具体描述
本书是目前网站数据挖掘与分析领域最具系统性、深度和商业实践指导价值的著作，由来自在线数据分析领域巨擘Webtrekk的官方资深数据分析专家撰写，获得黄成明、宋星、蓝鲸、宫鑫等近10位国内网站分析领域顶尖专家联袂推荐。
全书从5个维度对网站数据分析进行了全面讲解：
认知维度：首先告诉企业和数据分析师应该如何科学地认识网站数据分析，其次指导企业如何从零开始构建自己的数据体系，最后讲解了数据分析师应该如何从零开始建立自己的成长体系；
技术维度：详细地讲解了网站数据的采集和配置、网站分析工具的选择和使用、网站数据整合的方法、数据监测与评估的指标，以及数据分析的场景和相应的方法；
应用维度：通过10余个商业化的案例，还原了网站数据分析在营销和运营中的应用，不仅从业务层面讲解了数据驱动的营销和运营的方法论，而且还从实操层面讲解了案例的操作过程，可以直接套用到工作中并产出效果；
管理维度：从数据管理者和领导者的角度探讨了如何进行数据风险、数据质量、数据投入和产出、数据流程和落地管理，这些都是管理者自我提升的必备知识；
工具维度：对Webtrekk和Adobe Analytics等世界级的网站分析工具报表、指标和重要特性进行了详细的列举，同时包含大量最新的完整代码部署示例。
作者简介
宋天龙（TonySong）
Webtrekk（德国最大的网站数据分析服务提供商）中国区技术和咨询负责人，前国美在线数据分析经理， 数据研究与商业应用博主，资深数据分析领域专家。拥有丰富的数据项目应用经验，参与过企业级流量数据仓库建设、网站流量系统建设、企业BI和DMP搭建、RTB和DSP、决策支持平台、站内个性化推荐、站外个性化营销等大型数据工作项目。参与实施客户案例包括国美、库巴、迪信通，Esprit中国、猪八戒、乐视商城、泰康人寿、合众人寿、酒仙网，Webpower、德国OTTO集团电子商务（中国）等。合作培训的项目包括数盟、互联网分析沙龙、Netconcepts、truemetrics、中商联数据分析委等。
萝卜课堂特邀讲师，百度文库认证作家、站长之家、互联网分析沙龙专栏作家。
目录信息
本书赞誉
前 言
认知篇
第1章 科学地认识网站的数据分析 2
1.1 企业为什么要对网站的数据进行分析 2
1.1.1 网站数据分析能为“谁”解决问题 2
1.1.2 网站数据分析能解决哪些问题 3
1.1.3 常见的几种“分析”概念 5
1.2 网站数据分析的5个误区 7
1.3 识别网站数据具有欺骗性的3种形态 11
1.4 辅助决策与数据驱动的争议 15
1.4.1 辅助决策 15
1.4.2 数据驱动 16
1.4.3 辅助决策与数据驱动差异点 17
1.5 本章小结 17
第2章 从零开始建立企业数据体系 18
2.1 数据价值最大化的定位 18
2.1.1 数据价值定位的基本原则 18
2.1.2 数据价值的4种常见定位 20
2.2 企业数据的职能架构与组成 21
2.2.1 企业内部的职能架构 22
2.2.2 企业外部的职能架构 25
2.3 企业数据技术架构与组成 26
2.3.1 数据收集层 27
2.3.2 数据存储层 28
2.3.3 数据计算层 29
2.3.4 数据管理层 34
2.3.5 数据应用层 35
2.4 本章小结 36
第3章 从零开始建立数据分析师个人成长体系 37
3.1 数据分析师的完整知识结构 37
3.2 对数据分析师的职能素质要求 40
3.2.1 工作方向划分 40
3.2.2 工作职位划分 41
3.3 数据分析师成长的4个阶段 42
3.4 给数据分析师的5点建议 45
3.5 本章小结 47
基础篇
第4章 网站数据采集和配置 50
4.1 网站分析系统的数据工作机制 50
4.1.1 数据采集 50
4.1.2 数据处理 53
4.1.3 数据报告 55
4.2 网站代码部署 55
4.2.1 通用全局的脚本部署 56
4.2.2 通用页面的脚本部署 59
4.2.3 特定页面的脚本部署 62
4.3 系统功能配置 63
4.3.1 数据安全设置 63
4.3.2 数据处理设置 64
4.3.3 数据转化设置 79
4.3.4 数据整合设置 81
4.3.5 数据智能工作设置 82
4.4 本章小结 86
第5章 网站分析工具的选择 87
5.1 网站分析工具 87
5.1.1 Adobe Analytics 89
5.1.2 Webtrekk 106
5.1.3 Webtrends 112
5.1.4 Google Analytics 114
5.1.5 IBM Coremetrics 122
5.1.6 Piwik 125
5.1.7 百度统计 127
5.2 移动分析工具 128
5.2.1 Flurry 128
5.2.2 友盟 134
5.3 如何选择网站分析工具 135
5.3.1 整体解决方案的能力 135
5.3.2 产品易用性 136
5.3.3 功能丰富性 137
5.3.4 增值服务价值 140
5.3.5 价格和费用 141
5.4 本章小结 142
第6章 网站数据整合的方法 143
6.1 网站数据整合的意义 143
6.2 网站数据整合的范畴 144
6.2.1 业务数据整合 144
6.2.2 IT数据整合 153
6.3 网站数据整合的方法 156
6.3.1 在线数据整合 156
6.3.2 本地数据整合 163
6.4 本章小结 170
第7章 数据监测与评估指标 171
7.1 业务效果流指标 171
7.1.1 站外推广类指标 171
7.1.2 网站运营类指标 172
7.1.3 企业会员类指标 182
7.1.4 呼叫中心类指标 186
7.1.5 仓储配送类指标 188
7.2 成本控制流指标 193
7.3 收益控制流指标 197
7.4 本章小结 201
第8章 数据分析场景和方法 202
8.1 以效果预测为目的的数据分析 202
8.1.1 效果预测是什么 202
8.1.2 效果预测的两种类型 203
8.1.3 效果预测的应用场景 203
8.1.4 预测结果的常用方法 204
8.2 以结论定义为目的的数据分析 211
8.2.1 结论定义是什么 211
8.2.2 结论定义的4种方向 212
8.2.3 结论定义的3个误区 213
8.2.4 下结论的常用方法 215
8.3 以数据探究为目的的数据分析 218
8.3.1 数据探究是什么 218
8.3.2 数据探究的两种类型 218
8.3.3 探究原因的分析方法 219
8.4 以业务执行为目的的数据分析 222
8.4.1 业务执行是什么 222
8.4.2 业务执行的两种类型 222
8.4.3 提取业务执行建议的常用方法 223
8.5 正确的数据模型与算法选择观 228
8.6 本章小结 229
案例篇
第9章 网站数据的营销辅助应用 232
9.1 网站营销分析辅助决策报告矩阵 232
9.2 三种常用的网站营销分析场景 239
9.2.1 营销前的媒体规划与效果预测 239
9.2.2 营销时的异常检测与及时反馈 241
9.2.3 营销结果总结与项目分析 243
9.3 常用的网站营销分析维度 245
9.3.1 目标端 245
9.3.2 媒体端 245
9.3.3 用户端 249
9.3.4 网站端 249
9.3.5 竞争端 251
9.3.6 其他因素 252
9.4 网站营销辅助决策四大案例 253
9.4.1 恶意流量分析 253
9.4.2 多渠道订单归因分析 259
9.4.3 渠道效果聚类 274
9.4.4 营销效果分析 286
9.5 本章小结 295
第10章 数据驱动下的数字营销应用 297
10.1 数字营销的概念和范围 297
10.2 数字营销发展的三个阶段 298
10.3 个性化媒体投放的价值 298
10.4 个性化媒体投放的技术架构 299
10.4.1 数据层 300
10.4.2 算法层 301
10.4.3 API层 304
10.4.4 应用层 305
10.5 个性化媒体投放的实现 306
10.5.1 个性化媒体投放的实现方式 306
10.5.2 如何选择优秀的服务提供商 307
10.6 个性化媒体投放的问题 307
10.7 本章小结 309
第11章 网站数据的运营辅助应用 310
11.1 网站运营分析辅助决策报告矩阵 310
11.2 三类常见的网站运营分析场景 311
11.2.1 点：面向单体坑位的辅助分析 311
11.2.2 线：面向站内流程的优化与提高 314
11.2.3?面：面向整体网站资源的价值最大化 318
11.3 常用的网站运营分析维度 319
11.3.1 目标端 319
11.3.2 运营端 320
11.3.3 用户端 322
11.3.4 网站端 323
11.3.5 竞争端 324
11.3.6 其他因素 325
11.4 网站运营辅助决策四大案例 325
11.4.1 站内广告位效果标杆管理 326
11.4.2 网站用户调研 330
11.4.3 站内活动分析 338
11.4.4 商品销售诊断 354
11.5 本章小结 362
第12章 数据驱动下的个性化运营应用 363
12.1 网站运营的概念和范围 363
12.2 网站运营发展的三种形态 364
12.3 个性化网站运营的价值 364
12.4 个性化网站运营的应用 365
12.4.1 个性化网站运营的在线应用 365
12.4.2 个性化网站运营的离线应用 368
12.5 个性化网站运营的实现 369
12.6 个性化网站运营遇到的问题 371
12.7 本章小结 372
提高篇
第13章 数据风险管理与控制 374
13.1 数据风险管理的概念 374
13.2 数据风险管理的类型 375
13.3 数据风险管理的原则 378
13.4 数据风险管理与控制 379
13.5 本章小结 383
第14章 数据质量把控与建设 384
14.1 数据质量建设的内涵 384
14.2 数据质量建设的原则 386
14.3 影响数据质量的常见因素 389
14.4 数据质量建设的框架 391
14.4.1 数据质量管理 391
14.4.2 数据监督管理 398
14.4.3 数据生命周期管理 399
14.5 本章小结 402
第15章 数据投入与产出管理 404
15.1 数据投入与产出的内涵 404
15.2 数据投入与产出的特征 405
15.3 数据投入与产出的管理 406
15.3.1 数据投入管理 406
15.3.2 数据产出管理 408
15.3.3 数据投入与产出优化 410
15.4 本章小结 413
第16章 数据流程与落地管理 414
16.1 数据流程与落地管理的内涵 414
16.2 数据流程与落地管理的意义 415
16.3 数据流程与落地管理的策略 416
16.4 数据流程与落地管理的框架 418
16.4.1 数据需求管理 419
16.4.2 项目工作流程 421
16.4.3 数据培训体系 424
16.4.4 权限管理流程 426
16.4.5 数据知识管理 427
16.5 本章小结 428
附录A 网站分析工具的特性及代码部署 429
附录B 企业网站数据工作的局限与发展 457
· · · · · · (收起)
读后感
用户评价
这本书的语言风格非常独特，它成功地在保持专业性的同时，避免了陷入晦涩难懂的泥沼。作者似乎有一种将复杂概念“翻译”成通俗易懂语言的天赋，即便是那些涉及到高阶统计学和机器学习理论的部分，读起来也像是和一位经验丰富的工程师在进行一次深入的午餐交流。书中穿插的一些“经验之谈”和“陷阱警示”，更是充满了实战智慧，这些往往是标准教材中学不到的宝贵财富。比如，书中提到在进行网站流量归因分析时，传统的首次/末次点击模型在多触点环境下已经严重失真，并随后介绍了一种基于马尔可夫链的改进模型，这直接击中了我们团队目前在评估市场活动ROI时遇到的核心痛点。另外，我注意到书中对于不同编程语言（比如Python和R）在数据预处理阶段的优势和劣势做了客观的比较，没有偏袒任何一方，体现了作者广博的视野和中立的立场。这本书的阅读体验是沉浸式的，我发现自己常常会因为一个有趣的论点而停下来，对照着自己手头的数据进行快速的验证和思考，这本书已经从一本参考书，变成了一位时刻在身边的良师益友。
翻开内页，我立刻被作者严谨的学术态度所折服。这本书的行文逻辑简直是教科书级别的范本，每一个章节之间的过渡都衔接得天衣无omaly，仿佛是精心铺设好的数据管道，引导读者自然而然地深入到更深层次的技术细节中。我尤其欣赏它在引入新技术概念时，并没有采取那种生硬的堆砌术语的方式，而是通过一系列精心设计的、贴近实际业务场景的案例来逐步构建知识体系。比如，在讨论用户行为路径分析时，作者并非仅仅停留在算法层面，而是详细阐述了如何将这些分析结果转化为可执行的A/B测试方案，这对于我这个既需要懂技术又需要对业务负责的读者来说，简直是如获至宝。书中的图表和流程图绘制得非常精美且富有信息量，那些复杂的算法流程图被简化成了易于理解的模块化结构，极大地降低了初学者理解高深模型的门槛。我花了整整一个下午的时间来消化其中关于“社交网络影响力模型构建”的那一章，其对图论在网络分析中应用的阐述，精准而深刻，完全没有那种为炫技而引用的空洞感，每一个公式和每一步推导都服务于最终的实用目标。
这本书的封面设计得非常吸引人，采用了一种简洁而现代的风格，主色调是深邃的蓝色，搭配上一些象征着数据流动的亮色线条，给人一种专业且充满科技感的感觉。装帧质量也相当不错，纸张厚实，印刷清晰，即便是长时间阅读也不会感到眼睛疲劳。我最初被这本书吸引，是因为它承诺要深入探讨“网站数据挖掘”这一前沿领域，这正是我目前工作和学习中急需补足的知识盲区。我期待书中能详尽地介绍各种爬虫技术、数据清洗的实用技巧，以及如何从海量的网页文本中提取有价值的信息结构。尤其是对于那些复杂的自然语言处理（NLP）在网络信息提取中的应用案例，我希望能看到一些详尽的步骤分解和代码示例，毕竟理论与实践相结合才是硬道理。这本书的排版布局也颇为考究，关键概念都有用粗体或斜体突出显示，这对于快速掌握核心要点非常有帮助，让我感觉作者在编排结构上花了不少心思，力求让读者能流畅地跟进复杂的专业内容，而不是被密集的文字所淹没。从目录的初步浏览来看，它似乎涵盖了从基础的数据采集到高级的商业智能分析的整个链条，这让我对它的系统性抱有很高的期望。
说实话，我过去读过不少关于数据分析的书籍，很多都流于表面，或者过度侧重于某一特定工具的使用，导致知识结构非常零散。然而，这本书的宏大叙事视角让我耳目一新。它不仅仅教授“如何做”，更深入地探讨了“为什么这样做”背后的底层原理和设计哲学。比如，在谈到数据隐私和伦理问题时，作者并未敷衍了事，而是引用了最新的法规案例，并探讨了在数据挖掘过程中如何构建可信赖的数据治理框架。这种兼顾技术深度与人文关怀的写作方式，使得整本书的厚重感和权威性油然而生。我特别喜欢其中关于“实时数据流处理架构”的章节，它详细对比了Lambda和Kappa架构的优缺点，并给出了在不同业务场景下的选型建议，这种前瞻性的指导价值非常高，避免了我们在实际工作中走弯路。整体而言，这本书的知识密度极高，我感觉自己像是在参加一场由顶尖专家主讲的系列研讨会，每翻一页都有新的启发，迫不及待地想要将这些知识应用于我目前负责的项目中，特别是关于大规模日志数据的实时聚合与可视化部分，简直是我的“救星”。
我得说，这本书在处理“数据可视化与报告构建”这一环节的处理，绝对是点睛之笔。很多技术书籍在此处往往草草了事，仅仅列举几个图表类型就匆匆收尾。但这本书则不然，它深入剖析了如何根据不同的受众（是技术团队、市场部门还是高层管理者）来定制化信息可视化策略，强调“讲故事”的重要性远大于“展示数据”本身。其中关于“交互式仪表盘设计原则”的那部分内容，结合了用户体验（UX）的知识，指导读者如何设计出既美观又高效的数据洞察界面。更让我惊喜的是，它还涉及到了如何利用自动化脚本来定期生成这些报告，甚至讨论了如何将分析结果直接嵌入到业务工作流中，实现了从洞察到行动的闭环。这种将数据挖掘的“后端工程”与商业决策的“前端呈现”无缝对接的思路，极大地提升了这本书的实用价值。它不仅仅是教我如何挖出金子，更教会了我如何将这金子打造成最锋利的刀和最闪亮的饰品，供不同的人使用，其知识的广度和应用的前瞻性，让我对它的评价只能是“极高”。
在移动端时代，感觉好多过时了。。。
789章非常实用，方便以后实操的时候查看
非常系统，中间的几个案例也不错。但大而全的缺点就是不够细。
一直有关注宋天龙，这本书读完后的整体印象就如他的博客，过于技术
789章非常实用，方便以后实操的时候查看
