谷歌数据分析方法

图书标准信息

• 作者 [美]Avinash Kaushik 著；沈文婷 译
• 出版社 机械工业出版社
• 出版时间 2020-07
• 版次 1
• ISBN 9787111651659
• 定价 98.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 342页
• 字数 530千字

【内容简介】

在过去几年中，互联网、在线营销以及广告经历了巨大的变革，然而大家处理数据的方式跟几十年前相比还是大同小异。数据分析领域的领跑者（Avinash Kaushik）通过《谷歌数据分析方法》提出了下一代数据分析的框架，将能很大程度地帮助你提高组织的能动性和对市场的反应速度。
  本书阐述了如何去衡量、分析目前互联网上出现的新技术和应用，并在此基础上快速行动。这些新技术和应用包括社交媒体、视频、移动互联网上以用户为中心的设计等。作者通过对传统方法的改造，对互联网数据进行了抽丝剥茧般的分析，提出了具体、简单以及更先进的方法。
  如果你想了解数据分析方法，本书将是你的*佳选择。

【作者简介】

阿维纳什?考希克（Avinash Kaushik）曾出版畅销书《Web Analytics: An Hour a Day》。他是谷歌的分析布道者，Market Motive 公司的联合创始人。

考希克构建了数据分析领域的常识框架，并将该框架与他倡导的理念相结合，即投资的数据分析师是取得长期成功的关键。同时他也倡导倾听用户的心声，并致力于帮助企业发现网络数据的价值。

考希克与众多世界的大公司合作，帮助他们优化网络营销和分析策略，让其成为数据驱动且以客户为中心的企业。2009年，他曾获得美国统计协会颁发的年度统计倡导者。

他还经常在美国和欧洲的行业会议上发表演讲，比如Ad-Tech，Monaco Media Forum, iCitizen, 以及JMP Innovators’ Summit。另外还在斯坦福大学，弗吉尼亚大学，犹他大学等大学发表演讲。

【目录】

前言

第 1章　数据分析进阶的全新世界 

1.1　数据分析现状 

1.2　行业现状 

1.3　重新反思数据分析：实现数据分析进阶 3

1.3.1　“是什么”：点击流

1.3.2　“有多少”：多样性产出分析

1.3.3　“为什么”：实验和测试

1.3.4　“为什么”：用户反馈

1.3.5　“还有什么”：竞争情报 

1.4　变革： Yes We Can 

1.4.1　策略性调整

1.4.2　战术性转变

1.4.3 　其他分析

第 2章　选择数据分析工具的最佳策略

2.1　确定预期业务目标

2.2　第一步：选择数据分析工具前要回答的3个关键问题

2.3　第二步：选择数据分析工具前要问供应商的10个问题

2.4　数据分析供应商比较：多样化和竞争优势

2.5　第三步：如何有效地试用数据分析工具

2.6　第四步：确定合作前的协议，检查供应商的服务条款 23

第 3章　点击流分析的精彩世界：指标

3.1　回顾标准指标： 8个关键网站指标

3.2　跳出率

3.3　退出率

3.4　转化率

3.5　参与度

3.6　数据分析指标揭秘

3.6.1　优秀指标的 4个属性

3.6.2　优秀指标示例

3.6.3　关于网站成功的3条经验 

3.7　关键网站指标的战略性策略

3.7.1　确定影响网站指标表现的根源一转化

3.7.2　利用自定义报表

3.7.3　创建团队报表中心

3.7.4　从宏观上进行分析

第 4章　点击流分析的精彩世界：实际操作

4.1　数据分析入门

4.1.1　熟悉基本指标

4.1.2　获取访客

4.1.3　控制成本

4.1.4　点击密度分析

4.1.5　衡量购买前的访问次数 

4.2　最佳数据分析报表

4.2.1　流量来源

4.2.2　流量产出 

4.3　基础分析策略

4.3.1　细分至关重要

4.3.2　关注用户行为而非总体情况 

4.4　让日常点击流分析更具操作性

4.4.1　站内搜索分析

4.4.2　SEO 分析

4.4.3　付费搜索分析

4.4.4　直接流量分析

4.4.5　邮件营销分析

4.4.6　富媒体分析 

4.5　面对现实：数据分析的挑战性

4.5.1　跟踪访客 cookie 

4.5.2　数据抽样

4.5.3　历史数据的价值

4.5.4　对用户体验视频回放的作用

4.5.5　终极数据校正清单

第 5章　成功的关键：衡量绩效 

5.1　关注“少数关键指标”

5.2　产出 KPI实际操作 5例

5.2.1　任务完成率

5.2.2　搜索流量比例

5.2.3　访客忠诚度和回访度

5.2.4　订阅数

5.2.5　正面退出率 

5.3　转化率进阶

5.3.1　购物车和结算流程放弃率

5.3.2　购买前访问次数和天数

5.3.3　平均订单价值

5.3.4　识别可转化人群 

5.4　衡量宏观和微观的转化

5.5　量化经济价值

5.6　衡量非电子商务网站的成功

5.6.1　访客忠诚度

5.6.2　访客回访率

5.6.3　网站停留时间

5.6.4　访问深度 

5.7　衡量 B2B 网站

第 6章　利用定性数据解决“为什么”的难题 

6.1　实验室可用性研究：是什么，为什么，有多少

6.1.1　实验室可用性研究是什么

6.1.2　如何进行测试

6.1.3　实验室可用性研究的最佳实践

6.1.4　实验室可用性研究的好处

6.1.5　注意事项 

6.2　可用性研究替代方案：远程和线上外包

6.3　调研：真正倾听用户反馈

6.3.1　调研的类型

6.3.2　调研中最大的错误

6.3.3　永不过时的 3个最佳调研问题

6.3.4　选择线上调研供应商的 8个建议 

6.4　互联网环境下的用户研究新方法

6.4.1　竞争性基准研究

6.4.2　快速可用性测试

6.4.3　线上卡片分类研究

6.4.4　人工智能视觉热点图

第 7章　快速试错：发挥测试和实验的力量 

7.1　测试方法入门： A/B测试和多变量测试

7.1.1　A/B测试

7.1.2　多变量测试 

7.2　可操作的测试建议

7.2.1　改进的关键——登录页面

7.2.2　关注结账、注册和提交页面

7.2.3　优化广告数量和位置

7.2.4　测试不同的定价与销售策略

7.2.5　测试包装等实物设计

7.2.6　优化外部市场活动 

7.3　对照实验：提升分析水平

7.3.1　衡量付费搜索对品牌关键词的影响

7.3.2　对照实验案例

7.3.3　对照实验的优缺点 

7.4　营造企业的测试文化

7.4.1　建议 1：第一次测试至关重要

7.4.2　建议 2：不要盲目依赖工具或专家

7.4.3　建议 3：抛开自以为是

7.4.4　建议 4：以假设开始

7.4.5　建议 5：制定目标评估标准和预先决策

7.4.6　建议 6：测试衡量多目标产出

7.4.7　建议 7：根据用户的痛点进行测试

7.4.8　建议 8：分析数据、交流心得

7.4.9　建议 9：配备测试推广者和测试专家

第 8章　竞争情报分析 

8.1　竞争情报的数据来源、类型和机密

8.1.1　工具条数据

8.1.2　用户库数据

8.1.3　ISP数据

8.1.4　搜索引擎数据

8.1.5　数据分析供应商的行业基准数据

8.1.6　自行提供数据

8.1.7　混合数据

8.2　网站流量分析

8.2.1　分析长期流量趋势

8.2.2　分享竞争网站的重合度，发现机会

8.2.3　分析引用网站和退出网站

8.3　搜索和关键词分析

8.3.1　热门关键词的绩效趋势

8.3.2　地域兴趣和机会分析

8.3.3　相关搜索和快速上升的搜索

8.3.4　市场占有率分析

8.3.5　竞争性关键词优势分析

8.3.6　关键词扩展分析 

8.4　受众识别和细分分析

8.4.1　基于人口统计学的细分分析

8.4.2　基于用户心理的细分分析

8.4.3　搜索行为和受众细分分析

第 9章　新兴分析：社交、移动端和视频 

9.1　衡量新型社交网络：数据的挑战

9.1.1　网站内容的演变

9.1.2　推特的革命 

9.2　分析离线用户体验（应用程序）

9.3　分析移动端用户体验

9.3.1　移动端数据的收集方法

9.3.2　移动端报表和分析 

9.4　衡量博客的表现 

9.4.1　原始作者的贡献

9.4.2　读者增长

9.4.3　转化率

9.4.4　引用和轰动指数

9.4.5　博客成本 

9.4.6　博客的收益（投资回报率） 

9.5　量化推特的影响 

9.5.1　粉丝人数的增长

9.5.2　信息放大

9.5.3　点击率和转化

9.5.4　转化率

9.5.5　新兴的推特指标 

9.6　分析视频的表现

9.6.1　视频的数据收集

9.6.2　关键视频指标与分析

9.6.3　高级视频分析 

第 10章　解决隐藏的数据分析陷阱

10.1　准确性还是精确性

10.2　数据质量处理的 6个步骤

10.3　建立行动仪表盘

10.3.1　创建优秀的仪表盘

10.3.2　综合仪表盘

10.3.3　高影响力仪表盘的 5个准则 

10.4　全线营销的机遇和多渠道衡量

10.4.1　转向全线营销模式

10.4.2　多渠道分析 

10.5　行为定向的优势和挑战

10.5.1　行为定向的优势

10.5.2　克服基本的分析挑战 

10.5.3　行为定向的两个先决条件 

10.6　线上数据挖掘和预测分析面临的挑战

10.6.1　数据类型

10.6.2　变量的数量

10.6.3　多个主要目的

10.6.4　多次访问行为

10.6.5　缺少主键和数据集 

10.7　涅槃之路：实现智能分析的步骤 

第 11章　数据分析专家的入门指南

11.1　背景信息的重要性

11.1.1　比较不同时期的关键指标

11.1.2　通过细分提供背景信息

11.1.3　比较网站的关键指标平均值和细分值

11.1.4　给指标寻找伴侣

11.1.5　利用行业基准和竞争数据

11.1.6　了解业务知识 

11.2　比较 KPI变化趋势 

11.2.1　呈现业务知识

11.2.2　细分来救援 235 

11.3　在 Top10之外：什么改变了 

11.4　真正的价值：衡量潜在转化及访客行为

11.4.1　潜在访客行为

11.4.2　潜在转化 

11.5　4种不能指导实际行动的 KPI衡量技术

11.5.1　平均值

11.5.2　百分比

11.5.3　比率

11.5.4　组合或计算得出指标 

11.6　搜索：实现最优长尾策略

11.6.1　计算头部和长尾 

11.6.2　了解品牌和行业关键词

11.6.3　最佳的搜索营销策略

11.6.4　执行最佳的长尾策略 

11.7　搜索：衡量上层漏斗关键词的价值

11.8　搜索：付费点击的进阶分析

11.8.1　识别关键词的潜在机会

11.8.2　关注“什么改变了”

11.8.3　分析展示份额和收入损失

11.8.4　拥抱投资回报率分布表

11.8.5　用户搜索查询和匹配类型归零

第 12章　数据分析专家的进阶指南 

12.1　多触点营销活动归因分析

12.1.1　多触点是什么

12.1.2　你有归因问题吗

12.1.3　归因模型

12.1.4　实际情况下归因分析的核心挑战

12.1.5　归因分析的可行替代方案

12.1.6　关于多触点的部分思考 

12.2　多渠道分析：对于全线营销的衡量技巧

12.2.1　跟踪线下营销活动对线上营销活动的影响

12.2.2　跟踪线上广告活动的线下影响

第 13章　数据分析的职业生涯 

13.1　数据分析师职业生涯规划：选择、薪酬前景和发展

13.1.1　个人技术贡献者

13.1.2　个人业务贡献者

13.1.3　技术团队领导者

13.1.4　业务团队领导 

13.2　数据分析成功职业生涯的技能培养

13.2.1　使用数据 

13.2.2　获取多个分析工具的经验

13.2.3　在实际中的运用

13.2.4　成为数据收集侦探

13.2.5　数学基础：学习统计学的基本知识

13.2.6　善于提问

13.2.7　与业务团队紧密合作

13.2.8　学习有效的数据可视化和 PPT技能

13.2.9　与时俱进：参加免费网络研讨会

13.2.10　与时俱进：阅读博客 

13.3　数据分析专家最美好的一天

13.4　雇佣最好的人才：给分析经理和总监的建议

13.4.1　优秀分析专家的关键特质

13.4.2　专家或者新手：做出正确选择

13.4.3　面试中的最大考验：批判性思维

第 14章　创建数据驱动的企业文化 

14.1　改造企业文化：如何让人们关注数据分析

14.1.1　做一些令人惊讶的事情，不要简单提供数据

14.1.2　从产出和影响开始分析，而不是访问量

14.1.3　创造榜样

14.1.4　如果想让决策者感兴趣，首先要让数据分析有趣

14.1.5　竞猜

14.1.6　内部分享

14.1.7　把握办公时间 

14.2　提供指导实际行动的报表和分析

14.2.1　使用 Unboring过滤器

14.2.2　将见解与实际数据联系在一起 305 

14.3　通过更改指标定义来改变企业文化：品牌宣传指数

14.3.1　案例及分析

14.3.2　问题

14.3.3　解决方案

14.3.4　结果

14.3.5　采用 BEI指数的结果

14.3.6　可选择的计算方法：加权平均

14.3.7　总结 309 

14.4　提升数据质量：从质疑转为使用数据 

14.4.1　换个不同的老板

14.4.2　使用“不完美”的数据

14.4.3　用可操作的分析结论吸引公司高层的注意

14.4.4　秘密 1：第一周 /月的头部数据具有可操作性

14.4.5　秘密 2：在漏斗底部提升数据精度

14.4.6　解决方案是坚持一种数据分析工具到底

14.4.7　识别边际收益递减

14.4.8　网站越小，问题越大

14.4.9　不合逻辑的用户行为和不准确的标准

14.4.10　在网上更快试错 

14.5　数据驱动型老板的 5条规则

14.5.1　摆正自己的位置

14.5.2　认可不完整的数据

14.5.3　付出更多努力

14.5.4　成为营销人员

14.5.5　拒绝数据服务业务

14.5.6　数据分析进阶的思维模式 

14.6　获得公司支持的策略

14.6.1　实施实验和测试方案

14.6.2　倾听用户反馈

14.6.3　使用行业标准

14.6.4　竞争情报：你最好的新朋友

14.6.5　与有意向的网站合作

14.6.6　向专家求助 

14.7　打破数据分析壁垒

14.7.1　惊人发现

14.7.2　缺乏预算或资源

14.7.3　缺乏策略 

14.7.4　孤立的组织

14.7.5　缺乏了解

14.7.6　数据泛滥

14.7.7　缺乏高级管理人员的支持

14.7.8　IT障碍

14.7.9　缺乏对分析的信任

14.7.10　缺乏人才

14.7.11　糟糕的技术

14.8　谁真正拥有数据分析

14.8.1　集中或者分散

14.8.2　团队的演变