序

本書內容架構

誰應該閱讀這本書？

楔子



第一篇 網站分析心法篇

Q001 可否用最簡單方式講「什麼是網站分析」？還有網站分析要成功，有哪些要素？

Q002 可否再深入談一下「商業情境」和網站分析的具體關聯性？

Q003 可否分享網站分析是否有執行架構，可以快速一覽整個網站分析的流程與建構元素？

Q004 GA是否可和網站分析畫上等號？如果不行，網站分析有哪些面向是GA力有未逮的？

Q005 如果先從Google Analytics開始，可否簡要說明GA涵蓋的網站分析工作範圍有哪些？

Q006 網站分析前，必須先確立數據品質，可否說明QS Card、STAG兩個數據品質工具？

Q007 發現洞見是網站分析的關鍵產出，可否深入談談洞見類型？

Q008 可不可以透漏網站分析師有哪些技法，可從一堆數字中挖掘出有商業價?的洞見？

Q009 維度與指標是網站分析的XY軸，怎麼簡單理解兩者？又如何利用兩者來發現洞見？

Q010 把商業目標與網站目標連動，得依賴「網站評估計畫」，什麼是網站評估計畫？

Q011 網站評估計畫的追蹤KPI指標是如何由商業目標拆解產生的？

Q012 思考如何將商業目標轉為網站指標經常卡關，可否舉其他產業實例如何把商業目標轉成網站KPI？

Q013 為網站目標設定價?，才是追求績效指標的起點，如何進行網站目標價?量化設定？

Q014 網站目標經過量化價?設定後，在網站分析上從哪裡檢視價?的分配？

Q015 要達成網站目標，得經過轉換，那些標的適合被設定為轉換目標呢？

Q016 為何目標轉換還要設計微（Micro）轉換與巨（Macro）轉換兩種呢？

Q017 過去設計許多不同的轉換目標，還是拉不高轉換率，如何規劃才能符合顧客期望拉高轉換？

Q018 如果想和總經理在固定時間檢討數據KPI，該怎麼進行是比較有效率的方式？

Q019 數據分析不只是報表與儀表板，還要會說故事。如何說個動人的數據故事來達到有效溝通的目的呢？

Q020 GA類的量化數據分析工具在優化上有其極限，一般還要搭配質性數據調查，為什麼？

Q021 可否舉實例說明，獲取質性數據的「實驗與測試」、「質性調查」如何進行？

Q022 「沒做訪客區隔，就不算?的做網站分析。」為什麼訪客區隔在網站分析中這麼重要？

Q023 網站數據分析實際切分訪客區隔的方法有哪幾種？GA4的區隔又有何新觀念？

Q024 透過訪客區隔找出VIP群體後，主要的行銷應用有哪些？

Q025 定義訪客區隔之後，為何還要知道訪客效期價?CLV？效期價?在商業上的應用是什麼？

Q026 該怎麼做才可以透過品牌與非品牌關鍵字來了解品牌聲量？



第二篇 GA4設計意涵篇

Q027 Google從GA1到GA4的歷史是什麼？

Q028 過去通用GA用得好好的，為何此時推出GA4？GA4誕生背景是什麼？

Q029 GA4文件一直出現Firebase這個品牌，GA4和Firebase的關係是什麼？

Q030 GA4的資料串流（Data Stream）數據收集架構與主要建構元素分別是什麼？

Q031 GA4的報表系統是一大絕，可否談一下GA4報表系統的設計概念？

Q032 GA4最為人稱道的就是納入「人工智慧與機器學習」，可否說明GA4人工智慧與機器學習的具體實踐？



第三篇 通用GA│GA4徹底比較篇

Q033 通用GA與GA4的數據收集模型與量測模型有何不同？

Q034 通用GA與GA4的帳戶結構又有何差異？

Q035 通用GA與GA4事件數據收集資料結構的差異在哪裡？

Q036 通用GA的跳出率在GA4用參與度來替代，產生很大爭議，有何解釋？

Q037 GA4可自動收集虛擬網頁互動，比通用GA簡單很多，可否說明一下？

Q038 剛談到帳戶結構時提到，通用GA的資料檢視在GA4消失了，為什麼呢？

Q039 GA4把加強型電子商務變成多元營利模式，為什麼會有這些改變？

Q040 從通用GA的網站中心思維到GA4的使用者中心思維，學習心態上應該如何調整？

Q041 報表是除數據收集外，數據分析系統另一重點，通用GA與GA4的報表系統有何差異？

Q042 通用GA與GA4在「訪客區隔」與「目標受眾」的定義有何差異？

Q043 通用GA預設報表較多，GA4報表彈性卻變得很大，據說是新手的大挑戰？

Q044 GA4在機器學習這部分展現的能力，是不是和通用GA差距越來越大了？

Q045 通用GA與GA4在數據匯出的功能上有何差異？數據匯出後能做什麼？

Q046 通用GA與GA4的資料保留時間有何不同？

Q047 GA4的電子商務報表，好像比通用GA加強型電子商務報表退步許多？是?的嗎？



第四篇 GA4實作分析篇

Q048 GA4有兩個示範帳戶：電商Google Merchandise Store（GMS）和遊戲app Flood-it!，為何會有示範帳戶？要觀察什麼重點？

Q049 使用GA4時，工程師常提到要用gtag還是GTM，和GA4的關聯性又是什麼？

Q050 GA4的報表數據匯報（Reports Snapshot）儀表板與即時報表（Realtime）介紹

Q051 GA4電商運營（GMS）生命週期報表介紹

Q052 GA4 app運營（Flood-It!）遊戲報表介紹

Q053 跨網站、app的GA4標準報表：使用者報表介紹

Q054 如何利用GA4的兩大報表系統：標準報表（媒體庫）與探索模型（探索）分別建立我們的第一份報表？

Q055 GA4的標準報表（媒體庫）是以資訊卡當作基本元素，探索模型分析（探索）是以數據模型當作基本元素，當套用到相同數據集時，報表結果會有差異嗎？

Q056 GA4探索六大分析模型：GA4 Funnel程序探索技巧的商業應用是什麼？

Q057 GA4探索六大分析模型：GA4 Path路徑探索技巧的商業應用是什麼？

Q058 GA4探索六大分析模型：GA4 Segment Overlay區隔重疊技巧的商業應用是什麼？

Q059 GA4探索六大分析模型：GA4使用者多層檢視技巧的商業應用是什麼？

Q060 GA4探索六大分析模型：GA4 Cohort同類群組探索技巧的商業應用是什麼？

Q061 GA4探索六大分析模型：GA4使用者生命週期技巧的商業應用是什麼？

Q062 GA4探索除了六大技巧，還有兩大產業（Industries）應用與三大用途（Use Cases），具體該如何套用？

Q063 GA4探索模型中心的分析（探索）編輯器如何運作？

Q064 聽說GA4是利用報表識別資訊（Reporting Identity）來辨別跨裝置、跨平台的使用者，什麼是報表識別資訊？預設的報表識別資訊（Default Reporting Identity）是人還是裝置？

Q065 什麼是歸因模式（Attribution Model）？實際用途是什麼？

Q066 歸因模式有目前是採規則驅動（Rule Based），據說未來GA4會加入數據驅動（Data Driven）歸因，兩者有何不同？

Q067 GA4事件的數據模型結構是什麼？聽說和通用GA有不小差異，主要差異在那裡？

Q068 GA4所定義的四大事件類別是哪四大類？

Q069 可否舉實例說明GA4預設事件與自訂事件在操作上的差異？

Q070 GA4事件的資料結構似乎有點複雜，可否再定義一下事件資料的層次關係？

Q071 GA4的目標與轉換在哪裡設定？

Q072 GA4的轉換還有一個「聯播網設定」的分頁是什麼意思？

Q073 GA4轉換的目標價?在哪設定？

Q074 GA4如何自訂目標對象？

Q075 GA4透過「探索」報表也可自訂目標對象，這該怎麼做？

Q076 GA4的自訂目標對象如何連結Google Ads，實現再行銷的目的？

Q077 有點搞混了，在GA4裡自訂目標對象和探索（分析）編輯器裡的自訂區隔，意涵上有何不同嗎？

Q078 剛才提到一個名詞叫做行為人物誌（Behavior Persona），可否區分它和傳統人口統計屬性人物誌（Demographic Persona）的差異？

Q079 GA4選單中，「設定」-「自訂定義」可以自訂維度與指標，何時會需要用到自訂維度與指標？他們?正的商業意涵在哪裡？

Q080 GA4的「設定」之下，還有一個DebugView，是要做什麼用的？

Q081 GA4連結的六個Google家族產品Google Ads、Ad Manager、Search Ads 360、DV 360、Search Console與BigQuery是什麼？如何運用？

Q082 GA4取消了「資料檢視」、「篩選器」等功能，那要據收集的進階處理，例如濾除內部IP流量等動作？



第五篇 GA4輔助工具篇

Q083 Google本身就提供一個數據視覺化工具Data Studio，Google Data Studio是什麼？在數據分析當中又扮演何關鍵角色？

Q084 當利用GTM和通用GA/GA4工作時，工程師常常會提到一個什麼DataLayer的變數層，這到底是什麼東西，可否用最簡單的說法幫助理解？

Q085 可不可以再舉例說明把GA4數據匯出到BigQuery之後，能做什麼其他深度應用？

Q086 公司的CRM是SalesForce，可不可延伸說明把GA4數據匯出到BigQuery之後，和CRM整合有那些實際的應用？



第六篇 GA4外部整合篇

Q087 GA4常和那些外部系統進行整合與數據交換？

Q088 G A 4 如何實現O 2 O 或O & O？聽說利用GA4的Mea s u re m e n t Protocol資料匯入模式就可以實現？

Q089 GA4如何與YouTube的整合？比起通用GA提升了哪些部分？

Q090 GA4力有未逮的分析工作1：使用者定性分析

Q091 GA4力有未逮的分析工作2：使用者行為錄製

Q092 GA4力有未逮的分析工作3：競爭分析

Q093 GA4力有未逮的分析工作4：SEO分析

Q094 GA4力有未逮的分析工作5：使用者互動留存分析

Q095 GA4力有未逮的分析工作6：行銷自動化、電郵自動化

Q096 GA4力有未逮的分析工作7：社交媒體操作、輿情分析與內容行銷

Q097 GA4力有未逮的分析工作8：轉換優化A/B測試

Q098 GA4力有未逮的分析工作9：數據視覺圖表呈現工具

Q099 GA4力有未逮的分析工作10：顧客旅程追蹤工具



第七篇 GA4融合創新篇

Q100 聽說「成長駭客」（Growth Hacking）可以在GA4具體實踐，請問要如何辦到？

Q101 顧客旅程地圖與顧客體驗如何透過GA4進行具體實踐？



後記

附錄：名詞解釋



?

作者序



　　網站分析是一門可「淺嘗即止」，也可「深入探索」的學問。



　　但據我觀察，90%的人對於網站分析的學習，都是在較淺的層面上進行。會造成這樣的結果，原因有四個，請容我後述。而這本書的目標與定位是幫助各位用比「淺嘗即止」再多一點的力氣，輕鬆「深入探索」網站分析這門特別的學問。另外，設定為即使完成整本書的第一次閱讀後，擺在書架上，未來工作有需要，也可隨時參考翻閱的實用工具書，以心法與觀念為主，未來即使GA4持續做介面改版，卻不太影響本書的可讀性。



　　接著，談一下本書定位以及其他同類書籍的三個差異點：



　　第一個差異點是：本書撰寫的方式是採用情境與說故事的方式進行。



　　目的是希望透過深入淺出的情境引導，讓讀者可以在聽故事與情境設定之下學習，去理解網站分析到底怎麼「玩轉」。通過把多年產業經驗加上吸收消化中西方多本大神著作的理解，進行簡化封裝整理，並以問答的方式，架起一座數據分析學習大橋，協助各位讀者輕鬆度過網站分析的惡水。



　　第二個其他書比較少提到的是：數據分析的商業思維套用。網站分析學成之後，是為了商業的目標，因此不管是分析模型或報表結果，都需要有商業思惟上的解釋，這一部分目前國內相關出版品著墨較少。我借用過去職場上的經驗，嘗試用舉例或情境的方式，來說明數據分析的許多關鍵視角，以及如何應用於商業解讀，這也是許多國外大神著作，最令我稱許的地方，見賢思齊。



　　本書最後一個差異點是：網站分析跨系統的串聯介紹。網站分析本身既然是一個數據匯集的概念，就不可能單獨存在。討論跨平台、跨系統的串用過去職場上的操作經驗，分享有哪些系統可以和網站數據分析系統做上下游的串聯或互補，這也是本書第三個精彩之處。



　　最後，談一下本書的另一個主角：Google Analytics。講到網站分析，當然不能忽略網站分析目前市場上最重要的工具：Google Analytics，讓我先佔用一些篇幅，分享一下Google Analytics的歷史以及GA與我個人互動的小故事，希望有助於各位讀者快速融入未來網站分析發展的情境故事。時間回溯到2006年，我當時擔任台灣最大數位音樂串流公司總經理之時，公司同仁早已經開始使用另一個網站數據分析工具，WebTrend（以下簡稱WT），來分析公司網站的各種流量數據。WT分析方法非常原始，就是把所有網站伺服器的log（Web log）給存在硬碟，等收集一段時間之後，再去跑WT程式，來分析這些log，然後把一些流量相關的圖表進行視覺呈現。以當時的WT分析的科技能力來說，能看到的資訊，大概就是現在Google Analytics各單元總覽的內容。但對當時的網路公司來說，這些資訊就已經非常足夠與珍貴，可幫助管理階層做出正確的決策，打敗其他?不知道網站分析的競爭對手。因為當時大部分的網路公司，甚至還不知道網路流量數據是可以收集與分析的。



　　但WT這種原始的分析工具有一個很頭痛的問題，就是硬碟空間與運算能力。由於當時公司網站付費會員就高達50萬，流量非常大，每個訪客的每筆訪問資料都存在硬碟裡，常常一不小心，就把公司的硬碟給撐爆了，更大的噩夢是：硬碟爆掉後，所有的數據可能瞬間消失於無形。再者，當時硬體的計算能力要剖析這麼多web log，也是很吃力的事，要花很長的時間去跑出報表。所以，看到的報表，常常也不是最即時的數據呈現。



　　接下來，談到了GA出場的A-HA時刻。到現在印象還很深刻。2006年中的某一天，公司技術長跑來告訴我，Google出了一種最新的網站分析技術，只要埋一段Java程式碼在網站裡，就不需利用硬碟收集log，可以把log存放在Google端，並且每天可以即時跑出前一天類似WT的網站流量報表。我當時?是覺得Google實在是太神奇了，居然可以發明這麼棒的技術，並且免費，來解決我們一直遭遇到的問題。這一版GA就是Google2005年併購了Urchin Analytics後，所推出第一版GA1，A.K.A. utm.js的架構。即使到現在，我們在做外部廣告標記時，還是會使用utm參數，來標記一些非內建的流量來源，說起來，這個標記還是2005年購併的歷史遺跡。



　　GA1本質上，還是一種非同步的網站記錄，也就是你看不到即時的數據；2009年，Google做了一個架構的改變，把GA的架構改建構在雲端，推出了GA2，A.K.A. Classic GA，ga.js的架構，這個同步的技巧，可以更正確的收集與追蹤網站流量數據。



　　Google經過了四年的累積，時間來到2013年，推出了近期最重的GA版本，也就是GA3，通用GA（Universal GA）analytics.js 的架構。這一個版本，我個人認為是一個非常重要的里程碑，它揭示了資源（Property）和點擊（Hit）數據收集（tracker）的概念，把GA由網路數據分析工具升級成為數據匯集中心。



　　利用資源（Property）和點擊（Hit）數據收集的概念很不錯，但也造成了許多需要做跨國或跨網域收集數據企業的麻煩。因此，在2017年，Google再次進行了GA3架構調整，也就是改為gtag.js 的架構，利用 config命令的技術，來破解原本通用GA analytics.js架構的一些限制，並且統一了Google行銷平台GMP（Google Marketing Platform）的數據收集編程模式。



　　計畫趕不上變化，移動互聯網與訪客跨裝置的行為與日俱增，並且呈現爆炸性的成長。Google不得不趕緊購併了一家在手機開發與數據分析上做得很不錯的新創公司：Firebase，加速自己在網站與手機數據分析地圖上整合的能力。中間過渡期，也提供GA用戶App+Web資源設定功能，做一個暫時跨網站與App數據可以暫時共同收集、整合與保留的地方，但還無法收集單一訪客在跨裝置與跨平台的數位足跡。



　　2020年底，Google把過渡期間的App+Web資源正式整合完成，推出了GA4。但或許推出過於倉促，2020年底上線的時候，很多原來GA3既有的功能，GA4竟然?未出現。早期使用者紛紛臆測，到底最終會不會出現，所以加深了導入GA4的疑慮。所以，大多數人最保險的做法就是：採用GA3+GA4並行的方式。也因為兩者採用不同的量測ID（MeasurementID），所以許多人覺得目前導入GA4的目的，是幫助企業先蒐集網站與App的數據，等待未來GA4更加穩定之後，才有足夠多的歷史數據，可以來跑出各類的分析報表。果不其然，2021年七月底，GA4又做了一個小改版，把之前未納入的廣告歸因模式（attribution model）正式推出，也提供來自貴族企業付費版GA360裡面，許多更具彈性的自訂報表與分析模型。



　　我之所以不厭其煩的把將近15年的GA演進歷史重述一遍，是想表達一個概念。就是當科技與環境不斷的在演進時，在數據分析的思維、資料範圍與廣告觀念上，也會產生對應的變化。我也一直認為，如果想了解某個特定主題有何最新的思維與趨勢，從一個完整設計系統的架構（例如：GA4），做逆向工程思考，是一個很不錯的推演脈絡。因此，拆解GA4整個網站數據分析的功能，可以讓我們學習許多數據分析、廣告投放與使用者數位足跡等最新的知識與趨勢。然而，縱然我們透過Google Analytics了解了這些，仍需隨時牢記Google Analytics本身只是一個網站分析的工具之一，且要讓工具能夠為人所用，後面人（分析師）的角色與思維架構才是?正的靈魂。因此，本書第一篇的重點，也會放在這個重要的議題之上。回到一開始提到，在擔任許多GA課程講師或企業顧問時發現：為何90%的人對於網站分析的學習，都是在較淺的層面進行。經過歸納之後，推估可能有以下四個原因或限制：



　　1.去脈絡化的限制。



　　自身沒有了解整個數據分析演進的脈絡，所以自然不知道許多數據分析背後設計的理念與原因，常變成知其然而不知其所以然，這也是我要先把歷史先講一遍的原因。



　　2.課程的限制。



　　過去常常也有朋友或同事告訴我，去上坊間GA的課程，由於有些老師是學界出身，或者數據分析並非老師主要專長。所以，常常在課堂中，只是把專有名詞與GA左邊的選單從頭到尾交代一次，就下課了。對於同學課堂中的問題，也多是避重就輕的輕輕滑過。同學想了解產業如何應用的案例，就推說時間快到了，來不及講。



　　3.中文書籍的限制。



　　許多人要學GA，除了上課，就是買本書來自學。但可以發現不少市面上發行的中文書籍，架構大同小異。同樣的，就是把GA左邊的選單，各自規畫成一個單元，全書從頭到尾就是把選單操作交代一次。這還是容易落入只知其然的情況。也因為利用GA選單當作書籍主架構的關係，對於許多人想了解選單背後設計原因或更深入的商業應用案例，常就會提到因篇幅限制或超出本書範圍帶過，實在令人扼腕。



　　4.外文翻譯的限制。



　　既然，中文作者發行的GA書籍有上述限制，不如來看看國外作者的翻譯書吧。有關GA的書，我認為國外寫得好、有搔到癢處的至少有三位亮點大神：歐洲Google大神Brian Clifton的GA系列書籍、印度Google大神Avinash Kaushik的GA系列書籍以及E-Nor三位創辦人合寫的「Google Analytics Breakthrough: From Zero to Business Impact」。但是，有些出版社找的翻譯者，可能因為不是網路或數據分析出身，常常中文版翻譯得慘不忍睹，專屬用語沒有正確翻譯，原書的章節層次也奇妙的被解構，應該是越讀越無法理解大神原來想要傳達的意念，也是再次造成GA學習的障礙。



　　因此，我非常知道上述限制給帶給網站數據分析學習者，學習上的痛苦與障礙。同時，也應該不需要再寫一本利用選單當作架構的書籍，這樣架構的書，未來應該還會出很多。



　　再者，也因為我非常喜歡上述幾位大神從商業洞見的角度，來延伸數據分析的視野，這也變成我想挑戰並撰寫一本中文類似書籍的巨大動機。有了動機，我開始思考利用什麼樣的模式，可以跳脫窠臼，讓讀者對於網站分析可以有比較簡單的理解；同時，既可和其他既有的中文書籍實現互補，還可以從商務實戰的角度出發，?正把GA當作商戰決策的工具來運用。以商業思維當作起點的架構還有一個好處：即使使用不同的網站分析工具，如：Adobe Analytics、Piwik或GA未來介面再度改版，讀者仍然可以翻閱本書架構之下的Q&A來解決所面臨的問題，而不會被使用的網站數據分析工具所限制住。



　　於是，在經過深思熟慮與推演之後，我覺得Q&A模式的確是一個很棒的開展模式。Q&A模式的另一個優勢是：可以破除線性思考的限制，而像心智圖一般的開展，從點到線，再從線到面，有機會去?補線性思考架構條塊（Slice and Dice）間資訊無法連結的遺憾。



　　也為了讓本書更容易閱讀與理解，我還決定設計一個商業情境，利用說故事的方式來開展。所以，讀者在閱讀本書的時候，就可以思考書中所描述的情境是否有出現在自己身邊，如果有類似的情況，就可直接套用，這樣就更容易在實作中，?正理解網站分析的實務用法與積極意義。



　　或許有讀者會問，說故事和數據分析是在同一個世界的東西嗎？其實，說故事的方法不但不是我獨創的；在未來，若想把網站分析的能力徹底發揮，面向高階主管做網站分析報告與溝通的時候，讓大家都在同一個理解基礎上（on the same page），能將KPI或洞見說成一個動聽的故事，絕對是像把文言文轉譯成白話文般的重要手段。不僅提高數據分析工作結果的能見度，也讓高階主管更容易買帳，有效爭取更多的資源。所以，我也利用本書，示範如何透過說一個故事，把網站分析這個有點難懂的主題，讓大部分的讀者有機會能夠快速地理解內化。