导语：你是否曾经面对着一大堆网站数据毫无头绪？你是否曾为选择哪些页面进行测试感到举棋不定？让Luke来告诉你，如何有效地利用“谷歌分析”指导设计和研究吧！
用户体验，分析至上（一）
在上一个客户的案例中，小红利用数据分析来发现那些需要进行可用性测试的地方。然而目前为止，小红只发现了网站中值得测试的单独的页面和页面组。她觉得她需要知道更多的关于最常见的用户行程（user journey）的信息。她还想更加深入地理解用户，看看不同类型的用户如何访问网站。为了能进行最佳的可用性测试，小红真心想要知道人们事实上是如何使用网站的。
简单来说，数据分析是一种用来发现可用性测试最佳测试页面的极好的方法。在本系列文章的第一部分，我讲解了如何利用数据分析来发现网站的问题所在之处。这么做可以让我们更好地理解目前的用户行为，并且帮助我们集中力量在将要测试的任务上。
在如何利用数据分析来指导可用性测试的这一系列文章的总结部分，我将更仔细地探讨如何通过识别用户行程、将用户分类来比较不同的用户组的行为。
识别流失点
知道用户是如何在整个网站中流转的可以增加单个页面状态的情境（context）。比如，分析用户行程中前一个页面的数据可以帮助我们识别为什么某个特定页面的退出率特别高。另外，找出最常见的用户行程对于谋划可用性测试很有好处。可用性测试可根据这些常见的用户行程来设计，从而确保在测试中用户的行为是和已经存在的用户行为是相符的。
谷歌分析尝试通过用户流程图（user flow）和行为流程图（behavior flow）报告来展示用户行程。他们可能比较难阅读，并且经常因为把多个页面组合在了一起而变得很麻烦。这意味着谷歌分析通常只能把最为普遍的几个页面单独展示，而把其他的页面组合在一起，显示为“大于100个页面”——这对我们一点帮助也没有。下面的截图显示出这种非常局限的信息是如何让分析变得困难的：只有几个页面在每个用户行程的阶段中是单独被显示的，剩下的页面都被组合在了一起。
尽管页面被组合造成了很多问题，花些时间分析这些报告仍然可以帮我们发现问题区域，根据的是流失率或意想不到的用户行程（比如，我们本来期待的是这样，但用户却走向了另一个方向？）。一旦我们发现了问题区域，我们就可以谋划可用性测试，来看看用户在整个行程中是如何思考的，了解他们为什么会有这些麻烦。
在谷歌分析的用户流程和行为流程报告中，所有的页面用了绿色的矩形来表示，灰色的连接线用来表示页面之间的用户行程。每个矩形还用红色表示了流失率的百分比（也就是说用户正离开网站）。它们可以说明常见的用户行程，以及用户在哪些地方离开了网站——也是另一种问题区域的迹象。
下面的例子来自于一个我曾经工作过的旅行网站。它在主页有一个特别明显的搜索框。
在这个简化了的并加上了笔记的图中，我们可以看到一个可能的问题。用户利用搜索框来找到某个旅行目的地，但之后又从搜索结果页面回到了主页（又名，弹簧跳（pogo sticking）），说明了搜索结果对用户来说不够满意。这可能归结于许多的理由：可能搜索功能经常搜不出结果，搜到太多结果，或者太少结果。也可能这个问题和搜索结果本身无关，而是其他的理由，比如搜索结果里的酒店的价格太高了。
数据显示最初的搜索是让用户不满意的，这让我决定针对搜索框来进行一些可用性测试。可用性测试的结果显示，问题的原因在于搜索结果太多太泛了，用户被大量的结果淹没了。根据这个测试结果，我建议引入一个多面搜索系统（faceted search system）：在搜索结果页面让用户可以根据一些标准来过滤搜索结果，而不用返回到主页重新搜索。这个新的搜索系统让用户可以根据酒店提供的服务设施来过滤他们的搜索结果；比如是否有游泳池、健身房和其他的设施，这意味着用户可以发现对他们自身有用的结果。这个设计方案让搜索后又回到主页的用户数量大幅度下降，让更多的用户进入到他们行程的下一步。
上面的结果显示的是多面搜索系统被引进一个月后的分析数据。图中显示出，主页和搜索结果页面之间的“弹簧跳”现象减少了。虽然仍然还有改进的空间，但这个变化产生的积极效应是非常鼓舞人心的。
数据分段，更多的细节
数据分段为观察不同用户的不同行为提供了一个绝佳的方式。一个简单的例子就是比较新用户和回访用户。下面的图来自于一个在线找工作网站，它显示出新用户的数量在该月几乎是持平的，然而回访用户的数量却跟随了一个不同的模式：在周末的时候数量明显下降。
这使我想知道更多的细节，关于新用户和回访用户的不同点。其他关于这两种不同用户的数据显示出，回访用户倾向于在网站上花费更多的时间，每段时间会浏览更多的页面，并且更倾向于申请工作。
根据这个数据我可以做出假设：回访用户更可能是真正找工作的人，但新用户访问网站的时候更随意。因此我推荐网站做一些个性化的设计——对待新用户，展示更多的保证信息，说明该找工作的网站是合法的、值得信赖的，并且引导他们简单快速地做出行动，比如注册工作提醒。对待回访用户，展示更精确、细节的搜索工作的选项，并且提供信息鼓励他们申请工作。
新用户和回访用户不同的行为可以透露许多事情，取决于网站的类型。比如，对一个电子商务网站来说，它显示回到这个网站的人更倾向于下单。如果这是真的话，那么我们可以把重点放到帮助第一次访问网站的用户下单。
这种数据分段分析还可以帮助可用性测试的招募。如果在新用户和回访用户之间有明显的行为区别，那么可能最好同时招募已有用户和尚未访问过该网站的用户来进行测试。测试不同的用户类型可以帮助解释为什么他们在网站上有迥然不同的行为。
除了上说例子中的新用户和回访用户，在谷歌分析上还有一些现成的数据分段方式来帮助我们分隔数据，包括：
不同的流量来源——可以用来发现那些通过搜索和链接来到网站的用户的区别。
使用不同设备类型的用户——可以用来比较使用手机、平板和桌面电脑用户的参数。
根据自己的需求来改造分段方式也是很好的方法，这可以使分段方式可以和整个网站重要的用户及角色更好地相符合。通过这种方法，我们可以分析这些不同的用户群所采取的不同的用户行程，例如，比较已有用户和第一次购买的用户的行程。
数据分段可以被用来观察使用不同设备的用户的行程。根据手平板和桌面电脑来分段可以提供三个不同的行为流程供研究。这种方法对于发现使用不同设备的用户可能存在的问题特别有帮助。手机用户的行为流程图可能会在用户流程中显示出一个重大的流失点，但在平板和桌面电脑中却不是问题。这应当引出相应的手机端的可用性测试，重点放在找出手机用户在流程中的该点流失的原因。
现在该怎么办？
在利用数据分析识别问题区域后，下一步就是找到为什么用户会有这些问题。数据分析能够提供一些关键的地方，需要我们在可用性测试中特别关注，或者拆分出特别的测试。作为用户体验的职业人，我们自然而然地想要和我们的用户在一起，在可用性测试中从他们身上学到东西。数据分析只是帮助我们更好地进行测试。
尝试一下——提取一些这里提到的方法，把它们应用到某个项目中。你会惊奇地发现，我们竟然可以从数据分析中发现这么多东西。
对于那些仍然觉得不确定的读者，这里有非常多的帮助资料。如果你想和谷歌分析最新的发展保持同步，我推荐谷歌分析官方博客，和Occam’s Razor——数据分析大师Avinash Kaushik的博客。如果你想在实践中学习提高数据分析的技能，可以参考谷歌分析培训中心。这些教程都能帮助你更好地准备获得一个谷歌分析个人资格证书。
