用户行为数据分析+项目计划书

用户行为数据分析项目 计划 项目进度计划表范例计划下载计划下载计划下载课程教学计划下载 书 技术开发部 用户行为数据分析 项目计划书 2011/5/4 修改 记录 混凝土 养护记录下载土方回填监理旁站记录免费下载集备记录下载集备记录下载集备记录下载 版本 修改日期 修改人 修改内容 审核人 V1.01 创建，初稿 用户行为数据分析项目计划书 技术开发部 V1.01 数据采集方式分析 V1.01 数据分析模型 需求 描述和示例 V1.01 网站用户身份识别； web 日志缺陷；漏斗模 型 V1.01 数据分析模型与数据 库表的对应关系 V1.01 WEKA 开源数据挖 掘工具 V1.01 统计分析系统项目周 期和项目开发进度 Analysis.mpp 用户行为数据分析项目计划书 技术开发部 目录 一、 项目背景 ................................................................................................................................ 5 二、 相关术语 ................................................................................................................................ 5 1. Web 数据挖掘 .................................................................................................................. 5 1) Web 数据挖掘分类................................................................................................... 6 2) Web 数据的特点 ...................................................................................................... 7 3) 典型 Web 挖掘的处理 流程 快递问题件怎么处理流程河南自建厂房流程下载关于规范招聘需求审批流程制作流程表下载邮件下载流程设计 ..................................................................................... 7 4) 常用的数据挖掘技术 ............................................................................................... 7 5) Web 商业智能 BI（Business Intelligence） ............................................................ 8 2. 网站流量统计 ................................................................................................................. 10 3. 统计指标/术语 ................................................................................................................ 10 4. 用户分析 -- 网站用户的识别 ...................................................................................... 13 5. WEB 日志的作用和缺陷 ............................................................................................... 15 6. 漏斗模型（Funnel Model） .......................................................................................... 17 7. 目前提供此服务产品/企业 ............................................................................................ 18 三、 项目目的 .............................................................................................................................. 18 四、 项目需求 .............................................................................................................................. 18 1. 页面统计 ......................................................................................................................... 18 2. 用户行为指标 ................................................................................................................. 19 3. 潜在用户特征分析 ......................................................................................................... 19 4. 指定 User Cookie 的分析 ............................................................................................... 20 5. 用户趋势分析 ................................................................................................................. 20 五、 项目系统设计 ...................................................................................................................... 20 六、 项目详细设计 ...................................................................................................................... 21 1. 数据收集 ......................................................................................................................... 21 2. 数据模型 ......................................................................................................................... 22 1) 统计 PV 量(趋势) ................................................................................................... 22 2) 消重 统计独立 IP 量 / IP 的平均访问页面量(趋势) .......................................... 22 3) 消重 统计独立 UV 量 / UV 的平均访问页面量(趋势) ...................................... 23 4) 统计 URL 的访问来源 Ref 的量 / Ref 排行(趋势) .............................................. 23 5) 统计 Ref=URL 的去访 URL*/跳出的量 / 去访/跳出排行(趋势) ...................... 23 6) 统计分析/预测/规律 特定用户的行为(趋势) ...................................................... 24 7) 统计新访客/老访客(趋势) ..................................................................................... 24 8) 页面平均停留时间 / 页面平均时长 (趋势) ....................................................... 24 9) 搜索引擎列表 ......................................................................................................... 24 10) 搜索引擎关键词 ..................................................................................................... 25 11) 搜索引擎关键词(各搜索引擎) .............................................................................. 25 12) 老用户回头率（用户黏性） ................................................................................. 25 13) 新增用户增加/流失（用户黏性） ........................................................................ 25 14) 不活跃用户激活（用户黏性） ............................................................................. 26 15) 用户浏览深度（用户黏性） ................................................................................. 26 用户行为数据分析项目计划书 技术开发部 16) 用户访问兴趣分析（用户黏性） ......................................................................... 26 17) 性别结构(访客特征分析) ...................................................................................... 26 18) 年龄结构(访客特征分析) ...................................................................................... 26 19) 学历结构(访客特征分析) ...................................................................................... 26 20) 收入结构(访客特征分析) ...................................................................................... 27 21) 操作系统类型(客户端信息) .................................................................................. 27 22) 操作系统语言(客户端信息) .................................................................................. 27 23) 操作系统时区(客户端信息) .................................................................................. 27 24) 浏览器(客户端信息) .............................................................................................. 27 25) 显示器颜色(客户端信息) ...................................................................................... 27 26) 屏幕分辨率(客户端信息) ...................................................................................... 28 27) 国家/省份 - 地址位置(客户端信息) .................................................................... 28 28) 城市 - 地址位置(客户端信息) ............................................................................. 28 29) 接入商(客户端信息) .............................................................................................. 28 30) 场所(客户端信息) .................................................................................................. 28 3. 数据处理 ......................................................................................................................... 28 4. 数据展示 ......................................................................................................................... 28 1) 参考网站 ................................................................................................................. 29 2) 趋势 – 曲线图趋势 ............................................................................................... 35 3) 忠诚度 / 用户黏性 ............................................................................................... 39 4) 用户客户端 浏览器 ............................................................................................... 41 5) 来源分析：Ref分析、 站内/站外、站外统计 .................................................. 41 6) 用户行为 ................................................................................................................. 45 七、 项目约束 .............................................................................................................................. 45 八、 项目资源 .............................................................................................................................. 45 九、 项目周期 .............................................................................................................................. 46 十、 项目交付 .............................................................................................................................. 48 十一、 其他信息 ......................................................................................................................... 48 用户行为数据分析项目计划书 技术开发部 一、 项目背景 数据挖掘技术是近年来计算机技术发展的热点之一。通过对历史积累的大量数据的有效 挖掘，可以发现隐藏的规律或模式，为决策提供支持，而这些规律或模式是不能够依靠简单 的数据查询得到，或者是不能在可接受的时间内得到。这些规律或模式可以进一步在专业人 员的识别下成为知识。数据挖掘面对的任务是复杂的，通常包括分类、预测、关联规则发现 和聚类分析等。 企业网站的绩效考评就是指企业网站访问情况的绩效考评，在网络营销评价方法中，网 站访问统计分析是重要的方法之一，通过网站访问统计报告，不仅可以了解网络营销所取得 的效果，而且可以从统计数字中发现许多有说服力的问题。网站访问量统计分析无论对于某 项具体的网络营销活动还是总体效果都有参考价值，也是网络营销评价体系中最具有说服力 的量化指标。 销售预测在提高企业的经济效益及决策支持水平方面占有重要的地位。随着企业信息化 水平的提高，企业销售数据的日益丰富，管理者对其中隐藏的销售预测信息的渴望日益强烈。 用传统的方法来分析这些海量数据中的销售信息非常困难，已不能适应时代的要求。如何找 到更好的方法挖掘出销售数据中隐藏的销售预测信息。 二、 相关术语 1. Web 数据挖掘 Web 数据挖掘建立在对大量的网络数据进行分析的基础上，采用相应的数据挖掘算法，在 具体的应用模型上进行数据的提取、数据筛选、数据转换、数据挖掘和模式分析，最后做出 归纳性的推理、预测客户的个性化行为以及用户习惯，从而帮助进行决策和管理，减少决策 的风险。 Web 数据挖掘涉及多个领域，除数据挖掘外，还涉及计算机网络、数据库与数据仓储、人 工智能、信息检索、可视化、自然语言理解等技术。 用户行为数据分析项目计划书 技术开发部 1) Web 数据挖掘分类 Web 数据挖掘可分为四类：Web 内容挖掘、Web 结构挖掘、Web 使用记录挖掘和 Web 用户 性质挖掘。 其中，Web 内容挖掘、Web 结构挖掘和 Web 使用记录挖掘是 Web1.0 时代就已经有了的， 而 Web 用户性质挖掘则是伴随着 Web2.0 的出现而出现的。 2.1 Web 内容挖掘(WCM，Web Content Mining) 2.2 Web 结构挖掘(WSM，Web Structure Mining)的基本思想是将 Web 看作一个有向图， 他的顶点是 Web 页面，页面间的超链就是图的边。然后利用图论对 Web 的拓扑结构进行分 析。 2.3 Web 使用记录挖掘(WUM，Web Usage Mining) Web使用记录挖掘也叫 Web日志挖掘或 Web访问信息挖掘。它是通过挖掘相关的 Web日志记 录，来发现用户访问 Web页面的模式，通过分析日志记录中的规律，可以识别用户的喜好、 满意度，可以发现潜在用户，增强站点的服务竞争力。 Web使用记录数据除了服务器的日志记录外， 还包括代理服务器日志、浏览器端日志、注 册信息、用户会话信息、交易信息、Cookie中的信息、用户查询、等一切用户与站点之间 可能的交互记录。 Web使用记录挖掘方法主要有以下两种： (1) 将网络服务器的日志文件作为原始数据，应用特定的预处理方法进行处理后再进行挖 掘； (2) 将网络服务器的日志文件转换为图表，然后再进行进一步的数据挖掘。通常，在对原始 数据进行预处理后就可以使用传统的数据挖掘方法进行挖掘。 2.4 Web 用户性质挖掘 Web用户性质挖掘是伴随着 Web2.0的出现而出现的。基于 RSS、Blog、SNS、Tag以及 WiKi 等互联网软件的广泛应用，Web2.0帮助人们从 Web1．0时代各大门户网站“填鸭”式的信 息轰炸，过渡到了“人人对话”，每个普通用户既是信息的获取者，也是信息的提供者。[4] 面对 Web2.0的诞生，Web数据挖掘技术又面临着新的挑战。 如果说 Web使用记录挖掘是挖掘网站访问者在各大网站上留下的痕迹，那么 Web 用户性质挖 掘则是要去 Web用户的老巢探寻究竟。在 Web2.0时代，网络彻底个人化了，它完全允许客 户用自己的方式、喜好和个性化的定制服务创造自己的互联网，它一方面给予互联网用户最 大的自由度，另一方面给予有心商家有待发掘的高含金量信息数据。通过对 Web 用户自建的 RSS、Blog等 Web2.0功能模块下客户信息的统计分析，能够帮助运营商以较低成本获得准 确度较高的客户兴趣倾向、个性化需求以及新业务发展趋势等信息。有关 Web2.0下的数据 挖掘正在进一步的研究中。 用户行为数据分析项目计划书 技术开发部 2) Web 数据的特点 1)异构数据库环境。Web上的每一个站点就是一个数据源，每个数据源都是异构的，因 而每一站点的信息和组织都不一样，这就构成了一个巨大的异构数据库。 2)分布式数据源。Web页面散布在世界各地的 Web服务器上，形成了分布式数据源。 3)半结构化。半结构化是 Web上数据的最大特点。Web上的数据非常复杂，没有特定的 模型描述，是一种非完全结构化的数据，称之为半结构化数据。 4)动态性强。Web是一个动态性极强的信息源，信息不断地快速更新，各站点的链接信 息和访问记录的更新非常频繁。 5)多样复杂性。Web包含了各种信息和资源，有文本数据、超文本数据、图表、图像、 音频数据和视频数据等多种多媒体数据。 3) 典型 Web 挖掘的处理流程 包括如下四个过程： 1)查找资源：根据挖掘目的，从 Web资源中提取相关数据，构成目标数据集，Web数据 挖掘主要从这些数据通信中进行数据提取。其任务是从日标 Web数据(包括 Web 文档、电子 邮件、电子文档、新闻组、网站日志、网络数据库中的数据等)中得到数据。 2)数据预处理：在进行 Web挖掘之前对“杂质”数据进行过滤。例如消除数据的不一致 性；将多个数据源中的数据统一为一个数据存储等。预处理数据的效果直接影响到挖掘算法 产生的规则和模式。数据预处理主要包括站点识别、数据选择、数据净化、用户识别和会话 识别等。 3)模式发现：利用挖掘算法挖掘出有效的、新颖的、潜在的、有用的及最终可以理解的 信息和知识。常用的模式发现技术包括：路径分析、关联规则挖掘、时序模式发现、聚类和 分类等技术。 4)模式分析：利用合适的工具和技术对挖掘出来的模式进行分析、解释、可视化，把发 现的规则模式转换为知识。 4) 常用的数据挖掘技术 6.1 路径分析技术 我们通常采用图的方法来分析 Web页面之问的路径关系。G＝(V，E)，其中：V是页面 的集合，E是页面之间的超链接集合，页面定义为图中的顶点，而页面闻的超链接定义为图 用户行为数据分析项目计划书 技术开发部 中的有向边。顶点 v的人边表示对 v的引用，出边表示 v引用了其他的页面，这样形成网站 的结构图，从图中可以确定最频繁的访问路径。路径分析技术常用于进行改进站点的结构。 如 70％的用户访问／company／product时，是从／company开始，经过／company／new／ company／products／company／product。此时可以将路径放在比较显著的地方，方便了用 户访问，也提高了该产品的点击率。 6.2 关联规则技术 关联规则挖掘技术主要用于从用户访问序列数据库的序列项中挖掘出相关的规则，就是 要挖掘出用户在一个访问期限(Session)，从服务器上访问的页面文件之间的联系，这些页 面之间并不存在直接的参引(Reference)关系。使用关联规则可以发展很多相关信息或产品 服务。例如：某信息 A 和 B，同时被很多用户浏览，则说明 A和 B有可能相关。同时点击的 用户越多，其相关度就可能越高。系统可以利用这种思想为用户推荐相关信息或产品服务。 如当当电子书店就采用了这一模式用以推荐相关书目。当你选择某本图书时，系统会自动给 你推荐信息，告知“很多读者在购买此书时还购买的其他书目”。ACM数字图书馆也采用了 这一思想，推出信息推荐服务“Peer to Peer”。 6.3 序列模式挖掘技术 序列模式数据挖掘技术就是要挖掘出交易集之间的有时间序列关系的模式。它与关联挖 掘技术都是从用户访问下的日志中寻找用户普遍访问的规律，关联挖掘技术注重事务内的关 系，而序列模式技术则注重事务之间的关系。发现序列模式，便于预测用户的访问模式，有 助于开展基于这种模式的有针对性的广告服务。依赖于发现的关联规则和序列模式，能够在 服务器方动态地创立特定的有针对性的页面。以满足访问者的特定需求。 6.4 聚类分类技术 分类规则可挖掘出某些共同的特性，而这一特性可对新添加到数据库中的数据项进行分 类。在 Web数据挖掘中，分类技术可根据访问用户而得到个人信息、共同的访问模式以及访 问某一服务器文件的用户特征。而聚类技术则是对符合某一访问规律特征的用户进行用户待 征挖掘。发现分类规则可以识别一个特殊群体的公有属性的描述，这种描述可以用于分类新 的检索。如政府机关的用户一般感兴趣的页面是／company／product。聚类可以从 Web访问 信息数据库巾聚集出具有相似特性的用户群。在 Web事务日记中聚类用户信息或数据项能够 便于开发和执行未来的市场战略。这些事务信息可以用在：在找出用户共同兴趣后，进行合 作式信息推荐，共同体的成员町以互相推荐新的滚动信息；自动给一个特定的用户聚类发送 销售邮件，为用户聚类动态地改变一个特殊的站点等。 5) Web 商业智能 BI（Business Intelligence） 深入分析访问数据，从访问数据中挖掘财富。 用户行为数据分析项目计划书 技术开发部 http://www.web-ia.cn/ 1、文本挖掘技术和聚类模型分析的网站自动分类； 2、用户访问兴趣聚类； 3、用户等级自动分类； 4、用途分析； 5、新产品推广预测分析和精算分析； 等一系列基于数学模型的 True BI 决策分析工具，帮助企业进行产品 BI 分析、用户 BI 分 析、服务质量测评、新产品市场预测与分析等一系列 True BI 服务。 一、 异常访问分析 一般情况下，正常的用户访问网站都是通过浏览器（IE、FireFox 等） 向网站发送 URL 请求，操作是一个手动平缓的过程。 所谓“异常访问”，是指不是通过浏览 器，而是通过程序进行的一个高速机械化的连续 URL 请求过程。这包括不良程序黑客攻击、 搜索引擎蜘蛛程序对网站的访问等。 “异常访问”主要包括 5 个功能：异常访问分析、搜索 引擎访问分析、发生错误分析、异常 URL 分析、时段访问分析。 通过“异常访问分析”， 可以让用户发现异常访问行为和访问规律，通过对 URL 请求 频度、服务器处理时间、请求 流量等时序图形趋势分析，确定黑客攻击点，排查软件错误、诊断服务器处理能力、网站 Internet 带宽限制“瓶颈”所在点。 二、 频道关联分析 频道关联分析应用对象是内容管理者。网站在内容服务层面被抽象为 “频道--子频道--内容”，组成“网站结构树”。数据挖掘的经典 故事 滥竽充数故事班主任管理故事5分钟二年级语文看图讲故事传统美德小故事50字120个国学经典故事ppt 是“啤酒和尿布”关联发现， 说的是对某个商场的数据挖掘发现，购买啤酒的人有很多同时购买尿布。关联分析的目的， 是发现在一个事物中，各个元素的关联关系，通过关联关系的发现，指导“关系设置”，进而 引导事物向有利于管理者主观倾向的方向发展。 Web-DM 中的“频道关联分析”，针对 Web 的具体应用情况，对经典的“关联分析”算法进行了改进，使关联分析速度更快，分析结果也 更加有效。 简单的结果可能不能给管理者更多的指导。Web-DM 不仅仅简单地给出关联分 析中的“支持度”和“置信度”指标，在此基础上，提出了“置信差”指标，进一步提高关联分析 结果的可用性。在给出关联分析技术指标的同时，给出包含关联项的访问 Session，使用户 可以更加详细观察和研究关联分析的结果。 三、 特定关联分析 “频道关联分析”是在内逻辑层面的关联分析，对于“广告”和用户特别 关心的 Page 关联分析是网站管理者希望掌握的数据。 哪些 Page 对于广告的贡献有多大？ 看广告的人更多的看了哪些 Page？ 特别推出的内容与网站的其他 URL 有哪些关联？关联 程度如何？ Web-DM 的“特定关联分析”给出深入分析结果，同时以简单直观的形式展示给 用户。 以提供新闻或本地新闻为主的门户网站， 管理人员关心网站总体访问情况，整体访问趋势，内容编辑人员关心热门新闻和冷门新闻以 及 TOP排名， 经营人员关心访问者从哪个频道登录网站、从哪个频道的哪个页面离开网站，其访问行为呈 现什么规律， 设计人员关心网站频道的如何设置以及页面版面的如何布局， 维护人员关心错误是怎么产生的、如何跳转的、网站是否收到恶意攻击等。 商务网站 主要针对在网站上已经注册的客户群，作为网站的经营者不仅要掌握用户在网上 用户行为数据分析项目计划书 技术开发部 关心哪些商品，更重要的是要掌握匿名用户怎么变成注册用户，转化率是多少，匿名用户是 直接访问的还是通过搜索引擎链接来的，购买行为如何，营业额是多少等。对于电子邮件市 场推广，通过沉默用户分析其沉默时间，根据发出量、返回量、成交量来判断市场推广效果。 对于广告市场推广，通过曝光量、点击量、成交量来反映市场推广的效果。 2. 网站流量统计 流量统计是什么 是指通过各种科学的方式，准确的纪录来访某一页面的访问者的流量信息，目前而言，必须 具备可以统计：统计独立的访问者数量（独立用户、独立访客）；可以统计独立的 IP 地址数 量；可以统计页面被刷新的数量。其他附加信息。 3. 统计指标/术语 ·页面浏览数（page views） PV(page view)，即页面浏览量，或点击量;通常是衡量一个网络新闻频道或网站甚至一条网 络新闻的主要指标。 高手对 PV 的解释是，一个访问者在 24 小时(0 点到 24 点)内到底看了你网站几个页面。这 里需要强调:同一个人浏览你网站同一个页面，不重复计算 PV 量，点 100 次也算 1 次。说 白了，PV 就是一个访问者打开了你的几个页面。 PV 之于网站，就像收视率之于电视，从某种程度上已成为投资者衡量商业网站表现的最重 要尺度。 PV 的计算:当一个访问者访问的时候，记录他所访问的页面和对应的 IP，然后确定这个 IP 今天访问了这个页面没有。如果你的网站到了 23 点，单纯 IP 有 60 万条的话，每个访问者 平均访问了 3 个页面，那么 PV 表的记录就要有 180 万条。 影响 PV 的因素： 新闻发布的时间 访问的周期 突发事件 ·独立访客数 （unique visitor） UV(unique visitor)：指访问某个站点或点击某条新闻的不同 IP 地址的人数。 在同一天内，UV 只记录第一次进入网站的具有独立 IP 的访问者，在同一天内再次访问该 网站则不计数。独立 IP 访问者提供了一定时间内不同观众数量的统计指标，而没有反应出 网站的全面活动。 ·每个访问者的页面浏览数（Page Views per user） 用户行为数据分析项目计划书 技术开发部 Page Views per user: 这是一个平均数，即在一定时间内全部页面浏览数与所有访问者相除的 结果，即一个用户浏览的网页数量。这一指标表明了访问者对网站内容或者产品信息感兴趣 的程度，也就是常说的网站“粘性”。 ·重复访客者数（repeat visitors） repeat visitors：重复访问者。是指在一定时期内不止一次访问一个网站的独立用户。 浏览数 Page Views： 网页(含文件及动态网页)被访客浏览的次数。Page View 的计算范围包 括了所有格式的网页，例如：.htm、.html、.asp、.cfm、 asa、cdx、htmls、shtm、shtml、txt 等等，可以由用户根据实际情况自己设定。 访问数 Visits： 也称为登陆数，一个登陆是指客户开始访问网站到离开网站的过程。其中： 相邻两次点击页面时间间隔在 30 分钟以内（系统默认 30 分钟，用户可以修改默认值）为一 次登陆，大于 30 分钟为两次登陆。 用户数 Unique Visitors： 也称为唯一客户数，是指一天内访问本网站的唯一 IP 个数。 点击数 Hits： 是指日志文件中的总记录条数。 停留时间 Visiting Times： 也称为访问时长，是用同一个访问过程中最后一个页面的访问时 间减去第一个页面的访问时间，得到此访问在网站上的停留时间。 首页浏览数： 网站首页被访客浏览的次数。 过滤浏览数 Filter Page Views： 网站中的某些页面并不是独立的页面，而是附属于某个页 面，如滚动条页面就是附属于首页的页面，用户可以将这些附属页面设置为过滤页面，过滤 页面被访客浏览的次数即为过滤浏览数。 有效浏览数 Effective Page Views： 去除过滤页面后的其他所有页面被访客浏览的次数，即 有效浏览数=浏览数-过滤浏览数。 平均访问浏览数： 一次访问平均产生的浏览数，即平均访问浏览数=浏览数÷访问数。 重复访问数 Returning Visits during a day： 一天内访问两次以上的用户数。 曝光数： 广告弹出次数。 广告点击数： 用户点击弹出广告的次数，即 Click 数。 返回数： 通过电子邮件进行市场推广时，用户通过点击邮件中的链接地址访问网站的次数。 注册数： 用户通过电子邮件和广告访问本网站，并最终转换为注册用户的数量。 返回率： 广告弹出后，被用户点击的程度，即返回率=点击数÷曝光数×100%。 客户转化率： 客户转化率包含两方面含义：用户通过广告访问本网站，并最终转化成注册 用户的程度，即客户转化率=注册数÷点击数×100%；用户通过邮件上的链接地址访问本网 站，并最终转化成注册用户的程度，即客户转化率=注册数÷返回数×100%。 发送字节数： 从服务器端向客户端发出的字节数。 接收字节数： 服务器端从客户端接收的字节数。 总字节数： 是发送字节数和接收字节数的总和，即总字节数＝发送字节数＋接收字节数。 行为/路径： 在一个访问过程中，客户访问过的所有页面的轨迹称为路径，或称为行为。 特定行为： 由用户自行定义的行为，包含若干行为步骤，其中行为步骤不受限制，即可以 任意设定行为步骤。进而分析出满足设定行为的发生次数及各个步骤之间的转化率。 特定行为转化率： 在特定行为中，两个步骤之间的转化率。 行为入口： 客户开始访问网站的第一个页面。在 Web-IA 中，根据入口给出典型行为分析。 行为出口： 客户访问网站的最后一个页面。在 Web-IA 中，根据出口给出典型行为分析。 沉默时间： 注册用户最后一次访问网站到分析日的天数。 沉默用户： 在沉默时间内未访问网站的注册用户。 用户行为数据分析项目计划书 技术开发部 重复访问用户比例： 一天内访问两次以上用户占总用户数的比例，该值越大表明用户品质 越高，理想值为 100%。 用户粘着度指数： 一天内的总访问数与总用户数之比，该值越大表明用户品质越高。 重度访问用户： 按每次访问的停留时间划分，把停留时间超过 20 分钟的用户归为重度访问 用户；也可以按照每次访问产生的浏览数划分，把一次访问浏览超过 10 个页面的用户归为 重度访问用户。对于重度访问用户，包括以下四个指标，每个指标值越大，表明用户品质越 高。 重度用户比例（次数）=（浏览数≥11 页面的访问数）÷总访问数 重度用户比例（时长）=（>20 分钟的访问数）÷总访问数 重度用户指数=（>20 分钟的浏览数）÷（>20 分钟的访问数） 重度访问量比列=（>20 分钟的浏览数）÷总浏览数 轻度访问用户： 按每次访问的停留时间划分，把停留时间不超过 1 分钟的用户归为轻度访 问用户。对于轻度访问用户，包括以下三个指标，每个指标值越小，表明用户品质越高。 轻度用户比例=（0-1 分钟的访问数）÷总访问数 轻度用户指数=（0-1 分钟的浏览数）÷（0-1 分钟的访问数） 轻度访问量比例=（0-1 分钟的浏览数）÷总浏览数 拒绝率： 一次访问只访问一个页面的访问次数占总访问数的比例，比例越小，表明用户品 质越高。 拒绝率（一个页面）=只访问 1 个页面的访问数÷总访问数 拒绝率（首页）=只访问首页的访问数÷总访问数 地区： 访问客户的来源地区，是根据 IP 地区对照表，查询访问客户的 IP 地址落在哪个 IP 区段内，而得到其对应的地区。地区包括国内地区和国外地区，国内地区以省为单位，国外 地区以国家为单位。 时段： 按照一天 24 个小时自然时间段进行划分。 趋势： 趋势分为两种，第一种是以时段为单位的一天 24 小时发展趋势。第二种是以日为单 位的周、月、以及指定区间发展趋势。 IP 地址： IP 地址由 4 个数组成，每个数可取值 0～255， 各数之间用一个点号"."分开，例 如： 202.103.8.46。 页面： 网站中的所有格式的网页(含文件及动态网页)，例如：.htm、.html、.asp、.cfm、 asa、 cdx、htmls、shtm、shtml、txt 等等，可以由用户根据实际情况自己设定属于页面的文件格 式。 特定页面： 对于需要特殊分析的页面，通过设置，从众多页面中独立出来，进行特定分析 的页面。 过滤页面： 网站中的某些页面并不是独立的页面，而是附属于某个页面，如滚动条页面就 是附属于首页的页面，用户可以将这些附属页面设置为过滤页面。过滤后的浏览数方能真正 反映网站的访问情况。 离开页面： 客户访问网站的最后一个页面。 未定义页面： 页面功能没有定义的页面，即没有归类到任何频道的页面。 频道/栏目： 将网站中的各种内容根据功能归类，划分出若干逻辑上的频道或栏目。 网站： 网站是由 Web Server 组成，专业版一个网站只有一个 Web Server，企业版和商务版 一个网站至少由一个 Web Server 组成。 热点： 将一个网页中包含的各个链接根据功能归类划分出若干板块，比如新闻板块、财经 板块、体育板块、科技板块等，每个板块成为一个热点。进而分析出该页面上的各个热点板 块被点击的情况。 用户行为数据分析项目计划书 技术开发部 汇总： 对多网站的分析进行汇总。 同期比较： 对任意两个日、周、月、以及指定区间的浏览数（或访问数、或用户数、停留 时间）进行比较。比较对象可以是页面、频道、栏目、广告、地区等。 聚合： 对日期的聚合，比如周聚合就是将 7 天的数据合在一起为一个分析项，聚合目的就 是以聚合项为单位分析网站发展的趋势。 环比： 在趋势分析中，当前日期数据与上一日期数据的比成为环比。 跳转： 状态代码为 302 的访问请求。 热门： 最受欢迎的页面或频道，即浏览数排名前若干位（可由用户自行定义）的页面或频 道。 冷门： 最不受欢迎的页面或频道，即浏览数排名后若干位（可由用户自行定义）的页面或 频道。 广告： 通过在别的网站上弹出窗口等方式介绍本网站的一种商业活动。 邮件： 通过发送电子邮件，邮件中包含链接地址，吸引用户通过点击邮件中包含的链接地 址访问本网站，实际上也是广告的一种。 搜索引擎： 在互联网上为您提供信息"检索"服务的网站。 关键字： 通过搜索引擎"检索"的内容。 Excel 输出： 将分析结果以 Excel 表格形式输出。 网站拓扑结构： 网站的拓扑结构是由网站汇总、网站分析和频道分析三类节点构成。其中， 网站汇总下可以有部门汇总，网站分析下可以有子网站，频道分析下可以有子频道。用户根 据网站拓扑结构，来查询所需要的分析结果。 匿名用户： 登陆网站不用确认身份，便可访问网站内容的用户。 认证用户： 通过身份认证后，方可访问网站内容的用户。一般情况，用户通过注册成为认 证用户。 日志文件： 在 Web-IA 中，日志文件是指被分析网站的工作日志。 浏览器： 客户端通过什么浏览器访问网站。 操作系统： 客户端通过什么操作系统访问网站。 运营商： 客户端接入互联网的服务提供商，比如中国电信、中国网通、教研网等。 接入方式： 客户端接入互联网的方式，比如拨号、专线、ISDN、ADSL 等。 状态代码： 也称作错误代码，是为服务器所接收每个请求（网页点击）分配的 3 位数代码。 4. 用户分析 -- 网站用户的识别 用户分析是网站分析中一个重要的组成部分，在分析用户之前我们必须首先能够识别每 个用户，分辨哪些是”New Customer”，哪些是”Repeat Customer”。这样不但能够更加清晰 地了解到底有多少用户访问了你的网站，分辨他们是谁（用户 ID、邮箱、性别年龄等）；同 时也能够帮助你更好地跟踪你的用户，发现它们的行为特征、兴趣爱好及个性化的设置等， 以便于更好地把握用户需求，提升用户体验。 通常当你的网站提供了注册服务，而用户注册并登陆过你的网站，那么用户可以更容易 地被识别，因为网站一般都会保存注册用户的详细信息；但是你的网站并不需要注册，而用 户的行为以浏览为主，这是用户识别就会显得较为困难，下面提供了几种常用的用户识别的 方法： 用户行为数据分析项目计划书 技术开发部 识别用户的几种方法 当用户并未注册登录的情况下，识别用户的唯一途径就只剩下用户浏览行为的点击流数 据，通常情况下它们会保存在 WEB 日志里面。而 WEB 日志本身存在的缺陷可能导致用户 识别的不准确性，所以我们在选择用户识别方法的过程中，在条件允许的情况下尽量选择更 为准确的方法： 1) 基于 IP 的用户识别 IP 地址是最容易获取的信息，任何的 WEB