4.1网站分析系统数据工作机制

4.1网站分析系统数据工作机制

完整的网站数据工作机制包括数据采集、数据处理和数据报告三个部分,如图4-1所示:在网站数据采集层,在线数据和外部数据得到采集;在数据处理层,在线数据在采集规则的约束下将完成原始数据采集,同时根据处理规则整合外部接入数据并进行数据计算,最终可供外部调用的数据仓库数据;在数据报告层,外部特定数据请求得到处理形成最终报告、数据源等。
网站文章
Webtrekk代码部署指南之初级篇——通用信息收集

Webtrekk代码部署指南之初级篇——通用信息收集

Webtrekk在网站代码部署上有自己的优势,尤其在其他网站分析工具中需要特定监测链接、事件、表单、热力图等,在Webtrekk中都有“一键”解决方案。本篇是初级篇,适合大多数公司的部署和应用需求,下一篇会介绍代码部署中的高级技巧。
【PPT分享】五类常见的用户分析场景

【PPT分享】五类常见的用户分析场景

以下是参加一次沙龙的PPT,分享给大家。关于如何做用户分析的5类场景。
Webtrekk用户分析利器——URM

Webtrekk用户分析利器——URM

我们做网站分析都是基于Visit的分析,无论是指标定义还是分析场景,默认的都是在一个访问区间内。我们来介绍下Webtrekk另辟蹊径基于真实用户和匿名用户整合分析的新方向,即下一个版本的用户管理模块—URM(User Relationship Management),看看Webtrekk这次带来哪些惊喜。
Adobe Analytics和Webtrekk数字分析解决方案剖析和对比(下)

Adobe Analytics和Webtrekk数字分析解决方案剖析和对比(下)

Adobe Analytics和Webtrekk都是数据分析领域的巨擘,一个是美国市场第一,一个欧洲市场第一,都能提供世界一流的数字分析解决方案。我很有幸能有机会深入了解并应用这两种解决方案,同时也深感数字分析领域的发展永远不缺概念,缺的是应用场景和价值提炼。本文将对这两种解决方案做深入剖析和对比。由于文章实在太长,我分为两部分,此文为下篇。上篇请点击《Adobe Analytics和Webtrekk数字分析解决方案剖析和对比(上)》。
Adobe Analytics和Webtrekk数字分析解决方案剖析和对比(上)

Adobe Analytics和Webtrekk数字分析解决方案剖析和对比(上)

Adobe Analytics和Webtrekk都是数据分析领域的巨擘,一个是美国市场第一,一个欧洲市场第一,都能提供世界一流的数字分析解决方案。我很有幸能有机会深入了解并应用这两种解决方案,同时也深感数字分析领域的发展永远不缺概念,缺的是应用场景和价值提炼。本文将对这两种解决方案做深入剖析和对比。由于文章实在太长,我分为两部分,此文为上篇。
常见的“数据说谎”的3类形态

常见的“数据说谎”的3类形态

日常生活工作中,处处都会与数据打交道,但你知道数据是会“说谎”的,即你看到的数据结果并不是事实。本文介绍一些常见的说谎场景以及如何避免。
数据发挥价值的10个关键点

数据发挥价值的10个关键点

以下是上次跟胡力一起做活动时演讲的一个PPT,现分享出来,无论形式还是内容框架上,希望能给大家一些启发。TonySong宋天龙
点击流数据中非结构化数据的挖掘(一)——文本

点击流数据中非结构化数据的挖掘(一)——文本

非结构化数据是大数据数据多样化的的一个特点,而点击流中的数据是多样化数据的一部分。依托强大的网站分析工具,可以得到最细粒度的原始数据(Raw Data),如果这些原始数据仅仅用来看看报表,那意义太小。非结构化化数据包括文本、视频、文档、音频、甚至地理位置信息等等,本篇介绍的是点击流中的非结构化数据的文本挖掘应用——当然,核心还是如何更好的应用这些非结构化数据。
统计学在点击流数据中的应用范例——Adobe Analytics异常检测

统计学在点击流数据中的应用范例——Adobe Analytics异常检测

现在的大多数网站分析工具在处理点击流数据时,往往用的是统计学中的基础数据处理和分析方法,比如抽样、汇总、趋势、对比、平均等基本数据统计分析方法,很少有工具会用一些数据挖掘的算法。今天介绍Adobe Analytics中借助统计学实现的一个异常检测功能。
Webtrekk——一款值得关注的商用网站分析工具

Webtrekk——一款值得关注的商用网站分析工具

了解Webtrekk这款产品,是通过之前的合作伙伴;但真正认识这款产品,则是通过公司前段时间的招标。最近由于工作的需要,深入研究了下Webtrekk,发现这款工具绝非是我在之前发布文章中的这么简单(文章具体见 网站分析工具Webtrekk快速预览),因为在功能上、用户体验上、代码部署便捷性、与外部数据大打通它都是很多可圈可点地方。
数据杂想——数据不是万能的

数据杂想——数据不是万能的

一切大数据时代的畅想让我们觉得:通过数据,我们可以总结规律,挖掘价值,甚至为业务指明方向,我们可以为公司的老板、决策者、执行者所用,我们是他们非常重要的部分甚至是最重要的部分。但一切美好的畅想过后,我们发现数据不是万能的。一切认为数据是万能的想法和认为数据什么也不能的想法同样的无知。
如何定位并真正发挥数据的价值?

如何定位并真正发挥数据的价值?

数据的传统角色是幕后支持,但互联网时代给了数据现在前台第一线的机会,现在的站内推荐,个性化落地页,站外智能投放只是一个缩影,此时这些业务直接由数据智慧主导,效果如何立竿见影。我相信数据会在更多场景下从幕后走到前台,辅助支持是其次,主导驱动才是关键!
关于公司总分数据体系的架构思考

关于公司总分数据体系的架构思考

经常会有关于数据架构的讨论:数据部门应该独立还是下放到业务中心?最近经过一段时间的架构调整,加上之前经历的一些业务测试,现在把总结的关于数据应该集中还是下放的基本情况分享下。 我们的数据架构经历过从分散到业务中心到数据集中在数据中心但业务对接业务中心,最后是形成数据中心总体把控,数据人员直接下放到业务中心的转变。 关于这三种模式,相信大家都有所了解,但到底哪种模式更适合企业?