【導讀】
網站分析仍然是新鮮事，因此，我們對她的認識可能有種種偏差。這篇文章總結了在我的工作中發現的種種容易出現的對網站分析認識上的誤解。這是第二部分，這個部分將進入一些更細節的領域。第一部分請見：網站分析的十大誤解及候補（一），第二部分請見：網站分析的十大誤解及候補（二）。
【正文】
寫這個系列的上一篇文章時還是在5月1日，現在已經是8月1日了，時間過得真快，令人感慨。
其實在前兩集中，十大迷思已經談完了，今天要講的只能是候補。之所以叫做候補，原因是它們都是很有爭議的領域，我是一家之言，仍只敢博君一笑。不過知識沒有候補之說，我希望引發討論，甚至爭論，以獲得真正的見識和真理。
候補迷思一：網站分析有標準的benchmark
這是一個存在普遍誤解的地方。我們常常討論bounce rate，討論time on site，所以有很多朋友會問：
我的網站bounce rate是60%，好不好？或者，平均time on site是5分鐘，好嗎？
這些其實都是我無法回答的問題，因為網站分析對於這些關鍵度量並沒有一個所謂標準的benchmark可以參考。我只能說，bounce rate是60%不是我見過的最糟糕的或是最好的，5分鐘的time on site也是如此，不過至於到底好不好，僅憑這幾個孤立數據本身是無法解答的。
為什麼網站分析沒有標準的benchmark的原因，在於網站和網站之間的差異太大了。首先，網站的受眾/流量來源不同；其次，網站的功用不同；再一次，網站設計的內容也不一樣；最後，網站新舊程度也不一樣…
所以，網站分析沒有標準的benchmark！例如，不能說bounce rate低於60%就是好，高於60%就是不好。
現在，你會問一個更好的問題：
如果是同一個細分行業的，或是受眾很重合的網站，是不是可以互相比較這些諸如bounce rate、time on site、PV/V、訪客忠誠度等基礎指標？例如，新浪和搜狐、馬鈴薯和酷6、京東商城和新蛋網，他們可以兩兩互相比較這些指標嗎？
我認為完全可以互相比較，不過，千萬不要覺得自己網站的指標數值比別人差，就是自己的網站不好。假如新浪的bounce rate是10%，而搜狐的是15%，陽哥就要發飆了嗎？大可不必，這未必說明搜狐就比新浪還差。還是那個原因，新浪和搜狐的頁面其實很不一樣，雖然他們都是門戶，而且他們牟足了勁在競爭，但他們仍然有很大很大的差異。
同樣，Nike和Adidas的網站，Intel和AMD的網站，他們都是同一個tier（類別）的，但他們其實也很不一樣。這些指標的大小不能簡單說明一個網站就好於或差於另一個網站。
所以，我一直堅持：即使是相同類別的網站，指標簡單的數值好壞也不能說明網站的好壞。
那麼，你又會問了：
既然比較不能說明好壞，那麼比較還有什麼意義？ ！
有，當然有！如果你知道了競爭對手的數值情況，你就可以分析它咯；你知道了你的數值不如它而了解自己。所謂以人為鑑可以知得失，網站之間也是如此。
最好，請大家不要產生另一個誤解，那就是既然沒有標準的benchmark，那麼無論我的數值無論多少，都不說明我的網站好壞，我大可以高枕無憂。
相信沒有朋友會這麼想。
如果您的數值太過離譜，超出了普通的範圍，那麼還是很能說明問題的。例如，如果您的網站整體bounce rate高於80%甚至90%，那還是要注意了。網站分析喜歡這些異常現象。
以下列舉一些我經驗中的一些極值（請注意，這些值只對用Google Analytics分析有效，其他WA工具因為定義和監測方式的不同，數值可能有明顯區別），如果超過這些值，可能說明網站出現了較為嚴重的問題（但不絕對！）
最後再次提醒大家，由於每個網站都是獨一無二的；而且指標本身也不能孤立的解讀，所以，網站分析的標準benchmark不存在。
候補迷思三：分析個體行為有重大意義
我見到一些工具，記錄每個訪客在頁面上的滑鼠軌跡。這些工具各有千秋，不過都很強。通常，這些工具是為UED（UCD）設計師準備的，但是它們對網站分析有重大意義嗎？
網站分析是一般是透過全體（即完全不抽樣）或大樣本量資料來分析網站訪客所趨同的一些行為模式，並據此優化最主要造訪群體的造訪體驗。網站分析極少透過研究個體訪問行為來進行分析。在這一點上，網站分析和網站可用性（usability）分析是大相徑庭的。
如果您讀過《Don't Make Me Think》，您就知道，網站做好後，請一些從未使用過您的網站的普通人，在您的面前完成一些您規定的網絡訪問事情，並且記錄下他們的訪問行為，是一種非常重要的網站usability測試和改進的方法，但是網站分析則極少採取這種方法，即通過某一個訪問者在網站上訪問留下的數據情況來分析和優化網站。
原因很簡單，因為大量訪客的存取情況是符合常態分佈的。有可能某些訪客的訪問數據分佈在極值地區，如果用這些數據進行分析，偏差很大。例如，A訪客在網站上停留的時間長達1個小時，訪問的頁面多達100頁，這不代表著所有的訪客都是如此，分析單一訪客容易陷入危險。也許你會說，我可以多分析幾個訪客的行為，這樣會更可靠。但是，問題是，與千百萬的訪客數量比起來，你能夠分析的個體總是有限的，而且越多的個體分析，你就會越辛苦。
所以，在我的實際工作中，我幾乎不會使用一些非常具體的滑鼠軌跡監測工具，但我希望能夠有一個滑鼠軌跡記錄工具，記錄所有的滑鼠行為，並用不同的色彩表示滑鼠行為的密度，這對我們會非常有用，而且會比我們目前所做的熱區圖（heat map）更有價值。但似乎目前沒有這樣的工具出現。
候補迷思四：最佳化方案是進行分析後的必然結果
網站分析重在分析，不錯，但分析並不是網站分析的全部，分析最主要的目的是發現問題，但分析本身不足以幫助解決問題，或只能解決部分問題。
例如，在研究轉換時，我常常發現很明顯的某個頁面丟失了大量的訪客，但是為什麼這個頁面的表現會如此糟糕？有時候，根據經驗，我們立刻就能想到原因，並且據此提出改進意見；但有時候，我們其實並不知道為什麼這個頁面如此糟糕。即使根據經驗我們能夠想到原因，這也並非一定就是真實的（或根本的）原因所在。
所以，有些時候（其實更準確的是大多時候），真正可靠的優化方案，並不能從分析中直接得來，而是來自於你透過分析提出建議之後的測試。建議本身是主觀的，但測試後的結果是客觀的（只要你採用了科學的方法和流程）。網站分析的一個輪迴並不結束於分析，而是結束於測試，測試才是王道。
所以，下面的這個圖雖然是老生常談，但卻是真正重要的方法論。
好了，這篇文章終於結束了，這個系列也終於結束了（之後可能會有修訂和增補）。感謝所有朋友一直以來的鼓勵！希望大家提出不同意見，歡迎探討，歡迎爭吵！
文章來源： http://www.chinawebanalytics.cn/top10-misunderstanding-for-web-analytics-part3/
作者：宋星