网络营销之不得不考虑的时间因素中国尚品，一家北京网站建设公司：时间是网站生产数据分析中最常见和不可或缺的维度之一。在大多数情况下，它用于限制指标的统计范围和粒度。同时，时间因素也会影响一些统计规则和指标的细节。然而，在一些数据分析中，我们很容易忽略时间因素的影响，这可能会误导最终的结论。
这个问题是在数据抽取的需求中发现的。该网站每天都发布大量新内容，需要推荐，否则就会被埋没。因此，许多网站会有“最新推荐”等模块，这些数据需求是为了分析应该推荐哪些新内容。网站上新内容的质量参差不齐，数据积累也很少。推荐模块需要放置具有潜力的新内容，以便在潜力被充分开发后，它可以成长为热门内容。因此，数据分析需要找到有潜力的新内容。
如果是排名前10的seo网站优化推荐列表，最简单的方法是根据新内容的流量或转换率来排序和选择前十名，但是有很多值得注意的地方。对于需要关注转换率的地方，请参考关键指标背后的秘密。在这里，我们主要讨论如果我们按内容的流量排序，如果我们选择最近一周的汇总数据，我们应该注意什么。也许您已经认为，这里举例说明新内容的原因是，新内容有一个发布时间，就像一个人的出生日期，从发布时间到现在的时间间隔是内容的持续时间，也可以被视为内容的生命周期，就像一个人的年龄一样。内容持续的时间越长，积累的数据就越多，获得高访问量的机会就越大。如果我们比较一周内不同时间发布的内容的总访问量，就会陷入错位比较的陷阱，即“错配”。
一个形象比喻是一个新兵和一个久经沙场的老兵之间的决斗。虽然新兵根本没有获胜的机会，也许新兵天生勇敢或者有一只初生牛犊不怕虎，可以一举击败有经验的老兵，但在大多数情况下这种可能性很小，这是一场不公平的决斗，我们需要在数据分析(比较)中尽力避免这种不公平的决斗。
内容和商品分析
我们需要找到一些方法来避免这个时间因素对分析结果的影响。通常，在选择比较对象时，我们需要控制所有的比较对象具有相同的持续时间，例如比较新内容的受欢迎程度，统一选择最近一周的数据，放弃之前发布的内容的先前数据，放弃最近一周刚发布的内容不参与该比较，然后在有了一周的完整数据后添加比较。虽然这可以确保比较在同一基线上，但它无疑会延迟评估的结论，而且一些从一开始就引人注目的内容无法及时找到。因此，这里采用计算单位时间指标的表现的方法，即根据内容的发布时间(通常精确到当天)来计算每个内容的持续时间，然后将总的内容访问除以该持续时间，然后获得每单位时间的内容访问以进行比较。
事实上，在日常生活中犯这样的错误可能很常见。当我在博客上发布了一篇新文章几天后在谷歌分析上阅读数据时，我发现这篇新文章的页面处于相对落后的位置，不是因为没有人真正阅读它，而是因为近一个月的汇总数据默认显示在遗传算法上。根据页面浏览量的结果，报告的新内容不可能在短时间内迅速登上榜首。对于那些新内容或新产品上架频率较低的网站，运营商可能知道什么是新内容，所以通过一些人工识别和调整进行分析时很难落入陷阱。然而，对于每周有数百个新内容的网站来说，这类错误的发生很可能会埋没一些高质量的新产品：
上表取过去10天内5个新发布内容的访问数据，并加上内容发布后的连续天数。我们通过将总访问量除以连续天数来计算平均每日访问量，然后按降序排列，得到一个完全不同的排名。如果排名为1，我们可能会忽略D内容的强大性能，而在权衡时间因素后的排名使我们能够更准确地把握潜在的新内容。
上述方法也适用于电子商务网站的商品分析。许多电子商务网站希望从新产品中选择具有足够潜力的产品进行重点营销，从而创造出所谓的“爆炸式模式”，从而进一步促进订单增长，增加销售额和利润。一方面，选择潜在的新产品需要敏锐的嗅觉和视觉，另一方面，它需要数据分析。此时，我们必须考虑上述时间因素的影响。请记住，一个月销售20种产品并不一定比销售50种产品更糟糕。关键在于你什么时候把这些产品上架。只有通过有效的方法，我们才能找到真正有潜力和有价值的增长点的产品。
重要的是要知道，任何网站内容或产品都不是持久的，都有自己的生命周期。因此，明智的网站运营总是在寻找新的增长点。如果在数据分析中不考虑时间因素，那些潜在的产品和内容很可能会被长期“磨砺”的产品内容所压制，导致网站新陈代谢缓慢，落后于其他网站。
用户分析
在分析用户时，我们还应该注意时间因素，如用户RFM分析、用户忠诚度值评分、用户生命周期值等。这些基于一段时间内用户持续行为分析的模型很容易陷入时间陷阱。在过去的一个月里，我们不能指望一个注册一周的新用户比旧用户访问得更频繁，因为你只给他7天时间，而他面对的是一个有30天时间的用户；同样，您不应该比较仅使用一个月的新用户和连续使用三个月或六个月的旧用户的消费数量和金额，因为他们不在同一起跑线上。然而，新用户有潜力，所以他们将成长为具有更高价值的忠诚用户。因此，我们需要消除这一因素对用户营销的影响。我们还使用除以用户使用网站的持续时间(从用户首次访问或注册的时间开始计算)的方法来计算单位时间的指标表现，并使用RFM模型来考察考虑时间因素前后用户评价的差异：
如上表所示，如果RFM模型选择近100天的数据来分析用户，这里还会添加“持续时间”的统计数据，即从用户注册到现在的天数。如果用户的注册时间在100天之前，则用户在此统计期间的持续时间为100天(最长期间)。RFM的三个指标中最近的购买间隔(r)不受用户持续时间的影响，因此在考虑时间因素时不需要改变，但是购买频率(f)和消耗量(m)都受持续时间的影响，需要除以持续时间来计算单位时间(这里是天数)的值，即在考虑表中的时间因素前后每个用户的指数变化。从转换前后的比较来看，考虑时间因素前，用户1在购买频率和消费金额上有明显的优势，但在数据转换后，用户2表现出较高的粘性和价值，即虽然用户2很长时间没有使用网站，但在单位时间的购买和消费上优于用户1。我们通过雷达图进一步观察考虑时间因素前后的影响：
对图中的数据进行标准化评分后，蓝线表示用户1，红线表示用户2，虚线表示未考虑时间因素，实现表示考虑了时间因素。可以看出，考虑时间因素后，用户2的值明显增大，从图中可以看出，用户2的期望值优于用户1。如果不考虑时间的影响，分析结果会有明显的偏差，这可能会误导用户的正确评价。
事实上，这里提到的时间因素仍然是一个遵循比较原则的问题，要比较的对象必须是可比较的，否则比较的结果就没有意义。
我已经很久没有更新我的博客了，因为没有时间去思考和整理一些新的内容，因为这段时间发生了变化。事实上，在本文提到的分析中需要考虑的时间因素在很多情况下都会遇到，尤其是对某个时间段内汇总的统计指标进行细分分析时，要特别注意每个细分的时间段是否一致，希望能对大家有所启发和帮助。
这篇文章发表在北京网站生产公司尚品http://www.sino-web.net/,中国
原创文章，作者：搜够小编，如若转载，请注明出处：http://www.sogoubaike.cn/archives/116411
