北京網站建設公司尚品中國：在網站制作數據分析中，時間是最常見也是最不可或缺的維度之一，大部分情況下用于限定指標統計的范圍和粒度，同時時間因素也會對指標的一些統計規(guī)則和細節(jié)造成影響，而在某些數據分析中我們很容易忽略時間因素的影響，這些影響可能誤導最終的結論。

發(fā)現這個問題是在一個數據提取的需求中，網站每天會發(fā)布很多新的內容，這些新的內容需要進行推薦，不然就會被埋沒，所以很多網站都會有“最新推薦”之類的模塊，而這個數據需求就是分析應該推薦哪些新內容？網站新發(fā)的內容質量參差不齊，而且數據積累較少，而推薦模塊需要放置那些有潛力的新內容，以便潛力充分發(fā)掘后成長為熱門內容，所以數據分析要做的就是去尋找那些有潛力的新發(fā)內容。

如果是TOP10的seo網站優(yōu)化推薦榜單，最簡單的做法就是根據新內容的訪問量或者轉化率進行排序選前十，但其中有很多值得注意的地方，關于轉化率需要注意的地方可以參考關鍵指標背后的秘密這篇文章，這里主要討論如果以內容的訪問量進行排序，如果選擇近一周的匯總數據，我們需要注意什么？也許你已經想到了，之所以這里舉例新內容，是因為新內容有一個發(fā)布時間（Publish Time），就像一個人的出生日期，而從發(fā)布時間到當前的時間間隔就是內容的持續(xù)時間，也可以認為是內容的生命期（Lifetime），就像一個人的年齡。內容的持續(xù)時間越長就獲得越多的數據積累，相應獲得高訪問量的機會就越大，如果我們比較一周中在不同時間發(fā)布的內容在該周的總訪問量，那些就會掉入錯位比較的陷阱，或者叫“Mismatch”。
一個形象的比喻就是剛剛入伍的新兵跟久經沙場的老將的決斗，雖然新兵不是完全沒有勝出的機會，也許那個新兵天生勇猛，或者有著一股初生牛犢不怕虎的沖勁，可以一舉擊敗經驗豐富的老將，但在大多數情況下這種可能性較小，這是一場不公平的決斗，而在數據分析中我們需要盡量去避免這類不公平的決斗（比較）。

內容和商品分析

我們需要找到一些辦法去規(guī)避這個時間因素對分析結果的影響，通常我們在選擇比較對象的時候需要控制所有的比較對象具備相同的持續(xù)時長，比如我們比較新內容的熱門度，統一選擇近一周的數據，對于較早發(fā)布的內容摒棄之前的數據，而近一周內剛發(fā)布的內容則舍棄不參與這次比較，等到有了完整的一周數據之后再加入比較。這樣雖然可以確保比較在同一基準線上，但無疑延后了評估的結論，對于某些一上來就表現搶眼的內容無法及時發(fā)現，于是這里采用統計單位時間指標表現的方法，即根據內容的發(fā)布時間統計得到每個內容的持續(xù)時間（一般精確到天即可），然后將內容的總體訪問量除以這個持續(xù)時間，就得到了單位時間的內容訪問量，進而進行比較。

其實日常中發(fā)生這類錯誤的情況可能很普遍，當我在博客新發(fā)文章幾天后上Google Analytics去看數據，發(fā)現新文章頁在相對較后面的位置，不是因為真的沒人看，而是GA上默認展現近一個月的匯總數據，報表根據Pageviews排序的結果新內容無法在短時間內迅速沖到前幾位。對于那些新發(fā)內容或者新上架產品頻率不高的網站，運營人員可能比較清楚哪些是新內容，所以通過一些人為的辨認調節(jié)在分析的時候不易掉入陷阱，但對于每周有上百個新發(fā)內容的網站，這類錯誤的發(fā)生很可能埋沒一些優(yōu)質的新品：
 
上表取的是5個新發(fā)布內容近10天的訪問量數據，同時加入了內容自發(fā)布以來的持續(xù)天數，我們用總的訪問量除以持續(xù)天數計算得到平均每天訪問量，然后以總訪問量和平均每天訪問量分別進行降序排列，得到完全不一樣的排名。如果按排序1，我們完全可能忽略D內容的強勁表現，而權衡時間因素之后的排序讓我們能夠更加準確的把握有潛力的新內容。

以上的方法同樣適用于電子商務網站的商品分析，很多電商網站希望在新商品中挑選有足夠潛力的商品進行重點營銷，用于打造所謂的“爆款”，從而進一步促進訂單量的增長提升銷售額和利潤。對有潛力新品的挑選一方面需要足夠敏銳的嗅覺和眼光，另一方面就要借助數據分析，而這個時候不得不考慮上面提到的時間因素的影響，記住一個月內銷售20件的商品不一定比銷售50件的差，關鍵在于這些商品你是何時上架的，使用有效的方法進行評估才能找到真正有潛力有價值增長點的商品。

要知道任何的網站內容或產品都不是經久不衰的，都有它們自己的生命周期，所以明智的網站運營永遠在不斷尋找新的生長點，如果數據分析中欠缺考慮時間因素，那些有潛力的產品和內容很可能就會被“久經磨練”的產品內容長期壓制，導致網站新陳代謝過于緩慢，進而落后于其他網站。

用戶分析

在進行用戶分析的時候，同樣需要注意時間因素，如用戶RFM分析、用戶忠誠度價值評分、用戶生命周期價值等，這些基于用戶在一段時間內持續(xù)性行為分析的模型都易掉入時間的陷阱。我們沒法奢求一個只注冊了一周的新用戶在近一個月的訪問頻率高于老用戶，因為你只給了他7天的時間，而與他對決的是擁有充裕的30天時間的用戶；同樣你不應該去比較一個僅使用一個月的新用戶與一個一直在持續(xù)使用的老用戶在三個月或半年中的消費次數、消費金額等，因為他們不在同一起跑線上。但新用戶擁有潛力，指不定他們就會成長為更加高價值的忠誠用戶，所以在針對用戶的營銷中我們需要消除這個因素的影響，同樣使用除以用戶使用網站持續(xù)時間（從用戶首次訪問或者注冊時間開始計算）的方法計算單位時間的指標表現，使用RFM模型看下考慮時間因素前后對用戶評估的差異：
如上表所示，假如RFM模型選擇了近100天的數據來對用戶進行分析，這里同樣加入“持續(xù)時間”這個統計量，即用戶從注冊到當前的天數，如果用戶的注冊時間在100天之前，那么用戶在該統計周期中的持續(xù)時間就是100天（最大期限）。RFM的三個指標中的最近購買間隔（R）不受用戶持續(xù)時間的影響，因此在考慮時間因素時不用做變換，而購買頻率（F）和消費金額（M）都會受到持續(xù)時間的影響，需要除以持續(xù)時間，計算得到單位時間（這里是天）的數值，即表格中每位用戶在“是否考慮時間因素”前后的指標變換。從變換前后的比較來看，用戶1因為是持續(xù)使用的老用戶，未考慮時間因素前在購買頻率和消費金額上具有明顯優(yōu)勢，但數據變換之后，用戶2所表現的粘性和價值更高，即用戶2雖然使用網站時間不長，但在單位時間的購買消費上優(yōu)于用戶1，我們通過雷達圖進一步看下考慮時間因素前后的效果：
圖中對數據進行標準化評分后，藍線代表用戶1，紅線代表用戶2，虛線表示未考慮時間因素，實現代表考慮了時間因素，可以看到用戶2在考慮時間因素之后價值被明顯放大，從圖中可以得到用戶2的預期價值優(yōu)于用戶1。如果我們不去考慮時間因素的影響，分析的結果就會產生明顯的偏差，進而可能誤導對用戶的正確評估。

其實這里提及的時間因素還是一個遵循對比原則的問題，比較的對象之間必須具備可比性，不然比較的結果就沒有任何的意義。

很久沒有更新博客了，因為這段時間的變動沒有時間去思考和整理一些新的內容。這篇文章中提及的分析中需要考慮到的時間因素其實在很多情況下都遇到過，尤其是對一個時間周期內匯總的統計指標做細分分析的時候需要格外注意各細分項存在的時間周期是否一致，希望對大家有所啟發(fā)和幫助。

本文發(fā)布于北京網站制作公司尚品中國http://www.londe303.com/