簡單來說，網站的數據分析是一種用來發現可用性測試最佳測試頁面的極好的方法，于是很多專業的站長會把注意力轉向了數據分析，希望能深層次地洞悉人們到底是如何使用網站的。
作為一名專業的站長和用戶體驗咨詢師，我與各種各樣不同領域的網站合作過，其過程非常一致，總是以數據分析為開端，最開始我會去辨認每天有多少用戶訪問這個網站，哪個頁面最常用，這會給我一個大概的感覺，知道人們是如何訪問這個網站的。
然后我會進行下一步，辨認潛在的出問題的領域，繼而知道我的用戶體驗將會著重在哪一塊，總體來說，我會觀察以下幾種類型的參數來辨認問題所在。
1、跳出和退出率（Bounce and Exit Rate）
跳出率和退出率是兩個可能造成混淆的參數，跳出率是只訪問了網站的一個頁面的用戶的比例：在一個頁面登陸，但是沒有去訪問任何其他頁面就離開了網站；谷歌官方解釋為“跳出率指單頁訪問次數（即訪問者從入口頁離開網站而未與網頁互動的訪問次數）所占的百分比”。
退出率是從一個頁面離開了網站的用戶的比例（它包括了那些之前在該網站瀏覽了其他頁面的人）；谷歌官方解釋為“退出百分比指從某個或某組特定網頁退出網站的次數所占的百分比”。
如果我發現了網站的一部分出現了一個很高的跳出或者退出率，我會做上筆記，以防某些頁面的什么東西造成了用戶的離開，一個有著高跳出率的頁面可能說明這個頁面上的內容不是用戶來到這個頁面所期望看到的東西。
一個高退出率的頁面可能說明這個網頁導致了用戶在他們想要的流程中半途而廢——從另一方面看，如果一個高退出率的頁面是流程的最后一頁，那么，這個高退出率就不再是個問題了。
用谷歌分析（Google Analytics）中的“加權排序（weighted sort）”會讓跳出率更加有用，根據谷歌分析：“加權排序把百分比數據根據重要程度排列，而不是序號排列”。
舉個例子，一個頁面雖然有著100%的跳出率，但在過去的一個月中，只有一個用戶訪問，然后離開了該頁面（另外一個更大的問題可能是沒有任何人訪問過這個頁面），如果一個頁面有80%的跳出率，但是是一個在流程中非常關鍵的起始頁面，那么這個網站可能因此流失了大量的生意，為了更好地為頁面可用性測試做準備，我們必須辨認出問題出現的原因：是因為沒有人訪問這個頁面，還是每個訪問的人都馬上離開了網站？
2、頁面平均時間（Average Time on Page）
“頁面平均時間”是指用戶瀏覽某個頁面所花費的平均時間，如果我發現有一個頁面的“頁面平均時間”很低，這可能意味著該頁面沒有引起用戶足夠的注意。
從另一反面來看，如果用戶在一個結賬頁面停留很久，那么可能是因為該頁面過于復雜了，當然，所有的參數都必須放在具體的情境下分析；如果一個博客文章有一個很高的“頁面平均時間”，那么總體來說是一個好的現象，因為這可能意味著用戶真的在閱讀整篇文章。
另外一個衡量頁面表現的非常好的方式是利用“與網站平均數比較”的選項，這個圖會顯示某些頁面在某個參數上是不是在很大程度上高于或者低于平均值，雖然這些頁面仍然需要一頁一頁地分析，因為不同的頁面有用不同的目標，但是低于平均瀏覽時間的頁面總體來說可能會有問題，假設目標是為了讓用戶繼續閱讀的話。
下面的例子清晰地表現出“聯系（contact）”頁面相對來說有比平均值更低的瀏覽時間，然而“博客（blog）”頁面有高于平均值80%的時間。
在此再次強調下，情境是關鍵，用戶可能來到聯系頁面來尋找一個公司的地址，或者聯系電話，如果他們成功地找到了，那么他們就會離開該網站，因此較低的頁面瀏覽時間在這里是一個好的現象，說明頁面很有用，一個“博客”頁面是用來吸引用戶的注意的，因此一個高于平均值的時間可以被看做是一件好事。
3、頁面價值（Page value）
“頁面價值”是一個非常重要，但是很少被用到的參數，它可以用來發現表現欠佳的頁面。
目標價值，就如它的名字所示，是一種賦予頁面直接的貨幣價值的方式，對于電子商務網站來說，它納入了各種各樣的交易收入總數和所有類型的網頁的目標價值——這些參數都需要在谷歌分析中人工設置，才能計算出頁面價值，一個高價值的頁面往往顯示出它是一個重要的頁面，意味著該頁面值得被納入可用性測試中。
一個高價值但是展示出高退出率的頁面是值得重視和改進的，意味著這些頁面讓用戶在回話流程的關鍵位置離開了，在下面的的例子中（一個電子商務網站），我突出顯示了三個有著類似的頁面價值的品類，可以清楚地看到，“個性化玩具（personalised-toys）”的產品頁面有一個相當高的退出率，這說明這個高價值的頁面正在讓用戶“流失”，并且應該在未來的用戶體驗設計工作中引起重視。
然而，單獨的某個頁面只能展示部分真相，“內容分組（content grouping）”這個功能很重要，我們可以利用它來觀察網站的某個部分表現如何，內容分組可以把數據根據用戶訪問的頁面種類來進行分類，因此十分必要，我們可以用各種各樣的方式來分組，比如對于一個買衣服的網站來說，可以根據不同種類的服飾來分組，看看褲子是不是比襯衫的頁面價值要高。
一旦發現某個頁面或者某個組的頁面價值很低，下一步我們要做的就是：找出背后的原因。在上面的例子中，襯衫相對來說有比較低的價值，我采取的第一步行動是，根據我的經驗和判斷力，看看在襯衫的頁面上有沒有任何明顯的用戶體驗或者技術方面的問題，做完這個之后，我會和真實的用戶一起來測試這些個頁面，來看看為什么會有這些問題——并且尋找那些暗含了修復方式的線索。
內容分組是一個非常強大的工具，可以讓你看到網站的不同部分的真實表現。
4、識別流失點
知道用戶是如何在整個網站中流轉的可以增加單個頁面狀態的情境（context），比如，分析用戶行程中前一個頁面的數據可以幫助我們識別為什么某個特定頁面的退出率特別高。
另外，找出最常見的用戶行程對于謀劃可用性測試很有好處，可用性測試可根據這些常見的用戶行程來設計，從而確保在測試中用戶的行為是和已經存在的用戶行為是相符的。
谷歌分析嘗試通過用戶流程圖（user flow）和行為流程圖（behavior flow）報告來展示用戶行程，他們可能比較難閱讀，并且經常因為把多個頁面組合在了一起而變得很麻煩，這意味著谷歌分析通常只能把最為普遍的幾個頁面單獨展示，而把其他的頁面組合在一起，顯示為“大于100個頁面”——這對我們一點幫助也沒有。
下面的截圖顯示出這種非常局限的信息是如何讓分析變得困難的：只有幾個頁面在每個用戶行程的階段中是單獨被顯示的，剩下的頁面都被組合在了一起。
盡管頁面被組合造成了很多問題，花些時間分析這些報告仍然可以幫我們發現問題區域，根據的是流失率或意想不到的用戶行程（比如，我們本來期待的是這樣，但用戶卻走向了另一個方向？），一旦我們發現了問題區域，我們就可以謀劃可用性測試，來看看用戶在整個行程中是如何思考的，了解他們為什么會有這些麻煩。
在谷歌分析的用戶流程和行為流程報告中，所有的頁面用了綠色的矩形來表示，灰色的連接線用來表示頁面之間的用戶行程，每個矩形還用紅色表示了流失率的百分比（也就是說用戶正離開網站），它們可以說明常見的用戶行程，以及用戶在哪些地方離開了網站——也是另一種問題區域的跡象。
下面的例子來自于一個我曾經工作過的網站，它在主頁有一個特別明顯的搜索框。
在這個簡化了的并加上了筆記的圖中，我們可以看到一個可能的問題，用戶利用搜索框來找到某個旅行目的地，但之后又從搜索結果頁面回到了主頁（又名，彈簧跳（pogo sticking）），說明了搜索結果對用戶來說不夠滿意。這可能歸結于許多的理由：可能搜索功能經常搜不出結果，搜到太多結果，或者太少結果，也可能這個問題和搜索結果本身無關，而是其他的理由，比如搜索結果里的酒店的價格太高了。
數據顯示最初的搜索是讓用戶不滿意的，這讓我決定針對搜索框來進行一些可用性測試，可用性測試的結果顯示，問題的原因在于搜索結果太多太泛了，用戶被大量的結果淹沒了，根據這個測試結果，我建議引入一個多面搜索系統（faceted search system）：
在搜索結果頁面讓用戶可以根據一些標準來過濾搜索結果，而不用返回到主頁重新搜索，這個新的搜索系統讓用戶可以根據酒店提供的服務設施來過濾他們的搜索結果；比如是否有游泳池、健身房和其他的設施，這意味著用戶可以發現對他們自身有用的結果，這個設計方案讓搜索后又回到主頁的用戶數量大幅度下降，讓更多的用戶進入到他們行程的下一步。
上面的結果顯示的是多面搜索系統被引進一個月后的分析數據。圖中顯示出，主頁和搜索結果頁面之間的“彈簧跳”現象減少了。雖然仍然還有改進的空間，但這個變化產生的積極效應是非常鼓舞人心的。
5、在實踐中利用參數
這只是利用數據分析來發現網站問題的第一步，與此同時，你需要嘗試著來發現可能存在的問題，比如：
（1）、調整跳出率，找出那些用戶訪問并且馬上離開了的頁面。
（2）、瀏覽所有頁面的退出率，找出在流程的哪些地方用戶離開了網站。
（3）、考慮到用戶在頁面平均停留時間的重要性，一個擁有著高跳出率的博客頁面，同時擁有著很長的平均頁面時間，這是一件好事！
（4）、根據頁面價值排序，觀察頁面。頁面價值越高，那么就越值得被納入可用性測試，從而最終修復用戶在該頁面遇到的問題。
6、數據分段，更多的細節
數據分段為觀察不同用戶的不同行為提供了一個絕佳的方式，一個簡單的例子就是比較新用戶和回訪用戶，下面的圖來自于一個在線找工作網站，它顯示出新用戶的數量在該月幾乎是持平的，然而回訪用戶的數量卻跟隨了一個不同的模式：在周末的時候數量明顯下降。
這使我想知道更多的細節，關于新用戶和回訪用戶的不同點，其他關于這兩種不同用戶的數據顯示出，回訪用戶傾向于在網站上花費更多的時間，每段時間會瀏覽更多的頁面，并且更傾向于申請工作。
根據這個數據我可以做出假設：回訪用戶更可能是真正找工作的人，但新用戶訪問網站的時候更隨意，因此我推薦網站做一些個性化的設計——對待新用戶，展示更多的保證信息，說明該找工作的網站是合法的、值得信賴的，并且引導他們簡單快速地做出行動，比如注冊工作提醒，對待回訪用戶，展示更精確、細節的搜索工作的選項，并且提供信息鼓勵他們申請工作。
新用戶和回訪用戶不同的行為可以透露許多事情，取決于網站的類型，比如，對一個電子商務網站來說，它顯示回到這個網站的人更傾向于下單，如果這是真的話，那么我們可以把重點放到幫助第一次訪問網站的用戶下單。
這種數據分段分析還可以幫助可用性測試的招募，如果在新用戶和回訪用戶之間有明顯的行為區別，那么可能最好同時招募已有用戶和尚未訪問過該網站的用戶來進行測試，測試不同的用戶類型可以幫助解釋為什么他們在網站上有迥然不同的行為。
除了上面例子中的新用戶和回訪用戶，在谷歌分析上還有一些現成的數據分段方式來幫助我們分隔數據，包括：
（1）、不同的流量來源——可以用來發現那些通過搜索和鏈接來到網站的用戶的區別。
（2）、使用不同設備類型的用戶——可以用來比較使用手機、平板和桌面電腦用戶的參數。
根據自己的需求來改造分段方式也是很好的方法，這可以使分段方式可以和整個網站重要的用戶及角色更好地相符合，通過這種方法，我們可以分析這些不同的用戶群所采取的不同的用戶行程，例如，比較已有用戶和第一次購買的用戶的行程。
數據分段可以被用來觀察使用不同設備的用戶的行程，根據手平板和桌面電腦來分段可以提供三個不同的行為流程供研究，這種方法對于發現使用不同設備的用戶可能存在的問題特別有幫助，手機用戶的行為流程圖可能會在用戶流程中顯示出一個重大的流失點，但在平板和桌面電腦中卻不是問題，這應當引出相應的手機端的可用性測試，重點放在找出手機用戶在流程中的該點流失的原因。
點評：
在利用數據分析識別問題區域后，下一步就是找到為什么用戶會有這些問題，數據分析能夠提供一些關鍵的地方，需要我們在可用性測試中特別關注，或者拆分出特別的測試，作為用戶體驗的職業人，我們自然而然地想要和我們的用戶在一起，在可用性測試中從他們身上學到東西，數據分析只是幫助我們更好地進行測試。
嘗試一下，提取一些這里提到的方法，把它們應用到某個項目中，你會驚奇地發現，我們竟然可以從數據分析中發現這么多東西。
本文由馬海祥整理發布，原文地址：http://www.mahaixiang.cn/wzyy/1299.html
轉載請注明：?蝸牛SEO? ? 談談國外的站長們是怎么分析用戶體驗的
