Category Archives: 数据分析

Alexa排名权威性和算法要素

Alexa排名尽管存在着大量的争议,但是在没有更好的工具之前,仍然是我们衡量一个网站流量状况和影响力的一个重要指标,周围朋友讨论最多的问题就是Alexa的权威性和算法要素。 Alexa排名的权威性 关于权威性这个议题其实本身没有太多可以讨论的,根据抽样算法的观点,如果Alexa Toolbar的安装率是一定的,那么无论对于任何网站都是相对公平的。 假设中国地区的Alexa Toolbar的安装率为1.5%,门户A的流量为100W,门户B的流量为300W,那么他们的Alexa的访客到访率一般也就在1%-2.5%之间上 下浮动,这样对比出来的排名是正确的,并且根据统计学算法,抽样样本数量越多,统计结果越趋近于真实,所以一般排名越靠前的网站相对来说真实度越高,通俗 一点的说法就是排名100W提升到1W和排名1W提升到100的难度完全不在一个等级。
Posted in 数据分析 | Tagged , , , | Leave a comment

iResearch-每月网络广告报告0905

iResearch-每月网络广告报告 —————————————————————————————————————————————— 2009年05月 1. 2009年05月主要媒体网络广告收入 2009年05月网络广告总投放费用为67506.93万元,其中新浪的网络广告收入最多,有13689.72万元,搜狐收入其次,有9388.51万元, 腾讯第三,有9058.81万元。 媒体 广告收入(万元) 新浪 13689.72 搜狐 9388.5 腾讯 9058.8 MSN中国 2467.5 网易 2025.98 优酷网 2017.56 搜房网 2005.96 土豆网 1456.21 迅雷 1051.34 搜狐/焦点网 954.08
Also posted in 媒体分析 | Tagged , | Leave a comment

IWOM监测与分析:理解和实践

最近比较忙,在为客户做一个相当复杂的IWOM的监测。所谓IWOM,可能大家还有点儿陌生,是英语“Internet Word of Mouth”的简称,Word of Mouth的意思是“口碑”,因此IWOM监测听起来搞得挺玄乎,实际上就是为客户研究互联网上的口碑。   虽说说起来很简单,但如何监测这个IWOM,如何为客户提出好的建议,却是一件相当复杂的工作。互联网上的口碑载体本就很多,但更麻烦的是口碑这东西永远没有标准,而且随着老百姓语言和网友们情绪的发展不断变化着——这不是加入一个Tracking Code(监测代码)就能搞定的事情,这需要一个完整的方法论。   我知道目前最好的IWOM研究公司是CIC(SeeISee),在与他们的高级总监交流及自己做项目的实践过程中,我逐渐形成了一些自己的理解,并放入为客户服务的实践中,现在跟朋友们进行分享,内容还远不成熟,大家自备避雷针。:)
Posted in 数据分析 | Tagged , , | 1 Comment

推荐一本书:数据挖掘-概念与技术

韩家炜的书,中文的,附上个下载地址,点击这里。
Posted in 数据分析 | Tagged , , , | Leave a comment

Nielsen Online互联网测评服务介绍

这是之前AC Nielsen Beijing到公司做Presentation的PPT(一共50页,删除了部分涉及公司机密的信息),这里做成JPG的图片,供大家使用。 使用Nielsen已经很多年了,对他们的服务非常满意。
Posted in 数据分析 | Tagged , , , | Leave a comment

实验和测试启蒙

这篇文章是一个带你进入多姿多彩的测试和实验世界的一个启蒙。这些测试和实验例如A/B测试,多变量(Multivariate)测试,以及一个对我来说崭新的名字:体验测试(Experience Testing)。现在已经有很多网站介绍A/B测试和多变量测试,所以我只想谈一谈这些实验和测试的基本原理,然后再就运用每种小技巧的方法说说我自己的观点。
Posted in 数据分析 | Tagged , , , , , , , , | Leave a comment

麦田通过alexa估算网站独立IP的方法

这是一篇回应短文,起因是就我的文章《破解myspace成功之谜》与网友cnsns进行的讨论。在cnsns的讨论文章《由麦田:深度剖析MySpace》中,首先牵涉到一个话题,即如何通过alexa的“百万人访问量”指标,来估算一个网站每日的独立IP。 cnsns网友在他的文章中给出了一个复杂的算法,但那是错的。首先,通过公开的alexa数据去测算网站一般保密的独立IP,只能是“估算”;其次,有一个简单的方法进行此估算: 全球网民大约3亿,所以把alexa“百万人访问量”×300,一般就是某网站的每日独立访问IP。 这个估算方法,经过多次实际验证,对于大、中型网站(Top5000之内),一般比较靠谱。 就这么简单,呵呵。
Posted in 数据分析 | Tagged , , , | 3 Comments

影响转化率(Conversion Rate)的因素

我们应该如何解读conversion rate呢?或者这个问题可以更准确的描述为:conversion rate受哪些因素的影响? 影响conversion rate的因素有很多,可以分为四个类别:广告受众的质量、广告本身的创意和样式、网站监测conversion代码所在页面源HTML文件的位置以及是否存在流量欺诈。
Posted in 数据分析 | Tagged , , , , | Leave a comment

基础知识:网站分析常用指标

转换率 Take Rates (Conversions Rates) 计算公式:转换率=进行了相应的动作的访问量/总访问量 指标意义:衡量网站内容对访问者的吸引程度以及网站的宣传效果 指标用法:当你在不同的地方测试新闻订阅、下载链接或注册会员,你可以使用不同的链接的名称、订阅的方式、广告的放置、付费搜索链接、付费广告(PPC)等等,看看那种方式是能够保持转换率在上升?如何增强来访者和网站内容的相关性?如果这个值上升,说明相关性增强了,反之,则是减弱。 回访者比率 Repeat Visitor Share 计算公式:回访者比率=回访者数/独立访问者数 指标意义:衡量网站内容对访问者的吸引程度和网站的实用性,你的网站是否有令人感兴趣的内容使访问者再次回到你的网站。 指标用法:基于访问时长的设定和产生报告的时间段,这个指标可能会有很大的不同。绝大多数的网站都希望访问者回访,因此都希望这个值在不断提高,如果这个值在下降,说明网站的内容或产品的质量没有加强。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产生你的报告,否则就失去比较的意义。 积极访问者比率 Heavy User Share 计算公式:积极用户比率=访问超过11页的用户/总的访问数 指标意义:衡量有多少访问者是对网站的内容高度的兴趣 指标用法:如果你的网站针对正确的目标受众并且网站使用方便,你可以看到这个指标应该是不断的上升。如果你的网站是内容型的,你可以针对不同类别的内容来区分不同的积极访问者,当然你也可以定义20页以上的才算是积极的访问者。
Posted in 数据分析 | Tagged , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , | Leave a comment

解读网站分析三大指标

网站分析协会(Web Analytics Association,简称”WAA”)在2006年12月6日发布了《Web Analytics “Big Three Definitions”Ver. 1.0》(PDF格式,点击这里:本地下载) 针对唯一访客(Unique Visitors)、访问量(Visits/Sessions)、页面浏览数(Page Views)三个指标进行了定义:
Posted in 数据分析 | Tagged , , , , , , , , | 1 Comment