《谷歌數據分析方法》是2020年機械工業出版社出版的圖書，作者是Avinash，Kaushik。
基本介紹
- 中文名：谷歌數據分析方法
- 作者：Avinash，Kaushik
- 出版社：機械工業出版社
- ISBN：9787111651659
內容簡介,圖書目錄,
內容簡介
在過去幾年中，網際網路、線上行銷以及廣告經歷了巨大的變革，然而大家處理數據的方式跟幾十年前相比還是大同小異。數據分析領域的者（Avinash Kaushik）通過《谷歌數據分析方法》提出了下一代數據分析的框架，將能很大程度地幫助你提高組織的能動性和對市場的反應速度。
本書闡述了如何去衡量、分析目前網際網路上出現的新技術和套用，並在此基礎上快速行動。這些新技術和套用包括社交媒體、視頻、移動網際網路上以用戶為中心的設計等。作者通過對傳統方法的改造，對網際網路數據進行了抽絲剝繭般的分析，提出了具體、簡單以及更先進的方法。
如果你想了解數據分析方法，本書將是你的*佳選擇。
圖書目錄
前言
第 1章 數據分析進階的全新世界
1.1 數據分析現狀
1.2 行業現狀
1.3 重新反思數據分析：實現數據分析進階 3
1.3.1 “是什麼”：點擊流
1.3.2 “有多少”：多樣性產出分析
1.3.3 “為什麼”：實驗和測試
1.3.4 “為什麼”：用戶反饋
1.3.5 “還有什麼”：競爭情報
1.4 變革： Yes We Can
1.4.1 策略性調整
1.4.2 戰術性轉變
1.4.3 其他分析
第 2章 選擇數據分析工具的最佳策略
2.1 確定預期業務目標
2.2 第一步：選擇數據分析工具前要回答的3個關鍵問題
2.3 第二步：選擇數據分析工具前要問供應商的10個問題
2.4 數據分析供應商比較：多樣化和競爭優勢
2.5 第三步：如何有效地試用數據分析工具
2.6 第四步：確定合作前的協定，檢查供應商的服務條款 23
第 3章 點擊流分析的精彩世界：指標
3.1 回顧標準指標： 8個關鍵網站指標
3.2 跳出率
3.3 退出率
3.4 轉化率
3.5 參與度
3.6 數據分析指標揭秘
3.6.1 優秀指標的 4個屬性
3.6.2 優秀指標示例
3.6.3 關於網站成功的3條經驗
3.7 關鍵網站指標的戰略性策略
3.7.1 確定影響網站指標表現的根源一轉化
3.7.2 利用自定義報表
3.7.3 創建團隊報表中心
3.7.4 從巨觀上進行分析
第 4章 點擊流分析的精彩世界：實際操作
4.1 數據分析入門
4.1.1 熟悉基本指標
4.1.2 獲取訪客
4.1.3 控制成本
4.1.4 點擊密度分析
4.1.5 衡量購買前的訪問次數
4.2 最佳數據分析報表
4.2.1 流量來源
4.2.2 流量產出
4.3 基礎分析策略
4.3.1 細分至關重要
4.3.2 關注用戶行為而非總體情況
4.4 讓日常點擊流分析更具操作性
4.4.1 站內搜尋分析
4.4.2 SEO 分析
4.4.3 付費搜尋分析
4.4.4 直接流量分析
4.4.5 郵件行銷分析
4.4.6 富媒體分析
4.5 面對現實：數據分析的挑戰性
4.5.1 跟蹤訪客 cookie
4.5.2 數據抽樣
4.5.3 歷史數據的價值
4.5.4 對用戶體驗視頻回放的作用
4.5.5 終極數據校正清單
第 5章 成功的關鍵：衡量績效
5.1 關注“少數關鍵指標”
5.2 產出 KPI實際操作 5例
5.2.1 任務完成率
5.2.2 搜尋流量比例
5.2.3 訪客忠誠度和回訪度
5.2.4 訂閱數
5.2.5 正面退出率
5.3 轉化率進階
5.3.1 購物車和結算流程放棄率
5.3.2 購買前訪問次數和天數
5.3.3 平均訂單價值
5.3.4 識別可轉化人群
5.4 衡量巨觀和微觀的轉化
5.5 量化經濟價值
5.6 衡量非電子商務網站的成功
5.6.1 訪客忠誠度
5.6.2 訪客回訪率
5.6.3 網站停留時間
5.6.4 訪問深度
5.7 衡量 B2B 網站
第 6章 利用定性數據解決“為什麼”的難題
6.1 實驗室可用性研究：是什麼，為什麼，有多少
6.1.1 實驗室可用性研究是什麼
6.1.2 如何進行測試
6.1.3 實驗室可用性研究的最佳實踐
6.1.4 實驗室可用性研究的好處
6.1.5 注意事項
6.2 可用性研究替代方案：遠程和線上外包
6.3 調研：真正傾聽用戶反饋
6.3.1 調研的類型
6.3.2 調研中最大的錯誤
6.3.3 永不過時的 3個最佳調研問題
6.3.4 選擇線上調研供應商的 8個建議
6.4 網際網路環境下的用戶研究新方法
6.4.1 競爭性基準研究
6.4.2 快速可用性測試
6.4.3 線上卡片分類研究
6.4.4 人工智慧視覺熱點圖
第 7章 快速試錯：發揮測試和實驗的力量
7.1 測試方法入門： A/B測試和多變數測試
7.1.1 A/B測試
7.1.2 多變數測試
7.2 可操作的測試建議
7.2.1 改進的關鍵——登錄頁面
7.2.2 關注結賬、註冊和提交頁面
7.2.3 最佳化廣告數量和位置
7.2.4 測試不同的定價與銷售策略
7.2.5 測試包裝等實物設計
7.2.6 最佳化外部市場活動
7.3 對照實驗：提升分析水平
7.3.1 衡量付費搜尋對品牌關鍵字的影響
7.3.2 對照實驗案例
7.3.3 對照實驗的優缺點
7.4 營造企業的測試文化
7.4.1 建議 1：第一次測試至關重要
7.4.2 建議 2：不要盲目依賴工具或專家
7.4.3 建議 3：拋開自以為是
7.4.4 建議 4：以假設開始
7.4.5 建議 5：制定目標評估標準和預先決策
7.4.6 建議 6：測試衡量多目標產出
7.4.7 建議 7：根據用戶的痛點進行測試
7.4.8 建議 8：分析數據、交流心得
7.4.9 建議 9：配備測試推廣者和測試專家
第 8章 競爭情報分析
8.1 競爭情報的數據來源、類型和機密
8.1.1 工具條數據
8.1.2 用戶庫數據
8.1.3 ISP數據
8.1.4 搜尋引擎數據
8.1.5 數據分析供應商的行業基準數據
8.1.6 自行提供數據
8.1.7 混合數據
8.2 網站流量分析
8.2.1 分析長期流量趨勢
8.2.2 分享競爭網站的重合度，發現機會
8.2.3 分析引用網站和退出網站
8.3 搜尋和關鍵字分析
8.3.1 熱門關鍵字的績效趨勢
8.3.2 地域興趣和機會分析
8.3.3 相關搜尋和快速上升的搜尋
8.3.4 市場占有率分析
8.3.5 競爭性關鍵字優勢分析
8.3.6 關鍵字擴展分析
8.4 客群識別和細分分析
8.4.1 基於人口統計學的細分分析
8.4.2 基於用戶心理的細分分析
8.4.3 搜尋行為和客群細分分析
第 9章 新興分析：社交、移動端和視頻
9.1 衡量新型社交網路：數據的挑戰
9.1.1 網站內容的演變
9.1.2 推特的革命
9.2 分析離線用戶體驗（應用程式）
9.3 分析移動端用戶體驗
9.3.1 移動端數據的收集方法
9.3.2 移動端報表和分析
9.4 衡量部落格的表現
9.4.1 原始作者的貢獻
9.4.2 讀者增長
9.4.3 轉化率
9.4.4 引用和轟動指數
9.4.5 部落格成本
9.4.6 部落格的收益（投資回報率）
9.5 量化推特的影響
9.5.1 冬粉人數的增長
9.5.2 信息放大
9.5.3 點擊率和轉化
9.5.4 轉化率
9.5.5 新興的推特指標
9.6 分析視頻的表現
9.6.1 視頻的數據收集
9.6.2 關鍵視頻指標與分析
9.6.3 高級視頻分析
第 10章 解決隱藏的數據分析陷阱
10.1 準確性還是精確性
10.2 數據質量處理的 6個步驟
10.3 建立行動儀錶盤
10.3.1 創建優秀的儀錶盤
10.3.2 綜合儀錶盤
10.3.3 高影響力儀錶盤的 5個準則
10.4 全線行銷的機遇和多渠道衡量
10.4.1 轉向全線行銷模式
10.4.2 多渠道分析
10.5 行為定向的優勢和挑戰
10.5.1 行為定向的優勢
10.5.2 克服基本的分析挑戰
10.5.3 行為定向的兩個先決條件
10.6 線上數據挖掘和預測分析面臨的挑戰
10.6.1 數據類型
10.6.2 變數的數量
10.6.3 多個主要目的
10.6.4 多次訪問行為
10.6.5 缺少主鍵和數據集
10.7 涅槃之路：實現智慧型分析的步驟
第 11章 數據分析專家的入門指南
11.1 背景信息的重要性
11.1.1 比較不同時期的關鍵指標
11.1.2 通過細分提供背景信息
11.1.3 比較網站的關鍵指標平均值和細分值
11.1.4 給指標尋找伴侶
11.1.5 利用行業基準和競爭數據
11.1.6 了解業務知識
11.2 比較 KPI變化趨勢
11.2.1 呈現業務知識
11.2.2 細分來救援 235
11.3 在 Top10之外：什麼改變了
11.4 真正的價值：衡量潛在轉化及訪客行為
11.4.1 潛在訪客行為
11.4.2 潛在轉化
11.5 4種不能指導實際行動的 KPI衡量技術
11.5.1 平均值
11.5.2 百分比
11.5.3 比率
11.5.4 組合或計算得出指標
11.6 搜尋：實現最優長尾策略
11.6.1 計算頭部和長尾
11.6.2 了解品牌和行業關鍵字
11.6.3 最佳的搜尋行銷策略
11.6.4 執行最佳的長尾策略
11.7 搜尋：衡量上層漏斗關鍵字的價值
11.8 搜尋：付費點擊的進階分析
11.8.1 識別關鍵字的潛在機會
11.8.2 關注“什麼改變了”
11.8.3 分析展示份額和收入損失
11.8.4 擁抱投資回報率分布表
11.8.5 用戶搜尋查詢和匹配類型歸零
第 12章 數據分析專家的進階指南
12.1 多觸點行銷活動歸因分析
12.1.1 多觸點是什麼
12.1.2 你有歸因問題嗎
12.1.3 歸因模型
12.1.4 實際情況下歸因分析的核心挑戰
12.1.5 歸因分析的可行替代方案
12.1.6 關於多觸點的部分思考
12.2 多渠道分析：對於全線行銷的衡量技巧
12.2.1 跟蹤線下行銷活動對線上行銷活動的影響
12.2.2 跟蹤線上廣告活動的線下影響
第 13章 數據分析的職業生涯
13.1 數據分析師職業生涯規劃：選擇、薪酬前景和發展
13.1.1 個人技術貢獻者
13.1.2 個人業務貢獻者
13.1.3 技術團隊領導者
13.1.4 業務團隊領導
13.2 數據分析成功職業生涯的技能培養
13.2.1 使用數據
13.2.2 獲取多個分析工具的經驗
13.2.3 在實際中的運用
13.2.4 成為數據收集偵探
13.2.5 數學基礎：學習統計學的基本知識
13.2.6 善於提問
13.2.7 與業務團隊緊密合作
13.2.8 學習有效的數據可視化和 PPT技能
13.2.9 與時俱進：參加免費網路研討會
13.2.10 與時俱進：閱讀部落格
13.3 數據分析專家最美好的一天
13.4 僱傭最好的人才：給分析經理和總監的建議
