Tenly 的互联网哲学

换了Macbook Air 测试离线发博

Tenly — Fri, 26 Aug 2011 18:47:28 +0800

正式全面地进入到Mac家族。从手机到电脑。更重要的是软件。

如何萃取海量数据的价值

Tenly — Mon, 11 Apr 2011 17:40:56 +0800

周末看到资深电商人士微博，提到网络营销过程中数据挖掘与分析的妙处。某员工通过技术手段对广告与访客监测，通过对收集数据的分析，判断新产品未来的销量，从而影响公司的营销策略与商品运营。

这些年来，我一直在网络营销领域与工具及数据打交道，这样的案例比比皆是。广告主，通过对历史营销数据的分析，定位自己的目标受众；媒体代理公司，通过对媒体广告效果的数据分析，有效优化媒介预算配置，实现ROI提升；搜索引擎公司，通过对海量数据的挖掘，寻找合理算法模型，达到广告有效匹配与精准投放，提高流量变现。

数据的重要，不需要强调，可以在任何一本商业理论的书籍中寻找到强调它的段落。此文旨在分享在网络营销领域，如何获取数据价值的具体方法论。

获取数据价值的方法论我认为有三步：监测部署、数据仓储、挖掘萃取。整个过程是动态流动的，就像黄金生产：先部署机器把矿石挖回来，再用厂房对矿石进行存储，再对这些矿石进行提炼成金。

1、监测部署

网络营销，英文称为Digital Marketing，即数字营销，意味着有一个天生特点：整个营销的过程都有数字（数据）产生，且这些数据天生易被记录。就像前面关于黄金的比喻，这种矿石海量且容易获取。这种事情的门槛不高，市场上很多参与者。

通过技术手段，可以监测到广告端广告展现了多少次，被点击了多少次；还可以知道网站端访问者在网站上去了哪些页面；甚至还能够知道社会化媒体谁在谈论什么，他们态度与喜好。

现在许多广告主都开始注意到这点的重要性，采用了很多方法去部署监测，从而收集营销项目的数据表现。

2、数据仓储

很多广告主只停留在数据部署阶段监测而来的简单数据报告，却忽略了长期数据积累的重要性。对营销数据系统化、长周期的规划仓储，有利于提升营销前期判断决策能力与网络营销的ROI。

这个过程需要将不同时间段、不同渠道得来的数据进行有效整理、整合，通过技术手段索引压缩，并分布式多备份地放在服务器集群。这个过程既要保证监测收集回来的数据安全保留，又要通过索引存储为第三步的萃取数据价值打下基础。这在技术层面是门槛很高的环节，需要服务商建立多备份的分布式服务器网络，保证数据安全、有效管理。

我曾经向客户举例：如果你买了十本书，你可以很容易找到需要的书；但是如果你有十万本书，就没有办法找到你需要的了，这就意味着这十万本书变成无用的、作废的。所以需要有很高科技的方法帮你把十万本书以及后面陆续买进来的书有效地归类与放置，这样主人才可能随时看想看的书，才能发挥书的价值，而数据仓储就是这个重要环节。

3、挖掘萃取

在云计算盛行的当下，数据被云端有效存储与集中管理后，数据挖掘成了热门的学术话题。在本环节最需要科学的挖掘方法来提炼“金子”。数据挖掘领域，人们最常举的例子就是关联规则算法中啤酒与尿布的案例：超市通过数据挖掘发现买啤酒的男士更倾向于一起买尿布，于是超市将尿布与啤酒放在一起，从而提升了销量。

同样在网络营销领域，在数据仓储阶段后，需要优化配置服务器资源，不间断地进行单一维度的、交叉多维度分析，源源不断地萃取论证结果，提炼出结论帮助决策。如我们遇到过：广告主对多种媒体长期投放后，发现不同媒体受众对品牌态度出现明显差异，深入研究后发现B类媒体受众对该品牌态度的频次曲线更低。因此广告主更加注重了在B类媒体投放时的频次控制，避免用户因“广告过曝”造成的反感情绪。

当然，在电商客户的实践过程中，更容易在海量数据中提炼出能够立竿见影带来销量提升的价值点。长期监测发现，某电子商务网站70%以上成交量并不是由广告点击直接带来的。于是我们为客户研究这些未点击广告造成订单用户的Cookie特征。挖掘发现这些用户部分是该电商网站广告的曝光覆盖者，只是当时他们没有产生广告点击，之后通过搜索引擎过来的。对比分析多媒介渠道后，发现媒体A最容易（成本最优）带来这种用户，于是客户加大了该媒体的投放。

[感悟]少一些评论，多做一些产出

Tenly — Wed, 08 Dec 2010 17:52:46 +0800

转眼间，我已经触网十年了。非常感谢党和政府给我这样一个既不是富二代也不是官二代的80后一个稍微容易公平竞争，创业门槛相对较低的行业。在这个行业，我们可以玩着国际化的游戏，学着中国的游戏规划。

2005年，我注册了ectend.com域名，开始了我的博客生涯，当时每天的生活就是阅读别的评论，然后写自己的评论，希望能与他们为伍。在Web2.0风声水起的年代，一群有志之士如百家争鸣，纷纷立博存证，纷纷实现自己的“媒体个人化”。Keso是我当时必看的作者之一，每篇文章都非常深刻。当时互联网还有各种各样的知名人士，方兴东、刘兴亮、炳叔……

这么多年过去了，立志成为创业者的我，发现他们还在以评论为主业，凭借着影响力还衍生地创了一些小业。但终归未成气候。

中国，在你我的身边有太多的大师、专家、教授、评论者。但是我们的互联网，还需要您勇敢实现，努力产出，帮助整个互联网的发展。

您觉得这个商业模式怎么怎么有缺陷，或者您觉得哪个商业模式如何如何前景光明，麻烦您自己运营运营试试？
您觉得这产品功能怎么怎么不够好，或者您觉得产品应该这样那样，麻烦您自己做一个试试？

有评论说明有思考，固然好。但是如果你有足够的野心，有强大的理想，那么请开始产出，从一个小网站、一个小功能、一个小产品、一个小服务、一个小公司开始。否则，你只是站着说话不腰痛。

对，我承认，我这文章本身就是在评论。还好，我这访客不多，就算是我们朋友之间的交流吧。

话说回来，评论其实也有很多好处。你看看中国这些互联网、新媒体之类的论坛、峰会、展会，哪个不是在评论？哪个不是在找几个大腕搭个台，唱出戏，照样是人头攒动。有了眼球，就是商机，就是市场与PR，就是销售的战场。

这就是残酷的现实。

所以，如果您在哪个展会、论坛、峰会上见到Tenly，请与我相视而笑，交换名片，按流程寒暄一番，最后留一句：“保持联系”，或者“有机会合作”。

到时见~

不要用3%人思维去做中国互联网

Tenly — Sun, 10 Oct 2010 13:11:33 +0800

昨天去北大面试，和面试官有个短暂而深刻的交流。面试官是非互联网行业，且不懂互联网的人，但是他们都带着一个问题问我：谷歌在中国为什么客户的占有率比百度低？（抛开政府政策干扰）

这个问题不同的人有不同的答案。我与面试官们分享了我的一些看法，同时也在此与大家简单地分享（不能详述）：

在没有加入百度以前，我是无法更深切地体验到这个问题的答案，但是大致就是知道百度更满足中国用户需求。但是现在我感同身受后，这个答案会非常的清晰：

1.简单的游戏规则：

中国的客户大多不懂什么叫SEM，不懂什么叫GSP（General Second Price），更不知道所谓的各种营销理论。他们只需要知道：我花了钱，自己搜索能看到我的广告，广告有人点，有个给我打电话买东西。就这么简单。这部分人占了80%以上。

客户们就想玩〈斗地主〉，你非要给我搞一个〈三国杀〉这么复杂的游戏，不爱玩，也不会玩。这就是原因。

后来随着更多的人熟悉了简单的游戏规划，才会有凤巢这些类Adwords产品的出现，让玩得厉害的客户参与到更复杂的游戏过程中来，同时也提高整体的广告展现质量。

2.客服

即便开始百度的游戏规划非常的简单，但依然有非常大部分的用户不会玩。那怎么办？客户与销售体系。我去过一线，与这些客服与销售交流。他们的工作非常的累，不仅背着业绩的压力，也要承担着教育客户的重要责任。

客服的工作，我个人倾向于形像地比喻为：老人院里的护士。这就是他们工作的写照，耐心、细心、操心。

3.销售网络

这个就不详说了。

其它的，互联网人都推崇的技术含量（算法、云、分布式、存储……），其实互联网企业都有这些，不值得一提，更不是在中国这个市场致胜的关键（至少大部分面向用户的产品不是）。

在中国这种成熟度的市场，是无法像美国那样，催生成像谷歌那样需要不断技术突破去满足用户的需求的企业。

最后分享一个图，也许你就在这3%的人群里，大家都在为中国的互联网建设做努力。请多多关注那97%的网民，去听听他们的声音，比如二三线城市的亲戚，家中的父母，甚至是打车途中的出租车司机。

谈牛人，论渺小——百度感悟

Tenly — Mon, 06 Sep 2010 21:33:58 +0800

博客已经非常久没有更新了，与朋友们的交流更多还是在微博上（http://t.sina.com.cn/omniture)。另外一个主要的原因，是我越来越觉得自己没有什么东西值得与大家分享的了，因为世界是如此之大，牛人是如此之多，我的知识真的是独家的么？我的认识真的是有价值的么？我的分享真的能够帮助到大家么？

这个问题一直困扰着我，自从我加盟百度这将半年多来。这些思绪一直停留在我的脑海无法诠释，直至今天遇到了一个导火线，让我静下来想想，认真地用文字记录下此刻我的认识。

导火线一：

听同事A说，今天他们北大有个数学系的牛人拿了MIT的Offer也不去，出家了。原名柳智宇，现为龙泉寺圣宇大师，他如风一样自由。高中时，他就以IMO国际奥数满分被保送进北大。当时他就叹：

地虽大，无一可载我只物
众生虽广，无一可立我之人

此人与我另一个同事B为高中同学，他高一的时候就经常找我那同事B晚自习聊哲学与信仰。有的人说这是中国教育的失败，但我更倾向觉得，这是大智慧之人寻找超脱的必然之道。当你的头脑足够聪明，以至于有些问题俗人与凡人无法解释之时，你必须超脱，必须放下，必须皈依。

导火线二：

今天发现，身边两个熟悉的同事，居然是国际ACM比赛（国际大学生程序设计竞赛）的大牛，拿过N个大奖。第一次感觉，原来牛人就在身边，离我很近。然后，还听到许多轶闻趣事：如他们编程不喜欢用别人写的库，因为自己几行代码就能实现别人几百行代码的功能。

的确非常牛，我与他们合作过，我能感受到他们的思维的敏捷。前几天，其中一个人还拿着一个分析模型找我交流，挺复杂的一个模型。

总之，今天听到了这两件小事，让我突然心情无法平静，

有些人的牛是靠岁月与经验的积累“混”出来的，而有些人的牛是与生俱来的理解与学习能力，还有天赋。前者是容易学习与复制的，后者真的是很难，这才是令人佩服崇拜之处。

在百度，身边的每一个同事，都有他们闪耀的牛B点，他们的优秀以至于我感受到自己的渺小与无知。不谈他们出众的学历背景，我更欣赏他们的聪明与为人本质。

以前在广告公司，其实技术含量并不大，忽悠与经验占工作中比较重的比例，人们对专业水平的追求其实并不高。当然，这毕竟是职业发展营生之道之一，但个人不太着重这一块的发展，因为这一块在个人的职业发展中实现起来并不复杂。

现在我会花更多的时间在思维的提升与专业知识的提升上，与聪明的人一起工作，是非常快乐的，这也是我一直追求的，但愿我能与他们一起成长。少一些忽悠，多一些专业，多一些干货，肚子里的水多装一些。

如何实现多帐户与密码管理

Tenly — Sun, 30 May 2010 21:40:41 +0800

大家的网络生活非常的丰富，拥有的各种帐户非常的多。银行金融、网站服务、各类软件都需要帐户与密码。

这么多帐户管理起来其实非常麻烦，想密码不一样呢，也不容易记，想密码都一样呢，也不安全。很多朋友喜欢采用折中的方法，即把密码分为强中弱三类，根据帐户的重要程度应用。

最近接触了Token密码相关的应用，灵机一动，想到一个方法论既使帐户密码强度高，也能容易记。特撰博与大家分享，我个人觉得很不错，希望能帮助到大家。

方法论简介：

将密码进行拆分，由“固定字符串”+“变量串”。

固定字符串

由自己定义的一串好记的字符，有一定的含义，例如：“tenly”。

变量串

根据不同帐户的环境变量进行变异。例如：建立一个规划，变量串由帐户注册的服务供应商英文名的前5个字符组成，不足5位，用“z”被齐。

如果注册QQ帐户，那么变量串为：qqzzz；最终密码为：tenlyqqzzz
如果注册MSN帐户，那以变量串为：msnzz；最终密码为：tenlymsnzz
如果注册新浪帐户，那么变量串为：sinaz；最终密码为：tenlysinaz
如果注册百度帐户，那么变量串为：baidu；最终密码为：tenlybaidu
如果注册淘宝帐户，那么变量串为：taoba（取5个字符）；最终密码为：tenlytaoba

这样你就非常容易记，且保证了密码的强度了。当然这里的规则是我举例子，你可以根据自己的喜好定义别的规则。

衍生变量串

如果你觉得这密码的强度还不够，的确有些服务商会说你强度还不够的，因为少了数字，或者大小写。那么我们可以再加一个衍生变量串。例如：建立衍生变量串规则：取帐户注册的服务供应商英文名的最后一个字符大写+英文名的长度。

如果注册QQ帐户，那么衍生变量串为：Q2；最终密码为：tenlyqqzzzQ2
如果注册MSN帐户，那以衍生变量串为：N3；最终密码为：tenlymsnzzN3
如果注册新浪帐户，那么衍生变量串为：A4；最终密码为：tenlysinazA4
如果注册百度帐户，那么衍生变量串为：U5；最终密码为：tenlybaiduU5
如果注册淘宝帐户，那么衍生变量串为：O6；最终密码为：tenlytaobaO6

所以只要你定义好一套简单易记的规则，无论密码强度多高，你注册的帐户多多，使用频次多低，你也会记住的。

同理，这套方法论还能应用到帐户名称上。因为许多朋友喜欢用一个ID到处注册。其实这样是有风险的，因为你会很容易被人家人肉搜索到，就像一串葡萄一样，人家只要知道你的一个帐户ID，就能够在别的网站上，用同一个ID找到你的信息。

Google Analytics 异步代码详解

Tenly — Mon, 03 May 2010 16:41:37 +0800

Google Analytics 的异步代码发布很久了，大家都听说过。可是真正用的人，或者花点时间了解的人不多。的确当标准的代码已经能够满足监测需求，而且已经部署到位了，再换成异步纯粹是折腾和浪费精力。

当什么情况下，你必须开始了解异步代码，甚至是使用它呢？

1、Google Analytics 代码放在底部。

用 HTTPWatch 测试你的网站，如果页面的 Google Analytics GIF 请求很晚（个人觉得30秒就很晚了）。这种情况，说明你的网页的 Google Analytics 的监测部署其实已经不太理想。
或者你页面的 JS 写了很多，难免有错误的 JS，影响了 Google Analytics 代码的执行。

2、Google Analytics 代码放在顶部。

按 Google Analytics 的官方建议，所有的电子商务网站的监测，Google Analytics 的代码应放在 <head></head> 之间。处理监测请求一定程度会导致影响了网页的加载速度。

如果是以上两种情况，使用异步代码就能够得到有效的改进。

第一步：准备代码并部署。

<script type="text/javascript">
  var _gaq = _gaq || [];
  _gaq.push(['_setAccount', 'UA-XXXXX-X']);
  _gaq.push(['_trackPageview']);
 (function() {
   var ga = document.createElement('script');ga.type = 'text/javascript'; ga.async = true;
   ga.src = ('https:' == document.location.protocol ? 'https://ssl' : 'http://www') + '.google-analytics.com/ga.js';
   var s = document.getElementsByTagName('script')[0]; s.parentNode.insertBefore(ga, s);
  })();
</script>

自行替换 UA-XXXXX-X 为你的帐户 ID。并复制粘贴到 <head></head> 之间。

第二步：检查是否数据接收正常，以及效果。

用 HTTPWatch 检查一下即可。你会发现，传统的监测代码，ga.js 与 GIF 请求非常的相近（文章上方的截图为例）。而异步代码的特点是：ga.js 的请求与 GIF 的请求不在一起了。

第三步：高阶的说明与应用：

Google Analytics 有两个通用对象，分别是 _gat 与 _gaq 。 _gaq 就是主要服务于新的异步代码的。举例详说：

var pageTracker = _gat._getTracker('UA-XXXXX-X');
pageTracker._trackPageview();

在 _gat 对象下，有一个 _getTracker 的方法，创建一个基于 UA-ID 的新对象：pageTracker。然后通过调用 pageTracker 下的大量方法，如 _trackPageview()、_trackEvent() 等等，实现网页的监测。

var _gaq = _gaq || [];
_gaq.push(['_setAccount', 'UA-XXXXX-X']);
_gaq.push(['_trackPageview']);

异步则不尽相同。在 _gaq 对象下，只有一个 push 的方法，通过这个 push 的方法，将所有的监测请求当成数组传送，实现网页的监测。例如，上方通过 push 方法，实现了 trackPageview。

我尽可能通俗地解释了，如果你理解了我这么不专业的解释之后，我们开始实例应用：

_gaq.push(
  ['_setAccount', 'UA-XXXXX-X'],
  ['_setDomainName', 'example.com'],
  ['_setCustomVar', 1, 'Section', 'Life & Style', 3],
  ['_trackPageview']
 );

第一个例子是实现了两个自定义监测，分别是自定义cookie的域名，自定义了一个变量。

var _gaq = _gaq || [];
_gaq.push(['_setAccount', 'UA-65432-1']);
_gaq.push(['_trackPageview']);

_gaq.push(['t2._setAccount', 'UA-65432-2']);
_gaq.push(['t2._trackPageview']);

第二个例子是实现了两个 UA-ID 的监测。注意到第二个，使用了 t2点开头。t2 是任意命名的，你可以命名为 a1点，也可以命名为 b点。第一个为什么没有点呢？可以这样理解，第一个为“空点”。

最后总结：

我个人建议，只要你的网站加载 Google Analytics GIF 请求时间小于30秒，就不需要使用异步代码，否则最好使用异步代码。所有的学习资料链接如下：

异步代码的基本说明：http://code.google.com/intl/zh-CN/apis/analytics/docs/tracking/asyncTracking.html
异步代码的函数说明：http://code.google.com/intl/zh-CN/apis/analytics/docs/gaJS/gaJSApi_gaq.html#_gaq.push

最最后，给大家一个预告，一个Google Analytics的新功能即将与大家网页：

Google Analytics Tag Validatoin，帮助你检查代码是否添加完整正确。

http://www.google.com/support/analytics/bin/answer.py?hl=en&answer=179348

Advanced Segments 快速诊断电子商务网站

Tenly — Sun, 18 Apr 2010 15:25:36 +0800

前言：寒冷的北京的春，周末宅在家独守空房思考，有点想法令我豁然开朗。于是撰文记之，又开始拿 Google Analytics 此工具开始说事了。

理论：

对于一个需求不太专业的电子商务网站客户来说，他们关注的东西并不多，但是“转化”倒是一个重要内容。

面对这种转换分析，常用的方法是使用“目标”。以 Google Analytics 为例，即设置特定的页面为目标（Goals），从而知道转换的变化与好坏。对于封闭的，单一的转换，这种方法是完全没有问题的，但是对于非封闭的，而且是动态的页面，方法论就会有一些瑕疵。

网站主问我：“我的访问者，有多少人会去我的商品页？”；“我的访问者，有多少人会去下单？”

于是使用定义“目标”方法的话，需要定义所有的商品页为 Goal 1，购物车页为 Goal 2，……

Goals 的定义是以Page Views为单位的。也就是举例说：

2次 Visits，其中1次，从促销页去查看了3个产品页，另外一次从页面去看了2个产品页，共实现了5个 Goals，转化率为 5 / 2 = 2.5。
2次 Visits，其中1次，从促销页去查看了6个产品页，另外一次直接从首页跳出（Bounce）。这样共有6个 Goals，转化率为 6 / 2 = 3。
结论是后者的转换率高？可是前者2个访问者皆实现了到产品页的转化哦！如果数据放大，这种疑问就值得沉思了。

所以我就觉得有点奇怪，用 Page Views 作分子，Visits 作分母，它们的比值似乎不太对劲。因为个别狂热的的访问，会造成多次的目标实现，就会拉高整站的转换率。

于是我们调整算法，抛弃 Goals 的设定方法：

2次 Visits，其中1次，从促销页去查看了3个产品页，另外一次从页面去看了2个产品页。2次 Visits 都成功转化到了产品页，转化率为 2 / 2 = 100%。
2次 Visits，其中1次，从促销页去查看了6个产品页，另外一次直接从首页跳出（Bounce）。2次 Visits 只有1次转化到了产品页，转化率为 1 / 2 = 50%。
这样看起来是否更合乎逻辑了。因为是 Visits 与 Visits 之间的比，而且分子除以分母的比值永远小于100%。

实践：

基于前面的结论，我们需要知道数据：

1、有多少次访问来到了我们的网站
2、其中有多少的访问造成了转化去了我们的任意产品页
3、再其中有多少的访问会进去购物车
4、然后是下单 – 物流 – 支付……

这样才是一个完全的 Funnel 漏斗，而且这个 Funnel 的确是越来越小。

首先，查看我们网站的 Visits，这样可以知道有多少次访问来到了我们的网站。

然后，定义多个 Advanced Segements：

Segement 1（去看过产品页的Visits）的条件是：Page Contain “ProductID=”；
Segement 2（去购物车的Visits）的条件是：Page Contain “Flow.php”；
Segement 3 （去下单的Visits）的条件是：Page ……（忽略掉请自由发挥）。

不同的电子商务网站的产品页的共性不同，你只需要找出共性，找到他们即可。有的是“/goods.php?id=888”，有的是“/Product/3333.html”，有的是“/StyleDetail_9384/”……

最后，我们开始跑报告，把定义好的 Segements 都应用到报告中去：

结论：

于是得到按周来看，这三个 Segements 的数据（声明：演示数据，数字已人工调整）。

从下面的图表，我们就很容易回答刚才的问题：

本电子商务网站会有 61% 的访问会转化到产品页，从上线第一周开始，随着网站的优化，以及各种促销活动的开展，这个转换率一直在提升。特别是在11周，由于季末大甩卖的促销的有力推动，转化率一度拔高到 67% 的历史最高水平。
从产品到下单的的转化率平均为 3%，低于行业平均水平（行业平均水平为 XX%）。令人关注的是，最近产品到下单的转化率一路下滑。
尽管有较高比例的用户会访问产品页，但下单的用户转化率偏低，可能存在的问题有：
- 价格优势不够明显。
- 页面购买下单的按钮都不明显。
- 页面设计不够合理。
- ………………说一大堆。

动态的数据之美

Tenly — Wed, 31 Mar 2010 15:11:14 +0800

最近淘宝发布了“数据魔方”。阿里巴巴没有Google与百度这么大方，直接免费共享数据，但毕竟他们还是开了一扇数据的大门，尽管这个门的门槛有点高：3600元/年。

如果从事相关业务的朋友或者公司可以直接访问购买：http://pay.taobao.com/servicebuy/buy_list_service.htm?z_index=2004

Taobao拥有中国最丰富的电子商务数据资源，在他们的工程师与分析师的智慧推动下，更多的中国本地的数据之美将展现给大家。我们知道，在Google总部的前台，有一个滚动的地球，这个地球的每一束光都代表着一次搜索的请求，每一束光的颜色都代码着一种语言的请求。这样这个图就可以包括用户几个变量：

搜索的IP，从而推算出地球位置。
客户端的语言，从而标注不同的颜色。
搜索发生的时间，从而保证未来的回放。

这是我找到的一个图，于是，让我们放开思想，将这种数据的动态之美的方式转移到淘宝。下面这个图就可以像“下雪一样”动态化了，当用户成交一单：

那么根据交易额的大小决定掉下来的长条的高度。
掉在用户相应的地域那条栏里。
根据交易物的种类，对长条进行标色。
记录用户的交易时间，在下方的动态条里显示。

于是，随着时间的推移，这个柱形图，就像积雪一样，越积越高，颜色也一目了然。点击相应的省，可以立即细分到每一个省的市级。拖动时间条，可以快速切换到时间为横轴的维度。

还有什么东西可以动态地展现数据之美的么？网站分析工具。虽然没有人做过这样的东西，哎，我的技术暂时还不能开发这样的东西。但在此博客里作个记录，说不定未来能实现，就像卡梅隆十年后拍《阿凡达》一样。

第一步：将网站网络图表化，就像一张蜘蛛网。

第二步：将访问者用一个细点代表，点的颜色、点的形状代表不同的地域与语言。

第三步：根据访问者的网站上行为，用细点的移动、消失、离开来表现。

第四点：消失的点，会像飘雪一样，积累在视图的底部，积累的高度，反应网站的浏览量。

第五点：点击任意一个点，可以重现访问者的访问轨迹。

相法很多很多。。啊！！苍天啊，为什么不让我是Java或者Flash的ActionScript的程序员。

未来，我相信 InfoGraphic 是一个趋势，随着服务器，网络升级换代，我相信，我的这个网站分析工具的未来肯定会实现的。

Omniture HBX 学习笔记 (1)

Tenly — Thu, 25 Mar 2010 00:36:04 +0800

最近再次拾起HBX这个工具，之前是服务AutoDesk的时候用过一阵。因为最近新接触的客户现处在HBX与SiteCatalyst的过渡阶段，所以熟悉SiteCatalyst之外，对HBX也需要有所掌握。

有很多人都说Omniture的东西很难用，或者很难学。其实主要是因为使用它们的门槛较高（价格贵）一些而已。我的观点是，任何工具都有一套自己完整的逻辑，所以工具都是能学好的，因为都是产品经理规划出来，他们都是人，不是神。

时下，其实HBX是一个尴尬的产品，因为它已经被Omniture收购了，然后它会慢慢地被SiteCatalyst同化。所以从长远来说，SiteCatalyst仍是王道。且从价值来看，深入研究HBX的意义没有研究SiteCatalyst大。

报告结构

DashBoards：可以自定义整合一些子的模块报告成为一页。基本上所有的分析工具都有。
- Personal Dashborads：可以定制10个自定义的Dashboards（大屎堡）。
- Subscribed Dashboards：别人已经建好的，从别的地方引进的。
- Summaries：七类预设好的Dashboards，分别汇总以下类的信息：Acquisition，Content，Traffic，Population，Campaign，Conversion，Uniqueness Filters。
- Subscribe to Dashboards：去找别人建好的“大屎堡”，挑一个合适的自己用，就会跑到Subscribed Dashboards中去。
Traffic：对整个站（或者Segement）下的流量进行报告。
- Traffic Analysis：从几个度量评估流量：Page Views、 Proxies、Reloads、Downloads。
- Visits ：报告Visits度量。
- Visitors：HBX对Visitors报告的逻辑很清楚。从三个角度说Visitors：
  - New 角度：新的访问者的数量。（每天的新访问者）
  - Returning 角度：即回归的访问者。分为天、周、月、自定义时间区间的四种Returning。
  - Uniques 角度：分为天、周、月三种的独立访问者。
- New Visitors：可以细分到小时，天，周，月的新访问者。访问者，只能成为一个新访者：如周一与周五都来了，只能算作周一的新访者，但会被分别算成周一与周五两天的日独立访问者。
- Loyalty Index：忠诚指数。简单说就是在不同的时间区别下（日，周，月），Unique Visitors / Visits 的比值。
- Frequency Index：访问的平均频率。用来告诉你，一个 Unique Visitor 造成 Visits 的时差，以0.5天为单位。这是一个少见的度量，暂时还没有感受到它的重要性。
- Recency Index：类似的以0.5天为单位，报告访问者们从上次到至今时间差的平均值。
- One Hour：The One Hour statistic measures the number of visitors to your Web site who return: 1.after being away for at least 30 minutes; 2.but within 90 minutes of the original visit.
- 24 Hours：The 24 Hours statistic measures the number of visits to your Web site from visitors who return: 1.after being away for one hour; 2.but within 24 hours of the last visit.
- Rush Hours： The Rush Hours statistic indicates the number of daily unique visitors that come to your site at different times of day.
- Event Counts：将HBX收到的所有请求数按照十种类别进行求和，分别为：Page View, Audience Impression, Streaming Media, Form Analysis, Error Page, JavaScript Error, Link Click, Download, Exit Link, Uncategorized。