在網際網路公司眾多類型的資料裡,營運數據與財務數據通常很快就被拿來做決策,反倒是網站訪問數據用得最少。為什麼會這樣?這些數據又該怎麼用?
一、對重要性的判斷不同。交易與財務數據直接關係公司生死,一旦異常,營運立刻緊繃,從 CEO、CFO 到基層員工都在盯。網站數據反映的只是產品本身好不好,而這件事在公司發展的早期階段並不明顯——在國內尤其不明顯。不少團隊靠一流的銷售配三流的產品就能搶下市場;有些站點甚至不需要優秀的產品,只要砸夠多資金、投夠多廣告,把用戶量與營收做出來就能融到錢。於是產品端數據自然被排到後面,而真正在产品上做重投入的公司,靠的也不是流量報表,而是產品團隊自身的判斷力。
二、處理成本更高。業務數據以單筆交易為單位,關聯結構相對單純,資料量也小得多;而且因為牽涉財務,通常有多台伺服器與多套系統互相校驗,準確性有保障。網站數據則是「使用者—工作階段—頁面」構成的一串序列,矩陣化的資料讓處理難度陡增。光是資料量就常是交易量的幾十倍,但真正的難點不在量,而在分析單位從「一筆紀錄」變成了「一條序列」。另一個難點是,資料龐大到難以完全避免遺失——多數網站的記錄中丟失 1%~5% 屬常態,而即使只丟 1%,對序列分析的影響也不小。
三、網站數據更難理解。交易與財務概念承襲自傳統產業,定義相對明確,從業人員對交易量、交易額的意義幾乎沒有歧義,取得與統計方法也有一套規範。網站數據則是伴隨網際網路發展才出現的,缺乏統一詞彙:兩套統計系統裡,同一個名詞可能指不同的事,不同的名詞可能指同一件事;名稱與定義都相同,取得方式卻不同。加上這領域的專業人力稀缺,連產品經理、互動設計師都常分不清獨立使用者數、獨立 IP 數、獨立工作階段數與流量之間的差別。再疊加開發語言、跳轉方式、伺服器配置的差異,取數口徑五花八門,理解成本又高一層。
四、應用路徑不順。傳統數據很容易落到實務:投入產出對比清楚,判斷自然容易做決策,而且業務情境多半是二選一或多選一,數據說哪個好就選哪個。加上長期累積,交易數據已有成熟的解釋結構,看到某個指標就知道它受哪幾個因素影響。網站數據往往難以下結論,也很难直接對應到具體修改。除了 A/B test 屬於方案對比,其餘多數數據反映的並非方案優劣,而是同一個產品的優化空間:某頁轉換率低,產品經理不可能直接把頁面砍掉,只能設法優化,判斷與處理的難度因此倍增。更麻煩的是,網站數據同時受系統機制與使用者心理兩股力量牽動,還沒形成一套解釋結構;而一旦判斷結果是「使用者不再繼續操作」,分析就進入了荒原——你只知道他走了,不知道為什麼。
以上這些,是網站數據相對於業務數據的弱勢,並不意味著它沒有意義,只是發揮的時機還沒到。等市場版圖大致劃定、各家開始比內功、需要靠優化業務數據取勝的時候,網站數據的價值自然就浮上檯面了。