【數據分析實戰案例】Google 官方電商網站分析 - Medium

這次以Google Analytics Demo Account 實作數據分析並歸納Google Merchandise Store 目前的困境及建議方向。

如果你看了本次實戰案例內容，也想應用到自家 ... GetunlimitedaccessOpeninappHomeNotificationsListsStoriesWritePublishedin資料探員DataAgent【數據分析實戰案例】Google官方電商網站分析使用GoogleMerchandiseStore進行網站健檢分析體驗示範工作上使用過GoogleAnalytics的朋友想必對DemoAccount都不陌生，今天的實戰分析案例，我們使用GoogleMerchandiseStore的網站訪客數據，以2021年5月為資料區間，對網站現況和問題進行歸納盤點，並提供優化方向建議。

在正文開始前先和你介紹一下DataAgent資料探員：DataAgent是一個分享數據分析、資料科學概念、實作案例及自學資源的自媒體。

除了原創內容分享，也偶爾以課程錄影、內訓教學、接案等方式和大家互動，主要平台管道有Medium、Facebook及LinkedIn。

現在你可以追蹤Medium專欄，有新文章更新時將會第一時間收到通知。

以下開始正文內容：本分析案例大綱訂定分析目標資料集描述資料處理流程分析圖表與判讀推論歸納與決策建議(1)訂定分析目標開始每個分析案例以前，都需要先大致確立分析目標，設定會希望獲得什麼成果。

以下是我們希望從GoogleAnalytics報表數據中獲得的洞察方向：分析問題指標–維度相關程度：找出重點維度/指標〔註1〕間的相關性，瞭解多維度、多指標下對不同目標值的影響程度。

商品定位象限：了解Google自家電商目前的商品銷售情況，針對不同受眾的經營提出優化建議可能的研究結果決策者從分析報告了解到的洞察點，如何實質幫助決策？輔助行銷資源投入的優先決策（EX：透過商品定位象限，對不同客群重新規劃主打品項、要主力優化的指標、要開發新客的渠道或國家等）〔註1〕維度：類別型屬性（如：來源媒介、國家、時段等）/指標：數值型屬性（如使用者數、交易次數、收益等）–(2)資料集描述說明我們對資料集的認識如何影響研究目標資料來源：GoogleMerchandiseStore（銷售Google品牌商品的電子商務網站）的GoogleAnalytics官方示範帳戶資料區間：取用2021/05/01–2021/05/31資料集涵蓋數十項維度及指標，本分析案例主要篩選兩類資料屬性：(A)流量指標區塊多種維度下的流量指標數據，包含用戶數、平均停留時間、跳出率、交易次數、收益等(B)電子商務區塊商品的各項瀏覽行為及銷售表現，包含主要漏斗事件，如瀏覽、加入購物車、購買等–(3)資料處理流程進入分析前進行的資料處理紀錄資料擷取GoogleAnalytics(GA)DemoAccount—MasterView，自訂報表並匯出從GoogleDataStudio連結GA帳戶，選擇加入GoogleMerchandiseStore資料源資料合併因匯出限制，需另外將從GA匯出的資料表合併資料屬性處理因匯出限制，需另外將{時段}拆分為{日},{小時},{星期幾}資料格式清理（如：幣值、時間戳記、百分比等）–(4)分析邏輯說明先說明接下來會進行的探索分析脈絡、分析邏輯來由Step1：先瞭解維度、指標之間的相關性制定成效提升策略以前，需要瞭解哪些因素會直接或間接影響、相關程度排序，因素之間是否存在相依性等，使得策略方向符合實際情況。

Step2：根據業務場景模擬分析應用除了都以全站為標的，業務上對不同用戶客群也需要制定經營策略，因此讓分析圖表或系統能夠抽換用戶變數同樣重要。

–(5)圖表判讀與分析（A）指標間的相關性—「跳出率」相關性圖表判讀結果歸納：「跳出率」與其他指標間皆呈現負相關特別觀察到，指標分成與「跳出率」負相關的3種強弱程度：▲跳出率與其他指標相關係數長條圖停留時間類指標越大，跳出率最低、相關度最強瀏覽不重複品類或品牌數指標越高，跳出率越低造訪及交易指標越高，跳出率越低、但相關度最弱其他指標之間則皆互為正相關▲平均用戶停留時間、使用者數與其他指標相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–（A）指標間的相關性—「交易次數」、「平均訂單價值」除了原本就呈正相關的交易指標，特別觀察到與「交易次數」、「平均訂單價值」相關程度較高的指標是「不重複瀏覽品類數」、「不重複事件」，大於「使用者」、「新使用者」、「人均停留時間」等指標，說明了：若想要提升交易量和每單消費額，讓用戶多逛不同的品類、做到互相比較、考慮的效果可能比純粹導流來得更好。

▲交易次數、平均訂單價值與其他指標相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–你已閱讀30%，休息一下…如果這篇文章讓你認識了新的分析方法、洞察，想請你幫我拍手👏至少+5下；如果這篇文章給了你靈感、工作上的幫助，想請你幫我拍手👏至少+15下；如果你看到目前覺得收穫非常多，想請你幫我拍手👏至少+30下，一下子吸收這麽久，也當作是給自己的鼓勵XD–（B）網站訪客特徵歸納▲使用者數與小時維度相關係數長條圖相關性圖表判讀結果歸納：星期幾：更傾向於週二造訪，最不傾向於週末造訪小時：最傾向於11–13時造訪，不傾向於晚間9點後造訪流量來源：多為直接流量，少部分廣告及聯盟流量來源國家：以美國為首、印度次之，其餘國家比例低瀏覽使用之作業系統：以Macintosh,ChromeOS為大宗▲使用者數與作業系統、來源媒介維度相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–（C）網站新訪客〔註2〕特徵歸納星期幾：與同總體訪客相同，更傾向於週二造訪，最不傾向於週末造訪小時：最傾向於15時、11–13時造訪，不傾向於晚間10點後造訪流量來源：與同總體訪客相同，多為直接流量，少部分廣告及聯盟流量來源國家：與同總體訪客相同，以美國為首、印度次之，其餘國家比例低瀏覽使用之作業系統：以iOS為首、Macintosh,ChromeOS次之〔註2〕新訪客：係指過去在網站無cookie紀錄，視為全新訪客▲新使用者數與作業系統、進站小時維度相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–（D）訪客人均停留時間特徵歸納星期幾：相關程度較弱，週四造訪的停留時間最長小時：相關程度較弱，也沒有隨著特定的時段有較長的停留時間流量來源：直接流量和自然流量的停留時間越長，廣告流量則越短來源國家：以瑞典最長、美國次之瀏覽使用之作業系統：與同總體訪客相同，而iOS訪客之人均停留時間最低；根據前述iOS用戶多為新訪客，其停留時間較短。

▲平均用戶停留時間與作業系統、來源媒介維度相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–（E）交易次數特徵歸納▲交易次數與小時維度相關係數長條圖星期幾：相關程度較弱，週四下單次數最高小時：用戶傾向集中在10–15時下單流量來源：直接流量進站與下單次數呈正相關；廣告及聯盟流量呈負相關來源國家：只有來源於美國的流量有達成交易瀏覽使用之作業系統：Macintosh,ChromeOS訪客與下單呈正相關，而Windows,Android,iOS訪客為負相關▲交易次數與作業系統、來源媒介維度相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–（F）電子商務轉換率、收益特徵歸納▲電子商務轉換率與小時維度相關係數長條圖星期幾：相關程度較弱，週二轉換率最高；週日最低小時：13、17、20–21時的轉換率較高流量來源：直接造訪及未登入的訪客流量和轉換率呈正相關；自然流量及關鍵字廣告的轉換率則呈負相關；以曝光為目的〔註3〕的廣告流量轉換率有最強負相關來源國家：與交易次數的相關分佈相同瀏覽使用之作業系統：以ChromeOS最高，BlackBerry,Linux,MacOS次之；Windows,Android,iOS的轉換相關性最低▲電子商務轉換率與作業系統、來源媒介維度相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）–（G）平均訂單價值特徵歸納▲平均訂單價值與小時維度相關係數長條圖星期幾：相關程度較弱，週一的平均訂單價值最高；週日最低小時：8、11–12、17、20–21時的平均訂單價值較高流量來源：與收益的相關分佈接近來源國家：同上瀏覽使用之作業系統：以ChromeOS,MacOS訪客最高；Windows,Android,iOS訪客最低▲平均訂單價值與作業系統、來源媒介維度相關係數長條圖（為了維持資訊量，只呈現相關程度較強的部分圖表）你已閱讀65%！就快看完了！如果這篇文章讓你認識了新的分析方法、洞察，想請你幫我拍手👏至少+5下；如果這篇文章給了你靈感、工作上的幫助，想請你幫我拍手👏至少+15下；如果你看到目前為止覺得收穫非常多，想請你幫我拍手👏至少+30下，一下子吸收這麼多資訊，也當作是給自己的鼓勵XD二、分析圖表與判讀：商品定位象限商品瀏覽Ｘ收益定位圖—以前20%為臨界點以5月份的商品「總瀏覽次數」為X軸、「總收益」為Y軸，我們可以區隔出4塊象限，分別代表不同定位的商品。

4個區隔象限說明如下：右上角「綠色區域」為「銷售主力品」，品項流量及收益是全站排名前20%。

>>維持瀏覽量左上角「藍色區域」為「銷售潛力品」，品項收益亦為全站排名前20%，可專注於提升流量，目標讓更多品項移往主力區。

>>集中提升商品瀏覽量右下角「黃色區域」的特色是「叫好不叫座」，品項流量為全站排名前20%，但總收益較不理想。

需深入瞭解此區商品是否能夠間接讓用戶購買其他品項（是否有其存在必要）。

>>計算輔助轉換效益，調整首頁商品或推薦商品呈現的排序左下角「紅色區域」為「銷售長尾品」，近8成品項落在此處，是未來潛力、主力品的預備區。

在提高用戶瀏覽品類數（總瀏覽次數）時，觀察後續落點，哪些商品能有相對更高的轉換率。

>>優先程度最後，等待前兩項優化做完後，計算商品的落點改變和輔助轉換效益做個結論：維持主力品流量、提升銷售潛力品流量；評估高流量低轉換商品之輔助轉換效益，長尾品保留觀察。

切換GA區隔，查看不同用戶分組當前的主力商品前述我們觀察的是全站情況。

如果使用GoogleAnalytics內建區隔或自訂區隔（Segments），也可以分別篩出該族群的主力銷售品、觀察瀏覽和消費在商品間的分佈情形。

這裡我們以「新訪客」v.s.「回訪客」兩種區隔來觀察，可發現新訪客的消費更相對集中於少部分熱門品；回訪客的消費則相對分散在不同商品上。

▲將區隔設定為「NewUsers」（新訪客）▲將區隔設定為「ReturningUsers」（回訪客）其中根據GoogleAnalytics報表資料，5月份GoogleMerchandiseStore之新訪客特性：新訪客佔5月所有訪客82.6%新訪客貢獻網頁瀏覽量佔全站60.4%新訪客貢獻收益佔全站32.6%新訪客平均訂單價值（客單價）為US$63.63，低於回訪客的US$79.94回訪客每人交易次數是新訪客的7.87倍以增加全站收益為目標，提出兩種做法方向改善會員機制，提高新訪客再次回訪的比例：有鑒於回訪客貢獻近7成收益，且轉換率高於新訪客4–5倍；是否能透過回訪客偏好的活動、品類，主動吸引新訪客回流。

針對回訪客偏好的商品種類，提高新訪客購買意願或吸引不同訪客族群：新訪客貢獻6成瀏覽量卻只有約1%訪客下單，有可能是新訪客所觸及的商品吸引力不足，或現有商品未精準觸及潛在受眾。

–推論歸納與決策建議歸納本次對GoogleMerchandiseStore2021年5月份網站數據分析之解讀、提出假設，並提供電商經營方向。

數據洞察歸納根據「交易次數與其他指標相關係數長條圖」顯示，與「交易次數」呈現正相關強度第二高為「不重複品類瀏覽數」，解讀為若想要提升交易量和每單消費額，讓用戶多逛不同的品類、做到互相比較、考慮的效果可能比純粹導流來得更好根據各指標的特徵維度相關係數圖表，我們分為3個面向來統整：停留時間類（流量品質）、不重複事件類（訪客考慮程度）、造訪及交易紀錄類停留時間類（流量品質）—『人均停留時間』『平均工作階段瀏覽頁數』『跳出率』：（i）直接流量及自然流量的停留時間最長；而關鍵字廣告停留傾向為負相關，建議需檢視其設定。

（ii）iOS訪客之人均停留時間最低，多為新訪客，應調整首頁配置，讓新訪客有機會停留更久。

不重複事件類（訪客考慮程度）—『不重複事件』『不重複瀏覽品牌數』『不重複瀏覽品類數』：（i）相關程度較弱，平均而言10–15時的訪客所瀏覽的品牌數及品類數較多；行銷資源應以此時段為優先。

造訪及交易紀錄類—『使用者數』『新使用者數』『交易次數』『電子商務轉換率』『收益』『平均訂單價值』（i）總體描述：訪客傾向於10–15時造訪及購買，較不傾向於週末或晚間9點後造訪；以Mac、ChromeOS用戶為多數；新訪客則以iOS用戶為多數；收益、轉換率皆以週二最高、週日最低；平均訂單價值以週一最高、週日最低。

（ii）流量及交易集中在美國，可深入探討城市差異。

（iii）曝光廣告及關鍵字廣告流量轉換率呈負相關，需檢視其設定。

分析自家網站：索取你的網站分析示範這次以GoogleAnalyticsDemoAccount實作數據分析並歸納GoogleMerchandiseStore目前的困境及建議方向。

如果你看了本次實戰案例內容，也想應用到自家網站上，歡迎提供你的網站GoogleAnalytics帳戶，即可獲取一份我為你做的『網站健檢分析體驗版』報告（就像此份的架構）。

開始方法很簡單，只要兩步驟：來信簡介你的公司品牌、產業、目前經營的行銷渠道有哪些，並附上網址將您網站的GoogleAnalytics檢視權限開通到以下信箱：[email protected]網站健檢分析套餐說明圖有任何問題，同樣歡迎先來聊聊詢問，你可以透過以下方式聯絡到我：e-mail:[email protected]:0989-960-615fanpage（私訊會於一個工作天內回覆）:https://www.facebook.com/MarketingDataAgent恭喜你完成閱讀100%！如果這篇文章讓你認識了新的分析方法、洞察，想請你幫我拍手👏至少+5下；如果這篇文章給了你靈感、工作上的幫助，想請你幫我拍手👏至少+15下；如果你看完了整篇文章，並覺得收穫非常多，想請你幫我拍手👏至少+30下，也當作是給自己的鼓勵XDP.S.關掉這篇文章前，記得追蹤DataAgent資料探員Medium專欄唷！https://medium.com/datamixcontent-labMorefrom資料探員DataAgent資料探員分享資料科學的算法解說與案例應用。

站長自學生時期從事廣告投放及內容行銷，研所進修後轉職數據科學，擅長用戶行為序列分群、時間序列預測及文本探勘。

Readmorefrom資料探員DataAgentAboutHelpTermsPrivacyGettheMediumappGetstartedJiunYiYang(JY)462FollowersMaster@NCCUMIS．[email protected]．DataScientist&DigitalAdsOptimizer．FeelfreetoPMmeat:m.me/Abao.JiunYiYangorlinkedin.com/in/jiunyiyangFollowHelpStatusWritersBlogCareersPrivacyTermsAboutKnowable