错误的数据甚至会误导我们最优秀的人。看看数字营销中四个常见的数据分析陷阱，以及如何批判性地思考和避免他们敏锐的技能。

数字营销是一个自豪的数据驱动领域。然而，作为SEO，我们宝安网站建设经常有这样的不完整的或有问题的数据工作，我们最终做出错误的结论，我们试图证明我们的论点或量化我们的问题和机会。

在本文中，我将概述我们行业中四个常见的数据分析陷阱以及如何避免它们。

1.匆忙下结论

今年早些时候，我做了一个品牌知名度排名因素研究，我发布了这个警告：

...域名权威（或品牌搜索量或其他任何东西）与排名正相关的事实可能表明以下任何或所有内容：

链接导致网站的良好排名

好排名导致网站链接

大约第三个因素（例如，站点的声誉或年龄）导致站点获得链接和排名。

然而，我想更深入地研究这个问题，并给您提供一个分析这些框架的框架，因为它仍然有很多。显然，我不是在批评这两项研究，但我想提醒大家注意我们如何解释它们。

首先，我们遭受了一点确认偏差——当我们看到成功的网站、关键字时，我们都太急于喊出相关性和因果性之间的差别，但是同时也同意当我们看到我们正在学习的东西时，我们认为它是有效的，或者做同样的事情，比如链接。

其次，我们不能批判地分析其内在机制。选择不仅仅是因果或巧合。

在根据相关性得出结论之前，你必须考虑各种可能性：

完全一致

逆向因果

共同原因

线性度

广泛适用性

如果它没有任何意义，那就足够公平了——它们是行话。让我们举个例子：

我警告你不要吃奶酪，因为你可能会死在床单上。我必须检查它是否有下列内容：Uuuuuuuuuuuu

完全巧合的是，可能已经比较过如此多的数据集，而且一些数据集必然是相似的为什么，Tyler Vigen就是这么做的！是的，这是可能的。

相反的因果关系——我们有可能走错方向吗例如，也许你的亲戚们正在为你与床单有关的死亡而哀悼，吃很多奶酪来安慰自己这似乎不太可能，所以让我们通过它吧。不，不太可能。

联合因果关系：这两个因素背后有第三个因素吗也许增加你的财富会使你更健康（所以你不会死于营养不良）并导致你吃更多的奶酪。这似乎是合理的。是的，这是可能的。

线性-让我们比较两个线性趋势线性趋势是稳定的增长率或下降率。任何两个随时间近似线性的统计都会有很好的相关性。在上面的图表中，我们的统计数据显示出直线上升的趋势。如果以不同的比例绘制，它们可能看起来完全不相关，像这样，但是因为它们都有稳定的速率，它们仍然有很好的相关性。

广泛的适用性-这种关系可能只存在于某些小生境场景中，或者至少在我的小生境场景中不存在也许，比如，对于一些人来说，奶酪就足以建立这种关联，因为很少有片材缠住死亡是的，似乎是可能的。

所以我们有四个答案，五个检查中没有一个是答案。

如果你的例子没有从五个测试中得到五个否定的答案，那就是失败，你不能说这项研究已经建立了奶酪消费的排名因素或致命的副作用。

类似的过程应该适用于案例研究，这是另一种形式的相关性——你做出改变的关系，以及一些好（或坏）的关系。

我排除其他因素（如外部需求、季节因素、竞争对手犯错）吗

我是通过做自己想做的事情来增加流量，还是同时意外地改善了其他因素

这是因为特定客户/项目的特殊情况吗

2、遗漏案例

如果我告诉你今天的交通流量是一周的20%，你会怎么说祝贺

如果去年这个时候上升了20%怎么办

如果我告诉你，它最近上升了20%

有趣的是，一个小环境可以完全改变这种情况。这是另一个案例研究的问题，他们的恶性倒置双胞胎，交通下降分析。

如果我们真的想知道某事是令人惊讶的，积极的还是消极的，我们需要把它和我们的期望进行比较，然后找出我们的期望偏差是正常的。测量变化早于2015。

但如果你想偷懒，一个好的经验法则是在数年前缩小和增加数量。如果有人向你展示可疑的扩增数据，你可能需要使用少量的盐。

三。相信我们的工具

你会根据竞争对手随意操纵的数目做出数百万美元的商业决策吗嗯，你有机会。这个数字可以在Google Analytics中找到。我已经在其他地方广泛讨论了这个问题，但是大多数分析平台都存在一些主要问题：

他们可以很容易地操纵外面的世界。

他们是如何随机分组的

他们对广告阻拦有多脆弱

他们在样本中的表现如何它们有多明显

例如，您知道Google Analytics API V3可以采样大量数据并告诉您数据是在一定流量（日期范围内的~500000）上采样的我也不知道，直到我们遇见它，同时建造了蒸馏的ODN。

在许多搜索分析工具中也存在类似的问题。我的同事Sam Nemzer为此写了很多报告——你知道RST平台的排名完全不同吗或者关键词被Google使用（所以像SEMRush和Statistics这样的工具也是如此）的事实并不等价，也不一定有很多参考

了解我们使用的工具的优点和缺点很重要，这样我们至少可以知道它们何时被正确定位（比如它们的洞察力何时引导您朝正确的方向前进），即使它们不完全准确。y其他数字通道）必须意味着理解您的测量平台的机制，这就是为什么所有的新手开始学习如何分析在蒸馏结束时的审计。

对根问题最常见的解决方案之一是合并多个数据源，但是…

4、结合数据源

有许多平台会失败（没有提供）聚集两个或更多的数据：

分析

搜索控制台

关键词广告

排序跟踪

这里的问题是，首先，这些平台没有相同的定义。其次，讽刺的是，它们经常被打破。

让我们从定义开始，例如，让我们看看带有通道的登陆页面：

在搜索控制台中，这些数据被报告为点击，并且在合并多个维度（如关键字和页面）或过滤器时可能会受到严重的、不可见的采样攻击。

在Google Analytics中，这些报告使用最后一个间接点击，这意味着您的有机通信量包括一系列直接会话、超时、恢复中间会话等等。这是没有黑暗的交通，广告阻拦，等等。

在AdWords中，大多数报告使用AdWords单击和可以不同定义的转换。此外，如上所述，关键字卷被捆绑。

排名跟踪是具体的和不一致的，如上所述。

嗯，虽然可能不准确，但考虑到这些限制，您至少可以获得一些定向有用的数据。

大多数登陆页面都有不止一个关键词流量。这些关键词中的一些可能比其他的更好转换，尤其是当它们被标记时，这意味着即使最彻底的点击率模型也不能帮助您。那么您如何知道哪些关键词是有价值的呢

最好的答案是从AdWords数据中总结出这些关键字，但是将关键字和web数据分析结合起来是很不可能的。基本上，报告工具给出了一个非常大胆的假设，即给定页面对所有关键字进行相同的转换。有些人更透明比其他的。

再说一遍，并不是这些工具毫无价值，而是需要仔细地理解它们。唯一可以可靠地填补这些空白的方法是创建一个非条款，它将花费大量付费搜索来获得所有关键字的相当大的容量、转换率和跳转率估计，尽管如此你仍然没有固定的不一致的定义问题。

奖金事项：平均等级

我经常看它。三个问题：

对于10个低容量查询（10个月或更少），您是否比高容量查询（100万个以上）更担心失去排名如果答案是否定的，我绝对关心十个低容量查询，那么这个度量不适合您，您应该考虑基于点击率估计的可见性度量。

当你在不排名前开始排名100个关键词，这会让你不开心吗如果答案是否定的，我讨厌新关键字的排名，那么这个指标不适合你，因为它会降低你的平均排名。最好的方法来显示你的着陆页面的五分之一已经索引再次，使用可见性度量。

你喜欢比较你的表现和你的竞争对手吗如果答案是否定的，当然不是，那么这个指标就不适合你——你的竞争对手可能有或多或少的品牌关键词或长尾排名，这将导致比较上的偏差。

结论

我希望你发现这是有用的。主要结论如下：

批判地分析相关和案例研究，看看你是否可以把它们解释为巧合，如反向因果关系，作为联合因果关系，通过引用第三个相互关联的因素，或通过小生境适用性。

不要在没有查看上下文的情况下查看流量变化——您将预测这段时间内有多少错误

请记住，我们使用的工具有局限性，并研究它们如何影响显示的数字。这个数字是怎么产生的这是一个重要的组成部分。这个数字是什么意思

如果最终组合了来自多个工具的数据，请记住弄清楚它们之间的关系——将信息作为方向性而非精确性对待。

本页内容由塔灯网络科技有限公司通过网络收集编辑所得，所有资料仅供用户学习参考，本站不拥有所有权，如您认为本网页中由涉嫌抄袭的内容，请及时与我们联系，并提供相关证据，工作人员会在5工作日内联系您，一经查实，本站立刻删除侵权内容。本文链接:http://www.dengtar.com/18329.html