利用 Google Analytics 预测购买概率

营销人员和作者、电子商务博客作者帕维尔·列夫丘克（Pavel Levchuk）介绍了在电子商务中使用 Google Analytics 的特点。

过去，我将 Google Analytics（GA）视为一个庞大且缺乏灵活性的系统。阿维纳什·考西克（Avinash Kaushik）曾指出，GA 是一个拥有大量组织松散报表的系统。

确实，GA 记录了关于用户行为的海量有趣数据。将这些数据写入自己的数据库成本高昂，而在 GA 中则无需任何费用，但在实践中从 GA 中提取洞察往往很难实现。

今天，我试图解释为什么 GA 会存在这种情况，以及现在发生了什么变化。

从头说起，GA 由三个子系统组成：

1. 客户端 JS 脚本：用于收集用户在网站上的行为和移动数据，并将其传输到 GA 后端；
2. GA 后端：负责解析来自客户端 JS 的所有数据，将数据有条理地分配到各个表（维度）中，建立表之间的关联并进行预计算；
3. GA 前端（即我们熟知的 GA 网站）：通常用于过滤数据、计算指标并以某种方式进行可视化展示。

在我看来，GA 的问题在于它是一个开箱即用的产品，拿到手就可以直接使用。因此，其中包含许多预置的报告（visuals）。

• 一方面，这些是通用的 visuals——它们往往无法揭示事物的本质；
• 另一方面，要构建具有深刻洞察力的 visuals，几乎总是需要理解表的内部结构及其之间的关联。

这是一个死循环。此时能想到的唯一解决方案是将数据从 GA 导出，并在其他工具中进行计算和可视化。

自 Power BI Desktop 出现并内置 GA 连接器以来，我多次尝试使用它。其便利之处在于只需构建一次报表，之后即可通过单击一键更新。以下是一个简单案例，展示我如何在5分钟内获得关于网站用户的几个有趣洞察。

在与一个电子商务项目合作时，我们讨论了一种评分模型，该模型可以在访客完成首次购买之前评估其潜力。

一种假设是，通过站内搜索寻找产品的访客比不搜索的访客具有更高的潜力。但如何验证和评估这一点呢？

为此，我通过 Power BI Desktop 连接到 GA，从“Internal Search”维度中提取了一些数据，并开始思考以下问题。

第一个问题：使用站内搜索功能的访客与仅浏览商品的访客在转化率上有什么区别？

按站内搜索状态划分的电子商务转化率

从图表中可以看出，使用站内搜索的客户转化率是未使用搜索客户的5倍。这表明，使用该因素进行评分具有商业意义。

第二个问题：这样的结果是否是由重复购买者的行为导致的？

按用户类型和站内搜索状态划分的电商转化率

从图表中可以看出，无论访客类型（新访客或老访客），使用站内搜索的访客转化率都更高。而且，对于重复访问者来说，使用站内搜索会使转化率提高4倍；而对于新访客，这一因素会使转化率提高12倍！这证实了我们可以将这一因素用于新的（此前未知的）访客。

第三个问题：有多少访客会使用站内搜索？

按用户类型和站内搜索状态划分的会话数

从图表中可以看出，这类访客（包括新访客）数量相当多。这让我们有理由相信，引入这一因素进行访客评分可能会带来显著效果。

第四个问题：站内搜索的使用对客单价有何影响？

按用户类型和站内搜索状态划分的平均订单金额

从图表中可以看出，存在几种有趣的行为模式。对我们而言，目前重要的是注意到搜索会降低客单价。在为客户制定不同策略时，应考虑到使用搜索与不使用搜索的客户之间的差异。

补充：还有一个与跳出率相关的有趣现象。

按用户类型和站内搜索状态划分的跳出率

一方面，很明显，如果访客（尤其是回访访客）使用了站内搜索，那么该部分的跳出率就不复存在，整体上也趋近于零。另一方面，请观察搜索对参与度的积极影响。即使对于新访客，如果使用过站内搜索，其跳出率也比未使用搜索的回访访客低2.7倍。这一洞察完全可以作为激活网站新访客的机制之一的基础。

综上所述，假设基本得到了证实。使用站内搜索的新访客具有良好的潜力，这一因素完全可以用于评分模型。