更新时间：2024-09-27 07:18:38
网站建设
366北京网站建设公司推来客：在网站制作数据分析中，时间是最常见也是必不可少的维度之一，在大多数情况下被用来限制指标统计的范围和粒度。同时，时间因素也会影响指标的一些统计规律和细节。在一些数据分析中，我们很容易忽略时间因素的影响，这可能会误导最终的结论。
我发现这个问题是在数据提取需求中。该网站每天都会发布大量新内容。这些新内容是需要推荐的，否则就会被埋没，所以很多网站都会有“最新推荐”等模块，而这个数据需求就是分析应该推荐哪些新内容？网站发布的新内容质量参差不齐，数据积累少，推荐模块需要投放那些有潜力的新内容，让潜力得到充分挖掘，成长为热门内容，那么数据分析呢需要做的是寻找那些具有潜力的新内容。
如果是seo网站优化推荐榜TOP10，最简单的方法就是根据新内容的访问量或者转化率排序选出前十名，但是有很多地方值得注意，转化率需要注意。可以参考《关键指标背后的秘密》一文。这里主要讨论如果按内容访问量排序需要注意什么，如果选择过去一周的汇总数据？可能你已经想到了，之所以在这里举例新内容，是因为新内容有一个发布时间（Publish Time），就像一个人的出生日期，从发布时间到当前时间的时间间隔为内容的持续时间，也可以认为是内容的生命周期（Lifetime），就像一个人的年龄一样。内容持续时间越长，它积累的数据越多，相应地获得高流量的机会就越大，如果我们比较一周中不同时间发布的内容的一周总流量，那些就落入了错误的陷阱的比较，或“不匹配”。
形象比喻是刚入伍的新兵和上过战场的老兵之间的对决。虽然新兵也不是完全没有胜算，但或许新兵天生勇猛，或者初生牛犊不怕虎。老手，但大多数情况下这种可能性较小，这是一场不公平的对决，在数据分析中我们需要尽量避免这种不公平的对决（对比）。
内容和产品分析
我们需要想办法避免这个时间因素对分析结果的影响。通常我们在选择比较对象时，需要控制所有比较对象的持续时间相同。对于较早发布的数据，之前的数据会被丢弃，最近一周内刚刚发布的内容会被丢弃，不纳入本次对比，待有完整一周的数据后，再进行对比。虽然这样可以保证比较是在同一个基线上，但无疑会延误评估的结论。一些一开始就吸引眼球的内容不能及时发现。因此，这里采用统计单位时间指标表现的方法，即根据内容的发布时间统计得到每条内容的时长（一般精确到天），然后除以该内容的总访问量content 通过这个duration 得到单位时间的内容访问量来进行比较。
事实上，这种错误在日常生活中可能很常见。当我在博客上发了一篇新文章几天后去Google Analytics查看数据时，发现新文章页面比较晚，不是因为没有人真正看，而是因为过去的汇总数据GA默认显示月份，按Pageviews排序的报表新内容短时间内无法快速冲到前几位。对于那些上线不频繁的新内容或新产品的网站，运营商可能更清楚哪些内容是新的，因此通过一些人为的识别和调整在分析时不容易掉入陷阱，但对于数百个新的每周发布内容对于发布内容的网站来说，此类错误的出现很可能会埋没一些优质的新产品：
上表是最近10天内5个新发布内容的访问数据，加上内容发布后的天数。我们将总访问量除以天数，计算出日均访问量，然后计算出总访问量流量和日均访问量分别降序排列，得到完全不同的排名.如果按1排序，我们可能会完全忽略D内容的强势表现，权衡时间因素后的排序让我们更准确地把握潜在的新内容。
上述方法同样适用于电子商务网站的产品分析。不少电商网站希望在新品中选择具有足够潜力的产品进行重点营销，并以此打造所谓的“爆款”，从而进一步推动订单的增长。销售额和利润。潜在新品的筛选，一方面需要敏锐的嗅觉和视觉，另一方面需要数据分析。这时就不得不考虑上述时间因素的影响。请记住，一个月内售出20 件商品。不一定比卖50块差。关键是你什么时候把这些产品上架。只有用有效的方法进行评估，才能找到真正有潜力和有价值的增长点的产品。
要知道，任何网站内容或产品都不是经久不衰的，都有自己的生命。
命周期，所以明智的网站运营永远在不断寻找新的生长点，如果数据分析中欠缺考虑时间因素，那些有潜力的产品和内容很可能就会被“久经磨练”的产品内容长期压制，导致网站新陈代谢过于缓慢，进而落后于其他网站。用户分析
在进行用户分析的时候，同样需要注意时间因素，如用户RFM分析、用户忠诚度价值评分、用户生命周期价值等，这些基于用户在一段时间内持续性行为分析的模型都易掉入时间的陷阱。我们没法奢求一个只注册了一周的新用户在近一个月的访问频率高于老用户，因为你只给了他7天的时间，而与他对决的是拥有充裕的30天时间的用户；同样你不应该去比较一个仅使用一个月的新用户与一个一直在持续使用的老用户在三个月或半年中的消费次数、消费金额等，因为他们不在同一起跑线上。但新用户拥有潜力，指不定他们就会成长为更加高价值的忠诚用户，所以在针对用户的营销中我们需要消除这个因素的影响，同样使用除以用户使用网站持续时间（从用户首次访问或者注册时间开始计算）的方法计算单位时间的指标表现，使用RFM模型看下考虑时间因素前后对用户评估的差异：
如上表所示，假如RFM模型选择了近100天的数据来对用户进行分析，这里同样加入“持续时间”这个统计量，即用户从注册到当前的天数，如果用户的注册时间在100天之前，那么用户在该统计周期中的持续时间就是100天（最大期限）。RFM的三个指标中的最近购买间隔（R）不受用户持续时间的影响，因此在考虑时间因素时不用做变换，而购买频率（F）和消费金额（M）都会受到持续时间的影响，需要除以持续时间，计算得到单位时间（这里是天）的数值，即表格中每位用户在“是否考虑时间因素”前后的指标变换。从变换前后的比较来看，用户1因为是持续使用的老用户，未考虑时间因素前在购买频率和消费金额上具有明显优势，但数据变换之后，用户2所表现的粘性和价值更高，即用户2虽然使用网站时间不长，但在单位时间的购买消费上优于用户1，我们通过雷达图进一步看下考虑时间因素前后的效果：
图中对数据进行标准化评分后，蓝线代表用户1，红线代表用户2，虚线表示未考虑时间因素，实现代表考虑了时间因素，可以看到用户2在考虑时间因素之后价值被明显放大，从图中可以得到用户2的预期价值优于用户1。如果我们不去考虑时间因素的影响，分析的结果就会产生明显的偏差，进而可能误导对用户的正确评估。
其实这里提及的时间因素还是一个遵循对比原则的问题，比较的对象之间必须具备可比性，不然比较的结果就没有任何的意义。
很久没有更新博客了，因为这段时间的变动没有时间去思考和整理一些新的内容。这篇文章中提及的分析中需要考虑到的时间因素其实在很多情况下都遇到过，尤其是对一个时间周期内汇总的统计指标做细分分析的时候需要格外注意各细分项存在的时间周期是否一致，希望对大家有所启发和帮助。
本文发布于北京网站制作公司推来客http://www.tlkjt.com/
我们专注高端建站，小程序开发、软件系统定制开发、BUG修复、物联网开发、各类API接口对接开发等。十余年开发经验，每一个项目承诺做到满意为止，多一次对比，一定让您多一份收获！
