first part
The two-stage form of the data product is about how to analyze the data indicators.
The first part overview understanding:
1. Give up the pursuit of causality and focus on correlation. (Personal understanding: causal relationships must exist, but they are relatively obscure. It may take a lot of resources and energy to pursue these causal relationships, and the return may be a useless and tasteless conclusion. The input and output are too small, it is better to only Pursuing superficial correlations pays off.)
2. Uses: a. Predict trends and analyze the general trend. b. Analyze individuals and do precision marketing (this is the current use of general companies)
3. Data structure: Big data is more reflected in the integration of massive unstructured data itself and processing methods
NO.1
Metrics for Website Analysis:
1. The basic indicators are relatively clear and common. In the past work, both large and small have been touched, and it is relatively easy to understand. The main focus is on the basis of basic indicators, and further composite data analysis. These composite indicator analysis may be directly used as a strategy Guidance and business orientation. The basic indicators will not be displayed, and some issues that need to be thought deeply will be listed.
Further thinking:
- Visitor value
- page value (or resource slot and ad value)
- ROI for new and existing visitors
- Bounce rate of the website (analyzed by page and by source)
- The attractiveness of the website to users
- User life cycle
With these questions in mind, with a research mentality, continue reading. According to the book, you can find the answers in the following chapters.
The basic methodology of the analysis:
1. Methodology: get visitors → evaluate performance → analyze trends → experimental improvement (cycle this step, and gradually optimize)
As far as the current data product is concerned, the big framework has not escaped the above-mentioned methodological guidance. With the increase in the attention of the data and the advancement of technology, the depth of each step is earlier. , it may improve a lot, but there is no risk of bias starting from the classical methodology for preliminary understanding.
2. The importance of web analytics
书上有一句话特别经典：”衡量投资回报率的投资回报率是多少“，不说公司，单说市场和商业模式，在这两者已经确定的情况下，接下来就是一个精细打磨的过程，在定势上做优化，在公司市场和供应链投入不变的情况下，投入数据产品优化（包括流程、人与网站内容的关系等），从而提升公司在市场上的投入产出比。对流量、转化进行分析和优化，是一个公司发展到一个阶段后的必由之路。
NO.2
网站分析的现有方法：
此处的现有方法是比较早了，很多问题现在已经得到了优化（尚未完全解决），比如原来会自然丢失20%的流量，现在可以做到只又10%的丢失，但了解此部分可以增加对全书内容的理解。
1、页面标签技术
- 主要的优点是可以提供精准的追踪，实时提供和处理客户端数据，还能统计电子商务数据，应用比较广泛。
- 页面标签主要通过cookie完成，删除cookie和使用第三方cookie会造成数据无法统计和用户拒绝问题。
- 一个网页，在没有清除cookie情况下，两个用户先后访问，会只统计到一个用户（通过账号登陆可以缓解此问题）
- 类似于网吧这种，关机会自动清除cookie 的，同一个用户会被统计多次（通过账号登陆可以缓解此问题）
2、日志文件
- 可以处理旧数据，可以不受防火墙阻隔，存储在服务器中（这就意味着不能追踪事件）
- 日志文件通过IP来统计，动态IP的话，会导致数据不准
- 访问缓存页面的时候，可能没有办法和服务器联通，统计不到数据
- 爬虫等技术，会使数据虚高
3、总结分析
- 两种方法都可以统计数据，但是都有局限，可能会造成数据不准甚至是错误，所以这些统计方法， 只是在研究关系和趋势方面会有指导意义，如果要看某个具体的数值，比如流量大小之类，只能看一 个大概（已经能满足运营需求）；如果是一个电商网站，需要看精确数据的，大概是两个值：一是订 单相关，二是gmv相关，这些都可以存储在数据库中， 是比较精确的，其他的数据只要用趋势来指导 一下业务就完成了其数据的使命。
- 数据的统计策略：两种方法有缺陷，在统计时，可能有问题的数据，宁愿舍弃，也不要将其纳入数据统计中，”舍即是得“。另外，需要过滤一些特定的、已经确认是无效的数据，比如机器人爬虫之类的，在前期考虑尽量全面，可以避免很多脏数据。
- 页面的漏斗和层级要设置好，全面考虑，建立一个良好的合理的漏斗模型。
GA的亮眼功能（系统的功能介绍）：
- 路径完整性好，用户从哪儿来、用户在网站的行为、关键路径的转化，GA都包含。
- 交叉分类，可以对数据集合进行交叉操作
- 电子商务报告，亮眼的功能中这个功能最亮，将数据货币化，可以深挖电商方面的信息。
除了其他一些报表常见功能外，上面几个功能是GA好用的精华，但是比较自己做的系统来说，还是不够因地制宜，但是可以满足一般的功能需求了。另外，GA的数据无法被第三方调用，这块是有一些不方便的，如果平台要用这些数据做一些其他的事情（包括人群的风控、营销活动投放至指定人群等），还是要走自己开发的路线，这些功能可能还涉及到人群画像之类的其他模块。
第二部分
GA的报告：
- 需要关注指标 页面价值 $index=（目标价值+电子商务收入）/ 独立页面浏览数
页面价值越高，受欢迎程度越高。
- 此章节中，可以看到【第一部分】中的问题答案：通过报告可以展示各项数据
其他：略（GA的后台设计是比较清晰的）
第三部分
此部分主要是部署，作为数据方面的产品经理，了解数据分析的流程策略即可，不需要具体实施。
第四部分
此部分主要是数据产品的两段式的后半段，主要是关于怎么用数据优化产品设计。
NO.1
书中的关键流程：确定合作伙伴→头脑风暴→设定OKR（目标和关键结果）→提炼OKR
- 对于现阶段的工作来说，主要重点是网站商品排序和推荐的策略，主要是通过算法策略影响转化和营收，对于我们团队来说，业务方就是我们自己，我们团队内部通过一系列的研究和实验，得出一个最优的策略并应用到线上。
- 与文中切合点在：设定OKR和提炼OKR，并将okr拆解成可以实现的、可以影响的指标参数。