今天MSA@NCSU 2017 新生名單出來了，發現100 多個新生里只有兩三個華人，比如我們2013 年那一屆更少了（當時是80 個人小10 個的樣子）。於是趁著公司服務器巨慢的這會兒功夫，來介紹一下這個傳說中就業率接近100%的數據分析(analytics)項目。

今年113人畢業，其中109人找工作，108人在畢業之前已經有至少一個offer，有人據了McKinsey的offer，有人拒了BCG的offer。系里安排了166個公司來面試，on site的有43個。所有學生平均起薪$93,250 ，其中0-2年工作經驗的平均起薪$89,400 ，3年以上經驗的平均起薪$101,200 ，這其中不包括bonus, sign on bonus, relocation package, RSU等，看圖說話。

畢業生去向主要為諮詢，軟件（這個SAS 佔了很大一塊），以及金融行業（銀行、信用卡）。

offer方面諮詢的有McKinsey, BCG, Bain & Company, Deloitte, EY, IBM, PwC, Accenture等，金融方面BofA, JP Chase, MT Bank, BB&T, PwC等，其它還有諸如GM, Disney, Marriott, Nike , SAS, Teredata等一眾公司。

注：上圖裡加粗的是發了offer並且有畢業生接了offer的，非加粗的是雇主發了offer但是沒人去的，比如說McKinsey， BCG.

這個項目創立於2007 年，是早最創立的少數幾個跟工業界結合緊密的項目，項目老大Dr. Michael Rappa 以前是MIT 的professor，2007 年跟SAS 合作，在北卡州立大學創立了Institute for Advanced Analytics，至今為止每年的就業率從來沒有低於過90%，包括金融危機時期，過去三年就業率更是每年都超過95%。

除了找工作以外，說說這個項目的優勢吧。

投資少，見效快

項目一共十個月時間，從七月到第二年五月，當然強度也比較高，根據個人情況不同，每週花在學習做項目的時間在40-60小時不等。因為只有一年時間，所以學費相對來說也比較便宜。剛開始創立的時候，學費才幾千，2013年的時候是$30K 出頭，現在國際學生的話大概是$40k 出頭，州內學生減半。這幾年漲價比較厲害，因為NCSU 覺得這個項目的畢業生工資普遍比較高，所以需要調整得比較高。

實習經歷

對於剛畢業的人來說，找工作最大的問題就是實習經歷。 MSA 會結合學生的興趣安排好公司的項目，大概十月份左右開始每天要花一半的時間在做項目，一方面邊做邊學，把課上學到的東西用到實習項目中，另一方面積累實習經驗，這樣不管是在簡歷上，還是面試的時候，都有非常大的幫助。這對轉行的來說（比如說我），更是非常非常的有幫助。

項目合作

不管是平時學習的每一個小項目，還是貫穿全常年的做項目的過程，都是通過與組員合作完成的。一方面可以跟組裡的人互相學習，另一方面這種經歷跟在公司也有點類似，在面試的時候很有的可以說的。此外每個月還有peer feedback，讓同組的人給自己評價，以及自己給自己的評價，不斷的增強自己的優勢，同時改進可以增強的地方。在Facebook 也有類似的系統，感覺還是挺有用的。

面試機會非常多

系裡面會給安排非常多的面試，如果有綠卡的話那平均面10 多個公司是很正常的事情，沒有綠卡會少一點，我當時面了大概6, 7個公司，on site 的有3 個，最後拿到其中2 個公司的offer. 而且關鍵的一點，系裡會把這些面試都集中安排在一段時間之內，一般是第二年的二月份開始面試過程，這樣做的好處是可以集中精力準備，而且如果拿到多個offer 的話，跟雇主議價就更方便了。

不要求科班出身

這個項目的學生背景非常廣，有以前學數學、統計之類的，也有工科的之類的，當然還有我這樣學生物的，以及一些各種文科的，非常適合想轉行的人，當然一些基本的數學、統計、概率的基礎還是要的，基本上就是高中數學、統率加上統計101 的要求吧。同時也不要求GRE，但是托福是要的。

說了這麼多優點，也來講講缺點吧。

競爭激烈

項目最開始是每年招40 個人，後來擴張到80 個人，現在是每年招120 個人，但是去年收到了1000 多份申請，競爭還是有點激烈的。

畢業生比較少有去tech和quant行業的

如果致力於去IT 行業的話，這個項目可能不是很合適。一般來說從這個項目出來直接去tech 行業的很少，畢業之後幾年換工作到tech 行業的還是有一些的，像我們這一屆的就我所知道的現在有兩個在Google，一個在Uber，一個在Facebook 做數據分析的。

沒法去學術界

這個項目是專門為工業界量身定做的，如果想去學術界的話，這個項目完全不合適。

總而言之，跟CS項目可能起薪什麼的沒法比，但是在analytics領域，這是個投資少見效快極其適合找工作的項目，推薦有興趣的同學申請，項目網站: http:// analytics.ncsu. edu/ 。

Google Analytics（GA） 是最常用的網站分析工具（之一），GA本身內置的功能本身就非常強大，在部署了GA的代碼以後就可以統計網站流量的來源渠道，用戶在網站裡的行為軌跡等等。但是如果要進一步用GA挖掘用戶的訊息，並且根據用戶的行為採取相應的策略或者進行再行銷，GA的目標和受眾群體就是首先要了解的功能。

所謂的目標（ 目標簡介），就是為了衡量用戶轉化情況，而設置的用戶生命週期內的一個個的節點。

“目標”可以衡量您的網站或應用完成您的既定目標的情況。目標代表用戶完成的某項可推動您的業務取得成功的活動（稱為轉化）。目標的範例包括完成購買（適用於電子商務網站）、通過遊戲關卡（適用於移動遊戲應用）或提交聯繫訊息表單（適用於行銷網站或潛在客戶挖掘網站）等。

例如電商網站中一個用戶的生命週期可能是：1、註冊（訪問註冊成功的頁面）->2、瀏覽商品頁（訪問商品頁）->下單（提交購買表單）->支付（收到支付請求）->確認收貨（發送確認收貨請求）。

不難理解的是，在用戶的整個生命週期裡，我們可以用一系列的事件來標誌用戶轉化的節點，例如：訪問特定url；提交表單；其它我們自定義的事件。

在GA->管理->目標裡可以創建目標，除了選擇基礎的：

1、訪問特定或符合一定規則的url

2、在頁面上停留的時長

3、每次會話訪問的頁面數

之外，還可以通過自定義的事件來設定轉化目標

事件包含四個條件，類別，操作，標籤（不必須），價值。常用的方法是按照GA的文檔， 通過添加跟踪代碼設置“事件” ，也就是向GA發送一個請求。

ga('send','event',[eventCategory],[eventAction],[eventLabel],[eventValue],[fieldsObject]);

當各個條件都匹配後，GA就會為這次目標記錄一次轉化。也就可以在報告裡看到轉化事件和用戶行為軌蹟的統計結果，同時定義的目標也可以用在受眾群體定義上，如果和adwords連通，還可以進而對特定的用戶群體再行銷。

但使用GA統計數據的通常是行銷或者數據部門，如果每次需要統計一個新的轉化事件就去找開發部門添加一段新的代碼，雖然很短，但也會浪費很多不必要的時間和精力。

因此就要使用Google tag manager（跟踪代碼管理器）

Google 跟踪代碼管理器免費提供，易於使用，可讓您留出更多的時間和資金用於廣告行銷活動。利用此工具，您可以通過一個簡單易用的網絡界面自行管理代碼和配置移動應用，得益於此，您或您的IT 部門將用不著編寫或改寫代碼。

借助Google跟踪代碼管理器的強大功能，您可以根據自己業務的響應速度，隨時為網站和移動應用創建和更新代碼。

簡單來說，Google tag manager（GTM）可以讓你在配置了GTM後，在一個可視化的頁面上統一管理如同GA，Kissmetrics等等這些和你產品無關，為統計或者行銷而添加的代碼，並且提供了豐富的觸發和變量機制。

在GTM上有三類內容是需要關注的（側邊欄）：

1、Variables，variables就是你需要統計或使用的數據，它可以是DOM元素；也可以自定義JS代碼返回的數據；GTM也提供了一個datalayer層，你可以設置指定的datalayer層變量，開發可以把你需要的變量push到datalayer層中（本質上也是發送請求）。

以自定義JS代碼為例，如上圖所示就是創建了一個獲取當前日期的變量。

2、Trigger，Trigger是觸發器，標明什麼條件下觸發事件。 Trigger可以是訪問頁面，表單提交，點擊等等。

3、Tag，我們有了數據和触發器，還需要一個把它們結合在一起決定什麼時候發送什麼數據的東西，就是tag。

以構建一個GA的事件tag為例，新建一個tag選擇tag類型為GA。

Track Type選擇Event，也就是GA事件，在GA裡我們已經提到了，GA的事件有四個內容需要設置，類別Category、操作Action、標籤Label、價值Value。這四個值都可以使用在GTM中創建的variable，下圖把價值選擇為之前用自定義JS創建的獲取日期的variable。

最後選擇Trigger，也就是在什麼條件下觸發。

GTM的每次改動都可以預覽然後再發布。

GTM不僅和GA，還有其他很多統計工具都是聯通的，作用就是方便快捷地在網站或應用上部署和產品無關的統計或行銷代碼。

數據監測產品有很多，我使用過的，就有十幾款，價格也是從免費到十幾萬人民幣，到大幾十萬人民幣，以及百萬人民幣不等。作為「介紹數據監測產品系列」第一篇，就一定要介紹一款優秀的產品—— Google Analytics.

Google Analytics 是一款網站數據監測系統(產品)，也就是我們常說的Google Analytics. Google Analytics 前身是Urchin，於2005 年3 月時被Google 收購；同年11 月，Google 在Urchin 基礎上開發了Google Analytics.

（圖：Urchin 產品界面）

題外話：Google Analytics 的渠道追踪參數UTM 便是從Urchin 繼承過來，是Urchin Traffic Monitor 的縮寫。國內有些數據分析產品的渠道追踪參數也使用了UTM，原因猜測有二：

1、用Google Analytics 的網站太多了，便於替換；
2、直接Copy, 並不知道UTM 是什麼的意思:)

2011 年3 月Google Analytics 升級為v5 版，2012 年10 月Google Analytics 最後一個版本被命名為Universal Analytics。與Google Analytics 最大的不同是Universal Analytics 推出了UserID，通過UserID 進行跨終端追踪，和自定義維度和指標。 Google 官方已經宣布不繼續對舊版Google Analytics 升級和維護，絕大多數使用Google Analytics 的網站也已經升級為了Universal Analytics, 所以下文提到的Google Analytics 均為Universal Analytics 版本。

Google Analytics 有兩個版本：免費版和付費版(Premium)。付費版15w 美元/年，除了數據不抽樣外，付費版可以使用BigQuery、DoubleClick Campaign Manager 和DoubleClick Bid Manager。 BigQuery 是Google 雲端的數據倉庫，直接寫SQL 即可快速查詢數據。據說，查詢幾十G 的數據僅需幾秒鐘。目前國內使用Google Analytics 的企業有很多，大型網站如：京東、豆瓣、知乎、蘑菇街、丁香園，小型網站更是不計其數。

絕大多數朋友在談論Google Analytics 時都是談論的免費版本，比如「Google Analytics 和百度統計哪個好？」、「Google Analytics 如何設置跨域監測？」等，所以以下內容側重免費版Google Analytics(付費版包括免費版全部優點).

Google Analytics 有哪些優點

對於免費的網站數據監測產品，Google Analytics 絕對是最優秀的。如果使用得當，Google Analytics 的價值遠超國內幾十萬的付費產品。

1. 幾乎適合所有人使用

不論你是剛接觸網站數據分析的新人，還是經驗師經驗豐富的數據分析專家，均可用來做數據分析。如果你是負責公司行銷推廣的運營人員，你可用來監測各個推廣渠道的推廣效果，優化推廣策略。如果你是產品經理或者負責UED，你可用來做用戶行為監測，A/B Testing, 不斷優化產品用戶體驗。如果你是CEO, 你可選擇你最關心的數據指標及自定義報表，定期為你發送定制的郵件。

2. 靈活、功能齊全

Google Analytics 的操作非常靈活，功能也非常全面，國內很多數據監測產品的功能設計均有參考Google Analytics. 我們最常用的如：隨處可進行的高級細分、用戶行為路徑分析、歸因模型、轉化漏斗分析、實時數據、自定義指標和維度、自定義事件、自定義報告、自定義Dashboard、賬戶分配與權限控制、報告共享、A/B Testing、跨屏監測、數據發送與下載、智能提醒、數據註釋…

(圖：高級細分使用案例)

3. 支持全平台

Google Analytics 除了支持監測Web 和Wap 外，還支持監測App.

4. 技術一流

Google 的技術無需多說，Google Analytics 中數據計算及響應速度更是可以碾壓國內絕大多數同類產品(用過的朋友定有感觸)。

(圖：配置高級細分過程中，數據實時呈現)

5. 數據安全

Google 號稱「不作惡」，也不用擔心數據會被洩露。

6. 資料豐富

Google Analytics 的幫助文檔非常詳細(絕對是業界良心)，有數據計算邏輯說明，有圖文詳解，也有視頻教學；如果還有問題，Google 一下，幾乎都能解決。

7. 優秀的用戶體驗

輕鬆實現跨域追踪、隨意細分數據仍能快速呈現、不同指標快速對比、維度可切換和下鑽、多種圖表類型隨意選擇、為不同人配置不同的Dashboard、根據需要可配合過濾器建立多張數據視圖…

8. API

Google Analytics 為用戶提供了三種API：Collection API、Management API、Data Export API，可以根據自己的需要結合Excel、Tableau 等工具進行數據導出。

Google Analytics 有哪些缺點

沒有完美的產品，Google Analytics 也一樣。在討論Google Analytics 缺點時，常被提及的又如下幾點：

1. 數據抽樣

為了提高報告處理速度，超過一定限制，免費版Google Analytics 將會採用數據抽樣。例如：每月頁面瀏覽量1000 萬次、多渠道路徑報告以100 萬次等情況，數據報表將會抽樣。

作者註：抽樣被廣泛用於統計分析中，抽樣後的數據並不影響數據體現趨勢，與完整數據集結果類似。 Google Analytics 更加強調數據趨勢，而不是像企業內部BI 系統要求精確到個體。

2. Google Analytics 不能訪問

由於特殊原因，在大陸訪問Google Analytics 查看數據需要「翻牆」。

作者註： 「翻牆」其實很簡單，而且也是互聯網從業者應該具備的「技能」:) 。

3. Google Analytics 丟失數據

這個鍋Google Analytics 不應該背。國內有些企業為了宣傳自己的產品，因為Google Analytics 不能直接訪問，就故意說Google Analytics 丟數。

作者註： Google Analytics收集數據和查看數據的服務器並不是同一台，查看數據的服務器大陸確實不能直接訪問，需要「翻牆」，但是收集數據服務器並沒有被「牆」。

總結

作為一款免費的數據監測產品，Google Analytics 非常真誠。如果業務不是非常複雜，或者對數據沒有特殊要求，完全可以使用Google Analytics，把節省下來的錢用來找優秀的數據分析師，不是更好嗎？

本文首發微信公眾號：DataPD

更多詳情請點擊： GA小站|最權威的Google Analytics和Google Tag Manager經驗分享平台

1. Massachusetts Institute of Technology- Master of Business Analytics (MBAn)

學校：麻省理工學院素以世界頂尖的工程學和計算機科學而享譽世界，擁有著名的林肯實驗室（MIT Lincoln Lab）和媒體實驗室（MIT Media Lab），位列2016-17年世界大學學術排名（ARWU）工程學世界第一、計算機科學第二，與斯坦福大學、加州大學伯克利分校一同被稱為工程科技界的學術領袖。在2014年US News所統計的Best Computer Science Schools排名中，麻省理工學院與卡耐基梅隆大學、斯坦福大學、加州大學伯克利分校排名並列第一。截止至2016年，麻省理工學院的校友、教職工及研究人員中，共產生了85位諾貝爾獎得主（世界第6） 、6位菲爾茲獎得主（世界第10） 以及21位圖靈獎得主（世界第2）。

2016-17年度，MIT位列QS世界大學排名世界第一、usnews世界大學排名（US News）世界第二、世界大學學術排名（ARWU）世界第五、泰晤士高等教育世界大學排名第五。具體學科方面，麻省理工學院的生命科學位列世界第3（ARWU）、基礎理科第5（物理學第4、化學第6、數學第12） 、經濟學和社會科學位列世界前5。

項目： MIT的BA項目於2016年第一次秋招，項目時長一年。項目滿足了市場對能夠應用數據科學解決商業問題的技術型學生的需求。 We seek smart, motivated applicants who are passionate about analytics. Recent graduates, early career professionals in high-tech, engineers, mathematicians, physicists, and computer programmers are encouraged to apply.雖然MIT BA的項目沒有明確寫出限制的專業。但是這段話說明白了：我們尋找對分析有熱情的積極的聰明的學生。最近畢業的高科技，工程，數學，物理，計算機編程的學生推薦申請。

錄取分析： MIT的BA於2016年秋季首次招生，並招收了16名學生，據了解，台灣人只有一人被錄取，本科畢業於英國諾丁漢大學。 2017年收到800多份申請，擇優面試100人左右，最終錄取60人，入學班級控制在40-60人左右。錄取背景top本科學校GMAT要750+ 極強的quant背景(statistics+math+cs) GPA 3.85-4.0，GRE 330+。官網顯示2017fall的班級裡有37%的人是數學&理學專業背景，37%的人是工程學背景，13%人是人文，藝術背景，只有6%的人是計算機背景，6%的人是商科背景。錄取人的工作加實習經驗在0-2年不等。平均的GPA在3.9。國際生比例在75%。

就業：官網上沒有就業數據，但是項目中的capstone合作企業包括McKinsey & Company，StubHub，General Electric，Group M等。

2. Columbia University-MS in Data Science

學校：哥倫比亞大學屬於常春藤聯盟，位於美國紐約市曼哈頓區，曼哈頓是紐約的市中心，紐約最重要的商業、金融、保險機構均分佈在這裡。曼哈頓氣候溫和，交通方便，有很多地鐵和公共汽車線路，四通八達。在哥大校園內有保安巡邏，監控設備分配比較合理，校內安全有保障。

項目： 2014年秋季開始開設，該項目共須至少完成30學分課程。括21學分的要求/核心課程和9學分的選修課程。

錄取分析：該項目大概錄取五六十人左右，其中有一半是國際生，國際生里有70%是台灣學生，即二十多個人。錄取的陸本學生多為清華、人大、浙大等知名院校學生。建議GPA 3.8+。

就業：學校名聲好，在全美找工作都是可以的，包括以後可以去加州找工作，甚至以後回國也不會有什麼限制。而且項目實力也很不錯。

Columbia University-MS in Applied Analytics

項目：項目總共需要36個學分，也就是12節課。其中core courses一共有9節，分別在analytics skills和leadership, management and communication。 MSAA項目主要培養學生利用數據做出決策，並提出解決問題的可行性分析建議。項目更關注數據推理和建立組織價值，而不是純粹的科學統計數據，授課方式有案例研究，小組討論等，有利於學生將理論和實際結合起來。項目時長3個學期，每學期修12學分。

錄取分析： 2016年秋季第一次招生，目前還沒有太多的錄取數據，不過還是建議申請者有720+/320+的GMAT/GRE, GPA 3.5+,另外，建議本科期間修讀一定的量化和編程科目。 Fall 2016一共入學的同學有320人，是目前SPS最大的項目。其台灣際學生（台灣學生）佔據絕大多數，具體數量在260人左右。其中絕大多數都是剛剛本科畢業沒有豐富fulltime經驗的學生，而本科背景也是五花八門，有美本，英本還有國內大學本科的學生，目前看主要集中在經濟、應數、統計以及商科上面。除去台灣學生，美國本地的學生大概有60人左右，而其中基本上都是有過工作經驗，目前正在工作的人。

就業：由於項目是2016年第一年開，所以並沒有任何訊息和經驗給我們參考。從課程設置上來看，就業路線基本上就是business analyst和financial analyst，有豐富的選修課，需要定位選擇好elective course。

3. Carnegie Mellon University-BIDA

Master of Information Systems Management(MISM) degree with a Business Intelligence and Data Analytics(BIDA) concentration

學校：卡內基梅隆大學（CarnegieMellonUniversity簡稱CMU）坐落在賓夕法尼亞州的匹茲堡(Pittsburgh)，是一所享譽世界的私立頂級研究型大學，該校擁有全美頂級計算機學院和戲劇學院，該校的藝術學院，商學院，工學院以及公共管理學院也都在全美名列前茅。該校由工業家兼慈善家安德魯•卡內基於1900年創建，當時名為卡內基技術學校，建立之初的教育目標是“為匹茲堡的工人階級子女提供良好的職業培訓”。 1912年改名為卡內基技術學院，開始向以研究為主的美國重點大學轉變。 1967年，梅隆學院和卡內基學院的董事會決定交兩所學院合二為一，並取名卡內基•梅隆大學。

項目：項目目標是培養精通business process analysis，predictive modeling, GIS mapping, analytical reporting, segmentation analysis, and data visualization的專業人才。項目時長分為1年，16個月，21個月。包含暑期實習，需要自備筆記本電腦。

錄取分析：該項目比較看重工作經驗和GPA成績，錄取者70%有相關工作經驗，GPA也基本在3.5左右。多申請者背景的要求沒有非常嚴格，但是有一定的先修課和計算機基礎要求。錄取的人背景多樣化，近三年班級人數在300人，GMAT成績在700左右，GRE V151-158，Q161-168。平均GPA在3.75左右，從3.4-3.8不等。

就業：據官網統計，93%畢業生找到工作，PHD就讀0人，只有2%選擇回原籍工作，其他人均在科技行業，金融服務行業，醫療行業，貿易行業等等找到工作。有很多畢業生去了IBM, Google, Facebool，四大等。 94%的畢業生找到工作，平均薪資在10W美金以上，高達14W美金，低達5W美金。

4. University of Southern California-Master's Degree in Business Analytics

學校：南加利福尼亞大學(Uni. of Southern California)建於1880年，位於加利福尼亞州的洛杉磯，是一所歷史悠久、科研教學水平高、有著豐富的校園文化生活的世界知名私立大學。學校現有學生28000多名，其中研究生約佔一半，是美國西部入選美國大學聯合會的4所私立大學之一，其畢業生中擔任商界、政府和專業領域重要領導職務的不乏其人，遍及美國、太平洋地區乃至全世界。

項目：該項目從2014年春季開始，Full-time項目時長18個月，學生將需要完成11門課程。學生畢業後可從事金融分析師的工作。學生將在該項目中得到較多的大數據分析方面的鍛煉，包括統計模型、數據管理、可視化、訊息安全、最優化、不確定情況下的決策。學生將學會如何有效地處理複雜的大數據。

錄取分析：項目錄取率8.9%。 85%的學生都是國際生。項目雖然沒有要求必須有工作經驗，但是錄取者平均工作經驗在1.5年，適合有工作經驗的、GPA成績高的學生申請。

就業：據官網數據，該項目畢業生平均薪資達到$85,000，在全美的BA項目中位列第一。其中畢業生50%以上都是在洛杉磯就業。就業領域也比較廣，包括Business Analyst, Data Analyst, Sr. Statistical Analyst等等，基本都和大數據分析相關。

5. Northwestern University- Master of science in Analytics(MSIA)

學校：西北大學（Northwestern University），簡稱NU，是一所世界著名的私立研究型大學，美國大學協會（AAU）成員校之一，十大聯盟（Big Ten Conference）成員校之一、也是該聯盟中唯一的私立大學。西北大學在權威的《美國新聞與世界報導》（US News）2017年國家大學本科排名上位列第12位，《泰晤士高等教育》（Times）2017年世界大學排名上位列第20位，usnews世界大學排名第25位，2017年ARWU（上海交大世界大學學術排名）位列第26位，2016年《QS世界大學排名》第26位。

項目：此項目的特點是涉及分析的所有三個領域包括：predictive(預測),prescriptive（規範）,descriptive(描述)作業涉及統計，建模，運籌，數量分析，決策分析，數據庫，數據管理。課程綜合而實用，主要探索底層數據科學、訊息技術和商業分析。 15個月的full time項目，35個人的小班授課。項目包含：8-month practicum project，3-month summer internship，10-week capstone design project。

錄取分析：不需要工作經驗，建議有實習44%錄取者沒有工作經驗，20%有1-2年工作經驗，20%有3-5年工作經驗。非常注重實踐，關注畢業生就業的項目，對數理背景要求高，國際生台灣教育背景畢業的學生少。工科和計算機背景39%， 數學和統計背景18%，經濟學社科背景27%，商科背景8%。

就業：項目非常重視就業，每年吸引20-30家公司來項目招生。 2016年最新數據實習單位：Advocate Physician Partners; Amazon; Autodesk; Chicago Mercantile Exchange, Inc.; CivicSmart; Civis Analytics; Eco Green Analytics; Enova; Farmers Insurance; Genentech; Genostyle LLC; Groupon; Hewlett Packard Enterprise; IBM; IBM Global Business Services; McKinsey & Company; NASA JPL; New York Yankees; Nielsen; Nordstrom; Schneider; SlamData; Teradata Corporation; T-Mobile; TransUnion; United Airlines; United Nations; University of Chicago Crime Lab New York; Vote Cruncher.

6. Washington University in St. Louis——MS in Customer Analytics

學校：華盛頓大學（聖路易斯）Washington University (St. Louis) ，簡稱華盛頓大學（Wash U，WU）以美國國父喬治•華盛頓命名，始建於1853年2月22日，位於美國密蘇里州聖路易斯市，是美國歷史上建校最早也是最負盛名的“華盛頓大學”，該校在美國新聞和世界報導（US News & World Report）2014大學綜合排名中名列14位，超過康奈爾大學、布朗大學等多個“常春藤”名校；2016年世界大學學術排名（ARWU）全球第23位；2017USnews世界大學排名26名；美國9所“新常春藤”名校之一，屬世界一流大學。歷史上共有25位諾貝爾獎得主在此學習或從事教學研究工作。聖路易斯華盛頓大學分為四個校區：丹佛斯（Danforth Campus）校區、醫學院校區、西校區、北校區和泰森研究中心。

項目：致力於提高學生在新興的大數據時代掌握數據驅動的決策制定的方法。項目時長3個學期，共39學分的課程。課程由商學院和School of Engineering & Applied Science and Arts & Sciences的教授共同講授，確保學生能夠學到相關的商科和計算機課程，掌握運用計算機處理數據的方法。

錄取分析： 2016fall統計一共招收32人，平均年齡在23歲左右，GPA3.58， GMAT721，TOEFL106，國際生招收在84%

就業：學校非常關注就業，參加校內面試或者是招聘找到工作35%，通過個人network找到工作佔17%，通過企業官網找到工作佔35%。從事的職位主要是客戶分析師，市場調研，戰略諮詢，數字行銷，資產管理等。

7. Georgia Institute of Technology- Master of Science in Analytics

學校：佐治亞理工學院（Georgia Institute of Technology），簡稱Georgia Tech，也被簡稱為Gatech或GT，又譯喬治亞理工學院，1885年建校，坐落於美國東南部第一大城市亞特蘭大，是一所享有世界聲望的頂尖研究型大學。佐治亞理工學院是北美頂尖大學聯盟美國大學協會的成員校，也是公立常春藤名校之一，在2017年《美國新聞與世界報導》發布的綜合大學排名中位列第34位，公立大學第7位,，其工程學院排名全美第4位。在2017年《泰晤士高等教育》發布的世界大學排名中位列世界第33位。佐治亞理工學院在全球有著頂尖的學術聲譽，其代表學科是工程，該校是美國最好的理工類大學之一，被譽為“南方MIT”。 Georgia Tech下屬的航空系統設計實驗室（Aerospace System Design Laboratory，簡稱ASDL）承擔了美國政府的一些機密的重大科研項目，例如幫助航空製造公司攻克設計先進商用飛機的技術問題，為美國國會制定詳細的登錄月球和火星的預算，以及為美國空軍研發最先進戰鬥機等。

項目：一年項目，36學分，是由Scheller College of Business, the College of Computing, and the College of Engineering合辦的項目，項目有三個分支：analytical tools, business analytics, computational data analytics。項目要求具備良好的數學基礎（至少一門微積分，一門統計學或者概率論），計算機技能（至少一門computer programming using a high-level language like C, C++, Java, Python, FORTRAN, etc）如果沒有足夠的數學和計算機基礎的話也會被錄取，可以在入學之前學，或者是入學之後學習such as Math 1712, ISyE 6739, and/or CS 1301

錄取分析： 2016秋錄取了69個學生（800申請者），61%有工作經驗，平均經驗是2年，10%有10年以上工作經驗，15個學生已經有master學位。錄取的學生背景：business, computer science, economics, engineering, english, finance, history, linguistics, mathematics, statistics, theater, etc.

就業：官網統計平均薪資在10W美金，如果有0-3年工作經驗在8.9W美金左右。 2016八月統計畢業生有21人，95%學生畢業拿到錄取，95%學生接受錄取。工作的職位40%是分析崗位，25%是數據科學家，20%進入諮詢行業，10%分析管理崗位。就業行業涉及諮詢行業，市場&廣告行業，科技行業，金融服務行業，零售行業，其他包括物流，媒體，娛樂，食品&飲料，汽車，建築材料等等。

8. Rensselaer Polytechnic Institute-MS in Business Analytics

學校： RPI位於紐約州的特洛伊市，距離紐約大概2-3小時，是美國最早的工科大學。 RPI沒有醫學院和法學院，常年保持美國綜合排名top 50的地位，以工程學院和商學院最為著名。 BA課程安排在商學院下，也有很多課程是和工程學院一起上的，保持了很高的教學質量。

項目：課程總時長1年，秋季入學。 RPI的BA項目不僅專注於數據分析的技術培養，同時也注重數據分析在現實中的應用。除了擁有超高含金量的課程，該項目班級規模比較小，每年20-30人左右，互動性很強也是吸引學生的關鍵因素。項目課程分為三個部分：數學分析、商業基礎課、基本的計算機語言。其中商業必修課3門，分析類核心課5門。從課程數理來看，數學分析相關課程佔比最大，包括了分析技術基礎、預測分析、高級數據資源管理、高級定量方法、市場分析、大數據分析等等。此外，與數據分析有直接相關性的行業課程也有很多，例如供應鏈管理、市場研究、風險管理、金融經濟學建模、管理訊息系統等等。

錄取分析：這個項目對申請者的工作經驗沒有要求，錄取者大多是應屆畢業生。學術的專業背景也是五花八門：商科（finance、marketing畢業的）、日語、英語、工程領域的、IT的都有。而就目前已知的錄取數據，錄取的台灣學生大都來自國內名校，也有美本、英本的學生，GMAT都在650以上，TOEFL 100以上。

就業： 80%學生一畢業就找到工作，平均薪資在7W多美金，企業包括IBM, Research Now, Dentsu Aegis Network, Cisco Systems, The Comcast Corporation, Facts & Measures, Accenture, Dish Network, WalMart, QueBIT, LL Bean, and HubSpotHP.

9. University of Rochester- Ms in Business analytics

學校：羅切斯特大學（University of Rochester，U of R）是一所美國著名的私立研究型大學，北美大學協會（AAU）成員、世界大學聯盟成員。該校的7位學者是美國國家科學院院士，18位學者是美國文理研究院院士；在教師和校友中，該校有8名教授是諾貝爾獎（Nobel Prize）獲得者，12名學者獲普利策文學獎（Pulitzer Prize）。 2017年US News美國大學排名，羅切斯特大學排31名，與威廉瑪麗學院並列。羅切斯特大學有6個學院，共開設超過175門學位課程（含學士、碩士和博士3種學位），其中英語、音樂、金融、量子物理、心理學、數學、計算機、生物醫學工程和光學等專業素享盛譽。其中伊斯曼音樂學院（Eastman School of Music）2014年世界排名第一；2015年金融時報（Financial Times） 金融專業全球排名5； 華爾街日報將該校西蒙商學院（Simon Business School）列為全美第6佳商學院。

項目：項目有兩種完成方式：10-month study track or expanded with a 17-month internship option。項目會訓練學生to understand, interpret, and communicate big data, 為學生在市場，市場研究，定價，商業分析和銷售管理方面的職業發展做準備

錄取分析： 2016 Class錄取62，平均年齡23，工作經驗0.2-2 years.本科背景：48% Business and Commerce, 34% Humanities & Social Science, 15% Economics, 3% Math , Science, and Engineering

就業： 83%的畢業生在畢業3個月後找到工作，2014-2016年錄取的企業包括：Nationwide Insurance，The Nielsen Company，PricewaterhouseCoopers LLP，Bosch China，Booz Allen Hamilton，The Hertz Corporation等。

10. George Washington University-MS in Business Analytics

學校：喬治華盛頓大學（英語：The George Washington University）於1821年建校，是一所著名的私立綜合性大學。主校區位於美國首都華盛頓特區市中心，比鄰世界銀行、國際貨幣基金組織、國務院，距白宮只有幾個街區。學校現有9個學院，兩萬多名在讀學生，是華盛頓特區內規模最大的大學。喬治華盛頓大學在華府地區是名聲與排名僅次於喬治城大學的一流學府，它培育出的學生在美國乃至全球的政治、外交、法律與商業界具有卓越的貢獻。由於其位於美國權力中心—華府市中心的絕佳地理位置，大幅提升該校的政治敏感度，自成立以來源源不絕的為白宮、國務院等政府機關，以及聯合國、世界銀行與國際貨幣基金等重要國際組織注入新血，而被譽為“政治家的搖籃”。

項目：這個項目2013年秋開始開設的，將幫助學生掌握運用大數據做出決策和預測的方法。學生可以根據自己的情況選擇不同的項目時長：a.12個月的加速項目（full-time）（Fall, Spring, Summer）學生必須在暑期上課以在12個月內完成項目； b.16個月的項目（full-time）（Fall1, Spring1, Fall2）,學生可以在暑期進行實習；c. 24個月的part-time項目

錄取分析：該項目招生50人左右，80%國際生。項目優勢：1. 課程設置優2.工作實習機會較多3.商學院校友資源多。錄取者平均GMAT分數在697分，GPA在3.26，平均年齡在26歲左右。

就業：畢業生從事於不同的行業，金融，醫療，人力資源，國貿，市場，物流等等。官網也列出畢業生就業企業名單，包括四大，IBM, Evolent Health , Groupon 等等。

聚類分析是商業數據分析中最常用的一類分析技術了，無論是將你平台的活躍用戶分層區別經營，還是已上架商品進行歸類進行策略調整都非常適用。它的原理根據已有的數據樣本的訊息尋找相似的數據結構（距離相近），並將其歸為相似組的的過程。因為該數據樣本往往不具有特別明顯的目標特徵，所以聚類算法在機器學習領域中被稱為無監督學習。

0.確定目標

本次案例是根據Google Merchandise Store 8月產品銷售業績數據來為產品提供分析支持，對產品進行較為細緻的分類，並嘗試給出優化策略。

1.數據選取

網上下載數據集一般都有較好的分類特性，為了獲取到真實商品銷售數據的來源，我們使用Google Merchandise Store 8月的商品數據。那麼問題來了，怎麼獲取到這些數據呢？別著急Google 名下有一款網站行為監測工具，為了讓用戶更好體驗這款工具，Google 還非常貼心的給你一個網上商城的演示賬號，裡面的數據都是商城真實訪問的數據。其中“轉化”電子商務報告中提供了超過60類維度和指標，除了默認報告之外，你還可以根據實際業務自行提取對產品分類有用的指標和維度做成自定義報告。最後說一句，這款工具免費、支持中文。

演示賬號入口： 訪問演示帳號，需翻牆

在BI 界面中它長這樣

本次在GA 中選取的字段如下：

有人問，為什麼不用GA 中默認報告的數據，我會告訴你我用過，但因為指標具有多重共線性導致分類結果不佳麼？比如默認報告中“產品收入”、“銷售產品數量”、“唯一購買人數”這些維度具有相當大的正相關性，如果不經過處理直接餵給模型，很容易造成過擬合。

2.選取聚類方法

2.1K-means聚類

K-means 聚類算法是最經典的無監督聚類算法了，原理算是簡單，知乎上已經有很好的回答了，大家可以去找找，不過多贅述了。

算法優點：簡單——只需要設置一個簇點參數K；有效——對大型數據集有比較好的處理速度

要注意的坑：算法簡單帶來的就是聚類的不嚴謹性——K-means得到的聚類分組往往是局部最優解，最終聚類結果很大程度取決於初始隨機點的選取；不僅如此，K-means 是計算每個特徵之間的舉例，所以如果特徵為無序分類數據，那麼這個聚類結果就不會很準確了。如為流量來源數位化，baidu=1，google=2，sogou=3，問題在於你無法證明以上三個渠道來源誰優誰劣，數字的度量對他們沒有實際的意義。其他諸如對凸型數據處理較好，容易忽視小類別的點，對噪聲數據敏感等缺點

解決方案：局部最優解——多嘗試K 參數的選擇，多次測試看分類效果是否穩定；特徵中存在無序分類變量——去除該字段或者嘗試用其他有序變量去描述它(如從跳出率、訪問時長、轉化率來描述渠道的質量高低）

2.2層次聚類

層次也是我們最常用的一個聚類算法，分凝聚式層次聚類和分裂式層次聚類2種，這裡我們使用凝聚式層次聚類，用來處理和驗證K-means 聚類後關係的緊密性

優點：非常容易解釋，把圖放出來跟老總講講就明白了。

要注意的坑：因為算法的計算複雜度，所以不適宜用來處理大型數據。比如用來對大量用戶進行分類，會耗費很多時間，而且結果會異常繁複難以總結，故在此我們使用層次聚類驗證K-means 聚類後效果。

3.數據預處理

在數據開始處理之前，我們必須事先熟悉樣本數據集的特性，從上圖我們發現至少2個問題：

• 各個維度數據范圍不一致，必須事先對數據標準化：

由於K-means 是依靠樣本點之間的距離來進行分類的，所以必須進行數據標準化。如果不做標準化處理，那麼算法會傾向判斷數值較大的特徵（比如列表頁瀏覽次數），而對范圍變化較小的特徵視而不見（比如平均價格），這對數據聚類結果有較大影響。

• 篩選離群點：

熱銷字詞云的圖中，我們可以看到Foam Can and Bottle Cooler這款產品銷量很多，聚類分析對離群點比較敏感，因為如果不做任何處理按照普通樣本去聚合的話，會影響類別中心點的位置，所以在處理數據之前必須將離群點的數據剔除。

4.模型處理

比如上面這貨：當K=3時，該產品就被單獨區分為一種，下圖紅色的點

我們將這個商品剔除後，對剩餘產品做聚類分析，我們另K=7，得出維度-分類分類結果如下圖（縱坐標為類別組，橫坐標為維度）：

4.1分析結論——K-means

上圖可以看出每類樣本點在不同維度分佈狀態，舉例來說，黑色類與青色類，在除product remove from cart之外所有維度均是相同分佈，其中黑色類剷平從購物車移除的次數明顯小於青色類。為了更詳細的區分各類的區別，我們可以查看7個分類的中心點（以下數據經過了逆標準化進行還原）：

從上表中7個分類的中心點我們可以看出一些端倪：

1. 分類cluster0-2、cluster5都是小樣本聚類，之所以能夠形成一類，是因為某類指標特別大：比如cluster_1和cluster_2的Quanaity（銷售數量）就比較大，cluster_5的Product list view（產品在列表頁被瀏覽的次數）就非常大。
2. 因為是最初級的聚類算法，我們仍然可以看到不同類別存在一定的相似：比如cluster_1和cluster_2的區別在於cluster_2比Product remove from cart（產品被移出購物車的次數）幾乎是cluster_1的2.5倍。
3. 分類後的樣本數量懸殊巨大，這固然反映了真實的銷售場景，同樣也可能受制於樣本的數量，本次只選取了時間窗口為8月的銷售數據，如果某些商品因為數據量太小，也可能導致該分類被併入了相鄰的大類當中。比如本季度暢銷T恤和即將來臨的秋季外套，算法會更偏向於T恤的分類。

5.一些改進

最後我們嘗試著將這些分類好的結果餵給層次分類算法，因為我們看看這分出的7個品類中，哪些特徵接近，又有什麼特點：

從上圖中我們又可以發現：

1. 誒，你看cluster_4是最後合併的一類，那麼說明它離其他的點都非常遠。為什麼啊？其實我們回頭看看cluster_4的中心點，這類商品平均價格昂貴，看過詳情的人加入了購物車比其他類別高2~3倍，但是從購物車中刪除的比例也不低，這樣問題一分析是不是很清晰明了了？
2. 也許有人會疑惑，cluster_3和cluster_6從中心點上來看，並非完全一致，為何會最先被聚合，這與距離算法有關係，因為相比其他分類來看，他倆的確是最接近的【捂臉】。
3. 從層次聚類的縱坐標高度來看（兩分類結合的高度越高，差異度越高），其實cluster_3和cluster_6相似度也並非很高，也能佐證上一條觀點。從差異度來看cluster_0和cluster_1兩個分類與新結合的分類差異度較小，說明該分類可能位於先前N分類的中心位置

6.優化策略

最後是優化策略，給兩條最明顯的吧：

1. 優化cluster_4和cluster_2的商品的購物流程，因為用戶不會無緣無故的添加購物車之後刪除它，除非購物流程出現問題或者網站引誘用戶誤點，亦或是關鍵訊息沒有一開始展示（比如，下單時才提示我所在的地區無貨）
2. 對於cluster_5類的商品，它在列表頁獲得了遠多於其他類別商品的瀏覽（高7~8倍），但是帶來的銷售數量卻並非很高，考慮到該類商品平均價格也不是非常出眾，是否可以適當調整該商品的展示位置，把機會留給更會盈利的產品呢？

話說我為什麼要選真實數據來坑自己【捂臉】

一.Google Analytics的工作原理

下面是一張Google Analytics工作流程的示意圖。

當網站頁面被加載時，頁面源代碼中的一段Google Analytics追踪代碼也同時被執行。追踪代碼負責收集並更新與本次瀏覽相關的數據，例如訪問者屬性，本次訪問來源，瀏覽器配置，打開頁面的時間等等等等，並將這些數據以1像素透明GIF圖片請求的方式發送回Google Analytics服務器。

Google Analytics服務器在對返回的追踪日誌進行處理後，將數據以指標和維度的方式輸送到報告，經過賬戶個性化配置和過濾器後，最終顯示在我們賬戶的配置文件中。

二.優勢

1.Google分析更加靈活，百度統計則相對固定

google分析的靈活性表現在它提供的多級維度上面，你可以通過多個次級的維度來為自己提供非常直觀的數據分析，比如說：我想要知道百度自然搜索當中各個關鍵詞帶來的流量情況，就只需要在來源為baidu/organic下面選擇次級維度為關鍵詞的選項就可以了，但是百度是沒辦法這樣操作的，百度統計相對死板一些。

2.谷歌可以過濾內部流量

可以創建IP 過濾條件以阻止發送自您公司內網的匹配影響您的報告。

這在早期網站流量不大時，可以更清晰的判斷哪些是真實用戶的行為操作，排除乾擾。

3.google分析將不同來源的不同媒介做了區分，而百度統計則將其劃為一類

在google分析裡面，不僅僅把流量按照來源進行了區分，把來源的方式、媒介也做了區分。比如說百度的自然搜索、cpc廣告、網盟等等，在google分析當中的展示都是不一樣的。而百度統計則將這些歸為一個類別當中， 有洽這對數據分析來說是不夠細的。

4. Google分析可以跟踪到各渠道的轉化情況，百度統計只能做到ip、pv的跟踪

google分析最大的優勢，通過google分析不僅可以看到各渠道過來的流量，還可以看到各渠道所帶來的銷售、轉化情況。有了這個功能，我們就可以去判斷不同渠道帶來的銷售情況，從而進行行銷策略上的調整。目前百度統計還不提供這樣的服務，只可以跟踪到流量情況。

當然google分析工具會存在一定的出入，因為它還無法跟踪到用戶退換、換貨等特殊的情況。不過大體上還是準確的。

5.User-ID功能

利用User-ID，您可以將用戶在不同設備上以及多個會話中進行互動的數據關聯起來，了解在較長的一段時間內用戶如何與您的內容進行互動。

6.在iOS／安卓端跟踪數據

三.添加跟踪功能的方法

收集網頁跟踪數據的方法有以下兩種：

1.使用Google跟踪代碼管理器將Analytics（分析）代碼(Universal Analytics)添加到您的網站容器中。建議您採用這種方法，因為使用Google 跟踪代碼管理器可以簡化您網站的代碼管理工作。利用Google 跟踪代碼管理器，您可以輕鬆將其他代碼（如AdWords 轉化跟踪代碼和再行銷代碼）添加到網站並配置Analytics（分析）跟踪代碼。

2.將跟踪代碼直接添加到您網站每個網頁的HTML中。如果您只希望將基本的Analytics（分析）跟踪代碼添加到網站上，這就是最簡單的方法。 有洽

＃關於使用Google跟踪代碼管理器添加跟踪功能＃

如果您對Google跟踪代碼管理器並不熟悉，首先請閱讀關於Google跟踪代碼管理器。當您準備好設置Google跟踪代碼管理器帳戶並在網站上設置Google跟踪代碼管理器後，請參閱設置和安裝。

要在您的網站上添加Analytics（分析）跟踪功能，請將Analytics（分析）代碼添加到Google跟踪代碼管理器的容器中並發布該容器。

＃關於將跟踪代碼直接添加到您的網站＃

查找您的跟踪代碼段。代碼段位於一個包含幾行JavaScript 代碼的方框內。此方框中的所有內容即為您的跟踪代碼段。它以開頭並以結尾。

跟踪代碼包含與每個Analytics（分析）媒體資源相對應的唯一ID。請勿混合來自不同媒體資源的跟踪代碼段，也不要對多個網域重複使用相同的跟踪代碼段。

複製代碼段。

請勿修改代碼段，直接複製即可。如果您擔心不小心丟失或更改了剪貼板上的代碼段，可將其粘貼到文本文檔中。

將代碼段原封不動地粘貼到您要跟踪的每個網頁中。將其粘貼在緊鄰結尾標記之前的位置。

如果您的網站使用模板來動態生成網頁（例如，如果您使用PHP、ASP 或類似技術），請將跟踪代碼段粘貼為一個單獨的文件，然後在網頁文件頭中引用此文件。

相關內容： https:// analytics.google.com/an alytics/web/?authuser=0#management/Settings/a76403314w115061617p120271020/%3Fm.page%3DTrackingCode/

來源： 淺談Google Analytics（GA）谷歌統計分析

谷歌統計(Google Analytics) SDK 微信小程序專用

Google Analytics SDK for Wechat's Mini Program

完整實現了Measurement Protocol ，並且API接口和Google Analytics for Android保持高度一致。

快速入門

1. Google Analytics 設置

在賬號下新建媒體資源，跟踪內容選移动应用,跟踪方法選Google Analytics（分析）服务SDK ,最後得到跟踪ID (Tracking ID)

新版已經不能直接創建移动应用類型的媒體資源了，因為選了移动应用就需要連接Firebase中的移動項目。

解決辦法是創建媒體資源的時候，選擇网站，等創建完成後，新建一個數據視圖，這時候可以選擇移动应用，然後刪掉那個默認的視圖。這樣創建就不需要和Firebase的項目關聯了。具體操作可以看Add Google Analytics to Android app without Firebase ，有詳細操作步驟。

2.在你的微信小程序項目添加ga.js文件

3. 在微信小程序後台設置request合法域名

把www.google-analytics.com添加到request合法域名中。

因為www.google-analytics.com域名未備案，無法添加到小程序的request合法域名中，需要自己準備一個已備案的域名做數據轉發，比如ga-proxy.example.com 。

如何配置轉發見（ issue 4 ）

提醒：合法域名每個月只能設置5次。如果只是本地開發測試，可以先不用設置，只要把開發工具裡面开发环境不校验请求域名以及TLS 版本勾選一下，等遞交審核前再去設置合法域名。

4.框架app.js中修改

var ga = require('path/to/ga.js'); var GoogleAnalytics = ga.GoogleAnalytics; App({ // ... tracker: null, getTracker: function () { if (!this.tracker) { // 初始化GoogleAnalytics Tracker this.tracker = GoogleAnalytics.getInstance(this) .setAppName('小程序名称') .setAppVersion('小程序版本号') .newTracker('UA-XXXXXX-X'); //用你的Tracking ID 代替//使用自己的合法域名做跟踪数据转发this.tracker.setTrackerServer("https://ga-proxy.example.com"); } return this.tracker; }, // ... })

5.找個Page來嘗試一下簡單的ScreenView統計

var ga = require('path/to/ga.js'); var HitBuilders = ga.HitBuilders; Page({ // ... // 一般在onShow()里处理ScreenView onShow: function(){ // 获取那个Tracker实例var t = getApp().getTracker(); t.setScreenName('这是我的首屏页'); t.send(new HitBuilders.ScreenViewBuilder().build()); }, // ... })

6. 去谷歌統計後台看一下實時> 概覽

一切正常的話，幾秒鐘後就能看到數據了。

代碼範例

跟踪器Tracker

跟踪器用來收集數據並發送給谷歌統計服務器。跟踪器跟谷歌統計的媒體資源相對應，你可以創建多個跟踪器分別對應不同的媒體資源。

var ga = require('path/to/ga.js'); var GoogleAnalytics = ga.GoogleAnalytics; var app = getApp(); //获取微信小程序的App实例// 初始化GoogleAnalytics var gaInstance = GoogleAnalytics.getInstance(app); gaInstance.setAppName('小程序名称'); // 设置APP名称gaInstance.setAppVersion('小程序版本号'); //设置APP版本号，[可选] // 创建一个跟踪器Tracker var tracker = gaInstance.newTracker('UA-XXXXXX-X'); // 参数是谷歌统计媒体资源中的跟踪ID (Tracking ID) //使用自己的合法域名做跟踪数据转发tracker.setTrackerServer("https://ga-proxy.example.com");

多數情況下我們只需要用一個跟踪器，因此建議在app.js中全局共享一個跟踪器:

// app.js var ga = require('path/to/ga.js'); var GoogleAnalytics = ga.GoogleAnalytics; App({ // ... tracker: null, getTracker: function () { if (!this.tracker) { // 初始化GoogleAnalytics Tracker this.tracker = GoogleAnalytics.getInstance(this) .setAppName('小程序名称') .setAppVersion('小程序版本号') .newTracker('UA-XXXXXX-X'); //使用自己的合法域名做跟踪数据转发this.tracker.setTrackerServer("https://ga-proxy.example.com") } return this.tracker; }, // ... })

跟踪器的使用（一般在Page邏輯中）

// /pages/index/index.js Page({ // ... onShow: function(){ // 获取全局跟踪器var t = getApp().getTracker(); // 后续的所有匹配数据都会使用这个屏幕名称。 t.setScreenName('这是首页'); // t.send(Hit) 上报数据}, // ... })

匹配構建HitBuilder

用來構建一次匹配所需要的所有參數， HitBuilder提供了所有匹配類型都需要的一些公共方法。

一般不需要直接使用HitBuilder ,請根據實際匹配類型使用下面的ScreenViewBuilder , EventBuilder , ExceptionBuilder , TimingBuilder

屏幕ScreenView

屏幕表示用戶在您的小程序內查看的內容。

var ga = require('path/to/ga.js'); var HitBuilders = ga.HitBuilders; Page({ // ... // 一般在onShow()里处理ScreenView onShow: function(){ // 获取那个Tracker实例var t = getApp().getTracker(); t.setScreenName('当前屏幕名称'); t.send(new HitBuilders.ScreenViewBuilder().build()); }, // ... })

支持自定義維度和指標（你需要在Google Analytics後台預先定義好）

t.send(new HitBuilders.ScreenViewBuilder() .setCustomDimension(1,"维度1") .setCustomDimension(2,"维度2") .setCustomMetric(1,100.35) .setCustomMetric(2,200));

提醒：自定義維度和指標在所有HitBuilder上都能設置。

事件Event

事件可幫助你衡量用戶與你的小程序中的互動式組件的互動情況，例如按鈕點擊等。
每個事件由4個字段組成:類別，操作，標籤和值。其中類別和操作這兩個參數是必須的。

t.send(new HitBuilders.EventBuilder() .setCategory('视频') .setAction('点击') .setLabel('播放') // 可选.setValue(1)); // 可选

崩潰和異常Exception

你可以在小程序中把捕獲到的異常訊息進行統計。

t.send(new HitBuilders.ExceptionBuilder() .setDescription('异常描述訊息') .setFatal(false)); // 可选，是否严重错误，默认为true

用戶計時Timing

計時器有四個參數：類別，值，名稱，標籤。其中類別和值是必須的，值的單位是毫秒。

t.send(new HitBuilders.TimingBuilder() .setCategory('计时器') .setValue(63000) .setVariable('用户注册') .setLabel('表单'));

會話管理

默認的會話時長是30分鐘，可以在谷歌分析媒體資源一級進行設置。你也可以在發送匹配時使用setNewSession方法來手動開始一個新會話。

// Start a new session with the hit. t.send(new HitBuilders.ScreenViewBuilder() .setNewSession() .build());

提醒：所有HitBuilder都支持手動開始新會話。

用戶ID （跨應用，跨設備跟踪）

User ID用來進行跨應用和跨設備的同一用戶跟踪，比如你可以把小程序用戶的OpenID或UnionID設置為User ID。

你需要先在谷歌分析後台的媒體資源里面啟用User ID跟踪功能。

要發送User ID，請使用Measurement Protocol & 号语法和&uid參數名稱來設置userId字段，如下例所示：

// You only need to set User ID on a tracker once. By setting it on the // tracker, the ID will be sent with all subsequent hits. t.set("&uid", '12345'); // This hit will be sent with the User ID value and be visible in // User-ID-enabled views (profiles). t.send(new HitBuilders.EventBuilder() .setCategory("UX") .setAction("User Sign In") .build());

上面代碼用到了&uid參數，所有Measurement Protocol & 号语法支持的參數可以去Measurement Protocol參數參考查看。

提醒：這些&uid參數可以在Tracker級別設置，也可以在HitBuilder的單次匹配上設置。

電子商務活動相關

請查看衡量電子商務活動

廣告系列和流量來源歸因

你可以使用setCampaignParamsFromUrl方法在匹配構建器HitBuilder中直接設置廣告系列參數，以便將一系列會話中的用戶活動歸因到特定的引薦流量來源或行銷廣告系列：

// Set screen name. t.setScreenName(screenName); // In this example, campaign information is set using // a url string with Google Analytics campaign parameters. // Note: 这只是範例，网址? 前面部分其实没有用处，主要是utm_XXXXX系列参数的解析// var campaignUrl = "http://example.com/index.html?" + "utm_source=email&utm_medium=email_marketing&utm_campaign=summer" + "&utm_content=email_variation_1"; // Campaign data sent with this hit. t.send(new HitBuilders.ScreenViewBuilder() .setCampaignParamsFromUrl(campaignUrl) .build() );

重要提醒：如果你想跟踪廣告帶來的新用戶，那麼一定要保證setCampaignParamsFromUrl應用在該新用戶發送的第一個匹配上。

你也可以在跟踪器上通過setCampaignParamsOnNextHit設置：

t.setScreenName(screenName); var campaignUrl = "http://example.com/index.html?" + "utm_source=email&utm_medium=email_marketing&utm_campaign=summer" + "&utm_content=email_variation_1"; t.setCampaignParamsOnNextHit(campaignUrl); // 下一个发送的匹配会带上这些参数t.send(new HitBuilders.ScreenViewBuilder().build());

跟踪微信小程序的二維碼參數

每個微信小程序可以設置多達10萬個自定義參數的二維碼，下面介紹如何跟踪每個二維碼的推廣效果。

微信小程序自定義參數的二維碼需要通過API來生成，參考微信文檔。

假設你生成二維碼時用的path是

{"path": "pages/index/index?utm_source=Coffee%20Bar&utm_medium=qrcode", "width": 430} // path 一般是你小程序的入口页，也可以是App 上注册过的pages 中的一个

在對應Page的onLoad裡面用CampaignParams.parseFromPageOptions識別二維碼中的廣告參數：

// pages/index/index.js var ga = require('path/to/ga.js'); var CampaignParams = ga.CampaignParams; Page({ //... onLoad: function(options) { var t = getApp().getTracker(); // 解析options中的utm_xxxxxx 参数，生成一个广告连接URL var campaignUrl = CampaignParams.parseFromPageOptions(options).toUrl(); t.setCampaignParamsOnNextHit(campaignUrl); // 下一个发送的匹配就会带上广告来源訊息// t.send(Hit) }, //... })

如果path的參數不是utm_開頭的廣告系列參數，那麼調用parseFromPageOptions的時候需要傳入第二個參數來指定參數名稱的映射關係：

{"path" : "pages/index/index?var1=Coffee%20Bar&var2=Scan%20Qrcode", "width": 430} // 扫码进入小程序后Page({ onLoad: funciton(options) { // 此时options 是这样的// { "var1" : "Coffee Bar", "var2" : "Scan Qrcode" } // 需要指定和utm_xxx 的映射关系var map = { "var1" : "utm_source", // 把var1 对应到utm_source "var2" : "utm_medium" }; var campaignUrl = CampaignParams.parseFromPageOptions(options, map).toUrl(); var t = getApp().getTracker(); t.setCampaignParamsOnNextHit(campaignUrl); } })

廣告系列參數列表

參數說明範例utm_source廣告系列來源，用於確定具體的搜索引擎、簡報或其他來源utm_source=google utm_medium廣告系列媒介，用於確定電子郵件或採用每次點擊費用(CPC)的廣告等媒介utm_medium=cpc utm_term廣告系列字詞，用於付費搜索，為廣告提供關鍵字utm_term=running+shoes utm_content廣告系列內容，用於A/B測試和內容定位廣告，以區分指向相同網址的不同廣告或鏈接utm_content=logolink

utm_content=textlink utm_campaign廣告系列名稱，用於關鍵字分析，以標識具體的產品推廣活動或戰略廣告系列utm_campaign=spring_sale

查看全部廣告系列參數。

API參考

所有接口直接參考Google Analytics SDK for Android，可以直接查看對應API文檔。

GoogleAnalytics

跟踪器

• Tracker

匹配構建

• HitBuilder
• ScreenViewBuilder
• EventBuilder
• ExceptionBuilder
• TimingBuilder

增強型電子商務API

• Product
• ProductAction
• Promotion

功能特點

• 完整實現Measurement Protocol
• 支持多個匹配數據批量上報
• 因為微信小程序只支持10個wx.request並發，為了不影響業務數據的網絡請求，數據上報的時候按順序進行，最多佔用一個wx.request

已知問題

1. 因為微信小程序能獲取的系統訊息很有限，將無法獲取年龄，性别，兴趣這些用戶特徵訊息。
2. 展示廣告功能無效
3. 屏幕分辨率有誤差。通過微信小程序wx.getSystemInfo獲取windowWidth , windowHeight , pixelRatio計算得到。

其他可能的問題

如果控制台出現"ga:failed" ,內容為errMsg:"request:fail 小程序要求的TLS 版本必须大于等于1.2"
在翻牆的時候碰到了這個問題，不翻牆時正常。請在開發工具中勾選开发环境不校验请求域名以及TLS 版本。
在iPhone上會出現"ga:failed" ,內容為errMsg: "request:fail response data convert to utf8 fail"
這是微信小程序接口bug，始終把返回內容當成json數據了，實際上數據已經成功發送給谷歌，返回的內容是一個1x1的gif圖片。不會影響數據收集（見issue 1 ）。
你可以通過控制台查找"ga.****" 的那些訊息查看。

參考資料

協議Measurement Protocol
接口參照Google Analytics for Android 廣告系列參數

效果截圖

本文作者： rchunping
項目地址： rchunping/wxapp-google-analytics

譯者：呂東昊審校：陳明艷

本文長度為3743字，預估閱讀時間10分鐘。

摘要：本文從數據連接器、數據處理、可視化等多個維度解析Tableau和Google Data Studio二者區別。

PK

Tableau和Google Data Studio

導讀：二者的區別在哪裡呢?這裡，我們列舉了27個特徵來對比二者的功能差異。

Tableau工具vs Google Data Studio工具

Tableau和Google是兩個軟件供應商，兩者都為數據可視化提供了一個易於使用的、可拖放的環境。由於Google Data Studio對於業界來說還比較新(官方仍處於測試階段)，所以我想將它拿來同Tableau相比較，並分享我一直使用這兩款工具的發現。在2016年5月發布Google Data Studio的時候，我就開始使用，並且在過去的兩年裡我也一直是Tableau的活躍用戶。

免責聲明:這是一個獨立的評論。作者沒有從本文中所提到的任何軟件供應商中獲得任何補償

核心差異

1.基於web的工具vs桌面工具

Tableau主要是一個桌面應用程序。它通過Tableau Online、Tableau Server 和Tableau Public為大家提供了分享和查看功能。當然，需要打開桌面應用程序才能使用完整的功能。大多數工作都是在桌面上完成的，然後通過網絡發佈到線上（一個或多個目的地）。

Data Studio 360是一個基於web的工具。它只能通過瀏覽器才能使用。這就引出了協作和共享功能的問題(我們將在後面討論)。你使用工具的體驗會受到網絡質量的影響。

2.實用性

Tableau Desktop在大多數國家都可用。 2016年1月，Tableau宣稱在150多個國家範圍內擁有超過46000個客戶。截至2017年7月7日，Data Studio已在180多個國家推出使用。

3.價格

Tableau Public在功能上有些限制，不過是免費的。桌面個人版的Tableau需要$35.00/月，專業版的$70/月。

Data Studio是免費的。此前，用戶只能創建5個免費報告，但谷歌已經消除了這一限制。

數據連接器和數據處理

1.數據連接器

連接器是最大的區別。 Tableau連接到各種各樣的數據源，包括文件、數據庫和Google的產品（如Google Analytics、Google BigQuery、Google Cloud SQL和Google Sheets）。它不提供其他谷歌產品的訪問權限，比如AdWords、Attribution或YouTube Analytics，但你可以通過第三方工具獲得這些產品的訪問權。

Data Studio 360提供了與穀歌數據來源的連接，其中包括AdWords API、Attribution 360, BigQuery, DoubleClick Campaign Manager, Google Analytics, Google Sheets和YouTube Analytics。它還向MySQL數據庫釋放了一個連接器。顯然，Data Studio的本地連接器的列表是非常有限的，所以你會考慮將你的數據優先放到Google Sheets、 Google BigQuery、或者Cloud SQL中。

2.在源代碼中處理數據集

Tableau為可視化的數據提供了很多解決方案。例如，可以在源代碼中隱藏列、創建列組、分列、主列、應用過濾器。 Data Studio 360目前還沒有提供數據準備。

3.加入數據源

Tableau中包含了數據連接功能，包括內部、左、右和完整的外部連接。可以加入多個數據源，並在可視化視圖中使用生成的數據。 Data Studio不提供數據連接功能。數據集必須在Data Studio外另行建立，然後引入可視化。

4.數據融合

數據混合是一種當數據集在使用過程中不能被連接時(由於數據的粒度不同)結合數據源的方法。例如，你可以將行銷活動數據與產品銷售數據相結合，並通過日期將其進行融合。

Tableau支持數據融合。 Data Studio不支持數據融合。

5.在同一個儀表板或報告中使用多個數據源

有時候，你不想連接或融合數據——你想要的只是一個包含來自不同數據源圖表的儀表板。例如，你可能希望在一個儀表板中包含收入、成本、銷售量和倉庫庫存。

在Tableau中，你可以連接多個數據源，用可視化創建表格，然後在一個儀表板中添加多個表格。

Data Studio還提供了將多個數據源添加到單個報表的功能。然後可以使用這些數據源創建圖表。

6.數據源管理

Tableau允許用戶在可視化中連接和使用多個數據源。然而，如果這些都與工作簿相連，它們就很難管理。例如，如果將多個數據源添加到一個數據可視化中，那麼很難判斷哪些是正在使用的，哪些不是。

Data Studio提供了一個數據源管理視圖，它不僅顯示了視圖中包含的數據源，而且還顯示了那些未被使用的數據源。

數據處理和可視化

1.可視化類型

Tableau提供了以下標準(可拖放)可視化元素:

也可以在Tableau中創建自定義的可視化，例如桑基圖（sankey diagrams），旭日圖(Sunburst Chart)等等。

Data Studio 360可提供如下：

在某種程度上，可以修改現有的數據可視化類型，比如讓餅狀圖看起來像一個甜甜圈，相比而言Google data Studio並不像Tableau那樣靈活。

2.計算器

這兩種工具都提供了標準的聚合函數，比如平均值、計數、最大值、最小值、總和以及計數。

Data Studio提供了53個功能，包括聚合、算術、日期、地理、文本和其他功能。

Tableau提供了數字、文本、日期、類型轉換、邏輯、聚合、用戶和其他功能，以及表計算功能。總的來說，Tableau提供了超過150個功能。

3.頁面功能

Tableau提供了一個名為Pages的功能。例如，如果你將日期字段添加到頁面，它將按日期分解數據，並允許你逐個瀏覽。甚至可以打開循環，這樣就不需要單擊了。

Data Studio 360則沒有這個特性。

4.故事案例

Tableau提供了一個故事案例類型的儀表板，它可以幫助你通過“故事”案例來使用該工具。

Data Studio沒有類似的功能。

5.過濾器

Data Studio和Tableau都提供了過濾器。可以對每個可視化的數據進行過濾，或者在報表中添加一個過濾器，以便最終用戶能夠更好地深入到數據中。

Tableau支持用戶通過單擊一個單獨的數據點對整個儀表板進行過濾。 Data Studio沒有提供這一功能。

6.拖放功能

Tableau提供了拖放分析功能，例如參考線、索線、框，以及建模和摘要功能。

Google Data Studio則沒有為應用程序沒有再現有的圖表中提供任何拖放分析功能。

7.選擇指標和維度

Tableau中的度量和維度是通過拖放或通過右鍵單擊和選擇“Add to sheet”來選擇的。

Data Studio根據用戶在工具欄上選擇的圖表類型自動選擇維度和度量。有時，這個特性是有幫助的；但更多的是，它實際上限制了你在什麼樣的圖表中可以使用什麼樣的維度和指標。在Data Studio中，非常規並不總是一種選擇。

合作

1.分享選項

Tableau在賦予用戶方分析可視化方面的表現讓人印象深刻。用戶可以通過將工作簿發佈到Tableau Public Gallery、Tableau Server或Tableau Online。還可以將Tableau可視化保存為圖像或PDF。然而，在開發過程中，它並沒有提供協作性工作和協作編輯的方式。

Data Studio借鑒了Google Drive的共享功能，這意味著你可以使用Google Drive分享一個報告或一個數據源。它可以在瀏覽器中被你分享的人或者任何有鏈接的人瀏覽。即便是在開發階段，也還可以協作進行數據可視化。用戶可以實時訪問和編輯相同的報告。

2.訪問控制

Tableau Online和Tableau Server允許你設置內容權限。 Tableau的訪問控制選項是面向企業客戶的。你可以創建自定義規則來分配訪問權限，並且你可以在項目、工作簿或數據源的級別上分配權限。訪問級別包括:未授權、訪客、交互器、發布者和管理員(站點或服務器)。還可以通過將工作簿發佈到Tableau Public，從而使工作簿在網上公開。

與Google Drive類似，Data Studio提供了多個級別的訪問權限:查看者、編輯者和所有者。 Data Studio允許訪問特定的報告或包含多個報告的文件夾。你可以通過手動添加一個合作者的電子郵件地址，或者通過一個鏈接，以及一個合作者或者一組合作者來分享你的報告。還可以讓報告在網絡上公開。

3.安全

Tableau提供了用戶身份驗證和數據安全。 Tableau還允許發布者建立用戶過濾器，根據他們的訪問控制，在發布的視圖中控制用戶可以看到的數據。

Data Studio uses Google's authentication protocol and data security.

Data Studio使用Google的身份驗證協議和數據安全。

4.移動和平板電腦數據訪問

Tableau提供了一個移動應用程序，用戶可以查看和編輯儀表板。 Tableau Online還可以讓用戶通過瀏覽器查看和編輯儀表板。

Data Studio報告則可以在任何有瀏覽器的設備上查看。

支持和文檔

1.文檔和教程

這兩種工具都很容易掌握和使用。

Tableau有大量的文檔和教程。 Data Studio提供了一些文檔，並且在他們支持的網站上提供了6個教程。

2.論壇和社區

自從Tableau的最初的版本發布以來，用戶社區發展迅猛。 Tableau的論壇非常活躍，並且在那裡有可能很快就能找到自己的答案。

Google Data Studio有一個Google+社區頁面；然而，作為一款新產品，它並沒有太多的關注者。

可視化設計

1.儀表板佈局

在一個儀表板上，Tableau支持兩種類型的佈局:平鋪佈局和浮動佈局。浮動佈局允許你指定對象的確切位置和圖表位置。平舖的佈局可以讓你在網格中安排儀表板。這兩種類型都很有用；然而，有時要創建一個外觀和感覺都令人滿意的儀表板是很困難的。

Data Studio允許你將圖表拖放到網格上，並通過拖放來對其進行大小處理。這種方法對用戶來說更自然、更有趣。

2.設備預覽

Tableau提供了一個設備預覽功能，讓用戶可以定制儀表板在各種設備上的外觀，包括手機和平板電腦。可以將它設置為自動調整到設備屏幕大小。還可以手動設置儀表板在不同設備上的外觀。

Google Data Studio具有響應性設計和自動調整功能。若想手動設置儀表板在不同設備上的外觀是無法實現的。

3.主題

Tableau提供了3個工作簿主題:默認、現代和經典。 Google Data Studio提供了兩個主題:簡單和簡單深色。

4.字體

Tableau提供了150多種字體供選擇。

Google Data Studio提供28種字體。

5.顏色和顏色圖表

Tableau有多種顏色的調色板供用戶選擇。用戶也可以使用顏色選擇器或滑動條來選擇顏色。

Data Studio只有一個標準的調色板，不過也可以使用顏色選擇器或顏色代碼來選擇顏色。

總體結論

總而言之，在這一對比中，雖然Tableau可以提供更好的數據可視化解決方案，但Google在報告方面取得了令人矚目的進步，縮小了差距。 Tableau在可視化數據發掘和數據可視化方面更加完善和強大;而Data Studio為構建漂亮的報告提供了一個很好的解決方案。

譯者簡介

呂東昊，網絡行銷分析師，廣告設計師。擅長SEM、SEO、廣告設計。 iCDO翻譯志願者。

審校簡介

陳明艷，最老90後！也是球場上傳說中的靈活小胖子！現就職於台灣移動12582基地，運營支撐部產品汪一枚，也兼職著運營喵工作，主要涉及政企/農村訊息化、農村電商、數據分析等領域，熱衷於產品。

你可能還喜歡以下文章：

這樣的行銷著陸頁，有點浪費推廣費用！

台灣排名前十的AI（人工智能）創業公司

必須要掌握的5個電子商務歸因模型

19個令人大開眼界的可靠消費者研究數據源

6個提高電商銷售額的用戶體驗優化技巧

Internet Chief Data Officer （iCDO）專業聚焦互聯網效果行銷領域，提供全球業界動態及資訊、知名行業活動、數據產品介紹、技術剖析以及行業相關招聘資訊。

在2018年我們隆重推出微信服務號，為您提供每月精選內容和定制化推送(關注iCDO服務號→偏好設置→提交完成或掃描下附二維碼填寫訊息)。

http:// host.convertlab.com/pag e/7546769119443526870/6f54f75230634872a631522a5f6cc5aa (二維碼自動識別)

與此同時，我們現有訂閱號為您提供更為海量和全面的內容。歡迎掃碼關注。

http:// weixin.qq.com/r/Iipmfiv EsXbOrW8d938w (二維碼自動識別)

iCDO服務號

每月內容精選及定制化推送

http:// weixin.qq.com/r/SDmZgSr EyHe3rW7i92xa (二維碼自動識別)

iCDO訂閱號

每週更新，更全面內容

↓↓↓點擊“閱讀原文”探尋iCDO網站更多內容！

目標站

黑帽SEO技術論壇論壇圈內一個朋友提的一個Google Adsense相關的網站，拿出來做下分析。

域名： alljustyou.com

網站界面：目標站

黑帽SEO技術論壇論壇圈內一個朋友提的一個Google Adsense相關的網站，拿出來做下分析。

域名： alljustyou.com

網站界面：

箭頭所指之處，都是Adsense的廣告

另外我們看下內容，是Health , fitness, beauty , hair類，

這些詞的CPC價格都是相當不錯的。

這裡我就沒轉化為美金了，直接RMB顯示ADWORDS的CPC估價。

我們先評估下流量源

老套路，Similarweb/Aleax 走一波。

流量以美國為主，還記得老農上次推送的關於Adsense的一些基本問題嗎？

發達國家的流量的CPC相對會比發展中的國家的CPC高的不是一丁點。

另外，流量趨勢中，18年1月到18年2月增漲的趨勢相對比較大。

流量來源

Display 可以理解為購買其他網站的展示的廣告位。

這個流量源的比重佔了50%以上，可以說明，這個站的流量，基本以付費流量為主了。

Social 社交的流量佔了34% 左右。

10%是直接流入的，或者是購買流量沒有被統計到。

搜素引擎以及Referrals可以忽略不計了。

社交的流量

大部分是pinterest的流量，我們打開pinterest搜索下Boards,

然後通過這個boards，我們獲取到相關的用戶BeautySpot9

繼續看這個人的boads list

我們可以獲取到大量由此人創建的board，內容基本是關於Health , fitness, beauty類的高單價詞，並且每個board的更新時間都是最近幾天。

可以猜測到大概是有做自動化pinterest引流相關的工作，要么就是勤快手動更新。

我們繼續查看下他的follower跟following

相關的跟隨者或者追隨者，都存在一定的無頭像，無board，或者少數board,少數粉絲。

這也是一種軟件操作的跡象。

Display的流量我們沒法評估

Display的流量我們沒法評估,不過我們可以繼續深入查看下外鏈。

可以看到，Referring domains 和Referring pages的趨勢是穩步增加的。

另外，我們也注意到ahrefs的統計。

Organic keywords有16.0K，Organic traffic 1.2K

相當客觀，怎麼可能會沒流量？

我們繼續用semrush查下

至少8970個關鍵詞semrush有統計到排名。

Ahrefs統計到的關鍵詞排名，我會傳到論壇內部中。賬號今天也已經更新了。

那麼，我們的評估是，google的搜索引擎帶過去的流量應該也是不少。

兩種方法可以繼續深入這個站長的訊息方法

我們手上目前有對方網站，我們通過對方的網站，可以獲取到google adsense的ca-pub，以及Google Analytics

另外，我們也可以通過whois繼續擴大他的站點，以下

這裡發現了一個有意思的網站， beautymom.net

我這裡簡單的看了一下，是個短網址生成的

24218
URLs Created

258167
Clicks Served

4
Users Registered

差不多應該就是這個站長主要用的一個廣告跳轉/統計平台

然後就是第二種，通過大數據平台來列舉這個站長的其他訊息

fofa.so

以及萬能的google找到的相關的兩個站

我們回顧下這個網站的文章質量

相關的網站我這裡就不繼續挖掘了。

我們回到原點，因為扯了這麼多，我們還遺漏了一點，就是文章的更新頻率以及質量。

我們直接搜索下這個網站當日的文章。

文章是採集的確認無疑。

不信的話，大家可以內容拿去google搜索一下

另外，文章頁面，還掛了keywordblocks.com.也就是Bing Ads/ http:// Media.net

另外，還有clickbank聯盟的鏈接。

這個站長還挺多元化發展的。

就到這裡了

現在的分析基本套路就是那些大平台網站的利用，以及挖掘的耐心程度，

分析的這個站，操作按我推測就是圍繞高單價的詞，寫文章/採集相關文章，然後定期更新，以及做外鏈，做社交推廣等。

日積月累，積累起長尾詞，以及社交的引流做起來了，流量就自然客觀了。

另外，當自然流量差不多起來了，也可以買一些流量衝擊一下。

採集站呢，主要還是保持一個定期的更新頻率即可。

碼字不易，您的轉發和讚賞是我的一大動力之一。