看过本《大数据时代》，里面提到个很有意思的例子：以前美国爆发流感，一家专业的医疗机构使用传统的普查方法，来调查疾病的传播情况。这种方法有许多劣势，比如成本很高，也需要几周这么长的时间才能准确的把握疾病的传播现况。

而同时Google公司也采用了一种调查方法。它利用自己现有的搜索数据，看哪个洲的用户搜索疾病症状相关词的趋势发生了变化，从而估算疾病已经传播到了哪里。

最终证明，Google的估算方法准确率也非常高，同时不需要什么成本。且最关键的是，它能及时性的了解疾病的传播情况，大幅便于人们防范准备。

该书中没提到的是，又何况是Google公司才能做到这样的分析，借助于搜索引擎的开放数据，比如最典型的Google Trends与百度指数，几乎任何人都可以做到此般的分析。唯一的前提，就是具有数据分析的意识。

遇到过许多PM，他们为了流量的提升预期，找SEO寻求帮助。

其中不乏一些思路很清晰的PM，一开始就把业务线的来源流量进行拆分，如多少百分比是自有流量、多少是导航站流量、又多少是SEO流量。这一步他们清晰化了，SEO对他们的重要性如何。

之后他们继续分解，SEO带来的流量中，多少着陆页是列表页、多少是详情页，各自对应的访问深度（Pages/Visit）又是多少。在这一步，他们明确了希望重点强化SEO的页面类型，及期望流量被引导的方向。

最终，仅是通过数据的几次细分，他们就将抽象的流量提升意图，具体成了明确改进需求。尤对于大公司的跨部门协作而言，越清晰的需求代表着越高的靠谱几率，模糊的需求容易被应付了事（当然只是说整体客观情况，不是说我们SEO部门）。

数据细分，是分析一整件事情中哪块更重要，并将要做的事情清晰化的有力手段。

数据对比分析，也是一个常用的利器。

比如说招聘，它的需求有非常明显的季节性，春节前后分别对应低谷高峰，此时百度上面招聘类的搜索量也会随之极大幅度的起伏。因此正常情况下，此类SEO流量也会跟着节前少、节后多。

但是凡是人总有个坏毛病，看到好事容易觉得是理所当然的，看到坏事就立马神经绷紧了。节前招聘类SEO流量下降，那绝对有人会紧张。哪怕可能已经考虑到季节性因素了，看着流量趋势图也挺可能会想，是不是降的太多了点啊？

好吧，为了抚平自己或他人的不安情绪，就需要进行数据分析，看流量的下降是否除了季节性因素之外还有其他因素。

分析的方法可以有很多，比如排除搜索量因素后，看收录、排名、点击率三个指标有没有变动；或者分析大量行业词的搜索趋势变化。这里只说我常用的最简单的方法：

假如说网站是智联招聘，取来源关键词包含“智联”的作为“品牌词流量”，不包含“智联”的作为“常规SEO流量”。

因为：常规SEO流量 = 收录 x 排名 x 点击率 x 搜索量

但品牌词流量基本不受收录影响、排名固定接近第一、点击率也差不多是100%固定的，所以可以推出：品牌词流量 = 搜索量

因此品牌词流量的变化，可以用来度量搜索量的起伏。通常情况下，如果常规SEO流量的变化趋势和品牌词流量差不多，那么季节性因素往往是引起流量波动的主要原因。

当然还有少数情况，比如网站进行大规模推广可能让品牌词流量大幅提升；网站加入导航站、购买品牌词PPC等可能导致品牌词流量一定程度下降。在这些特殊情况下，上述分析方法就不能用了，需要自行鉴别，不能全靠死板的数字。

只要有了分析的方向，其他相对而言都不是太大的问题。尽管涉及到SEO，各类不同数据的获取渠道都不尽相同，显得很麻烦，但毕竟也都是具有确定性的技术活。

我们要解决什么问题、要从何切入去解决、数据在整个过程中能扮演怎样帮助我们的角色，这是需要用最多时间去思考的。

标签：