數據分析

初見指標與維度 當我第一次碰到Google Analytics的時候，除了複雜的報表之外，最讓我頭痛的就是維度（Dimensions）與指標（Metrics）這兩個名詞。 但其實你在Google Analytics是看不到這兩個名詞的，更正確來說在Data Studio的時候才是真的對這兩個東西感到疑問的時候，因爲做可視化報表時，光是行列的轉換和其會如何呈現的混亂就可以讓人很崩潰。 那到底什麼是維度、什麼是指標？名詞都是一樣的，都有其意義，只要我們可以進行代入與套用，就不難理解這些玩意兒。 指標與維度的定義 首先從Google說明中心的定義來看： 維度（Dimensions）：維度是資料的屬性。舉例來說，「城市」維度用來指出工作階段的來源城市名稱 (如「巴黎」或「紐約」)，「網頁」維度則表示使用者所瀏覽網頁的網址。 指標（Metrics）：「指標」則是量化測量方式。比方說，「工作階段」指標表示工作階段總數，「單次工作階段頁數」指標則指出每個工作階段的平均網頁瀏覽量。 其實已經不難理解了對吧？ 但其實對初學者來說，這頂多就是知道這兩個名詞本身的意義而已。就如同我們知道了「汽車」這個物體，但如果不能理解汽車有哪些作用、功能、模式甚至如何操作等等，基本上就如同我們現在看到這兩個名詞的狀況一樣茫然。 其實在一般生活當中，你也很難遇到這兩個名詞，但如果常使用到Google Analytics或者Datastudio的話，一定會碰到這部份。（當然還有Tableau） 先來談談維度（Dimensions） 這時候我們多利用比喻法的話，通常可以很簡單的瞭解一個項目。以維度（Dimensions）來說，說明中提到： 「城市」維度用來指出工作階段的來源城市名稱 (如「巴黎」或「紐約」) 那我們可以將城市比喻爲「人」，「巴黎」或「紐約」則是人身上的某種屬性。例如：以膚色區分、以性別區分（上述兩個舉例範圍都太小）、以穿著風格區分，甚至是以個性來區分（也許個性是比較適合的，個性跟城市一樣可能有上百種）。 所以這樣看起來，維度是有「分層」的，維度之下有次要維度，次要維度之下還可以再有更次要的維度…這很像是分類的分類的分類，無限延伸下去。只要你能夠將其切割開來，你要用幾層維度去看待都可以。 在繼續以「人」這個維度來看的話，「人」再往下分又可以是「性別」，接著「居住地」、「職業」、「年齡範圍」等等。 從這邊也可以看到資料從原本的單一變到相當複雜的程度，除了變多之外也有更多的屬性可以區別他們。這也是為什麼會需要拆解相當的維度來分析資料的原因，想知道做服務業的男性在哪個年齡層以及哪些城市，就必須把維度拆到四層來檢視。 跟在GA分析一樣，你今天發現Organic Search管道這個月轉換率特別高，為什麼？光知道管道轉換率高沒意義，我們必須要抓到管道內的哪些到達頁面達成了這樣的高轉換，而且還要知道這些頁面的特徵是什麼。是因為趨勢嗎？還是因爲促銷活動？或者是某些網紅、KOL在他們的社群分享了你的產品進而讓這些受眾通過自然搜尋找到了你的網站而達成高轉換？ 在上述的例子當中你至少要拆三個維度出來檢查才可能找到真的答案。 那現在換說指標？ 然後上段說明當中其實已經講到了某個指標了，大家有看出來嗎？沒錯！就是轉換率的部分。指標就相對簡單了，白話來講，「身高」以及「體重」就會是「人」指標，轉換率來講的話，你可以比喻爲「體脂率」(？)。 所以指標可以衡量維度，來確立這個維度目前的數據以表達狀況。以上段說明來看，如果我沒有使用轉換率這個指標的話，我根本不會知道Organic Search管道出現了什麼比較突出的表現，而維度沒有指標來說明狀況的話，幾乎也沒有太大意義。（這跟你在夢中夢到自己變成一顆鳳梨卻什麼事情都不能做一樣。） 像是這樣： 我們想從年齡範圍（維度）在21-33歲（維度）左右的男性（維度）中挑選出職業為軟體業（維度）的人（維度），並調查這群人的年收入（指標），還要以地區（維度）做為切分。 × 關閉警示 未來會持續分享我對於這些維度與指標的使用，並利用在資料分析工具上頭。大多數會是Google Analytics，並且搭配資料可視化軟體來做為方便我們檢視趨勢或者頻率的工具。 Sami