導語：你是否曾經面對著一大堆網站數據毫無頭緒？你是否曾為選擇哪些頁面進行測試感到舉棋不定？讓Luke來告訴你，如何有效地利用谷歌分析指導設計和研究吧！
上一篇：
- 一步步教你分析網站數據（一）（譯文）
用戶體驗，分析至上（一）
在上一個客戶的案例中，小紅利用數據分析來發現那些需要進行可用性測試的地方。然而目前為止，小紅隻發現瞭網站中值得測試的單獨的頁面和頁面組。她覺得她需要知道更多的關於最常見的用戶行程（user journey）的信息。她還想更加深入地理解用戶，看看不同類型的用戶如何訪問網站。為瞭能進行最佳的可用性測試，小紅真心想要知道人們事實上是如何使用網站的。
簡單來說，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。在本系列文章的第一部分，我講解瞭如何利用數據分析來發現網站的問題所在之處。這麼做可以讓我們更好地理解目前的用戶行為，並且幫助我們集中力量在將要測試的任務上。
在如何利用數據分析來指導可用性測試的這一系列文章的總結部分，我將更仔細地探討如何通過識別用戶行程、將用戶分類來比較不同的用戶組的行為。
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麼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於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，並且經常因為把多個頁面組合在瞭一起而變得很麻煩。這意味著谷歌分析通常隻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，顯示為大於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：隻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瞭一起。
盡管頁面被組合造成瞭很多問題，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，但用戶卻走向瞭另一個方向？）。一旦我們發現瞭問題區域，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，瞭解他們為什麼會有這些麻煩。
在谷歌分析的用戶流程和行為流程報告中，所有的頁面用瞭綠色的矩形來表示，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瞭流失率的百分比（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瞭網站也是另一種問題區域的跡象。
下面的例子來自於一個我曾經工作過的旅行網站。它在主頁有一個特別明顯的搜索框。
在這個簡化瞭的並加上瞭筆記的圖中，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，但之後又從搜索結果頁面回到瞭主頁（又名，彈簧跳（pogo sticking）），說明瞭搜索結果對用戶來說不夠滿意。這可能歸結於許多的理由：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，比如搜索結果裡的酒店的價格太高瞭。
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，問題的原因在於搜索結果太多太泛瞭，用戶被大量的結果淹沒瞭。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；比如是否有遊泳池、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後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後的分析數據。圖中顯示出，主頁和搜索結果頁面之間的彈簧跳現象減少瞭。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。
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瞭一個絕佳的方式。一個簡單的例子就是比較新用戶和回訪用戶。下面的圖來自於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瞭一個不同的模式：在周末的時候數量明顯下降。
這使我想知道更多的細節，關於新用戶和回訪用戶的不同點。其他關於這兩種不同用戶的數據顯示出，回訪用戶傾向於在網站上花費更多的時間，每段時間會瀏覽更多的頁面，並且更傾向於申請工作。
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，並且引導他們簡單快速地做出行動，比如註冊工作提醒。對待回訪用戶，展示更精確、細節的搜索工作的選項，並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，取決於網站的類型。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於下單。如果這是真的話，那麼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，那麼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麼他們在網站上有迥然不同的行為。
除瞭上說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：
- 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。
- 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。這種方法對於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。
現在該怎麼辦？
在利用數據分析識別問題區域後，下一步就是找到為什麼用戶會有這些問題。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註，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。數據分析隻是幫助我們更好地進行測試。
嘗試一下提取一些這裡提到的方法，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麼多東西。
對於那些仍然覺得不確定的讀者，這裡有非常多的幫助資料。如果你想和谷歌分析最新的發展保持同步，我推薦谷歌分析官方博客，和Occams Razor數據分析大師Avinash Kaushik的博客。如果你想在實踐中學習提高數據分析的技能，可以參考谷歌分析培訓中心。這些教程都能幫助你更好地準備獲得一個谷歌分析個人資格證書。
延伸閱讀：
- 最佳網站分析實踐 菜鳥也會網站分析瞭
- 電商網站分析實踐
- 電商網站分析實踐（下）
.mod-gallery .gallery-photo-items{text-align:center;}
查看完整組圖
上一頁
下一頁