从零开始数据分析

大数据的领域非常广泛，往往使想要开始学习大数据及相关技术的人望而生畏。大数据技术的种类众多，这同样使得初学者难以选择从何处下手。

本文将为你开始学习大数据的征程以及在大数据产业领域找到工作指明道路，提供帮助。目前我们面临的最大挑战就是根据我们的兴趣和技能选定正确的角色。

为了解决这个问题，我在本文详细阐述了每个与大数据有关的角色，同时考量了工程师以及计算机科学毕业生的不同职位角色。

我尽量详细地回答了每一项人们在学习大数据过程中遇到或可能会遇到的问题。为帮助你根据兴趣选择发展途径，我添加了一组树图，相信会对你找到正确的途径有所帮助。

注释：学习之路树状图

在这个树状图的帮助下，你可以根据你的兴趣和目标选择路径。 然后，你可以开始学习大数据的旅程了。 后台回复“职业路径”3个字，下载高清版本。

目录表

1.如何开始？

2.在大数据领域有哪些职位需求？

3.你的领域是什么，适合什么方向？

4.勾勒你在大数据领域的角色

5.如何成为一名大数据工程师？

o什么是大数据行业术语？

o你需要了解的系统和结构

o学习去设计解决方案并且学习相关技术

6.大数据学习路径

7.资源

1.如何开始？

人们想开始学习大数据的时候，最常问我的问题是，“我应该学Hadoop（hadoop是一款开源软件，主要用于分布式存储和计算，他由HDFS和MapReduce计算框架组成的，他们分别是Google的GFS和MapReduce的开源实现。由于hadoop的易用性和可扩展性，因此成为最近流行的海量数据处理框架。hadoop这个单词来源于其发明者的儿子为一个玩具大象起的名字。）, 分布式计算，Kafka（Kafka是由LinkedIn开发的一个分布式基于发布/订阅的消息系统）,NoSQL（泛指非关系型的数据库）还是Spark（Spark 是一种与 Hadoop 相似的开源集群计算环境，但是两者之间还存在一些不同之处）？”

而我通常只有一个答案：“这取决于你究竟想做什么。”

因此，让我们用一种有条理的方式来解决这个问题。我们将一步步地探索这条学习之路。

2. 在大数据行业有哪些职业需求？

在大数据行业中有很多领域。通常来说它们可以被分为两类：

大数据工程大数据分析这些领域互相独立又互相关联。

大数据工程涉及大量数据的设计，部署，获取以及维护（保存）。大数据工程师需要去设计和部署这样一个系统，使相关数据能面向不同的消费者及内部应用。

而大数据分析的工作则是利用大数据工程师设计的系统所提供的大量数据。大数据分析包括趋势、图样分析以及开发不同的分类、预测预报系统。

因此，简而言之，大数据分析是对数据的高级计算。而大数据工程则是进行系统设计、部署以及计算运行平台的顶层构建。

3.你的领域是什么，适合什么方向？

现在我们已经了解了行业中可供选择的职业种类，让我们想办法来确定哪个领域适合你。这样，我们才能确定你在这个行业中的位置。

通常来说，基于你的教育背景和行业经验我们可以进行如下分类：

教育背景（包括兴趣，而不一定与你的大学教育有关）

计算机科学数学行业经验新人数据学家计算机工程师（在数据相关领域工作）因此，通过上面的分类，你可以把自己的领域定位如下：

例1：“我是一名计算机科学毕业生，不过没有坚实的数学技巧。”

你对计算机科学或者数学有兴趣，但是之前没有相关经验，你将被定义为一个新人。

例2：“我是一个计算机科学毕业生，目前正从事数据库开发工作。”

你的兴趣在计算机科学方向，你适合计算机工程师（数据相关工程）的角色。

例3：“我正作为数据科学家从事统计工作。”

你对数学领域有兴趣，适合数据科学家的职业角色。

因此，参照着定位你的领域吧。

（此处定义的领域对你确定在大数据行业的学习路径至关重要。）

4.根据领域规划你的角色

现在你已经确定了你的领域，下一步，让我们规划出你要努力的目标职位吧。

如果你有卓越的编程技巧并理解计算机如何在网络（基础）上运作，而你对数学和统计学毫无兴趣，在这种情况下，你应该朝着大数据工程职位努力。

如果你擅长编程同时有数学或者统计学的教育背景或兴趣，你应该朝着大数据分析师职位努力。

5.如何成为一名大数据工程师

让我们先定义一下，一名受到行业承认的大数据工程师都需要学习和了解什么。首先以及最重要的一步是确认你的需求。你不能在不清楚个人需求的情况下直接开始学习大数据。否则，你将一直盲人摸象。

为了明确你的需求，你必须了解常用的大数据术语。所以让我们来看一下大数据到底意味着什么？

5.1 大数据术语

大数据工程通常包括两个方面 – 数据需求以及处理需求。

5.1.1 数据需求术语

结构：你应该知道数据可以储存在表中或者文件中。储存在一个预定义的数据模型（即拥有架构）中的数据称为结构化数据。如果数据储存在文件中且没有预定义模型，则称为非结构化数据。（种类：结构化/非结构化）。

容量：我们用容量来定义数据的数量。（种类：S/M/L/XL/XXL/流）

Sink吞吐量：用系统所能接受的数据率来定义Sink吞吐量。（种类：H/M/L）

源吞吐量：定义为数据更新和转化进入系统的速度。（种类：H/M/L）

5.1.2 处理需求术语

查询时间：系统查询所需时间。（种类：长/中/短）

处理时间：处理数据所需时间。（种类：长/中/短）

精度：数据处理的精确度。（种类：准确/大约）

5.2 你需要知道的系统和架构

情节1的解决方案：销售数据池

（这是我的个人解决方案，如果你想到一个更高明的解决方案请在下面分享一下）

那么，一个数据工程师会怎样解决这个问题呢？

需要记住的一点是，大数据系统的目的不仅仅是无缝整合各种来源的数据，而使其可用，同时它必须能使得，用于开发应用系统的数据的分析和利用变得简单迅速和易得（在这个案例中是智能控制面板）。

定义最后的目标：

1. 通过整合各种来源的数据创建一个数据池。

2. 每隔一定时间自动更新数据（在这个案例中可能是一周一次）。

3. 可用于分析的数据（在记录时间内，甚至可能是每天）

4. 易得的架构和无缝部署的分析控制面板。

既然我们知道了我们最后的目标，让我们尽量用正式术语制定我们的要求吧。

5.3.1 数据相关要求

结构：大部分数据是结构化的，并具有一个定义了的数据模型。但数据源如网络日志，客户互动/呼叫中心数据，销售目录中的图像数据，产品广告数据等是非结构化的。 图像和多媒体广告数据的可用性和要求可能取决于各个公司。

结论：结构化和非结构化数据

大小：L或XL（选择Hadoop）

Sink 吞吐量：高

质量：中等（Hadoop＆Kafka）

完整性：不完整

5.3.2 处理相关要求

查询时间：中至长

处理时间：中至短

精度：准确

随着多个数据源的集成，重要的是要注意不同的数据将以不同的速率进入系统。 例如，网络日志可用高颗粒度连续流进入系统。

基于上述我们对系统要求的分析，我们可以推荐以下大数据体系。

6.大数据学习路径

现在，你已经对大数据行业，大数据从业人员的不同角色和要求有所了解。 我们来看看你应该遵循哪条路来成为一名大数据工程师。

我们知道大数据领域充斥着多种技术。 因此，你学习与你的大数据工作角色相关的技术非常重要。这与任何常规领域有点不同，如数据科学和机器学习中，你可以从某些地方开始并努力完成这一领域内的所有工作。

下面你会发现一个你应该通过的树状图，以找到你自己的路。即使树状图中的一些技术被指向是数据科学家的强项，但是如果你走上一条路，知道所有的技术直到“树叶节点”总是很好的。 该树状图源自lambda架构范例。

任何想要调配应用程序的工程师必须知道的基本概念之一是Bash 脚本编程。你必须对linux和bash 脚本编程感到舒适。这是处理大数据的基本要求。

核心是，大部分大数据技术都是用Java或Scala编写的。但是别担心，如果你不想用这些语言编写代码，那么你可以选择Python或者R，因为大部分的大数据技术现在都支持Python和R。

因此，你可以从上述任何一种语言开始。 我建议选择Python或Java。

接下来，你需要熟悉云端工作。 这是因为如果你没有在云端处理大数据，没有人会认真对待。 请尝试在AWS，softlayer或任何其他云端供应商上练习小型数据集。 他们大多数都有一个免费的层次，让学生练习。如果你想的话，你可以暂时跳过此步骤，但请务必在进行任何面试之前在云端工作。

接下来，你需要了解一个分布式文件系统。最流行的分布式文件系统就是Hadoop分布式文件系统。在这个阶段你还可以学习一些你发现与你所在领域相关的NoSQL数据库。下图可以帮助你选择一个NoSQL数据库，以便根据你感兴趣的领域进行学习。

好了，今天的知识就分享到这里，欢迎关注爱编程的南风，私信关键词：大数据 ，获取更多学习大数据的资源，如果文章对你有有帮助，

请收藏关注，在今后与你分享更多学习大数据的文章。同时欢迎在下面评论区留言如何学习大数据。

今天我们还分享最后一节数据分析的指导理论方法，一共讲理论的分析指导方法有了三节，当然，实际过程中应用到的可能远远不只这三个，他会有很多的一些指导思路方法，我始终认为做数据分析之前你必须要先建好框架，这些方法就是建立你框架的理论指导依据。但是在我这边的话，这三种基本上是最常用的，因此暂时把这三个分享给大家，后期如果有些感觉有必要分享的话下次再分享。

今天要和大家分享的是逻辑树分析法，很多的商家经常会问我店铺做不起来，你能不能帮我分析下，或者说，我流量突然下滑了，我不知道到底是哪里出了问题，你能不能帮我分析下。

其实，如果你懂得了今天的逻辑树分析法的话，基本上你以后这种问题就再也不需要去求人了，每一次我店铺遇到问题需要分析原因的时候，我基本上都是用这个方法。

逻辑树分析法又称问题树分析法、演绎树分析法或分解树分析法等。这个分析法是最常见最常见的分析工具，逻辑树分析法是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。

把一个已知问题当成树干，然后开始考虑这个问题和那些相关问题有关，每想到一点，就给这个问题的所有树干加一个树枝，并标注这个树枝代表什么问题。简单的模型就是如图14-1

就像14-1这图一样，一个大的“树枝”上还可以有小的“树枝”，如此类推，找出问题的所有相关联项目。逻辑树主要是帮助你理清自己的思路，不进行重复和无关的思考。

很多商家经常会问到一个问题，就是我店铺销售额下滑很严重，可是我不知道到底是什么问题？这个时候你就可以按照逻辑树的分析框架去进行分析了。具体如图14-2

根据销售额的公式：销售额=访客数*转化率*客单价，那么我们就可以把一个问题拆分成三个，访客数，转化率，客单价、

这个时候，你就可以先分析，你销售额下滑到底是哪一个原因下滑了，是访客数下滑了？还是转化率下滑了？还是客单价下滑了？或者多个因素都下滑了？先分解成三个问题得出初步的结论。

例如，通过分析，你得出的结论是因为访客数下滑了。那么我们就可以就访客数继续进行分解。如图：14-3

根据访客数=展现量*点击率这个时候又可以进行两个树枝的拆分了，先清楚的了解到你到底是因为展现量不够还是因为点击率太低，这一点其实是一定要清楚的，百分之一的点击率和百分之五的点击率他们之间的访客数相差的是非常大的，所以一定要清楚的知道到底是哪一块出了问题，例如，我们经过分析得出结论是展现量的问题。那么有可以把展现量进行拆分，如图14-4

你把所有影响展现量的因素都罗列出来，然后进行一个一个的分析，看看是不是他的原因，这样你就能把你店铺的问题都找出来了。

逻辑树分析法他最大的好处就是可以帮你理清分析的思路，如果没有这种分析，可能你会很乱，一下分析这个，一下分析哪个，很多内容进行了重复的分析，很多没有意义的思考你有去思考的太多，而先做好了逻辑树框架之后，基本上你就能避免这些问题。

但是逻辑树分析也有一个缺点，就是他依赖于一个人的经验和对业务的专业程度。例如，如果你不知道影响展现量的因素有哪些，那么就算你分析到了你的问题在于展现量，那么你也没办法继续下面的分析。如果你经验不足，专业能力不强，你很容易漏掉很重要的地方，例如，你对竞争环境分析能力不强，所以你可能就会漏掉这一块，而有可能真正影响你展现量的就是竞争环境。因此，如果出现这种情况的话可能你就会走偏了。

当然，这只是一种分析思路，单纯依靠一种分析思路也是很难做好淘宝的，就好比你如果完全不懂淘宝，那么就算你思路再清晰你也做不好。掌握这些方法本身也是要建立在你的专业能力基础之上，只是说，当你有了这些专业技术和能力的时候，利用这些指导理论，你会更加的清晰，效率会更加的高。

声明：小2哥所有文章均为原创，如果你觉得对你有帮助，欢迎分享给你身边的人，但是转载需要取得授权，并注明出处和来源。

网站数据统计分析可以帮助监控网站、系统运营状态，优化网站结构和体验，以及提升网站推广效果。不管是网站开发人员、产品人员、还是网站运营人员，都应该掌握网站数据统计分析的基本方法和常用工具。恰巧最近在为公司整理这部分内容，因此将自己的部分总结分享出来，仅供大家入门参考。

一．数据分析的维度

网站数据分析主要从流量、来源、页面、访客四个维度进行分析。

1. 流量分析

流量是最基本也是最重要的网站数据分析维度，它反映了一个网站被访问的整体概况。

一般来说，流量分析包含两方面内容：流量趋势分析和当前实时流量。流量趋势分析，反映了网站最近一段时间流量变化趋势，常用的时间维度有当日，最近7日，最近30日，一般也支持自定义时间区间。趋势分析常用的指标有PV（页面浏览次数）、UV（独立访客数）、独立IP访问次数。当前实时流量，反映了网站当前被访问的情况，一般用最近15或30分钟的PV和UV构成的曲线表示。

2. 来源分析

来源分析是对网站流量的来源渠道进行统计分析，它可以反映访客是通过何种渠道访问网站的。

流量来源一般可以分为三大类，直接流量、推介流量和搜索引擎流量。直接流量是访客直接在浏览器输入网站地址产生的流量，这类用户往往已经非常熟悉该网站。推介流量又称外部链接流量，是访客通过其他网站的链接跳转到本网站产生的流量，可以通过分析推介流量，获知在第三方网站投放的推广链接的效果。搜索引擎流量，是访客通过在Google、百度等搜索引擎查询关键字时，搜索到本网站地址，进而访问本网站产生的流量。可以通过分析搜索引擎流量，优化网站的SEO。

3. 页面分析

页面分析是对访客访问网站各个页面的频次、时长等信息进行统计分析，从而找出高频使用的页面或功能，掌握访客兴趣和热点页面，另外，还可以通过分析页面的访问路径，获取访客的操作习惯。页面分析是优化页面内容和页面间逻辑流程的重要依据。

页面内热区也是页面分析的一个重要部分。有些第三方统计分析平台提供一些最基础的统计功能，如百度统计就有一个页面点击图的功能，统计访客在网页的鼠标点击情况，并通过不同颜色的区域展示出来，但它只支持http和https协议的url，不支持框架页面的监控。大部分的页面内统计，都是需要结合业务场景，手动调用第三方统计平台的打点接口，进行打点统计。

4. 访客分析

访客分析主要是对访客人数、访客所属区域、访客活跃度以及新老访客进行统计分析。网站应坚持“以用户为中心”的原则，访客分析结果就是这一原则落实效果的直观反映。一般来说，最值得关注的是独立用户数（UV）、新用户数、用户活跃度这几个指标。

二．核心统计指标说明

网站的数据统计分析指标种类繁多，数量庞大，不同的统计分析平台采用的指标也有一定差异性。但是，有一部分指标已经被广泛认可，且被各个统计平台所采纳。其中，最重要的指标有页面浏览量、独立访客数、平均访问时间、新增访客数。

1.页面浏览量（PV）

页面浏览量，又叫做PV，是一段时间内，网站页面被访问的次数总和。用户每访问一次页面，不管是刷新页面，还是跳转到网站的另一个新页面，PV都会增加1次。

2.独立访客数（UV）

独立访客数，又叫做UV，是一段时间内，访问网站的访客的总和。一个浏览器客户端被认为是一个独立访客，在统计时间段内，一个浏览器客户端多次访问网站，不会被重复统计。例如，计算当日UV时，在当天的0点到24点内，一个浏览器客户端不管访问了多少次网站，都被算作1次UV。

3.平均访问时长

所有访客访问网站持续时间的平均值，反映网站对访客的吸引力。

4.新增访客数

一段时间内，首次访问网站的访客总数。因为访客数是基于浏览器Cookie进行统计的，一旦浏览器的Cookie被清空，再次访问网站就会被认为是一个新的访客，所以新增访客数有可能存在一定偏差。基于同样的原因，UV也会存在一定偏差。

三．第三方统计分析平台

目前国内的网站统计分析平台中，使用最多的是百度统计和友盟统计（实际用的是CNZZ），国外是Google Analytics（GA）。推荐使用百度统计或GA。

百度统计和GA的比较：

功能上，GA的功能更加强大，百度统计功能虽然比GA少，但提供了一些本土化的指标，例如基于IP地址的统计。

使用上，网站接入的成本都很低，但后台的统计分析平台方面，因为百度统计的指标定义和分类更符合国人习惯，同时提供的功能更加简洁，所以使用起来更加简便。虽然百度统计的大部分指标GA都有，但因为在指标定义和分类上有一些不同，所以刚开始使用时，需要一些适应和思维转换时间。另外，GA的访问需要翻墙。

基本使用方法

网站接入百度统计和GA的步骤雷同，主要步骤：注册平台账户 -> 填写网站信息–> 生成嵌入的JS脚本–>在网站的所有网页中引入生成的JS脚本。完成这4步，就可以使用平台的大部分功能，基本的流量分析、来源分析、页面分析和访问分析也已经覆盖，可以满足网站的绝大部分统计分析需求。

今天我们还分享最后一节数据分析的指导理论方法，一共讲理论的分析指导方法有了三节，当然，实际过程中应用到的可能远远不只这三个，他会有很多的一些指导思路方法，我始终认为做数据分析之前你必须要先建好框架，这些方法就是建立你框架的理论指导依据。但是在我这边的话，这三种基本上是最常用的，因此暂时把这三个分享给大家，后期如果有些感觉有必要分享的话下次再分享。

今天要和大家分享的是逻辑树分析法，很多的商家经常会问我店铺做不起来，你能不能帮我分析下，或者说，我流量突然下滑了，我不知道到底是哪里出了问题，你能不能帮我分析下。

其实，如果你懂得了今天的逻辑树分析法的话，基本上你以后这种问题就再也不需要去求人了，每一次我店铺遇到问题需要分析原因的时候，我基本上都是用这个方法。

逻辑树分析法又称问题树分析法、演绎树分析法或分解树分析法等。这个分析法是最常见最常见的分析工具，逻辑树分析法是将问题的所有子问题分层罗列，从最高层开始，并逐步向下扩展。

把一个已知问题当成树干，然后开始考虑这个问题和那些相关问题有关，每想到一点，就给这个问题的所有树干加一个树枝，并标注这个树枝代表什么问题。简单的模型就是如图14-1

就像14-1这图一样，一个大的“树枝”上还可以有小的“树枝”，如此类推，找出问题的所有相关联项目。逻辑树主要是帮助你理清自己的思路，不进行重复和无关的思考。

很多商家经常会问到一个问题，就是我店铺销售额下滑很严重，可是我不知道到底是什么问题？这个时候你就可以按照逻辑树的分析框架去进行分析了。具体如图14-2

根据销售额的公式：销售额=访客数*转化率*客单价，那么我们就可以把一个问题拆分成三个，访客数，转化率，客单价、

这个时候，你就可以先分析，你销售额下滑到底是哪一个原因下滑了，是访客数下滑了？还是转化率下滑了？还是客单价下滑了？或者多个因素都下滑了？先分解成三个问题得出初步的结论。

例如，通过分析，你得出的结论是因为访客数下滑了。那么我们就可以就访客数继续进行分解。如图：14-3

根据访客数=展现量*点击率这个时候又可以进行两个树枝的拆分了，先清楚的了解到你到底是因为展现量不够还是因为点击率太低，这一点其实是一定要清楚的，百分之一的点击率和百分之五的点击率他们之间的访客数相差的是非常大的，所以一定要清楚的知道到底是哪一块出了问题，例如，我们经过分析得出结论是展现量的问题。那么有可以把展现量进行拆分，如图14-4

你把所有影响展现量的因素都罗列出来，然后进行一个一个的分析，看看是不是他的原因，这样你就能把你店铺的问题都找出来了。

逻辑树分析法他最大的好处就是可以帮你理清分析的思路，如果没有这种分析，可能你会很乱，一下分析这个，一下分析哪个，很多内容进行了重复的分析，很多没有意义的思考你有去思考的太多，而先做好了逻辑树框架之后，基本上你就能避免这些问题。

但是逻辑树分析也有一个缺点，就是他依赖于一个人的经验和对业务的专业程度。例如，如果你不知道影响展现量的因素有哪些，那么就算你分析到了你的问题在于展现量，那么你也没办法继续下面的分析。如果你经验不足，专业能力不强，你很容易漏掉很重要的地方，例如，你对竞争环境分析能力不强，所以你可能就会漏掉这一块，而有可能真正影响你展现量的就是竞争环境。因此，如果出现这种情况的话可能你就会走偏了。

当然，这只是一种分析思路，单纯依靠一种分析思路也是很难做好淘宝的，就好比你如果完全不懂淘宝，那么就算你思路再清晰你也做不好。掌握这些方法本身也是要建立在你的专业能力基础之上，只是说，当你有了这些专业技术和能力的时候，利用这些指导理论，你会更加的清晰，效率会更加的高。

声明：小2哥所有文章均为原创，如果你觉得对你有帮助，欢迎分享给你身边的人，但是转载需要取得授权，并注明出处和来源。

网站数据统计分析可以帮助监控网站、系统运营状态，优化网站结构和体验，以及提升网站推广效果。不管是网站开发人员、产品人员、还是网站运营人员，都应该掌握网站数据统计分析的基本方法和常用工具。恰巧最近在为公司整理这部分内容，因此将自己的部分总结分享出来，仅供大家入门参考。

一．数据分析的维度

网站数据分析主要从流量、来源、页面、访客四个维度进行分析。

1. 流量分析

流量是最基本也是最重要的网站数据分析维度，它反映了一个网站被访问的整体概况。

一般来说，流量分析包含两方面内容：流量趋势分析和当前实时流量。流量趋势分析，反映了网站最近一段时间流量变化趋势，常用的时间维度有当日，最近7日，最近30日，一般也支持自定义时间区间。趋势分析常用的指标有PV（页面浏览次数）、UV（独立访客数）、独立IP访问次数。当前实时流量，反映了网站当前被访问的情况，一般用最近15或30分钟的PV和UV构成的曲线表示。

2. 来源分析

来源分析是对网站流量的来源渠道进行统计分析，它可以反映访客是通过何种渠道访问网站的。

流量来源一般可以分为三大类，直接流量、推介流量和搜索引擎流量。直接流量是访客直接在浏览器输入网站地址产生的流量，这类用户往往已经非常熟悉该网站。推介流量又称外部链接流量，是访客通过其他网站的链接跳转到本网站产生的流量，可以通过分析推介流量，获知在第三方网站投放的推广链接的效果。搜索引擎流量，是访客通过在Google、百度等搜索引擎查询关键字时，搜索到本网站地址，进而访问本网站产生的流量。可以通过分析搜索引擎流量，优化网站的SEO。

3. 页面分析

页面分析是对访客访问网站各个页面的频次、时长等信息进行统计分析，从而找出高频使用的页面或功能，掌握访客兴趣和热点页面，另外，还可以通过分析页面的访问路径，获取访客的操作习惯。页面分析是优化页面内容和页面间逻辑流程的重要依据。

页面内热区也是页面分析的一个重要部分。有些第三方统计分析平台提供一些最基础的统计功能，如百度统计就有一个页面点击图的功能，统计访客在网页的鼠标点击情况，并通过不同颜色的区域展示出来，但它只支持http和https协议的url，不支持框架页面的监控。大部分的页面内统计，都是需要结合业务场景，手动调用第三方统计平台的打点接口，进行打点统计。

4. 访客分析

访客分析主要是对访客人数、访客所属区域、访客活跃度以及新老访客进行统计分析。网站应坚持“以用户为中心”的原则，访客分析结果就是这一原则落实效果的直观反映。一般来说，最值得关注的是独立用户数（UV）、新用户数、用户活跃度这几个指标。

二．核心统计指标说明

网站的数据统计分析指标种类繁多，数量庞大，不同的统计分析平台采用的指标也有一定差异性。但是，有一部分指标已经被广泛认可，且被各个统计平台所采纳。其中，最重要的指标有页面浏览量、独立访客数、平均访问时间、新增访客数。

1.页面浏览量（PV）

页面浏览量，又叫做PV，是一段时间内，网站页面被访问的次数总和。用户每访问一次页面，不管是刷新页面，还是跳转到网站的另一个新页面，PV都会增加1次。

2.独立访客数（UV）

独立访客数，又叫做UV，是一段时间内，访问网站的访客的总和。一个浏览器客户端被认为是一个独立访客，在统计时间段内，一个浏览器客户端多次访问网站，不会被重复统计。例如，计算当日UV时，在当天的0点到24点内，一个浏览器客户端不管访问了多少次网站，都被算作1次UV。

3.平均访问时长

所有访客访问网站持续时间的平均值，反映网站对访客的吸引力。

4.新增访客数

一段时间内，首次访问网站的访客总数。因为访客数是基于浏览器Cookie进行统计的，一旦浏览器的Cookie被清空，再次访问网站就会被认为是一个新的访客，所以新增访客数有可能存在一定偏差。基于同样的原因，UV也会存在一定偏差。

三．第三方统计分析平台

目前国内的网站统计分析平台中，使用最多的是百度统计和友盟统计（实际用的是CNZZ），国外是Google Analytics（GA）。推荐使用百度统计或GA。

百度统计和GA的比较：

功能上，GA的功能更加强大，百度统计功能虽然比GA少，但提供了一些本土化的指标，例如基于IP地址的统计。

使用上，网站接入的成本都很低，但后台的统计分析平台方面，因为百度统计的指标定义和分类更符合国人习惯，同时提供的功能更加简洁，所以使用起来更加简便。虽然百度统计的大部分指标GA都有，但因为在指标定义和分类上有一些不同，所以刚开始使用时，需要一些适应和思维转换时间。另外，GA的访问需要翻墙。

基本使用方法

网站接入百度统计和GA的步骤雷同，主要步骤：注册平台账户 -> 填写网站信息–> 生成嵌入的JS脚本–>在网站的所有网页中引入生成的JS脚本。完成这4步，就可以使用平台的大部分功能，基本的流量分析、来源分析、页面分析和访问分析也已经覆盖，可以满足网站的绝大部分统计分析需求。