接下来，去报告中查阅一些新东西，来帮助你更好的经营移动或PC网站。在购物分析部分，点击购物行为，就可以看到用户的整个购买行为轨迹了。

这个报告棒极了！

大多数时候，我们做渠道分析时，会在购物车阶段开始（也就是上面的第三个蓝柱）。我们很少将原因归于流量渠道，也很少将原因归结于网站设计或营销策略。前者的主要衡量指标是访问次数、访客数量或点击数（这是更糟糕的），后者的衡量指标主要基于网页浏览数量。

第一个柱形图到第二个柱形图展示了访客从网站主页到产品页面（即有销售商品和购物车按钮的页面）的访问比例，只有26%。看到这个数据，你就知道我想要说什么了。如果74%的访客根本没有到达产品页面，企业该有多大的损失！

从第二个柱形图到第3个柱形图的情况更让人心碎，但木已成舟。在浏览到产品页面的用户当中，有多少用户将产品放入了购物车呢？只有17%！但是，用户在一个网站上能不做任何其他事情，而只是买东西吗？

知道我要说什么了吗？是时候检查一下你的流量获取、网站设计和商品运营团队了。

还是不知道是什么原因造成了这个现象吗？那么你需要增强型电子商务报告。

还有最后两个柱形图，我不想多说，你们中大多数人可能会去做漏斗分析。

既然如此，练习一下细分功能。点击报告顶部的“添加细分”按钮，选择任何你感兴趣的谷歌功能。

你可以通过筛选某个特别的维度选择分析该流量获取方式的表现（记住你不能细分仍在GA账户中的旧电商报告中的漏斗数据）。

这个数据看起来稍微好一些。但是既然在SEO和PPC上花了钱，实际情况本应该比现在要好。如果这是你的数据，那么开始着手检查一下你的PPC着陆页及排名最好的SEO着陆页的跳出率，还要对用户从着陆页进入下一页的行为进行分析。

坦白的讲，我可以花费数小时通过细分维度研究这个报告，比如地理、媒体、新用户和忠诚用户、各种各样的流量渠道、产品页面类型等等。这类因素能够快速影响我的电子商务交易金额。

既然讲到这里了，你可以试着把玩和学习使用一下新的漏斗报告，对结账行为进行分析。

既然讲到这里了，你可以试着把玩和学习使用一下新的漏斗报告，对结账行为进行分析。

这更简单，也更容易理解多了。

你也可以细分这个报告。当你在商店演示账户的时候可以尝试一下这个功能。

小小的休息一下。两天后回来检查一下新产品和产品列表页的效果报告。对于有经验的分析师来讲，后者作为一个数据集合的视图尤其有用。在商店数据的案例中，第一个报告有500行的数据，而第二个报告仅仅只有45行。相当不错。

在产品效果的报告中，我想着重针对三个维度进行分析。

在这组数据中，产品退款金额是0，但是站在公司的角度来讲，现在对于追踪那些先前感到有问题的退款数据正逢其时，通过追踪，你会发现很多以前未曾注意到的东西。

我喜欢商品详情页到购物车的转化率（Cart-To-Detail Rate，即通过查看产品详情加入购物车的用户占比）和商品详情页到购买的转化率（Buy-to-Detail Rate率，即通过查看产品详情页产生购买的独立用户的占比）。还记得我之前对网站蹩脚的营销方式感到烦恼的事情吗？对这两列更糟糕的带有标识的数据使用排序功能，可以帮助我找到问题所在和吸取教训。非常酷的，试试吧。

随着我的讲述，你会在增强型电子商务报告中发现更多有趣的事情，但是请允许我停在这里，给大家一个亲自探索这些趣事的机会，现在我可以说，你也拥有获取这些数据的权限了。

来点额外福利：如果你是一个新手，我知道你会很期待了解很多关于目标的知识（我把目标称为微观结果），那么去探索那部分的内容吧。研究一下概览、目标网址和智能目标，直接忽略那些显著没什么用处的逆向目标路径报告（我不知道这么多年后GA为什么还保留着这个没用的报告功能）和渠道可视化报告（在所有目标的设置里几乎毫无用处）。

2. 学习目标归因模型的精髓

以下是官方定义：接近于0的值意味着，这个渠道主要是最终转化交互起作用。如果价值接近于1，这就意味着一个渠道其辅助转化作用和最终转化作用是相同的。如果价值比1越大，这个渠道的辅助转化作用也就越多。

现在稍微往回滚动数鼠标一些，仔细看一下这个表格，思考以下几个问题：如果自然搜索的价值是0.46，你会采取什么策略呢？如果你的展示类广告的价值是1.58，主要起到品牌宣传的作用，位于漏斗转化的顶端，该怎么办呢？

基于这个数据，所需要的改变不仅仅是重新分配营销预算组合，因为那样做起到的作用微不足道，更亟待改变的是公司员工的想法。这是一件任重而道远的事情，很大程度上是因为，这会很快变成一种对员工预算、自我的否定或奖金的改变。但是，如果你能从这组数据中有所洞察，成百上千的转化就会不请自来。建议学习怎样使用这个维度来驱动这两个改变：营销预算和人的思维。

从报告中领悟到的两个额外的知识。

在表格顶部，你会看到一个叫做主要维度的文本。在那一排，点击渠道/媒体。这样简单操作之后，你会迅速洞察到下一层级的内容，同时也会发现一些惊喜。

其次，看一下报告顶部的图表。在顶部右侧，你会看到三个按钮，然后点击叫做“转化前所耗天数”的按钮。

我太爱这个报告了，因为它帮助我更好的明白了购买行为归因的问题。这个报告是唯一一个能让你看到辅助转化购买前所耗天数分布情况的地方。

看到辅助转化报告后，如果你已经改变了员工的思维，那么你就可以开启学习另一个非常吸引眼球的“归因模型”报告了。

报告路径是：转化 > 归因 > 模型对比工具

你会看到靠近最终互动的地方有一个文本叫做选择模型。点击下拉菜单，忽略所有的其他模型，因为他们都有价值缺陷，然后只点击有足够价值的一个模型“时间衰减”，接着你就能看到如下图所示的内容了。

肯定会有很多读者好奇，为什么我不喜欢首次互动（顺便提一下，首次互动可能是列表中最糟糕的指标），或者线性（这个可能是列表中最没用的一个）……不要担心，去看我写过的这篇文章：多渠道归因模型：好的、坏的和丑的（这是一部美国著名的西部电影名字，由马龙白兰度主演，作者在这里引用这个名字暗示多渠道归因的一些方法中也有好的方法、不好的方法和丑陋的方法，http://www.kaushik.net/avinash/multi-channel-attribution-modeling-good-bad-ugly-models，译者注）。

当然，你正在看的这一栏是“转化次数的变化百分比”。GA团队通过绿色和红色箭头帮助你理解哪个地方的结果是很有意义的，通过或上或下的灰色箭头帮助你理解其效果是正向的还是负向的。

这些数据能帮助你的团队探讨和改变营销预算的分配。

如果你有广告成本数据的话，那会是一个更有价值的信号。而且，庆幸的是，商店演示账户里已经为你准备了足够多的数据。

你需要全面开动大脑来理解上述报告（一定要确保自己能够读懂上述模型的报告），然后想办法驱动整个公司员工思维的改变。是否擅于使用归因模型报告，既不是一个软件问题也不是一个数学问题，而是一个根深蒂固的人心问题。

由于我提出了这句著名论断——“整体数据毫无意义(http://www.kaushik.net/avinash/web-analytics-segments-three-category-recommendations/)”，因此我推荐大家在归因模型报告中向上移动一下鼠标，点击转化处的下拉菜单，看点数据细分的内容。

不置可否的是，这是一个比较前沿的知识，因为整体了解营销预算和用户行为是非常困难的。由于实际上你可以单独了解每一个目标的营销预算和用户行为，或者仅仅只是电子商务目标的营销预算和用户行为，这个细分功能使大家了解营销预算和用户行为这件事看起来更加复杂了。

能够这样做，毫无疑问是非常酷的，现在你就是这个超级聪明的数据天才，能够在复杂的回归方程式中精准的移动每一个变量，继而潜移默化的对公司产生最大的影响力。

如果你能够掌握这个技能，而且如果你能够改变公司内部营销预算的分配和员工的思维，那么你已经准备好最大化的使用GA来进行归因分析了，比如自定义归因模型。

在列表顶部，点击选择模型，然后创建新的自定义模型。为了方便大家理解，展示一下我为一位客户创建的自定义模型。

自定义归因模型之所以被称为自定义，是因为其规则是针对每一家公司定制的。这就需要大家理解前面我所讲过的所有内容，业务优先级（即公司重视什么）以及商业策略。

创建几个不同的自定义归因模型，看一下它是怎样影响数据的，以及GA数据分析能带来什么决策，这能帮助你与利益相关者进行明智的辩论沟通。重申一遍，通过分析所带来的决策会影响营销预算的分配和公司员工的想法。

一旦你做了自定义归因模型，然后在在线营销上面花费了巨资（至少有几百万美元），那么你已经做好准备来驱动最佳变化了：对照试验（也就是媒体组合建模）。因此，关键的一点是要在以上具体步骤中有所收获，如果你尚未改变公司员工的看法，那么不要跳过任何以上步骤。

福利1：你可能认为以上内容已经足够前沿了。然而并非如此。对于更高阶的内容，当你完全掌握了之前讲的内容后，去阅读这篇文章，并理解其内涵：多渠道归因：定义、模型和现实检查(http://www.kaushik.net/avinash/multi-channel-attribution-definitions-models/)。

福利2：多渠道路径中的转化耗时和路径长度报告（https://support.google.com/analytics/answer/1191209?hl=en）非常值得学习。而我个人更喜欢路径长度这项，因为这一项可以帮助我们洞察更多的数据。当你分析数据时，要确保使用转化下面的选项卡，类型（包括点击AdWords），互动类型和回溯期。通过每一步操作来理解会融入数据中的模型。这是无价之宝。

这一集先学习到这里，下一集我们将继续深入学习第三和第四部分，敬请期待。

【精华知识】数据分析必备初学者的高级谷歌分析指南-Episode 1

【精华知识】数据分析必备初学者的高级谷歌分析指南-Episode 2

【精华知识】数据分析必备初学者的高级谷歌分析指南-Episode 3

【精华知识】数据分析必备初学者的高级谷歌分析指南-Episode 4