產品分析 vs 網站分析 vs BI:何時用哪個
摘要:三類工具不是三選一,而是三條不同的問題鏈——「誰來了」「做了什麼」「結果怎麼算」。混淆它們的代價,是用錯誤的分析單元去回答一個不屬於它的問題。
數據工具選型會上最常見的爭執,是「我們已經有 BI 了,為什麼還要買產品分析」或「網站分析不也能看轉化嗎」。這類爭論往往沒有結論,因為雙方拿的是同一批指標名,卻在說不同的分析單元。網站分析以會話與頁面瀏覽為單位,產品分析以用戶與事件序列為單位,BI 以經營主題與統一口徑的指標為單位;三者可以有相似的漏鬥圖,但分母、時間視角與可回答的問題完全不同。本文不比較廠商,而是把三者的模型差異、適用決策與銜接方式拆開,給出一張可直接用於選型的判據表。
關鍵要點
- 三類工具回答三類問題:網站分析看流量與來源,產品分析看用戶在產品內的行為與流失,BI 看按統一口徑結算的經營結果。
- 分析單元決定能問什麼:會話、用戶與經營主題各有各的分母,拿會話報表算留存、或拿 BI 報表追單次流失步驟,都會得到看似合理的錯答案。
- 產品分析的特徵是按用戶組織事件序列,漏鬥、留存與路徑是它的三個基本視角,而不是三個獨立報表。
- BI 的價值在口徑治理:把指標、維度與實體關係集中定義到語義層,讓不同部門的報表在同一個數字上對齊。
- 選型按決策場景而非部門:拉新投放看網站分析,功能改版看產品分析,月度經營復盤看 BI;跨場景問題需要三者串起來。
- 長期要收斂到一套指標字典,並用自然語言問數與報表分發降低取數門檻,否則工具越多、口徑分歧越大。
一、結論先行:三類工具回答三類不同的問題
把三者放在同一張採購清單上比較,是選型中最常見的框架錯誤。網站分析的起點是「一次訪問」:用戶從哪裡來、看了哪些頁面、停留多久、哪個渠道帶來多少會話;Google 的 Data API 基礎檔案 清楚體現了這個模型——報表由維度、指標與日期範圍構造,輸出的是聚合後的流量切片。產品分析的起點則是「一個人」,把註冊、搜索、加購、提交等動作串成事件序列,再按用戶分組觀察步驟之間的轉化與回訪;漏鬥、留存 與 路徑 因此不是三個孤立功能,而是同一份事件數據在不同切法下的三個視角。BI 的起點既不是會話也不是單個用戶,而是「經營主題」:收入、成本、客單價、渠道貢獻,按公司認可的口徑結算,且必須能與財務、CRM 等系統對齊。於是「我們該用哪個」被改寫成「這次要做的決定屬於哪條問題鏈」:投放預算分配屬於第一條,註冊流程改版屬於第二條,季度經營復盤屬於第三條。三者並不互斥,真正需要避免的是拿一條鏈的指標去回答另一條鏈的問題。
二、數據模型差異:會話、事件與語義層
模型差異具體落在三處。第一處是分析單元。網站分析把一次訪問作為容器,頁面瀏覽掛在會話下,天然擅長回答「哪個落地頁的跳出高」,但不擅長回答「這批用戶下個月還回來嗎」——後者需要跨會話把同一個用戶識別出來。產品分析把用戶標識作為主鍵,事件按時間排列,因此能構造分步轉化與回訪 cohort;代價是必須維護身份合併規則,匿名到登入、多設備到同一賬號的映射若做錯,後面所有留存數字都會失真。第二處是時間視角。網站分析多按訪問發生的時間窗聚合,產品分析關心用戶首次行為之後的後續周期,BI 則按財務或運營結算周期出數;同一句「轉化率上升」,在三個時間視角下可能指向完全不同的事實。第三處是指標定義權。BI 側的關鍵實踐是把指標、維度與實體關係集中定義,dbt 在 語義模型檔案 裡把它描述為可供不同報表復用的一層定義,Microsoft 的 Power BI 星型模型指南 則從建模角度說明事實表與維度表為何要圍繞經營主題組織。這一層的意義是:當市場部與財務部都說「新增客戶」時,兩人算的是同一個東西。缺少它,工具越多,同一個指標名下的分歧就越多。
三、一張對比表:分析單元、時間視角與典型問題
| 維度 | 網站分析 | 產品分析 | BI |
|---|---|---|---|
| 分析單元 | 會話與頁面瀏覽 | 用戶與事件序列 | 經營主題與統一口徑指標 |
| 典型數據 | 渠道、來源、落地頁、跳出 | 註冊、搜索、加購、提交 | 收入、成本、客單價、渠道貢獻 |
| 時間視角 | 訪問發生的窗口 | 首次行為之後的後續周期 | 財務或運營結算周期 |
| 核心問題 | 誰來了、從哪來 | 做了什麼、在哪一步流失 | 結果怎麼算、口徑是否一致 |
| 典型產出 | 流量與渠道報表 | 漏鬥、留存、路徑分析 | 經營看板與管理報表 |
| 主要風險 | 跨會話身份斷裂 | 身份合併規則錯誤 | 指標口徑分歧 |
表格裡最容易踩的是「圖形相似、分母不同」。三類工具都能畫漏鬥,但網站分析的漏鬥常以會話為分母,產品分析以進入首步的用戶為分母,BI 的漏鬥則可能以訂單或商機為分母;把三張圖並排比較,幾乎必然得出錯誤結論。同理,留存的定義 依賴用戶是否在後續周期回訪,這在純會話報表裡無法直接得到;而 路徑分析 處理的是產品內事件序列,與網站分析裡的頁面瀏覽序列不是同一件事。反過來,BI 也不適合追查「用戶卡在提交按鈕前哪一步」——它擅長的是結算與對比,不是還原單次行為。使用表格時的判據很簡單:先寫下這次決定要用到的分母與時間窗,再看哪一類工具的模型原生支持它;需要跨兩列才能回答的問題,就應當明確分工,而不是讓某一類工具勉強兼做。
四、怎麼選:按決策場景而不是按部門
落到日常,建議按決策頻率與責任邊界來分。投放與內容團隊關心渠道品質、落地頁表現與搜索詞帶來的訪問,這類問題高頻、短周期,網站分析的會話模型最省力,也最容易與廣告平臺對齊。產品與增長團隊關心的是「改版之後完成率有沒有提升」「新用戶第幾天開始流失」,需要按用戶與 cohort 切分,並反覆查看同一步驟的轉化差異,這是產品分析的主場;漏鬥檔案 裡對步驟序列與轉化窗口的定義,正好對應這類實驗的觀測需求。管理層與財務關心月度、季度的經營結果與跨部門口徑,BI 的強項是可審計、可復算、可對齊,星型模型與語義層讓報表不至於隨人員變動而變形。真正的難點是跨場景問題,例如「某個渠道帶來的用戶是否更留得住」:來源在網站分析,留存在產品分析,收入貢獻在 BI。此時不要指望某一類工具吞掉其它兩類,正確做法是先約定用戶標識與口徑映射,把三段數據在同一個主題上拼起來,並明確每一段的責任方與刷新節奏。按場景分工、按標識銜接,比爭一套「統一平臺」更容易落地,也更不容易在關鍵數字上失控。
五、落地:把三者接在同一套指標字典上
能長期跑下去的形態,是把三者接成一條有治理的鏈路,而不是三套各自生長的報表。底層先統一數據接入與身份映射,把匿名訪問、登入用戶與業務實體的關聯規則寫清楚;中層建立指標字典與語義層,把「活躍」「新增」「轉化」「留存」這類高頻詞的定義、分母、時間窗與負責人固定下來,讓不同工具引用同一份定義;上層才是分析動作——基礎分析覆蓋站點、頁面、區塊、頁面性能與頁面錯誤,再往上做漏鬥轉化、留存分析、路徑會話、人群分析與歸因分析,並用自然語言問數與報表自動化把取數門檻降下來,配合可視化看板與 A/B 驗證每次改動。這樣,網站分析回答的來源問題、產品分析回答的行為問題、BI 回答的結算問題,都能在同一套口徑下被追問與覆核。通智睿見 Insight 作為智能數據平臺,正是圍繞洞察這條鏈路組織能力:從數據接入、指標字典與語義層,到基礎分析、漏鬥轉化、留存分析、路徑會話、增長分析、人群分析與歸因分析,再到自然語言問數、報表自動化與分發、可視化看板與 A/B,讓團隊不必在三類工具之間手工對齊口徑。回到 語義層的工程實踐:先治理定義,再談分析與展示,三類工具才會互相補位,而不是各自給出三個都不一樣的事實。
常見問題
問:已經有 BI 了,還需要產品分析嗎?
答:通常需要。BI 擅長按統一口徑結算經營結果,不擅長還原單個用戶在流程裡的步驟與流失位置。若決策涉及「改版後哪一步掉了」,就需要以用戶與事件序列為單元的產品分析視角。
問:網站分析裡的漏鬥和產品分析的漏鬥能直接對比嗎?
答:不能。兩者分母與時間視角不同,前者常以會話為單位,後者以進入首步的用戶為單位。並排比較前先寫清各自的分母、窗口與轉化定義,否則圖形相似也說明不了問題。
問:三類工具的分工應該按部門劃嗎?
答:更建議按決策場景劃。投放與渠道品質、功能改版與留存、月度經營復盤分別對應三類模型;跨場景問題則靠統一的用戶標識與口徑映射把三段數據拼起來,而不是各做各的。
問:指標字典為什麼這麼重要?
答:因為同一個詞在不同工具裡可能有不同分母與時間窗。把定義、口徑與負責人集中管理並沉澱到語義層,不同報表復用同一份定義,才能避免市場部與財務部對「新增客戶」得出兩個數字。
問:自然語言問數適合放在哪一層?
答:放在指標治理之後。只有當指標字典與語義層把定義固定下來,問數才不會把模糊口徑放大成看似權威的答案;它降低的是取數門檻,不能替代口徑治理本身。
資料來源
- PostHog,Funnels 官方檔案:以用戶完成的步驟序列定義轉化漏鬥與流失。
- PostHog,Retention 官方檔案:以用戶是否在後續周期回訪、按 cohort 分組衡量留存。
- PostHog,Paths 官方檔案:以產品內事件序列觀察用戶實際路徑。
- dbt,Semantic models 官方檔案:把指標、維度與實體關係集中定義為可復用的語義層。
- Microsoft Learn,Power BI 星型模型指南:事實表與維度表圍繞經營主題組織的 BI 建模實踐。
- Google Analytics,Data API basics:以維度、指標與日期範圍構造流量報表的網站分析模型。
相關閱讀
立即行動
關於通智雲
通智雲(TENGENCE)是 AI 時代的企業增長引擎,專注公域引流獲客與私域轉化成交;核心產品為通智 GEO(GEO + SEO 雙引擎)、通智搜尋與通智睿見 Insight(智能數據平臺)。圍繞本文討論的三類分析工具,通智睿見 Insight 面向洞察場景,把數據接入、指標字典與語義層、基礎分析(站點、頁面、區塊、頁面性能與頁面錯誤)、漏鬥轉化、留存分析、路徑會話、增長分析、人群分析與歸因分析組織在同一條鏈路上,並提供自然語言問數、報表自動化與分發、可視化看板與 A/B,讓跨工具的口徑對齊不再依賴人工核對。