【數據分析實戰案例】Google 官方電商網站分析
使用 Google Merchandise Store 進行網站健檢分析體驗示範
工作上使用過 Google Analytics 的朋友想必對 Demo Account 都不陌生，今天的實戰分析案例，我們使用 Google Merchandise Store 的網站訪客數據，以 2021 年 5 月為資料區間，對網站現況和問題進行歸納盤點，並提供優化方向建議。
在正文開始前先和你介紹一下 Data Agent 資料探員：
Data Agent 是一個分享數據分析、資料科學概念、實作案例及自學資源的自媒體。除了原創內容分享，也偶爾以課程錄影、內訓教學、接案等方式和大家互動，主要平台管道有 Medium、Facebook 及 LinkedIn。現在你可以追蹤 Medium 專欄，有新文章更新時將會第一時間收到通知。
以下開始正文內容：
本分析案例大綱
- 訂定分析目標
- 資料集描述
- 資料處理流程
- 分析圖表與判讀
- 推論歸納與決策建議
(1) 訂定分析目標
開始每個分析案例以前，都需要先大致確立分析目標，設定會希望獲得什麼成果。以下是我們希望從 Google Analytics 報表數據中獲得的洞察方向：
分析問題
- 指標–維度相關程度：找出重點維度 / 指標〔註1〕 間的相關性，瞭解多維度、多指標下對不同目標值的影響程度。
- 商品定位象限：了解 Google 自家電商目前的商品銷售情況，針對不同受眾的經營提出優化建議
可能的研究結果
決策者從分析報告了解到的洞察點，如何實質幫助決策？
- 輔助行銷資源投入的優先決策（EX：透過商品定位象限，對不同客群重新規劃主打品項、要主力優化的指標、要開發新客的渠道或國家等）
〔註1〕維度：類別型屬性（如：來源媒介、國家、時段等） /
指標：數值型屬性（如使用者數、交易次數、收益等）
–
(2) 資料集描述
說明我們對資料集的認識如何影響研究目標
- 資料來源：Google Merchandise Store（銷售 Google 品牌商品的電子商務網站）的 Google Analytics 官方示範帳戶
- 資料區間：取用 2021/05/01–2021/05/31
- 資料集涵蓋數十項維度及指標，本分析案例主要篩選兩類資料屬性：
(A) 流量指標區塊
多種維度下的流量指標數據，包含用戶數、平均停留時間、跳出率、交易次數、收益等
(B) 電子商務區塊
商品的各項瀏覽行為及銷售表現，包含主要漏斗事件，如瀏覽、加入購物車、購買等
–
(3) 資料處理流程
進入分析前進行的資料處理紀錄
資料擷取
- Google Analytics (GA) Demo Account — Master View，自訂報表並匯出
- 從 Google Data Studio 連結 GA 帳戶，選擇加入 Google Merchandise Store 資料源
資料合併
- 因匯出限制，需另外將從 GA 匯出的資料表合併
資料屬性處理
- 因匯出限制，需另外將 {時段} 拆分為 {日}, {小時}, {星期幾}
- 資料格式清理（如：幣值、時間戳記、百分比等）
–
(4) 分析邏輯說明
先說明接下來會進行的探索分析脈絡、分析邏輯來由
Step1：先瞭解維度、指標之間的相關性
制定成效提升策略以前，需要瞭解哪些因素會直接或間接影響、相關程度排序，因素之間是否存在相依性等，使得策略方向符合實際情況。
Step2：根據業務場景模擬分析應用
除了都以全站為標的，業務上對不同用戶客群也需要制定經營策略，因此讓分析圖表或系統能夠抽換用戶變數同樣重要。
–
(5) 圖表判讀與分析
（A）指標間的相關性 — 「跳出率」
相關性圖表判讀結果歸納：
- 「跳出率」與其他指標間皆呈現負相關
- 特別觀察到，指標分成與「跳出率」負相關的 3 種強弱程度：
- 停留時間類指標越大，跳出率最低、相關度最強
- 瀏覽不重複品類或品牌數指標越高，跳出率越低
- 造訪及交易指標越高，跳出率越低、但相關度最弱
- 其他指標之間則皆互為正相關
–
（A）指標間的相關性 — 「交易次數」、「平均訂單價值」
- 除了原本就呈正相關的交易指標，特別觀察到與「交易次數」、「平均訂單價值」相關程度較高的指標是「不重複瀏覽品類數」、「不重複事件」，大於「使用者」、「新使用者」、「人均停留時間」等指標，說明了：
若想要提升交易量和每單消費額，讓用戶多逛不同的品類、做到互相比較、考慮的效果可能比純粹導流來得更好。
–
你已閱讀 30%，休息一下…
如果這篇文章讓你認識了新的分析方法、洞察，想請你幫我拍手👏 至少 +5 下；
如果這篇文章給了你靈感、工作上的幫助，想請你幫我拍手👏 至少 +15 下；
如果你看到目前覺得收穫非常多，想請你幫我拍手👏 至少 +30 下，一下子吸收這麽久，也當作是給自己的鼓勵XD–
（B）網站訪客 特徵歸納
相關性圖表判讀結果歸納：
- 星期幾：更傾向於週二造訪，最不傾向於週末造訪
- 小時：最傾向於 11–13 時造訪，不傾向於晚間 9 點後造訪
- 流量來源：多為直接流量，少部分廣告及聯盟流量
- 來源國家：以美國為首、印度次之，其餘國家比例低
- 瀏覽使用之作業系統：以 Macintosh, Chrome OS 為大宗
–
（C）網站新訪客〔註2〕 特徵歸納
- 星期幾：與同總體訪客相同，更傾向於週二造訪，最不傾向於週末造訪
- 小時：最傾向於 15 時、11–13 時造訪，不傾向於晚間 10 點後造訪
- 流量來源：與同總體訪客相同，多為直接流量，少部分廣告及聯盟流量
- 來源國家：與同總體訪客相同，以美國為首、印度次之，其餘國家比例低
- 瀏覽使用之作業系統：以 iOS 為首、Macintosh, Chrome OS 次之
〔註2〕新訪客：係指過去在網站無 cookie 紀錄，視為全新訪客
–
（D）訪客人均停留時間 特徵歸納
- 星期幾：相關程度較弱，週四造訪的停留時間最長
- 小時：相關程度較弱，也沒有隨著特定的時段有較長的停留時間
- 流量來源：直接流量和自然流量的停留時間越長，廣告流量則越短
- 來源國家：以瑞典最長、美國次之
- 瀏覽使用之作業系統：與同總體訪客相同，而 iOS 訪客之人均停留時間最低；根據前述 iOS 用戶多為新訪客，其停留時間較短。
–
（E）交易次數 特徵歸納
- 星期幾：相關程度較弱，週四下單次數最高
- 小時：用戶傾向集中在 10–15 時下單
- 流量來源：直接流量進站與下單次數呈正相關；廣告及聯盟流量呈負相關
- 來源國家：只有來源於美國的流量有達成交易
- 瀏覽使用之作業系統：Macintosh, Chrome OS 訪客與下單呈正相關，而 Windows, Android, iOS 訪客為負相關
–
（F）電子商務轉換率、收益 特徵歸納
- 星期幾：相關程度較弱，週二轉換率最高；週日最低
- 小時：13、17、20–21 時的轉換率較高
- 流量來源：直接造訪及未登入的訪客流量和轉換率呈正相關；自然流量及關鍵字廣告的轉換率則呈負相關；以曝光為目的〔註3〕 的廣告流量轉換率有最強負相關
- 來源國家：與交易次數的相關分佈相同
- 瀏覽使用之作業系統：以 Chrome OS 最高，BlackBerry, Linux, Mac OS 次之；Windows, Android, iOS 的轉換相關性最低
–
（G）平均訂單價值 特徵歸納
- 星期幾：相關程度較弱，週一的平均訂單價值最高；週日最低
- 小時：8、11–12、17、20–21 時的平均訂單價值較高
- 流量來源：與收益的相關分佈接近
- 來源國家：同上
- 瀏覽使用之作業系統：以 Chrome OS, Mac OS 訪客最高；Windows, Android, iOS 訪客最低
你已閱讀 65%！就快看完了！
如果這篇文章讓你認識了新的分析方法、洞察，想請你幫我拍手👏 至少 +5 下；
如果這篇文章給了你靈感、工作上的幫助，想請你幫我拍手👏 至少 +15 下；
如果你看到目前為止覺得收穫非常多，想請你幫我拍手👏 至少 +30 下，一下子吸收這麼多資訊，也當作是給自己的鼓勵XD二、分析圖表與判讀：商品定位象限
商品瀏覽 Ｘ 收益定位圖 — 以前 20 % 為臨界點
以 5 月份的商品「總瀏覽次數」為 X 軸、「總收益」為 Y 軸，我們可以區隔出 4 塊象限，分別代表不同定位的商品。
4 個區隔象限說明如下：
- 右上角「綠色區域」為「銷售主力品」，品項流量及收益是全站排名前20%。
>> 維持瀏覽量 - 左上角「藍色區域」為「銷售潛力品」，品項收益亦為全站排名前20%，可專注於提升流量，目標讓更多品項移往主力區。
>> 集中提升商品瀏覽量 - 右下角「黃色區域」的特色是「叫好不叫座」，品項流量為全站排名前20%，但總收益較不理想。
需深入瞭解此區商品是否能夠間接讓用戶購買其他品項（是否有其存在必要）。
>> 計算輔助轉換效益，調整首頁商品或推薦商品呈現的排序 - 左下角「紅色區域」為「銷售長尾品」，近 8 成品項落在此處，是未來潛力、主力品的預備區。在提高用戶瀏覽品類數（總瀏覽次數）時，觀察後續落點，哪些商品能有相對更高的轉換率。
>> 優先程度最後，等待前兩項優化做完後，計算商品的落點改變和輔助轉換效益
做個結論：
維持主力品流量、提升銷售潛力品流量；評估高流量低轉換商品之輔助轉換效益，長尾品保留觀察。
切換 GA 區隔，查看不同用戶分組當前的主力商品
前述我們觀察的是全站情況。
如果使用 Google Analytics 內建區隔或自訂區隔（Segments），也可以分別篩出該族群的主力銷售品、觀察瀏覽和消費在商品間的分佈情形。
這裡我們以「新訪客」 v. s. 「回訪客」兩種區隔來觀察，可發現新訪客的消費更相對集中於少部分熱門品；回訪客的消費則相對分散在不同商品上。
其中根據 Google Analytics 報表資料，5 月份 Google Merchandise Store 之新訪客特性：
- 新訪客佔 5 月所有訪客 82.6 %
- 新訪客貢獻網頁瀏覽量佔全站 60.4 %
- 新訪客貢獻收益佔全站 32.6 %
- 新訪客平均訂單價值（客單價）為 US$ 63.63，低於回訪客的 US$ 79.94
- 回訪客每人交易次數是新訪客的 7.87 倍
以增加全站收益為目標，提出兩種做法方向
- 改善會員機制，提高新訪客再次回訪的比例：
有鑒於回訪客貢獻近 7 成收益，且轉換率高於新訪客 4–5 倍；是否能透過回訪客偏好的活動、品類，主動吸引新訪客回流。 - 針對回訪客偏好的商品種類，提高新訪客購買意願或吸引不同訪客族群：
新訪客貢獻 6 成瀏覽量卻只有約 1% 訪客下單，有可能是新訪客所觸及的商品吸引力不足，或現有商品未精準觸及潛在受眾。
–
推論歸納與決策建議
歸納本次對 Google Merchandise Store 2021 年 5 月份網站數據分析之解讀、提出假設，並提供電商經營方向。
數據洞察歸納
- 根據「交易次數與其他指標相關係數長條圖」顯示，與「交易次數」呈現正相關強度第二高為「不重複品類瀏覽數」，解讀為 若想要提升交易量和每單消費額，讓用戶多逛不同的品類、做到互相比較、考慮的效果可能比純粹導流來得更好
- 根據各指標的特徵維度相關係數圖表，我們分為 3 個面向來統整：停留時間類（流量品質）、不重複事件類（訪客考慮程度）、造訪及交易紀錄類
- 停留時間類（流量品質）—『人均停留時間』『平均工作階段瀏覽頁數』『跳出率』：
（i）直接流量及自然流量的停留時間最長；而關鍵字廣告停留傾向為負相關，建議需檢視其設定。
（ii）iOS 訪客之人均停留時間最低，多為新訪客，應調整首頁配置，讓新訪客有機會停留更久。 - 不重複事件類（訪客考慮程度）—『不重複事件』『不重複瀏覽品牌數』『不重複瀏覽品類數』：
（i）相關程度較弱，平均而言 10–15 時的訪客所瀏覽的品牌數及品類數較多；行銷資源應以此時段為優先。 - 造訪及交易紀錄類 —『使用者數』『新使用者數』『交易次數』『電子商務轉換率』『收益』『平均訂單價值』
（i）總體描述：訪客傾向於 10–15 時造訪及購買，較不傾向於週末或晚間 9 點後造訪；以 Mac、Chrome OS 用戶為多數；新訪客則以 iOS 用戶為多數；收益、轉換率皆以週二最高、週日最低；平均訂單價值以週一最高、週日最低。
（ii）流量及交易集中在美國，可深入探討城市差異。
（iii）曝光廣告及關鍵字廣告流量轉換率呈負相關，需檢視其設定。
分析自家網站：索取你的網站分析示範
這次以 Google Analytics Demo Account 實作數據分析並歸納 Google Merchandise Store 目前的困境及建議方向。
如果你看了本次實戰案例內容，也想應用到自家網站上，歡迎提供你的網站 Google Analytics 帳戶，即可獲取一份我為你做的『網站健檢分析體驗版』報告（就像此份的架構）。
開始方法很簡單，只要兩步驟：
- 來信簡介你的公司品牌、產業、目前經營的行銷渠道有哪些，並附上網址
- 將您網站的 Google Analytics 檢視權限開通到以下信箱：martech.tw@gmail.com
有任何問題，同樣歡迎先來聊聊詢問，你可以透過以下方式聯絡到我：
- e-mail: martech.tw@gmail.com
- phone: 0989-960-615
- fanpage（私訊會於一個工作天內回覆）: https://www.facebook.com/MarketingDataAgent
恭喜你完成閱讀 100% ！
如果這篇文章讓你認識了新的分析方法、洞察，想請你幫我拍手👏 至少 +5 下；
如果這篇文章給了你靈感、工作上的幫助，想請你幫我拍手👏 至少 +15 下；
如果你看完了整篇文章，並覺得收穫非常多，想請你幫我拍手👏 至少 +30 下，也當作是給自己的鼓勵XDP.S. 關掉這篇文章前，記得追蹤 Data Agent 資料探員 Medium 專欄唷！https://medium.com/datamixcontent-lab
