分析系统选型取决于项目的任务和目标。例如，对于不销售产品的网站，甚至不需要使用网页分析工具。
商业智能（Business Intelligence）是数据分析的重要方向，旨在向最终用户提供业务数据。由于及时获取全量数据往往最具挑战性，易导致关键问题解决滞后，因此商业智能涵盖了数据的收集、处理及交付全流程。目前存在多种商业智能系统，如基于 Microsoft、Oracle、IBM 等平台的解决方案。
若需严肃对待数据分析，构建数据仓库不可或缺。数据仓库通常是一种高频更新（每日或更频繁）的数据库，兼具数据处理与存储功能。
此类系统计算负载较高，需注意单一数据库查询可能导致网站崩溃的风险。为避免该问题，数据库通常在夜间进行更新，以避免进程重叠并确保白天能正常执行计算。
当然，可通过复制技术结合上述过程。副本作为数据库拷贝，虽存在一定时间延迟，但能有效分担压力。
包含十亿行跳转记录的数据库文件可能重达500GB，因此还需充分考虑工作PC的算力和内存配置。
公司达到何种规模才值得投入？
具体而言，当企业有能力雇佣高薪数据分析师（建议至少两名），并让其汇总海量数据以供后续处理时，便是合适的时机。
例如，当公司员工规模达50人左右，数据分析需求明确且预算允许时，即可着手建设。
粗略划分，存在两种文化：报告型与分析型。前者重视图表美观度、数据呈现及趋势展示；后者则依赖更复杂的系统，形式美观退居次要地位，侧重于解决复杂问题和任务。
分析系统的有效性
要科学评估此问题，理论上需进行A/B测试：构建一个无分析系统的平行“宇宙”网站，尝试在不依赖数据指标的情况下达成目标。但这在实践中恐怕难以实现。
但可以肯定的是，引入分析系统能显著提高公司数据透明度，从而大幅降低错误发生率。
此外，拥有完整数据集后可构建独立系统。以 Wikimart 为例，其推荐系统与具体商品页面解耦，直接关联商品本身。当用户搜索并找到商品进而决策购买时，这些推荐能起到重要辅助作用。尽管其推荐逻辑简单、算法朴素，但核心优势在于数据的丰富性。
基于用户在网站上的行为进行的推荐服务可以显著提升转化率。
Google Analytics 和 Яндекс.Метрика 等系统虽属商业智能工具，短期内能满足大部分在线商店需求，但无法在其基础上构建类似的深度推荐服务。这需要额外收集“用户浏览内容”及“购买记录”等数据。未来免费网络分析系统可能会增加此类功能，但目前仍需寻找替代方案。