![](/c49/33/72396145696.jpg)
出版社:機械工業出版社 ISBN:9787111651659 商品編碼:72396145696 品牌:鳳凰新華(PHOENIX 出版時間:2020-07-01 審圖號:9787111651659 代碼:98 作者:阿維納什
"內容簡介在過去幾年中,互聯網、在線營銷以及廣告經歷了巨大的變革,然而大家處理數據的方式跟幾十年前相比還是大同小異。數據分析領域的者(Avinash Kaushik)通過《谷歌數據分析方法》提出了下一代數據分析的框架,將能很大程度地幫助你提高組織的能動性和對市場的反應速度。
本書闡述了如何去衡量、分析目前互聯網上出現的新技術和應用,並在此基礎上快速行動。這些新技術和應用包括社交媒體、視頻、移動互聯網上以用戶為中心的設計等。作者通過對傳統方法的改造,對互聯網數據進行了抽絲剝繭般的分析,提出了具體、簡單以及更先進的方法。
如果你想了解數據分析方法,本書將是你的*佳選擇。
作者簡介阿維納什 考希克(Avinash Kaushik)曾出版暢銷書《Web Analytics: An Hour a Day》。他是谷歌的分析布道者,Market Motive 公司的聯合創始人。
考希克構建了數據分析領域的常識框架,並將該框架與他倡導的理念相結合,即投資的數據分析師是取得長期成功的關鍵。同時他也倡導傾聽用戶的心聲,並致力於幫助企業發現網絡數據的價值。
考希克與眾多世界的大公司合作,幫助他們優化網絡營銷和分析策略,讓其成為數據驅動且以客戶為中心的企業。2009年,他曾獲得美國統計協會頒發的年度統計倡導者。
他還經常在美國和歐洲的行業會議上發表演講,比如Ad-Tech,Monaco Media Forum, iCitizen, 以及JMP Innovators’ Summit。另外還在斯坦福大學,弗吉尼亞大學,猶他大學等大學發表演講。
D 1章數據分析進階的全新SJ? 1.1數據分析現狀? 1.2行業現狀? 1.3重新反思數據分析:實現數據分析進階 3 1.3.1“是什麼”:點擊流 1.3.2“有多少”:多樣性產出分析 1.3.3“為什麼”:實驗和測試 1.3.4“為什麼”:用戶反饋 1.3.5“還有什麼”:競爭情報? 1.4變革: Yes We Can? 1.4.1策略性調整 1.4.2戰術性轉變 1.4.3 其他分析
D 2章選擇數據分析工具的ZJ策略 2.1確定預期業務目標 2.2D一步:選擇數據分析工具前要回答的3個關鍵問題 2.3D二步:選擇數據分析工具前要問供應商的10個問題 2.4數據分析供應商比較:多樣化和競爭優勢 2.5D三步:如何有效地試用數據分析工具 2.6D四步:確定合作前的協議,檢查供應商的服務條款 23
D 3章點擊流分析的精彩SJ:指標 3.1回顧標準指標: 8個關鍵wz指標 3.2跳出率 3.3~出率 3.4轉化率 3.5參與度 3.6數據分析指標揭秘 3.6.1YX指標的 4個屬性 3.6.2YX指標示例 3.6.3關於wz成功的3條經驗? 3.7關鍵wz指標的戰略性策略 3.7.1確定影響wz指標表現的根源一轉化 3.7.2利用自定義報表 3.7.3創建團隊報表中心 3.7.4從宏觀上進行分析
D 4章點擊流分析的精彩SJ:實際操作 4.1數據分析入門 4.1.1熟悉基本指標 4.1.2獲取訪客 4.1.3控制成本 4.1.4點擊密度分析 4.1.5衡量購買前的訪問次數? 4.2ZJ數據分析報表 4.2.1流量來源 4.2.2流量產出? 4.3基礎分析策略 4.3.1細分至關重要 4.3.2關注用戶行為而非總體情況? 4.4讓日常點擊流分析更具操作性 4.4.1站內搜索分析 4.4.2SEO 分析 4.4.3付費搜索分析 4.4.4直接流量分析 4.4.5郵件營銷分析 4.4.6富媒體分析? 4.5面對現實:數據分析的挑戰性 4.5.1跟蹤訪客 cookie? 4.5.2數據抽樣 4.5.3歷史數據的價值 4.5.4對用戶體驗視頻回放的作用 4.5.5ZJ數據校正清單
D 5章成功的關鍵:衡量績效? 5.1關注“少數關鍵指標” 5.2產出 KPI實際操作 5例 5.2.1任務完成率 5.2.2搜索流量比例 5.2.3訪客忠誠度和回訪度 5.2.4訂閱數 5.2.5正面退出率? 5.3轉化率進階 5.3.1購物車和結算流程放棄率 5.3.2購買前訪問次數和天數 5.3.3平均訂單價值 5.3.4識別可轉化人群? 5.4衡量宏觀和微觀的轉化 5.5量化經濟價值 5.6衡量非電子商務wz的成功 5.6.1訪客忠誠度 5.6.2訪客回訪率 5.6.3wz停留時間 5.6.4訪問深度? 5.7衡量 B2B wz
D 6章利用定性數據解決“為什麼”的難題? 6.1實驗室可用性研究:是什麼,為什麼,有多少 6.1.1實驗室可用性研究是什麼 6.1.2如何進行測試 6.1.3實驗室可用性研究的ZJ實踐 6.1.4實驗室可用性研究的好處 6.1.5注意事項? 6.2可用性研究替代方案:遠程和線上外包 6.3調研:真正傾聽用戶反饋 6.3.1調研的類型 6.3.2調研中Z大的錯誤 6.3.3永不過時的 3個ZJ調研問題 6.3.4選擇線上調研供應商的 8個建議? 6.4互聯網環境下的用戶研究新方法 6.4.1競爭性基準研究 6.4.2快速可用性測試 6.4.3線上卡片分類研究 6.4.4人工智能視覺熱點圖
D 7章快速試錯:發揮測試和實驗的力量? 7.1測試方法入門: A/B測試和多變量測試 7.1.1A/B測試 7.1.2多變量測試? 7.2可操作的測試建議 7.2.1改進的關鍵——登錄頁面 7.2.2關注結賬、注冊和提交頁面 7.2.3優化廣告數量和位置 7.2.4測試不同的定價與銷售策略 7.2.5測試包裝等實物設計 7.2.6優化外部市場活動? 7.3對照實驗:提升分析水平 7.3.1衡量付費搜索對品牌關鍵詞的影響 7.3.2對照實驗案例 7.3.3對照實驗的優缺點? 7.4營造企業的測試文化 7.4.1建議 1:D一次測試至關重要 7.4.2建議 2:不要盲目依賴工具或專家 7.4.3建議 3:拋開自以為是 7.4.4建議 4:以假設開始 7.4.5建議 5:制定目標評估標準和預先決策 7.4.6建議 6:測試衡量多目標產出 7.4.7建議 7:根據用戶的痛點進行測試 7.4.8建議 8:分析數據、交流心得 7.4.9建議 9:配備測試推廣者和測試專家
D 8章競爭情報分析? 8.1競爭情報的數據來源、類型和機密 8.1.1工具條數據 8.1.2用戶庫數據 8.1.3ISP數據 8.1.4搜索引擎數據 8.1.5數據分析供應商的行業基準數據 8.1.6自行提供數據 8.1.7混合數據 8.2wz流量分析 8.2.1分析長期流量趨勢 8.2.2分享競爭wz的重合度,發現機會 8.2.3分析引用wz和退出wz 8.3搜索和關鍵詞分析 8.3.1熱門關鍵詞的績效趨勢 8.3.2地域興趣和機會分析 8.3.3相關搜索和快速上升的搜索 8.3.4市場占有率分析 8.3.5競爭性關鍵詞優勢分析 8.3.6關鍵詞擴展分析? 8.4受眾識別和細分分析 8.4.1基於人口統計學的細分分析 8.4.2基於用戶心理的細分分析 8.4.3搜索行為和受眾細分分析
D 9章新興分析:社交、移動端和視頻? 9.1衡量新型社交網絡:數據的挑戰 9.1.1wz內容的演變 9.1.2推特的革命? 9.2分析離線用戶體驗(應用程序) 9.3分析移動端用戶體驗 9.3.1移動端數據的收集方法 9.3.2移動端報表和分析? 9.4衡量博客的表現? 9.4.1原始作者的貢獻 9.4.2讀者增長 9.4.3轉化率 9.4.4引用和轟動指數 9.4.5博客成本? 9.4.6博客的收益(投資回報率)? 9.5量化推特的影響? 9.5.1粉絲人數的增長 9.5.2信息放大 9.5.3點擊率和轉化 9.5.4轉化率 9.5.5新興的推特指標? 9.6分析視頻的表現 9.6.1視頻的數據收集 9.6.2關鍵視頻指標與分析 9.6.3GJ視頻分析?
D 10章解決隱藏的數據分析陷阱 10.1準確性還是JQ性 10.2數據質量處理的 6個步驟 10.3建立行動儀表盤 10.3.1創建YX的儀表盤 10.3.2綜合儀表盤 10.3.3高影響力儀表盤的 5個準則? 10.4全線營銷的機遇和多渠道衡量 10.4.1轉向全線營銷模式 10.4.2多渠道分析? 10.5行為定向的優勢和挑戰 10.5.1行為定向的優勢 10.5.2克服基本的分析挑戰? 10.5.3行為定向的兩個先決條件? 10.6線上數據挖掘和預測分析面臨的挑戰 10.6.1數據類型 10.6.2變量的數量 10.6.3多個主要目的 10.6.4多次訪問行為 10.6.5缺少主鍵和數據集? 10.7涅槃之路:實現智能分析的步驟?
D 11章數據分析專家的入門指南 11.1背景信息的重要性 11.1.1比較不同時期的關鍵指標 11.1.2通過細分提供背景信息 11.1.3比較wz的關鍵指標平均值和細分值 11.1.4給指標尋找伴侶 11.1.5利用行業基準和競爭數據 11.1.6了解業務知識? 11.2比較 KPI變化趨勢? 11.2.1呈現業務知識 11.2.2細分來救援 235? 11.3在 **0之外:什麼改變了? 11.4真正的價值:衡量潛在轉化及訪客行為 11.4.1潛在訪客行為 11.4.2潛在轉化? 11.54種不能指導實際行動的 KPI衡量技術 11.5.1平均值 11.5.2百分比 11.5.3比率 11.5.4組合或計算得出指標? 11.6搜索:實現Z優長尾策略 11.6.1計算頭部和長尾? 11.6.2了解品牌和行業關鍵詞 11.6.3ZJ的搜索營銷策略 11.6.4執行ZJ的長尾策略? 11.7搜索:衡量上層漏鬥關鍵詞的價值 11.8搜索:付費點擊的進階分析 11.8.1識別關鍵詞的潛在機會 11.8.2關注“什麼改變了” 11.8.3分析展示份額和收入損失 11.8.4擁抱投資回報率分布表 11.8.5用戶搜索查詢和匹配類型歸零
D 12章數據分析專家的進階指南? 12.1多觸點營銷活動歸因分析 12.1.1多觸點是什麼 12.1.2你有歸因問題嗎 12.1.3歸因模型 12.1.4實際情況下歸因分析的核心挑戰 12.1.5歸因分析的可行替代方案 12.1.6關於多觸點的部分思考? 12.2多渠道分析:對於全線營銷的衡量技巧 12.2.1跟蹤線下營銷活動對線上營銷活動的影響 12.2.2跟蹤線上廣告活動的線下影響
D 13章數據分析的職業生涯? 13.1數據分析師職業生涯規劃:選擇、薪酬前景和發展 13.1.1個人技術貢獻者 13.1.2個人業務貢獻者 13.1.3技術團隊LDZ 13.1.4業務團隊領導? 13.2數據分析成功職業生涯的技能培養 13.2.1使用數據? 13.2.2獲取多個分析工具的經驗 13.2.3在實際中的運用 13.2.4成為數據收集偵探 13.2.5數學基礎:學習統計學的基本知識 13.2.6善於提問 13.2.7與業務團隊緊密合作 13.2.8學習有效的數據可視化和 PPT技能 13.2.9與時俱進:參加免費網絡研討會 13.2.10與時俱進:閱讀博客? 13.3數據分析專家Z美好的YT 13.4雇傭Z好的人纔:給分析經理和總監的建議 13.4.1YX分析專家的關鍵特質 13.4.2專家或者新手:做出正確選擇 13.4.3面試中的Z大考驗:批判性思維
D 14章創建數據驅動的企業文化? 14.1改造企業文化:如何讓人們關注數據分析 14.1.1做一些令人驚訝的事情,不要簡單提供數據 14.1.2從產出和影響開始分析,而不是訪問量 14.1.3創造榜樣 14.1.4如果想讓決策者感興趣,1先要讓數據分析有趣 14.1.5競猜 14.1.6內部分享 14.1.7把握辦公時間? 14.2提供指導實際行動的報表和分析 14.2.1使用 Unboring過濾器 14.2.2將見解與實際數據聯繫在一起 305? 14.3通過更改指標定義來改變企業文化:品牌宣傳指數 14.3.1案例及分析 14.3.2問題 14.3.3解決方案 14.3.4結果 14.3.5采用 BEI指數的結果 14.3.6可選擇的計算方法:加權平均 14.3.7總結 309? 14.4提升數據質量:從質疑轉為使用數據? 14.4.1換個不同的老板 14.4.2使用“不完美”的數據 14.4.3用可操作的分析結論吸引公司高層的注意 14.4.4秘密 1:D一周 /月的頭部數據具有可操作性 14.4.5秘密 2:在漏鬥底部提升數據精度 14.4.6解決方案是堅持一種數據分析工具到底 14.4.7識別邊際收益遞減 14.4.8wz越小,問題越大 14.4.9不合邏輯的用戶行為和不準確的標準 14.4.10在網上更快試錯? 14.5數據驅動型老板的 5條規則 14.5.1擺正自己的位置 14.5.2認可不完整的數據 14.5.3付出更多努力 14.5.4成為營銷人員 14.5.5拒絕數據服務業務 14.5.6數據分析進階的思維模式? 14.6獲得公司支持的策略 14.6.1實施實驗和測試方案 14.6.2傾聽用戶反饋 14.6.3使用行業標準 14.6.4競爭情報:你Z好的新朋友 14.6.5與有意向的wz合作 14.6.6向專家求助? 14.7打破數據分析壁壘 14.7.1驚人發現 14.7.2缺乏預算或資源 14.7.3缺乏策略? 14.7.4孤立的組織 14.7.5缺乏了解 14.7.6數據泛濫 14.7.7缺乏GJ管理人員的支持 14.7.8IT障礙 14.7.9缺乏對分析的信任 14.7.10缺乏人纔 14.7.11糟糕的技術 14.8誰真正擁有數據分析 14.8.1集中或者分散 14.8.2團隊的演變?
" |