本章主要讲Google Analytics的使用，例如为网站定制追踪访问者行为、按需求创建个性化报告、控制报告数据、快速数据导出和数据分析的高级应用等。但我目前对工具的使用不太敢兴趣，记录一下其他的点吧

数据分析高级应用

• 数据统计：描述数据形态和特征
• 数据分析：从数据中发现问题、寻找规律，数据特征描述和数据分布，假设检验、方差分析、相关分析、回归分析等
• 数据挖掘：预测层面，关联规则、监督学习、无监督学习等
  

网站内容关联推荐

• 营销上分为两类
  

• 向上营销（UpMarketing）：根据客户过去消费喜好，提供更高价值或其他用以加强其原有功能及用途的产品或服务（nano与itouch）。同类产品线升级或优化的产品。
• 交叉营销（CrossMarketing）：从客户购买行为中发现客户多种需求，向其推销相关的产品或服务（ipod和iPhone、ipad）。相似但不同类产品。
  

关联规则

• 关联规则（Association Rules）算法：基于用户历史行为，从用户会同时购买的商品中寻找规律，更有利于发现用户的潜在需求，帮助用户更好地选择他们需要的产品
  

• 举例：购买所有商品任意一种的用户全集U，购买A的集合A和购买AB两种商品的集合G。支持度和置信度是衡量AB关联性的两个指标
• 支持度（Support）= 集合G人数/集合U人数
• 置信度（Confidence）= 集合G人数/集合A人数
• 设置最小支持度和最小置信度
• 提升度（Lift）=购买A之后购买B的人数比例/所有用户中购买B的人数比例：提升度>1才认为A会带动B的销售，否则B本身就是购买率很高的商品
  

• 关联规则需要处理大量的用户行为数据，而且用户行为的不断变化需要我们不断更新关联规则，有巨大维护成本
• 优劣势
  

• 优势：1）一用户行为数据为基础，考虑了用户实际需求，更贴合用户需要和习惯；2）随着用户行为变化更新结果，推荐具备时效性
• 劣势：1）需要以用户行为数据为基础，无法对新发布内容做有效推荐，“冷启动”问题；2）需要更新，消耗较大计算成本和较长的时间
  

KNN相关内容推荐

• 基于内容的固有属性
• KNN（K-Nearest Neighbor Algorithm）：K最近邻算法，通过计算个体间的距离或者相似度寻找每个个体最相近的K个个体，算法的时间复杂度与样本个数相关，需要完成一次两两比较过程。
• 常被用于分类算法，是一种分类学习算法
• 优劣势
  

• 优势：1）基于内容固有属性，不存在“冷启动”问题；2）内容固有属性一般不会变动，只要增量计算新加入的内容与所有内容的关联性即可
• 劣势：1）仅考虑了内容的固有关系，很难做到跨越很大类别的推荐；2）无法考虑到内容的重叠和替代关系，导致重复推荐，或者已过时内容的推荐
  

通过这本书知道了网站分析的一些指标，但这本书时间太长，适用性不知道强不强，差的还是具体的实战案例业务，所以下一本《数据挖掘与数据化运营实战》

本章主要讲Google Analytics的使用，例如为网站定制追踪访问者行为、按需求创建个性化报告、控制报告数据、快速数据导出和数据分析的高级应用等。但我目前对工具的使用不太敢兴趣，记录一下其他的点吧

数据分析高级应用

• 数据统计：描述数据形态和特征
• 数据分析：从数据中发现问题、寻找规律，数据特征描述和数据分布，假设检验、方差分析、相关分析、回归分析等
• 数据挖掘：预测层面，关联规则、监督学习、无监督学习等
  

网站内容关联推荐

• 营销上分为两类
  

• 向上营销（UpMarketing）：根据客户过去消费喜好，提供更高价值或其他用以加强其原有功能及用途的产品或服务（nano与itouch）。同类产品线升级或优化的产品。
• 交叉营销（CrossMarketing）：从客户购买行为中发现客户多种需求，向其推销相关的产品或服务（ipod和iPhone、ipad）。相似但不同类产品。
  

关联规则

• 关联规则（Association Rules）算法：基于用户历史行为，从用户会同时购买的商品中寻找规律，更有利于发现用户的潜在需求，帮助用户更好地选择他们需要的产品
  

• 举例：购买所有商品任意一种的用户全集U，购买A的集合A和购买AB两种商品的集合G。支持度和置信度是衡量AB关联性的两个指标
• 支持度（Support）= 集合G人数/集合U人数
• 置信度（Confidence）= 集合G人数/集合A人数
• 设置最小支持度和最小置信度
• 提升度（Lift）=购买A之后购买B的人数比例/所有用户中购买B的人数比例：提升度>1才认为A会带动B的销售，否则B本身就是购买率很高的商品
  

• 关联规则需要处理大量的用户行为数据，而且用户行为的不断变化需要我们不断更新关联规则，有巨大维护成本
• 优劣势
  

• 优势：1）一用户行为数据为基础，考虑了用户实际需求，更贴合用户需要和习惯；2）随着用户行为变化更新结果，推荐具备时效性
• 劣势：1）需要以用户行为数据为基础，无法对新发布内容做有效推荐，“冷启动”问题；2）需要更新，消耗较大计算成本和较长的时间
  

KNN相关内容推荐

• 基于内容的固有属性
• KNN（K-Nearest Neighbor Algorithm）：K最近邻算法，通过计算个体间的距离或者相似度寻找每个个体最相近的K个个体，算法的时间复杂度与样本个数相关，需要完成一次两两比较过程。
• 常被用于分类算法，是一种分类学习算法
• 优劣势
  

• 优势：1）基于内容固有属性，不存在“冷启动”问题；2）内容固有属性一般不会变动，只要增量计算新加入的内容与所有内容的关联性即可
• 劣势：1）仅考虑了内容的固有关系，很难做到跨越很大类别的推荐；2）无法考虑到内容的重叠和替代关系，导致重复推荐，或者已过时内容的推荐
  

通过这本书知道了网站分析的一些指标，但这本书时间太长，适用性不知道强不强，差的还是具体的实战案例业务，所以下一本《数据挖掘与数据化运营实战》