第一篇：電子商務網站核心數據分析

電子商務網站核心數據分析

電子商務相對于傳統零售業來說，最大的特點就是一切都可以通過數據化來監控和改進。通過數據可以看到用戶從哪里來、如何組織產品可以實現很好的轉化率、你投放廣告的效率如何等等問題。基于數據分析的每一點點改變，就是一點點提升你賺錢的能力，所以，電子商務網站的數據分析是很重要的一門功課。一般來說，數據分析包括：流量來源分析、流量效率分析、站內數據流分析和用戶特征分析四個部分。我們先來說說流量來源分析。

電子商務就是販賣流量的生意，低成本的流量來源是保證企業盈利的重要條件。流量來源分析主要是要明白你的用戶都是從那些網站來的，那些網站的給你帶來更多的訂單、那些網站的流量是真實的，那些是虛假等。

流量分析一般一奧分析以下內容：

網站流量來源排名：那些網站貢獻的流量多，那些貢獻的少

搜索引擎關鍵詞分析：根據關鍵詞的來源分析來查看網站產品分布和產品組合。如果關鍵詞查詢多的產品卻不是網站的主推品，可以進行適當調整。

網站流量趨勢分析：網站的流量是否均衡穩定，是不是有大幅度波動。一般來說流量突然增加的網站，如非發生突發事件，購買的廣告位作弊的嫌疑比較大。

網站流量核對：查看是否有莫名流量來源，流量來源大不大。如果莫名來源流量很大的話，有可能是您購買的CPC或者其他資源被注水了，將您的廣告鏈接分包給了點擊聯盟。

推介網站與直接訪問的比例：推介網站可以理解為外部廣告，直接訪問就是用戶直接輸入網址。一般來說，直接訪問量越大說明網站的品買知名度越高。

其次是流量效率分析

流量效率是指流量到達了網站是不是真實流量，主要分析指標如下：

到達率：到達率是指廣告從點擊到網站landingpage的比例。一般來說，達到率能達到80%以上是比較理想的流量。這個也跟網站的速度有關，綜合來分析一下。

二跳率：這個也是為了分析流量的有效性。如果是有效流量的話，一般會有合理的二跳。如果是虛假點擊的話，一般是沒有二跳的。但是也不排除有部分作假很厲害的網站能做出二跳，比如PPLIVE，當年洪成浩做投放的時候，我們的廣告直接連接到廣告專題頁，二跳是15%左右，但是PPLIVE居然有60%的二跳！最主要的是一個轉化都沒有。差點把我們的圖片圖服務器點癱瘓，這個就太過分了。

PV/IP比：一般來說，有效的流量，網站內容比較好的話，一個獨立IP大概能有3個以上的PV。如果PV/IP比能達到3以上的話，一般說明流量比較真實，網站內容也不錯。但是如果低于3的話，并不代表流量不真實，也可能是網站本身的問題。如果PV/IP過高的話，也可能有問題，比如人力重復刷新等，要謹慎對待。

訂單轉化率：這個是最最核心的數據了，沒有訂單轉化率，其他一切都是免談！某些牛B的B3C能做到4%的提袋率！某些卻僅僅是0.1%，努力吧，眾B2Cer們。站內數據流分析，主要用來分析購物流程是否順暢和產品分布是否合理，一般如下：

頁面流量排名：主要查看產品詳情頁的流量，特別是首頁陳列的產品詳情頁。參照最終的銷售比例，優勝劣汰，用以調整銷售結構。

場景轉化分析：從首頁-列表頁-詳情頁-購物車-訂單提交頁-訂單成功頁，的數據流分析。比如說，首頁到達了10000用戶，伺此后的數據分別是8000-5000-1000-50-5，購物車到訂單提交頁的相差比較大，大概就能看出來是購物車出了問題，需要改進。

頻道流量排名：各個頻道流量的排名，主要用來考慮產品組織的問題。

站內搜索分析：這個反應的是用戶關心的產品有哪些，產品調整的最直接數據。

用戶離開頁面分析：用戶在那些也頁面離開最多？是首頁還是頻道頁？是購物車還是訂單提交頁。突然的大比例的離開網站，往往預示這問題的存在。

最后是用戶特征分析：

用戶停留時間：這個放在用戶特征分析里有些牽強。而且目前監控用戶停留時間的方式是：用戶到達時間-用戶離開時間，但是用戶什么時候離開很難準確判斷，這種數據僅作參考，一般停留時間越長網站粘性越好。如果用戶停留時間超過1個小時，基本就是假流量，或者用大打開網頁忘記關了，呵呵。

新老用戶比例：老用戶比例越高，證明用戶忠誠度不錯。但是還要考慮絕對量，不能靠新用戶越來越少來襯托老用戶比例越來越高。

用戶地域分析：用戶地域與訂單地域分布基本一致，基本上就是用過互聯網用戶的分布比例以及經濟發達程度等。這個對于提升區域配送及服務比較有幫助。

電子商務網站的基本數據分析就是以上這些，作為實際操作人員要根據數據分析的情況來發現問題和總結問題，進而優化網站的結構和用戶體驗、來提升網站的專轉化率和用戶忠誠度。這些都是電子商務很重要的基礎工作，希望能為大家的利潤做出貢獻

第二篇：電子商務網站營銷數據分析技術探討

電子商務網站營銷數據分析技術探討

電子商務（EC）在現代商務企業的發展中占有越來越重要的地位。如何利用信息技術掌握更多的商務信息已備受商家們的關注，站點分析技術正是為商家和網站提供了這樣一種有效的分析工具。

本文討論了一些站點分析的相關技術信息和幾種網站分析瀏覽者行為的理論與算法，及數據倉庫的相關理論知識。并對站點日志數據進行了實例分析，并指出了站點分析技術發展的方向。

一、緒論

互聯網技術不斷革新與發展，給全球經濟帶來新的革命，從而也影響著人們的生活。互聯網為企業提供了一種真正屬于自己并面對廣大網民的信息載體，企業通過這一載體，可以自由地將企業的產品、服務等其他相關信息在線發布。

電子商務就是網上實行各種商務活動的總包裝，種種所謂電子商務解決方案，實際上就是實現各種網上商務活動的硬件與軟件系統。它將影響到每一個人、每一個企業。電子商務的主體是我們每一個人、每一個企業，電子商務發展的過程就是對人們的生活、企業的運行的一種模式的一個巨大改變的過程。對于進入虛擬世界的商家而言，僅僅吸引注意力還不行，對它們而言，站點的訪問率絕對不僅僅是一個數字，它還是一種信息，如果網站能夠從網絡中獲得網民的信息并從中分析其行為誘因，那么就容易掌握網民的需求，從而利用互聯網去創造更多商機。

電子商務站點用戶行為的分析這一問題也因此成為現如今的熱門話題，被人們普遍關心起來，尤其是被眾商家所重視。Web站點的日志數據正以每天數十兆的速度增長。如何分析這些數據，如何從這些大量數據中發現有用的、重要的知識（包括模式、規則、可視化結構等）也成為現在人們最關注的信息。

在此情況下，站點用戶行為分析就可為網站或商家提供出大量有價值的信息，包括站點的受歡迎度的對比、商業廣告點擊情況總括、產品的反饋信息、站點各種信息的點擊情況等等。另外，還可根據不同的頁面內容來分類瀏覽者，以便做出更合理的頁面分類，促使網站逐步向個性化、最優化狀態發展。這一技術對互聯網的發展壯大有著不可忽視的巨大作用，它的發展對信息技術亦將產生深遠的影響。

在電子商務早期階段時，Web站點數據流分析通常是在主頁上安裝計數器以及在一個

外部日志文件上運行簡單的統計程序記錄點擊率。但是，簡單的點擊計數既不準確也遠未達到營銷目的所需的詳細程度。因此，各公司開始尋找更先進的分析工具，這類工具可以提供誰在訪問公司Web站點以及訪問者一旦進入站點后將做些什么的全面信息。站點開始分析的地方是Web服務器的訪問日志。每當用戶在站點上請求一個網頁時，這個請求就被記錄在訪問日志中。如：目前有多少用戶正在訪問站點、他們正在看哪些網頁以及他們在站點中呆了多長時間。顯然，日志分析和行為概況的正確組合可以對Web站點的成功產生直接影響。此外，從日志分析中得到的信息是很難從真實世界中捕獲到的，但這些信息卻可以較容易地在線收集到。Web數據流分析工具的這些最新進展可以使網站獲得有關上網客戶和他們習慣的詳細報告。

二、站點信息統計方法

Web頁面數據主要是半結構化數據，計算機網絡技術和信息技術的飛速發展，使得半結構化數據呈現日益繁榮的趨勢。半結構化數據，是一種介于模式固定的結構化數據，和完全沒有模式的無序數據之間，在查詢前無法預先確定其具體的類型和格式；同時它們相應的數據結構是不固定、不完全或不規則的，即這些數據有的本身就沒有結構，有的只有十分松散的結構，有的數據的結構是隱含的，需要從數據中進行抽取。而有時，盡管數據本身是有精確結構的，但為了一定的目的，而故意忽視它的結構。半結構化數據具有以下五方面的主要特點：

1.結構是不規則的。包含異構數據、相同的數據信息用不同類型或不同的結構表示。

2.結構是隱含的。如電子文檔SGML格式。

3.結構是部分的，有時部分數據根本無結構，而部分數據只有粗略的結構。

4.指示性結構與約束性結構。傳統的數據庫使用嚴格的分類策略來保護數據。而指示性數據結構是對結構的一種非精確的描述。它可接受所有新數據，代價是要頻繁修改結構。

5.半結構化數據通常在數據存在之后才能通過當前數據歸納出其結構，稱之為事后模式引導。模式有時可被忽略，同時數據與數據模式間的區別逐漸消除。

三、數據分析的方法

Web頁面的數據通常是利用統計模型和數學模型來分析的。使用的模型有線性分析和非線性分析；連續回歸分析和邏輯回歸分析；單變量和多變量分析以及時間序列分析等。這

些統計分析工具能提供可視化功能和分析功能來尋找數據間關系、構造模型來分析、解釋數據。并通過交互式過程和迭代過程用來求精模型，最終開發出最具適應性的模型來將數據轉化為有價值的信息。

知識發現是從數據倉庫的大量數據中篩取信息，尋找經常出現的模式，檢查趨勢并發掘實施。它是分析Web頁面數據的重要方法。知識發現與模式識別的算法有以下幾種：1.依賴性分析依賴性分析算法搜索數據倉庫的條目和對象，從中尋找重復出現概率很高的模式。它展示了數據間未知的依賴關系。利用依賴性分析算法可以從某一數據對象的信息來推斷另一數據對象的信息。例如：在雜貨店中，一堆椒鹽餅干放在陳列飲料的走道上，這是因為經過依賴性分析，商店認為：很大一部分買飲料的顧客如果在取飲料的路上看到椒鹽餅干的話就會購買，因而此種分析影響了商店布局。

2.聚類和分類在某些情況下，無法界定要分析的數據類，用聚類算法發現一些不知道的數據類或懷疑的數據類。聚類的過程是以某一特定時間為依據，找出一個共享一些公共類別的群體，它稱為無監督學習。分類過程，這是發現一些規定某些商品或時間是否屬于某一特定數據子集的規則。這些數據類很少在關系數據庫中進行定義，因而規范的數據模型中沒有它們的位置。最典型的例子是信用卡核準過程，可確定能否按商品價格和其它標準把某一購買者歸入可接受的那一類中。分類又稱為有監督學習。

3.神經網絡神經網絡通過學習待分析數據中的模式來構造模型。它對隱式類型進行分類。圖像分析是神經網絡最成功的應用之一。神經網絡用于模型化非線性的、復雜的或噪聲高的數據。一般神經模型由三個層次組成：數據倉庫數據輸入、中間層（各種神經元）和輸出。它通常用恰當的數據庫示例來訓練和學習、校正預測的模型，提高預測結果的準確性。

4.數據挖掘中的關聯規則關聯規則是數據挖掘的一個重要內容，通常關聯規則反映的是數據間的定性關聯關系。如一個商品交易數據庫，一條記錄表示用戶一次購買的商品種類，每個屬性（A、B??）代表一種商品，每個屬性都是布爾類型的。一條關聯規則的例子是：{A、B}→{D}[2%][60%]，規則的含義是“如果用戶購買商品A和B，那么也可能購買商品D，因為同時購買商品A、B和D的交易記錄占總交易數的2%而購買A和B的交易中，有60%的交易也包含D”。規則中60%是規則的信任度，2%是規則的支持度。數據挖掘就是要發現所有滿足用戶定義的最小信任度和支持度閥值限制的關聯規則。數據只是定性地描述一個交易是否包含某商品，而對交易量沒有定量描述，這種布爾類型數據間的關聯規則被稱為定性關聯規則。但數據記錄的屬性往往是數值型或字符型的，這些數據間也存在對決策有幫助的關聯規則，相對于定性關聯規則，這些規則被稱為定量關聯規則。

另外，數據挖掘目前仍面臨著數據質量的問題。由于數據倉庫中的數據來自多個數據源，而在合并中存在很多障礙，如：沒有建立合并視圖所需的公共關鍵字；數據值相互抵觸；元

數據的說明不完備或丟失；數據值的不潔凈等等。數據挖掘是在標準化的數據基礎上進行的，因而這些都會嚴重破壞數據的準確性，導致最終決策的失誤。所有這些問題都在等待著人們去發掘更好的解決方法。

第三篇：電子商務網站分析

實驗內容：分析一個電子商務網站

實驗目的：學會分析一個電子商務網站所采用的經營特色

實驗要求:(1)找一個電子商務網站，分析其所采用的經營模式并寫出你所分析的網站的網址。

(2)從此網站交易特點、交付特點，分析此網站能否贏利，并說明原因？

(3)運用你所學知識對此網站進行改進，使之更合理和更優化。

(1)找一個電子商務網站，分析其所采用的經營模式并寫出你所分析的網站的網址。答：當當網: http:///

綜合運用價格、分銷、促銷等多種營銷因素，來刺激消費者購買，從以前的4Ps營銷策略(產品、價格、渠道、促銷)向4Cs營銷策略(顧客的欲求與需要、顧客獲取滿足的成本、顧客購買的方便性、與顧客的溝通)發展，從以企業為中心向以顧客為中心發展，做到以人為本。

(2)從此網站交易特點、交付特點，分析此網站能否贏利，并說明原因？

答：當當網通過與大量本地快遞公司合作，為顧客提供“送貨上門，當面收款”的服務，加之網上支付、匯款等多種支付方式，大大滿足了客戶在支付方式上的多樣化需求。2008年7月31日，中國銀聯和當當網在北京聯合宣布雙方在電子商務和銀行卡支付領域達成全面合作關系，正式開通了基于智能刷卡電話的“網上購物、刷卡支付”新型電子商務支付服務。同時，當當網也不斷推出新的方便顧客的支付方式。

目前為止，在貨款支付方式方面，當當網提供了貨到付款、網上支付、郵局匯款、銀行轉賬、帳南京理戶余額支付、當當禮品卡支付、支票支付等多種支付方式。據調查，網上購物的付款方式中，消費者大多偏好網上支付(61.5%)和貨到付款(36.1%)。支付方式的多樣化同樣促進了當當網市場的擴展。贏利要數：

? 直接銷售，壓低制造商(零售商)的價格，在采購價與銷售價之間賺取差價。

? 虛擬店鋪出租費，產品登錄費、交易手續費；此外還可以利用平臺，充分利用付款和收到貨物再支付的時間差產生的巨額常量資金逆行其它投資盈利。

? 廣告費。現在這一部分增長得很快。

(3)運用你所學知識對此網站進行改進，使之更合理和更優化。

1.進一步把圖書信息更新詳細同時提高更新速度

2.智能比價系統的技術受質疑，顯然這個系統凸顯了貨比三家，當當的低價策略，在購

買的過程中，當當不是最便宜的！

3.售后服務質量有待提升

4.信用度需要進一步提高

第四篇：運營管理-B2C網站運營核心數據分析模型

第一項：日常性數據（基礎）1.流量相關數據： 1.1 IP 1.2 PV 1.3 在線時間 1.4 跳出率 1.5 新用戶比例 2.訂單相關數據： 2.1 總訂單 2.2 有效訂單 2.3 訂單有效率 2.4 總銷售額 2.5 客單價 2.6 毛利潤 2.7 毛利率

3.轉化率相關數據： 3.1 下單轉化率 3.2 付款轉化率。簡要說明：

1.因為我們已經實現基礎的WEB版數據分析系統（有些公司用進銷存軟件），所以常規性的銷售額、利潤、利潤率，都是可以通過系統實現的。

2.因為直接與商城后臺對接，庫存管理都已經做進去了，分析數據時候，后臺的原始數據都有，設定好各項公式，想要的結果都出來了，這樣實現比用軟件效率更好，且可以根據各自的需求靈活開發。3.由于會出現用戶今日下單，明日付款，所以訂單有效率、銷售額、轉化率、客單價會動態變化，靠EXCEL基本是做不來，所以靈活對接系統非常重要，如果沒有，也可以參考這方面的需求去開發。

第二項：每周數據分析（核心）

用戶下單和付款不一定會在同一天完成，但一周的數據相對是精準的，所以我們把每周數據作為比對的參考對象，主要的用途在于，比對上周與上上周數據間的差別，運營做了某方面的工作，產品做出了某種調整，相對應的數據也會有一定的變化，如果沒有提高，說明方法有問題或者本身的問題并在與此。

1.網站使用率：IP、PV、平均瀏覽頁數、在線時間、跳出率、回訪者比率、訪問深度比率、訪問時間比率。

這是最基本的，每項數據提高都不容易，這意味著要不斷改進每一個發現問題的細節，不斷去完善購物體驗。來說明下重要的數據指標：

1.1 跳出率：跳出率高絕不是好事，但跳出的問題在哪里才是關鍵。我的經驗，在一些推廣活動或投放大媒體廣告時，跳出率都會很高，跳出率高可能意味著人群不精準，或者廣告訴求與訪問內容有巨大的差別，或者本身的訪問頁面有問題。常規性的跳出率我注于登錄、注冊、訂單流程1-3步、用戶中心等基礎頁面，如果跳出率高于20%，我覺得就有不少的問題，也根據跳出率來改進購物流程和用戶體驗。

1.2 回訪者比率=一周內2次回訪者/總來訪者，意味著網站吸引力，以及會員忠誠度，如果在流量穩定的情況下，此數據相對高一些會比較高，太高則說明新用戶開發的太少，太低則說明用戶的忠誠度太差，復購率也不會高。

1.3 訪問深度比率=訪問超過11頁的用戶／總的訪問數，訪問時間比率=訪問時間在10分鐘以上的用戶數／總用戶數，這兩項指標代表網站內容吸引力，數據比率越高越好。2.運營數據：總訂單、有效訂單、訂單有效率、總銷售額、客單價、毛利潤、毛利率、下單轉化率、付款轉化率、退貨率；

每日數據匯總，每周的數據一定是穩定的，主要比對于上上周的數據，重點指導運營內部的工作，如產品引導、定價策略、促銷策略、包郵策略等。

2.1 比對數據，為什么訂單數減少了？但銷售額增加了？這是否是好事？ 2.2 對比數據，為什么客單價提高了？但利潤率降低了？這是否是好事？

2.3 對比數據，能否做到：銷售額增長，利潤率提高，訂單數增加？這不是不可能。所有的問題，在運營數據中都能夠找到答案。第三項：用戶分析 1.會員分析：新會員注冊、新會員購物比率、會員總數、所有會員購物比率； 概括性分析會員購物狀態，重點在于本周新增了多少會員，新增會員購物比率是否高于總體水平。如果你的注冊會員購物比率很高，那引導新會員注冊不失為提高銷售額的好方法。

1.1 會員復購率：1次購物比例、2次購物比例、3次購物比例、4次購物比例、5次購物比例、6次購物比例；

1.2 轉化率是體現的是B2C的購物流程、用戶體驗是否有好，可以叫外功，復購率則體現B2C整體的競爭力，絕對是內功，這包括知名度、口碑、客戶服務、包裝、發貨單等每個細節，好的B2C復購率能做到90%，沒有復購率的B2C絕對沒有任何前途，所以這也能夠理解為什么很多B2C愿意花大錢去投門戶廣告，為了就是獲取用戶的第一次購買，從而獲得長期的重復購買。但某些B2C購物體驗做的不好，花大錢砸廣告，這純屬燒錢行為。所以我覺得運營的核心工作，一方面是做外功，提高轉化率，獲取消費者第一次購買行為，另外一方面就是做內功，提高復購率，B2C根本也就在重復購買。所以B2C是個綜合學科，做好每門功課真是不容易，不過也就是依靠每個細節，才奠定了B2C發展的基石。中國的B2C是幸運的，因為中國的消費者很寬容，你欺騙我一次，我可能還會原諒你，說實話給消費者選擇的空間也并不是那么多，但隨著新崛起B2C的成長，對服務的關注與投入，我相信未來的B2C會是個服務行業，而不是搬運工。

第四項：流量來源分析

我們用的是Google Analytics，統計的數據比較詳細，流量來源分析我覺得最重要的意義是：

1.監控各渠道轉化率，這是運營的核心工作，針對不同的渠道做有效的營銷，IP代表著力度，轉化率代表著效果；

2.發掘有效媒體，轉化率的數據讓我們很清晰的了解什么樣的渠道轉化效果好，那么以此類推，同樣的營銷方式，用在同類的渠道上，效果差不到哪去，BD或廣告就可以去開發同類的合作渠道，復制成功經驗。

流量分析是為運營和推廣部門指導方向的，除了關注轉化率，還有像瀏覽頁數、在線時間，都是評估渠道價值的指標。

第五項：內容分析

主要的兩項指標：退出率和熱點內容

1.退出率是個好醫生，很適合給B2C檢查身體，哪里的退出率高，基本會說明有些問題，重點關注登錄、注冊、購物車、用戶中心，這些是最基礎的，但也是最關鍵的。一般我會列出TOP20退出率頁面，然后運營部會重點討論為什么，然后依次進行改進，不過我們今年做的很粗曠，做得也不是很好，來年重點完善。2.熱點內容這部分是用來指導運營工作的，消費者最關注什么，什么產品、分類、品牌點擊最高，這些數據在新的運營工作中做重點引導，推薦消費者最關注的品牌、促銷最關注的商品等等。

第六項：商品銷售分析

這部分是內部數據，根據每周、每月的銷售詳情，了解經營狀況，做出未來銷售趨勢的判斷，這部分數據模型還在規劃中，每家的情況都不同，所以這里就不做說明了。本文寫的比較倉促和潦草，年后有空會把每一部分延伸來寫，希望能對大家有些幫助，對B2C的經營時間比較段，經驗并不多，所以請高手不必見笑了。

第五篇：SEO如何分析網站數據

筆者之前因為從事過數據分析工作（主要是做GA數據分析），因此對于數據比較敏感，現在接觸到SEO項目執行，在執行過程中要定期的進行項目工作匯報，因此對于SEO推廣的工作效果定期分析必不可少，SEO工作要分析數據，具體要分析哪些數據。

1、網站內容質量分析

這里的內容質量分析不僅是分析網站內部更新的內容的質量，同時也要分析網站外鏈發布的內容的質量（之前遇到過內容發布質量過低顯現）；網站內容質量分析標準：

網站標題是否原創，是否能引起用戶關注；網站整體內容原創度如何，外鏈內容原創的在40%以上，站內內容在100%的標準；網站整體語句是否通順；網站整體的內容為多少個字（我們要求是500-800字左右）；網站內容被轉載情況（群眾的眼睛是雪亮的，如果內容質量好大家一定會轉載）。

2、網站關鍵詞排名進度分析

網站的排名進度是最能體現排名效果，通過對排名的進度監控及時了解排名進度情況，方便對SEO實施工作進行調整，同時排名也是不叫直觀了解項目的進度匯報工作方式。

3、網站收錄數據分析

分析的數據主要是分析我們目標的搜索引擎網站收錄情況，對于整案客戶和客戶舒服統計方便我們的以后工作，通過數據分析可以預控網站出現意外情況，如：網站收錄數據位為5000條，突然網站內容降低為10條，夠悲劇吧，當然通過數據分析你可以監控到項目的問題情況。

4、網站外鏈收錄數據分析

對于SEO工作大家都是外部鏈接的工作需要穩定增進，網站“暴飲暴食”對站點影響很大，當然除了日常操作的外部鏈接情況，我們還要監控網站的當天收錄的鏈接情況。

5、網站流量分析

通過關鍵詞流量的分析，監控到哪些詞獲得高流量，對于我們不同網站的需求進行指定對應的提升方案，如：我們網站需要大量流量，當然我們可以使用長尾關鍵詞進行拓展延伸以此提上我們網站的流量。

6、網站外鏈質量分析

對于外部鏈接的質量分析這里我不進行過多描述，網絡上面有很多的內容判斷內容的質量方法。這里重點提到對于SEO工作我們日常實施中需要新建設資源同時有沒有資源的時候，便于對內容進行資源的監控，篩選資源質量。

7、網站蜘蛛程序爬行分析

網站訪問的內容的日志被放在我們網站的日志文件夾中，如果使用虛擬主機，直接通過FTP進行下載，配合日志分析工具（光年、逆火進行分析）分析網站被搜引擎搜索頁的內容的情況，及時調整網站內部的設置和鏈接布局。

8、網站用戶點擊熱力圖

熱力圖工具（百度統計工具、谷歌GA）加入代碼，指定對一個的統計頁面即可觀察網站的點擊情況，對于銷售型網站通過熱區情況及時了解到網站受眾追捧區域情況，方便調整內容的更換。

9、網站服務器拒絕訪問情況

分析網站服務器拒絕放棄的時間，對于商貿網站，用戶體驗度提升有幫助，對于服務器拒絕時間如果過長我們要分析站點內容是否有問題，服務器配置上面是否有問題，對于長時間拒絕訪問的網站對搜索引擎也不是很友好。

本文由拍鞋網商城http://shop2001191.paixie.net/整理