整合数据集市
Inmon—在设计好一切之后再行动。（自上而下的方法）
优点：易于维护，紧密集成
缺点：交付第一个项目需要很长时间，僵化
看了《数据仓库生命周期工具箱》之后，发现两者的观点并没有那么大的本质性差异，可能随着数据仓库的不断发展，两者在整体架构上慢慢趋同。基本上，构建统一的企业级数据仓库的方向是一致的，而Inmon偏向于从底层的数据集成出发，而Kimball则偏向于从上层的需求角度出发，这可能跟两者从事的项目和所处的位置有关。
有了以上这段高质量的概括，第一个问题——你更偏向于以何种方式搭建数据仓库（自下而上或自上而下），分别有什么优缺点？——其实不用问，所以下面主要提出一些在实际中可能经常遇到或需要想清楚的问题：
Q1、数据仓库的技术解决方案有哪些，这些解决方案的优势和瓶颈在哪里？
随着数据仓库的不断发展和成熟，“大数据”概念的兴起，越来越多的相关产品出现，最常见的技术解决方案包括hadoop和hive，oracle，mysql的infobright，greenplum及nosql，或者多个结合使用。
其实归纳起来就两类：一是以传统RDBMS为主导的数据库管理数据，oracle、mysql等都是基于传统的关系型数据库，优势是有更严谨的数据结构，关系型数据库对数据的管理更加规范，数据处理过程中可能出现的非人为误差极小，而且标准的SQL接口使数据获取的成本较低，数据的查询和获取更加灵活和高效；但劣势也很明显，对海量数据的处理和存储的能力不足，当数据量达到一定程度的时候就会出现明显的瓶颈。而是基于文本的分布式处理引擎，hadoop、greenplum和nosql都是基于文本数据的处理和存储，优势是强大的数据处理能力，分布式的架构支持并行计算，并且具备超强的扩展延伸能力；劣势就是上层接口不方便，因此Hadoop上层的hive和greenplum上层的postgreSQL都是为了解决数据接口的问题，并且数据的查询和获取很难做到实时响应，灵活性不足。
Q2、数据仓库是否就应该保存聚合数据，细节数据不应该放入数据仓库？
其实这个问题基本已经达成共识，如果是构建企业级的数据仓库，那么对细节数据的集成和存储是必不可少的，但现实中还是存在很多直接从外部数据源计算聚合之后导入数据仓库的实例。如果对数据仓库只是轻量级的应用，仅存放聚合数据也无可厚非，毕竟没人规定数据仓库一定要是怎么样的，最终的目的无非就是满足对数据的支持和需求。
但对于企业的长期发展来看，数据仓库中存放细节数据有两方面的好处：一方面从技术层面，数据仓库存储细节数据可以释放前台数据库的查询压力，同时对于文本类数据和外部文档类数据入库之后管理更加规范，数据仓库保留历史和不可变更的特性可以让信息不被丢失；另一方面就是从数据的使用上，数据仓库让数据的获取和使用更加简便，集成细节数据让大量的文本型数据可查询、可关联，而面向主题的设计让数据的展现和分析更有方向性和目的性，而且细节数据是支持数据分析和数据挖掘应用所必不可少的。所以，如果数据仓库要不断地催生出更大的价值，细节数据的存储是必不可少的。
Q3、你会把数据仓库分为几层，每层的数据作用是什么？
没有标准答案，根据数据仓库中数据的复杂性和对数据使用的需求程度，数据仓库可以有不同的层级划分。
没有既定规范，依据数据仓库内数据的繁杂程度以及对数据运用要求的深浅，数据仓库可以划分为多种层次。
我通常将数据仓库分为三层：最基础层的详细数据，其管理策略着重于存储优化，通常用于存放导入的原始数据，便于向上进行统计汇总；由于数据量庞大，因此需要实施存储优化；中间层为多维模型，其管理策略侧重于结构和查询的优化，针对主题的多维模型设计需满足OLAP及多样化数据查询的需求，同时确保查询的简便性，关键在于维表的设计、维度的选择与组合，事实表需关注存储和索引的优化；最高层为展示数据，其管理策略侧重于效率优化，通常存储每日需展示的汇总报表或基于多维模型构建的视图，展示层数据需以最快的速度呈现，通常应用于BI平台的仪表盘和报表。
Q4、在数据仓库的构建过程中，哪项工作最为复杂，哪一块内容最易被忽视？
我总认为数据仓库的核心并非数据整合，尽管数据整合是数据仓库实现价值的基础，数据仓库的真实价值在于数据的有效利用，数据源于业务，并反作用于业务。而构建数据仓库的核心在于数据仓库的架构与数据模型的设计，如何在数据存储效率与数据获取效率之间取得平衡是数据仓库管理中的难题，这一难题是所有数据仓库都面临的，而大数据的兴起使得这种平衡的难度更大。数据的整合与数据质量控制是数据仓库构建中最复杂的工作，尤其是数据清洗环节，我之前也撰写过几篇关于数据质量控制的文章，但实际操作中的过程更为复杂，而且为了确保上层数据的准确性和有效性，这项工作又必须做到细致入微。
在构建数据仓库过程中最易被忽视的是元数据的管理，很少有数据仓库团队拥有完整的元数据，当然，构建数据仓库的工程师本身也是活生生的元数据。但无论是为了使用数据的人员还是为了数据仓库自身的团队考虑，元数据都是必不可少的。一方面，元数据为数据需求方提供了详尽的数据仓库使用指南，帮助他们能够自主快速地获取数据；另一方面，数据仓库团队成员可以从日常的数据解释中解脱出来，对于后续的持续迭代更新、维护以及新员工的培训都大有裨益，元数据能够使数据仓库的应用和维护变得更加高效。
