除了土法煉鋼的把數據下載下來一一整理之外，其實你可以善用 Google Analytics 的分群分類與資料清理設定，從根本來解決這些數據雜亂與大量數據的問題，那就開始囉！

來源媒介報表欄位數據雜亂怎麼辦？

釐清為什麼來源媒介報表會雜亂？

Google Analytics 使用久了很常會發現來源媒介報表欄位太多，乍看之下很難直接比較大小，常見的原因如下：

一、因為隨著公司業務跟資源擴張，有更多資源跟外部合作的流量來源，自然就會有比較多不同來源的流量進站

二、因為多人使用UTM所造成的資料混亂，比方說同樣是LINE@來源的網站數據，來源媒介可能同時出現LINE/ LINE@、line/ line@、Line/ line@、line/ Line@等不同的來源媒介欄位。這是因為對於GA來說，如果UTM參數沒有完全一致，不論問題是大小寫不同、有空格沒空格等差異，都會是不同的來源媒介，數據也自然會被分開數據欄位來計算。

彙整來源媒介資料的解決方法

要處理上述提到的問題其實很簡單，我們可以善用「自訂管道」來幫我們分類。舉例來說，我知道LINE/ LINE@、line/ line@、Line/ line@、line/ Line@這四種來源媒介的數據其實都是來自於LINE@，那麼我就可以使用自訂管道，讓GA為這四個來源媒介的數據做一個LINE@的管道群組，就可以自動加總這些來自於同樣來源媒介的數據了。

自訂管道在上百來源媒介的大型網站來說也有很大的幫助，我們可以透過自訂管道為各種來源媒介做分類，例如說，可以分成自然流量(organic)、付費廣告(cpc)、異業合作(referral)、直接流量(direct)、社群(social)等，分類可以依照分析的需求來訂立，重點是可以為每個來源媒介都歸類，再從分類比較後細部看每個分類的狀況，那麼比大小、數據拆解就會更好應用在同一個分類的來源媒介比較囉！

當然，上述方法是在事情發生後的解決辦法，是因為GA的資料一旦收集完畢，就沒辦法更改，但終究是治標不治本的作法，畢竟，你不會知道下次會不會在共同協助的過程中，有人又把UTM的參數設定的超 出設定自訂管道的設定範圍，舉例來說，假設有人設定了LINE/LINE 當作LINE@的來源媒介參數，那可想而知這絕對不會自動歸類到我們設定好的自訂管道分類裡。

比較治本的作法，其實還是團隊協作過程中，設定一份共同執行的UTM列表，清楚寫明哪些流量管道要用哪些參數，才可以盡可能避免來源媒介報表雜亂的問題。至於已經蒐集還是要進行分析的數據，我們就可以用「自訂管道」來幫我們做資料分類與彙總。

同一個網頁卻被分類到不同數據欄位怎麼辦？

還有一種常常在使用GA分析過程中會遇到的問題，那就是同樣的網址卻因為有不同的參數，導致同一頁面的瀏覽網站數據被拆分成不同列的網站數據，這個在分析上同樣也很困擾，畢竟我們不太可能只看沒有參數的條列，而忽略有參數的列表，雖然每一個列表的使用者看起來不多，但多筆筆數加起來的使用者也是非常可觀的數據。

切換主要維度整合同一頁的數據

這種情況通常會發生在Google Analytics 的行為報表 > 網頁內容 > 所有網頁或到達頁面中，如果是在所有網頁行為分析的過程當中遇到這個問題比較好解決，我們可以把報表的維度從「網址」切換成「網站標題」，因為即便是有不同參數，但同一個頁面的網站標題還是不會改變，就可以快速的解決參數所產生的列表分開問題。

使用篩選器設定排除不必要的參數

如果是在到達頁面的話，我們就沒有辦法切換成網頁標題，土法煉鋼的作法是只能用人工使用篩選功能或是下載報表的方式手動整理，但要完全避免參數造成的頁面報表雜亂，我們還是要積極的有所作為才有辦法從根本解決問題。這邊的建議作法是「建立去除網址參數的篩選器」。

簡單來說，我們可以透過篩選器的設定，讓會讓同一個網頁變成多列數據的參數消失，以常見的臉書來源參數「?fbclid=IwAR1TQtYkZqduktzN9dVSKTv4K79WnGmxWfHFHBu9BHSybpyX3CLserR-1FU」，臉書來源參數可能有一大串，而且每個網址的參數可能都不太一樣，所以我們可以運用規則運算式來找規則，以臉書來源參數來說，我們就可以用　[?|&]?fbclid=[^&]*&? 這段規則運算式來取代。

更詳細的說明可以參考另外一篇文章：GA 篩選器是什麼？GA篩選器怎麼用？

上百頁網頁該怎麼分類分析？

還有一種常常會發生的問題，那就是當網站商品愈來愈多之後，你會發現有上百個頁面在所有網頁裡，不知道可以從哪裡開始分析起，在這種情況下，你就可以考慮使用「內容分組」來幫助網頁類型分類。

有很多維度可以來做資料分群分析，可能是以銷售的產品類型，可能是以頁面的屬性，例如說：產品頁、分類頁、部落格頁面等，一樣的是，用內容分組功能之後要怎麼歸類，還是要看分析上的需求而定，假設你想知道的是所有產品的銷售與流量，那麼選擇以產品為維度分類就會是比較適合的選擇。

內容分組的設定方式也很簡單，在左下角管理的地方進入設定畫面，接著可以在資料檢視的區塊下方找到「內容分組」，內容分組總共有3種設定方式，相對來說比較簡單方便的可以使用用網址歸類的方式進行分類。以下面的網址分類舉例來說，我們就可以用網址規則來分類

以一個平台電商舉例，平台中可能有販售家具、家電、飾品、美妝品等，每一個分類下面可能都有數百個商品，我們不太可能一個一個看網頁網址去辨別每一個網頁是哪一個商品分類底下的商品，這時候就可以利用內容分組功能，把相同產品分類的網址分組在一起，數據觀察的時候就可以清楚的以內容分組看到家具、家電、飾品、美妝品分別的網站使用者數量、停留時間、轉換率等網站數據，並做更進一步的網站分析。

再以廣告實驗室的部落格分類來說，我也可以用文章類型來做內容分組，來看看哪個分類的文章最多人看，哪個分類的文章跳出率最低，又或者是停留時間最長，來判斷哪些文章類型讀者比較喜歡。

最後，在使用內容分組的時候也有幾個注意事項：

1. 如果使用的網址規則是包含，就要確認在網站裡面的所有網址中只有特定的分類才有該串網址內容，舉例來說，如果設定了包含beauty的網址要分類在一起，那麼就要確認家具、飾品、家電等其他商品分類頁、商品頁都不包含beauty，不然很容易被錯誤歸類的。

2. 內容分組會分組到所有網站的網頁，所以說如果某些網頁沒有被設定到分組的類別，那麼在報表上就會以「not set」分類。

3. 內容分組的設定是不溯及過往的，所以分組只有在設定完之後，報表才會開始把內容分組。假設已經有製作大型網站或是累積型內容網站的考量，不妨可以先列出基本的網站網址架構，並在網站建立的一開始就把分組做好，未來在分析的時候就會更方便。

那麼關於常見的GA數據混雜原因以及可以解決的方法就分想到這裡囉，希望你有點幫助，有任何問題都歡迎於底下留言或寄信與我交流，那麼我們就下篇文章見～

ADer Sharon

這篇文章 Google Analytics 常見的三種數據雜亂問題與解決辦法 最早出現於 Sharon Lab∣雪倫實驗室。

思考什麼是網站的關鍵目標

在進行網站數據分析的時候，千萬不要一股腦就直接開始做數據分析，而是要先思考「什麼是網站的關鍵目標？」，由關鍵目標，去找到最重要的關鍵觀察指標。

以廣告操作來比喻，就好像你要先決定廣告目標是什麼，是帶來網站流量的流量廣告？帶來業績的轉換廣告？亦或是只想要帶來品牌印象的曝光廣告，第一步的定位不清楚，通常就會讓你遠離你想達到的目標。回到網站數據分析來說，決定要觀察什麼數據、這個數據有沒有辦法幫助我們讓我們知道我們是接近營收目標還是遠離營收目標就非常重要，也絕對是是網站分析之前最重要的事。

什麼是網站的關鍵目標聽起來很抽象，不過我們可以從網站經營的營收來自於哪裡來幫助我們判斷。以下我舉三個類型的網站來說明：

第一種以媒體網站來舉例，對一些媒體網站來說，很大一部分的收益來自於聯播網廣告、與廠商合作的廣編稿、合作文章等，所以這類網站的重點在於「有足夠多的網站流量與網站曝光」，才能讓聯播網廣告有足夠的曝光量以獲得廣告收益，也讓廠商願意在媒體上刊登廣告稿吸引客群，在這樣的網站經營目的下，維持一定程度的流量、了解哪些內容能有效帶來流量、在自然搜尋的網站排名狀況可能就會是媒體網站最需要關注的重點數據。

第二種網站以電子商務類型的網站型態來舉例（這裡說的電子商務網站是自己賣東西的品牌電商網站，電商平台又是另外一回事囉），這類型的網站收益主要來自於產品販售，也就是說，有客人進站之後購買商品才會有營收，對於這類型的網站來說，流量高低就不一定是關鍵數據，因為即便每天有一百萬人進站，但都沒有人買商品，這類網站也沒辦法賺到錢，所以對於這類型的網站來說，流量多寡、哪一篇部落格內容吸引人就不會是首要觀察數據，進站後的轉換率、是否查看了商品？查看商品之後的加入購物車狀況等與「有潛在消費意圖的網站數據」才會是網站分析的重點。

第三種則以B2B的網站類型來舉例，這類型的網站收益不來自於廣告，也不來自於消費者，而是來自於企業合作，這類網站有幾種用途，一種是拿來佈達產品資訊用的，假設產品銷售比較多來自於業務拜訪銷售，網站分析可能相對而言就沒有那麼重要。但假設品牌已經有一定的知名度，有蠻多的合作廠商會透過網站促成交易，那麼網站的關鍵數據可能就在於觀察進站填單率與填單過程的流失情況。

說了這麼多種類型的網站，目的是要跟你說，網站類型百百種，隨著營收來源的不一樣，要分析的網站數據重點也不一定，所以開始數據分析之前，千萬要先釐清網站是哪一種，以及哪些數據與營收有直接相關，甚至能推估營收的增長情況，由這樣的前提去分析網站數據，對於整個公司營運來說，才會是更有價值的分析方式。

技巧一：同一指標比大小

數據指標比大小？有這麼簡單嗎？沒錯就是這麼簡單的一個技巧，當我們思考完哪些是網站的關鍵數據之後，下一步其實就是抓著關鍵數據來比大小，透過不同維度搭配同一個指標，你會知道不同的網站優化重點。

上面這句話看起來可能還是有點抽象，我們舉個例子來說明什麼叫做「不同維度搭配同一個指標」來比大小。以自己販售物品的電商網站來說，影響營收的三大要點分別是流量、網站轉換率與客單價，我們就先以網站轉換率來舉例，常見的比較數據大小的問題包括：

1. 哪一個進站來源有較高的轉換率？
2. 哪一個進站頁面有較高的轉換率？
3. 哪一個銷售國家有較高的轉換率？
4. 哪一個產品有較高的轉換率？
5. 哪一個年齡層有較高的轉換率？
6. 哪一個性別有較高的轉換率？

發現了嗎？雖然只是比較數據的大小，卻可以透過比較不同的數據維度看到不同的問題點與機會點。像是進站來源轉換率高低讓我們判斷的是哪一個來源需要加強投資，增加更多的流量進站、哪些來源其實轉換狀況很差，不值得投資或是需要減少投資心力；產品的轉換率則讓我們知道，哪些產品可以優先宣傳，因為通常會比較容易被消費者購買，甚至可以當作是下次製作產品的生產考量之一；而哪些年齡層、性別則讓我們知道我們的網站內容或是素材內容可以往什麼樣的內容調整，以吸引最有可能購買產品的消費者族群。

同樣的比大小技巧，一樣可以用在不同的指標，我們再以流量來舉例，把上述的問題改成流量其實就適用，不過 Google Analytics 工具裡沒有流量這個指標，我們可以以「工作階段」這個指標來判斷：

1. 哪一個進站來源有較高的工作階段？
2. 哪一個進站頁面有較高的工作階段？
3. 哪一個銷售國家有較高的工作階段？
4. 哪一個產品有較高的工作階段？
5. 哪一個年齡層有較高的工作階段？
6. 哪一個性別有較高的工作階段？

這些數據比大小的判斷也可以讓我們清楚的知道，影響網站營收最大來源是什麼，我們在進行優化時也可以從影響最大的項目開始優化起。

技巧二：數據篩選與針對重點抽絲剝繭

說到這裡，你可能會有個疑問，會不會同樣的指標，在不同的比較基準下，數據較大與較小的結論是不一樣的呢？會，當然會！所以除了比大小，其實我們在比較數據大小的時候還需要注意「數據比較是不是在同一個比較基準上，以及不同的比較基準會不會影響我們的優化判斷」，而這時候，我們就會先做數據對齊，然後再使用抽絲剝繭的這個分析技巧。

先談談數據基準與數據對齊的概念吧！先來舉個基準不一致的情況，單看下表的數據資料，如果依照比較數據大小的技巧來看，初步判斷會覺得網頁A是可以加大行銷預算的頁面，因為相對來說他的轉換率較高。

不過先還不要太早下定論，在下定論之前我們再來看看另外一張數據表格。

這張數據表格是將來源媒介的變數再納進來看，這時候就會發現不一樣的數據觀點與後續策略，從下表來看，同樣是頁面A，但卻不是所有媒體都適合將頁面A當作到達頁面，這時候反而 Google 廣告來源比較適合加大到達頁面A的廣告預算，同樣的，頁面B則是在臉書廣告的渠道上曝光，帶進來的轉換率比較好。

為什麼會有上述的這些差距？原因是因為數據比較基準，當我們只看一個維度，就會忽略這個維度下面的其他因素，舉例，當我們只看到達頁面的轉換率，可能就會誤會所有的流量來源都應該使用乍看之下比較高轉換率的到達頁面，忽略了不同流量來源之間的差異。

例如說，臉書廣告的流量來源特性是主動曝光創造消費需求，而 Google 關鍵字廣告的特性則是被動曝光，也就是說有搜尋才有曝光，但通常一旦搜尋，都是有比較高而明確的搜尋意圖，所以在不同流量來源上，到達網頁的成效也會有蠻顯著的落差，即便以總計的數據來說，網頁A看起來轉換率比較高，也不代表所有的流量來源都應該增加對頁面A的預算投資。

這個問題提醒我們，在數據分析的過程當中，我們要記得做數據聚焦與層層抽絲剝繭，例如，我想知道媒體策略可以怎麼優化，可以做的是每個媒體拆開來看，把臉書廣告歸類成一類，然後看哪些到達頁面、哪些素材表現的比較好，其他媒體亦同，具體作法則可以善用 Google Analytics 的次要維度來做資料拆解。

舉例來說，我想優化自然搜尋的流量，我就會鎖定 google / organic 的來源媒介，然後加上「次要維度」的篩選來找到我想優化的內容，以下圖舉例，因為「2020 Facebook 廣告尺寸全攻略」這篇文章是最高流量來源的文章，所以如果要優化的話，也會是從這篇文章的相關數據優化起。

技巧三：善用時間軸觀察數據變化

使用時間軸最常做的是不同區間的數據比較，像是週間或月度比較、季度比較、年度比較等。

比較短週期的數據比較，例如說週間、月度、季度比較在使用上最需要注意的是有沒有什麼淡旺季、促銷活動間的外在影響因素，我們可以想像，假設去年1月舉辦了全館7折，但今年1月卻什麼活動都沒有，那麼當然是會有大的轉換率與業績差異。又或者是，當我們拿第一季的營收數據對照去年第四季的營收數據，以第四季的購物潮來說，通常也都會遠高於第一季的銷售狀況，如果遇到這種淡旺季、活動差異導致影響數據比較，不妨可以試試改用舉辦類似活動的區間來比較，或是拉長成年度的區間來比較，就會比較有比較與分析的意義。

而在年度數據比較方面，這種長時間的年度數據變化就比較不受到外在因素影響太多，常用來觀察整體趨勢變化，也常常拉不只兩個年度的數據來比較，觀察年度數據到底是往上成長或是往下衰退。這個數據分析的重點是，不論是成長或是衰退，都需要搭配技巧二的方法抽絲剝繭，找到成長或衰退最顯著的季度、流量來源、國家或客群年齡等因素，觀察成功或失敗的可能原因，最後再依據可能假設來測試與作出優化。

那麼關於常見的Google Analytics 的分析方法就分想到這裡囉，希望對你有幫助，有任何問題都歡迎於底下留言或寄信與我交流，下篇文章見～

ADer Sharon

這篇文章 Google Analytics 分析要怎麼開始？三種常見的網站數據分析技巧 最早出現於 Sharon Lab∣雪倫實驗室。

你是否有曾遇過這樣的困擾，明明GA安裝上網站了，GA的電子商務報表設定也都正確安裝，但是營收數據始終與實際訂單金額不相符？今天這篇文章就是要就「GA購買次數與購買金額為什麼與實際訂單金額不相符」這個問題來解答！

一、訂單數據與GA數據產生落差的可能原因

1. 使用 GA 篩選器

排除特定網址的IP這個原因通常發生在會排除公司IP且部分客人會來電請公司同事協助下單的情況，具體的情境會是因為公司同事連結的網路通常會是公司的網路，而因為又於GA設定了「排除來自公司IP的流量」，所以導致由公司同事下單的網站行為被篩選掉，篩選的資料當然也包含到轉換次數與轉換金額。

如果是針對上述提到的IP篩選器問題有兩種解決方案，其中一個就是請同事在協助客人下訂單的時候，不要使用到公司的網路，但實務上可能不是那麼容易，有可能會有因為急忙幫客人處理、忘記切換使用的網路等，所以也提供第二種做法，適用於每一種可能造成數據落差的篩選器，那就是觀測轉換總數據的時候，盡可能使用沒有套用任何篩選器的資料檢視，那麼就可以避免上述的問題發生囉。

2. GA與官網數據的時間落差

時間落差造成的數據差異主要有三種：

第一種GA資料收集會有的資料延遲，意思是網站的數據並不會立刻記錄到GA報表上，通常24-48 小時的資料延遲，通常資料量愈大，資料延遲的時間就愈長，依照 Google 官方文件的說明：如果標準帳戶每天傳送給 Analytics (分析) 的工作階段數量超過 20 萬筆，報表一天就只能更新一次，超過 20 萬筆的資料就會延後一天更新，不過資料延後更新並不影響最終的數據追蹤結果，所以要避免這個因素影響判斷，在比對營收數據是否有落差的時候，就需要避免挑選過去2天的交易數據來比對。

第二種情況則是網站紀錄區與GA時區設定不一致，網站時區通常會設定為該地的時間點，不過GA卻有可能設定了太平洋時間，如果時區設定不一，那麼台北時間早上十點可能就是太平洋時間的晚上七點，數據上當然就會不一樣，要解決這個問題也很容易，只需要在GA時區設定改成與網站相同的時區即可。

第三種情況是客人購買時間點如果網站客人在接近晚上12:00 時下單，就比較容易發生網站購買的時間點是當天，GA紀錄的購買時間點卻是隔天，舉例來說，假設我在5/10下訂單，但訂單成立時間是按下付款按鈕的當下，而網站追蹤碼是追蹤付款完成的畫面，那麼這兩個步驟間的時間橫跨一天，那麼對網站訂單系統來說，紀錄的訂單時間就會是 5/10 23:59，GA的轉換數據卻是記錄在5/11 00:00，這個情況也會產生單日轉換次數與業績差異。不過這個問題在拉取一段時間區間比較的時候就相對沒有太大的影響。

3. 訂單取消

第三種情況則是訂單取消，由於GA追蹤的方式是以「訂單送出的當下的網站追蹤觸發作為轉換次數與轉換價值的計算」，所以一般來說手動取消訂單、超商取貨未取等於結帳完成後任何取消狀態下取消的訂單就不會自動進入GA的轉換計算中被扣除。這個問題只能用人工匯入退貨資料來處理，詳細的操作步驟可以參考官方對退款資料的說明。

二、怎麼檢查GA的轉換落差是否有落差？

了解完 Google Analytics 轉換與網站落差的主要原因，接下來跟大家分享我在 Google Analytics 數據維護過程當中，會怎麼做Google Analytics 轉換數據檢查

1. 確認觀察數據報表是否完整

假設你使用的是通用GA，那麼數據檢查第一步就可以先確認查看數據的Google Analytics 資料檢視層級是否包含到完整資料？有沒有套用可能會影響轉換數據的篩選器；如果你使用的是GA4，那麼你可以檢查是否有設定到「資料篩選器」，以及這個篩選器是否會影響完整數據追蹤。

常見會影響轉換追蹤的篩選器類型包括：IP篩選器、網域篩選器、特定裝置篩選器、特定來源媒介篩選器等，因為一旦使用了篩選器，篩選器就會影響到報表的最終數據，而有可能造成部分轉換資料被篩選剔除。至於要避免這個因素的最佳作法就是，在比較數據的過程當中，盡可能使用具有完整數據的 Google Analytics 資料檢視層級或資源。

2. 從每日營收與訂單營收比對

確認沒有受到GA任何工具設定的影響後，就可以開始比較GA的每日營收數據與官網的營收數據是否有落差，初步我會先用最上方的折線圖做抽樣比較，如果抽樣之後發現每日營收皆相同且總營收也跟網站營收一致，那就代表整體追蹤是完整且正常的。

但如果抽樣發現有些許或大幅度的營收落差，我就會下載完整的GA營收數據資料來比對網站系統計算的營收數據，如果檢查結果是高於5%以上的數據落差，就比較有可能是網站追蹤流程需要跟工程師共同檢查網站追蹤是否有問題，常見的問題包括：沒有設定正確的追蹤參數、部分訂單沒有正確跳回追蹤頁面等。

說到這裡，可能有些人有疑問，為什麼是以營收落差是否有高於 5% 作為判斷標準？原因是因為，在GA追蹤與網站設定沒有異常的情況下，通常GA轉換與實際網站系統的數據差異多半是因為「取消訂單」造成轉換落差，所以一般來說會以5% 作為數據落差是否落於正常範圍的判斷標準。當然，也不是說營收落差少於5%追蹤就絕對沒問題，細部還是需要看，造成營收落差的訂單有哪些，這些訂單有什麼特點。

比對官網轉換數據與 Google Analytics可以從「轉換 > 電子商務 > 銷售業績」這個報表來比對，GA報表裡面的交易 ID即為訂單ID，可以透過這個編號來比對，哪些訂單有被紀錄在GA報表裡，而哪些訂單沒有？假設有追蹤到訂單，訂單金額是否正確，這些都是比對檢查過程中需要特別留意的比對項目。

經過上述的訂單比對步驟之後，你可以抓出遺漏的訂單是哪些，從中分析可能的原因，例如說有可能遺失追蹤的訂單都是某種付款方式、某種配送方式等，遺失追蹤的訂單都是經過同事代客戶為下單等因素，就大致可以判斷可能原因，再就問題來確認是哪個階段的問題。

3. 確認轉換落差問題是什麼時候發生的

確認轉換收益落差後，接下來要確認的問題就是：「數據落差是什麼時候發生的？」，這個問題的釐清可以幫助我們確認Google Analytics 究竟是從安裝時就有轉換追蹤不完整的問題，還是特定某次的網站更新或系統更新後，才發生狀況，這個問題非常重要，因為這個問題根本性的影響我們要從哪些面向來深入檢查網站追蹤問題到底出在哪裡。

假設我發現，Google Analytics 從安裝當下就有極大的轉換數據落差問題，我就會與工程師討論可能要檢查原始的電子商務代碼安裝的狀況、確認客戶消費完是否有成功觸發與回傳資料到GA。假設是發現是自今年7月份才開始發生數據有極大落差的問題，我的問題與解決方向就會改成是與工程師確認7月前是否有進行系統與程式碼的變更。不同問題發生的時間點，會影響到我們面對問題深入研究的面向以及共同協作排解問題的方向。

這篇分享的檢查步驟與數據落差可能原因，希望對有 Google Analytics 的轉換追蹤與網站數據有落差的讀者的解決方向，如果在電子商務安裝還有疑惑的話，也可以閱讀這份針對電子商務追蹤異常說明的官方文件。

那麼我們就下篇文章見～

ADer Sharon

這篇文章 Google Analytics 轉換報表數據為什麼與訂單營收不一樣？3大原因一次告訴你 最早出現於 Sharon Lab∣雪倫實驗室。

而這篇文章就是想先跟大家分享臉書廣告轉換次數為什麼跟GA轉換次數不一樣，來跟大家分享數據差距的原因，以及面對數據差距，我們可以因應的做法，那就開始囉！

臉書後台的轉換次數為什麼與GA轉換次數不一樣？

通常臉書廣告的轉換次數計算會大於在GA報表裡的轉換次數，數據落差的原因是因為兩個平台的特性差異以及轉換功勞計算基準差異，接下來一一來說明。

1.追蹤方式的差異

臉書是以「帳號」為追蹤單位，而Google Analytics則是以瀏覽器裡面的Cookie來追蹤，這影響的就是「跨裝置轉換的評估」。舉例來說，假設我用手機看了 A 品牌的廣告，也進到官網加入購物車，但瀏覽當下我沒有時間結帳，於是我把網站加入書籤，等到我回家的時候，我再打開電腦，並點擊我存好的書籤進入網站購買。

對臉書而言，因為追蹤方式是以帳號為單位，所以即便我有跨裝置的轉換，臉書還是可以記錄到這是有看過臉書廣告帶來的轉換，但是對於GA來說，因為是以Cookie的方式追蹤，所以GA同一位使用者如果更換進入網站的瀏覽器或是裝置，那麼GA就會判斷是不同的使用者，而沒辦法將同一個使用者的轉換路徑比對起來，所以套回上面提到的跨裝置轉換的例子，這筆轉換就不會計算到臉書廣告上，反而會因為只有兩個路徑，忽略了臉書廣告，直接將轉換功勞記錄到直接流量。

2. 歸因模式不一

還記得上一篇我們有仔細介紹GA的歸因模式嗎？對於歸因模式還有疑惑的讀者，歡迎先看看這篇文章複習一下：從Google Analytics模式比較工具 理解歸因模式的實務應用。臉書預設轉換次數目標的歸因計算方式是瀏覽後一天、點擊後七天，這是什麼意思？意思是，當我瀏覽了廣告，並在一天內購買或是我點擊過廣告，並在七天內購買就會記錄廣告有帶來一筆轉換。在這個計算基準下，即便我在七天內購買的最後進站是透過 LINE@ 推播的連結進站購買，臉書廣告後台也會計算廣告有帶來一筆轉換。

但這個購買路徑對於GA報表來說就不太一樣，對於GA報表來說，轉換計算的規則是最終非直接點擊，所以GA報表就會將轉換功勞歸在LINE@上，臉書廣告的轉換則是不會計算到。

此外，GA是彙整所有進站渠道的平台，所以對於每個平台的曝光資料是沒辦法掌握的，自然也沒有像是臉書這種「瀏覽後轉換」的計算規則，所以說，假設消費者的購買路徑是在一天內點擊了LINE@推播，最後是因為看到臉書廣告後，用輸入網址的方式進站購買，那對於GA來說因為臉書只是曝光，沒有臉書來源的進站行為，所以轉換功勞歸屬會計算在LINE身上，但對於臉書來說，因為是一天內的瀏覽轉換，所以臉書廣告管理員後台就會記錄臉書廣告有帶來轉換。這也是兩個平台轉換數據落差的原因之一。

3.歸因計算時間不一致

以臉書來說轉換次數的預設天數是瀏覽後一天、點擊後七天，若改用消費金額最佳化的話，預設期間還會變成7天；而 Google Analytics則是只計算轉換功勞到最後非直接流量進站的來源，這也是造成數據落差的原因之一。

臉書廣告轉換被GA低估？

常常會有人說GA會少算臉書廣告帶來的轉換功勞，或是說臉書廣告的成效被低估，為什麼會這樣的說法呢？其實以絕對的轉換數據來看，臉書廣告管理員後台的轉換數據通常都會比GA後台計算的臉書轉換次數還要多，除了是因為臉書是以有看過廣告並且在特定期間內購買的狀況就算是廣告有帶來轉換之外（忽略其他入站渠道的轉換效益），還有一個重要的因素，那就是臉書會計算瀏覽後轉換的轉換數據。

不過，我的觀點其實是沒有什麼被低估或是沒被低估的問題，也沒有誰的算法比較正確，只是兩個平台的計算基準不一樣而已。如果釐清了兩個平台的數據落差原因你會發現，其實兩個平台的轉換計算方式各有優缺。

GA的強項是彙整各個渠道到網站的數據，所以你可以有一個統一比較每個渠道的平台，不會因為每個平台的計算規則不一讓你無從比較判斷，缺點則是可能會因為跨裝置而忽略部分渠道帶來的轉換成效。

而臉書的優點是他在歸因計算上除了點擊行為之外，他還可以計算到曝光後轉換的轉換功勞，而且是以人為單位在追蹤轉換成效，不會受到轉換裝置或伺服器的影響，但缺點就是因為臉書計算轉換沒有考量到其他渠道的效益，所以即便只有一次廣告曝光，只要在預設的轉換期間內轉換，臉書都會計算成是自己的廣告功勞。說起來，兩個平台的轉換計算其實更像是互補的作用。

臉書與GA數據差異的問題可大可小，假設品牌的行銷渠道比較單純，暫時只有仰賴臉書廣告投遞來帶轉換，那轉換功勞歸屬的評估其實就沒有那麼困難，但當品牌愈來愈大，投資的行銷渠道、溝通渠道也愈來愈多的時候，臉書廣告不考量其他渠道的轉換計算方式，就有可能造成轉換重複計算，讓我們錯誤判斷每個行銷渠道的轉換功效，或是有錯誤加碼的情況。（例如說LINE Ads算一筆轉換、臉書廣告也算一筆轉換，這種不同平台重複計算，導致我們錯判兩個平台的廣告都表現得很好可以加碼的這種情況）

針對平台間數據落差的因應作法

講到這裡，針對無法避免的數據落差我們有沒有什麼因應對策呢？畢竟，我們不可能使用不同的平台觀看數據，然後再把不同平台的數據加總，這肯定會讓我們的數據更加混亂，到頭來我們還是需要一個統一比較的基準，來告訴我們每個渠道、來源媒介對於轉換效益的幫助。以對大部分店家比較友善的工具還是Google Analytics最為適合。

除了使用一個統一的計算平台來評估之外，我們還可以搭配 Google Analytics 的最佳轉換路徑與輔助轉換這兩個報表來全方位衡量每個行銷渠道對於轉換的幫助程度和扮演的角色。

Google Analytics 最佳轉換路徑與輔助轉換這兩個報表的使用歡迎參考這篇文章了解更多：從Google Analytics模式比較工具 理解歸因模式的實務應用。

那麼今天的分享就到這裡，希望對你有幫助，我們下篇文章見～

ADer Sharon

這篇文章 GA 與臉書廣告數據有落差？釐清網站數據差異原因與因應策略 最早出現於 Sharon Lab∣雪倫實驗室。

正式進入今天的主題，多管道程序報表其實還有一個重要的報表，叫做「模式比較工具」，從字面上來看不太好理解它實際上的用途，簡單來說，這是一個可以幫助你比較不同歸因計算的工具，實際上這個工具可以怎麼應用，我們這篇文章會來細細分享。

一、什麼是歸因？

正式進入報表的介紹之前，我們先來聊聊什麼是歸因，以及歸因具體影響了什麼。講到歸因，還是要回歸消費路徑的探討，以上篇文章購買包包的線上消費流程來說：

在買包包之前，我先在 Google搜尋「手提包」 > 點選手提包相關的購物廣告 > 看到 Facebook 手提包廣告 >  各家手提包的部落格開箱/評價，並將想買的店家網站加入我的書籤 > 再次看到Facebook 手提包廣告 > 從書籤點進網站購買。從第一次看到購物廣告到購買，我總共花費了7天時間。

依照這個消費路徑，假設我的下單金額是2,000元，下了一筆訂單，那麼在追蹤碼安裝確實的情況下，GA就會顯示交易次數1，收益是2,000元。但是完成這筆交易我總共經過了4種渠道進到網站（購物廣告、部落客推薦文章、FB廣告、直接進站）那麼這個轉換功勞應該歸給哪個渠道呢？

這個問題就是歸因所要解決的問題，因為消費者會用各種不同的方式進站，所以我們必須要有一套計算轉換功勞歸屬的模式，以及定義在多少猶豫週期內的路徑可以被計算轉換功勞，這也是「歸因模式」最大的重點。接下來，就來跟大家介紹 GA 的歸因模式有哪些以及在模式工具以外，在模式比較工具以外的 GA 報表是以什麼歸因模式來作為數據計算的依據。

二、Google Analytics 預設歸因有哪些？

1. Google Ads 最終點擊

Google Ads 最終點擊就是將轉換歸功給最後一次Google ads 點擊，上述例子較沒辦法舉例這個模式的實際應用，我另外舉個例子說明。假設我購買手錶，從臉書廣告> KOL廣告貼文 > 臉書廣告再行銷 > 關鍵字搜尋廣告看到手錶再進站，共經歷4個渠道，最終總訂單數1，總購買金額5,000，那麼路徑功勞就是：

2.最終互動

以字面的意思來說，其實就是把最終的轉換功勞歸給最後一次互動的渠道，所以以上方的例子來說，在報表上的呈現就是將所有轉換功勞都歸到最後一個進站的渠道上，也就是直接進站。

3.最終非直接造訪點擊

這個歸因模式也是將最終的轉換功勞歸給最後一次互動的渠道，不過跟「最終互動」這個模式比較不一樣的是，它排除了直接造訪的渠道，也就是說，假設最後一個購買的渠道是從直接進站購買，那麼會自動被忽略，轉換會歸因到直接進站前的一個渠道上，所以以上方的例子來說，在報表上的呈現就是將所有轉換功勞都歸到FB廣告。

4.最初互動

最初互動則是把轉換功勞歸屬給第一次互動的渠道，所以以上方的例子來說，在報表上的呈現就是將所有轉換功勞都歸到購物廣告。

接下來介紹的幾個歸因模式的邏輯就跟上述介紹的不太一樣，就不是以功勞只唯一計算給一個渠道的計算模式，而是以「每個促成轉換的渠道都有功勞的思維」，延伸出多種計算轉換階段渠道的轉換功勞。

5.線性

線性歸因可以理解成平均計算，也就是說，轉換前經歷多少路徑，它就會將轉換功勞平均分給每一個經歷過的路徑，所以以上方例子來說，因為我總共經歷了4個渠道才轉換，所以會將最終轉換與轉換價值分別除以4做計算。

6.時間衰退

時間衰退的計算稍微複雜一些，也沒有公開的計算公式可以參考，但簡單理解就是愈接近轉換的路徑，被分配到的轉換次數與轉換價值會愈高，至於彼此間的轉換功勞分配差異多少？沒有人知道，不過這個歸因模式有一個可以參考的計算原則，那就是：7 天為轉換功勞計算的折半界線，所以在前 8 天發生互動的渠道，獲得的功勞將會是轉換完成前 1 天發生互動渠道的一半。

7.根據排名

根據排名是較在意最初互動與最終互動的計算方式，針對最初互動與最終互動，系統會分別分配各40%的功勞，至於中間的互動則統一以20%分配。以上述的例子來說，購物廣告與直接進站就會分別佔40%，部落客文章與FB廣告則分配20%。

根據排名的歸因模式稍顯複雜，針對這個模式我們再多舉一個案例，假設我購買3C，從購物廣告> 部落格開箱 > mobile01 >  dcard分享 > PPT > 臉書廣告，共經歷6個渠道，總訂單數1，總購買金額20,000，那麼路徑功勞就是

三、如何自訂歸因模式與功勞規則

建立自訂歸因模式還是有限制，限制就是僅能選擇5種基準模式，以這5種基準模式下做自訂轉換回溯期，可以設定希望計算的期間，最多期間為90天、調整功勞歸屬的計算方式，包括依使用者互動以及自訂功勞歸因，這麼說可能有點抽象，我們還是舉個實際的例子來說。假設我想知道，在排除直接來源的情況下，轉換採線性模式，目的是為了比較排除與未排除直接來源的轉換差異。

基準模式選擇線性模式，將套用自訂的功勞歸因方式開啟，選擇「來源 / 媒介」完全比對 direct/none，將功勞設為轉換路徑中其他互動的０倍，那麼就可以排除掉直接來源的轉換功勞分配了。 

除了這邊示範的設定特定來源 / 媒介的功勞歸屬，其實還有很多可以應用的場景，例如說：互動類型、廣告內容、搜尋查詢等，可以自行因應分析的需求挑選。

除此之外，也想跟大家分享設定自訂歸因模式的小秘訣與注意事項。建議在自訂歸因模式之前，可以先想一下自訂完歸因模式之後要做什麼，假設以我上方舉的例子來說，我設定非直接線性是為了跟線性模式做比較，那麼我建議的操作是「複製原始的線性模式」再做修改，確保自訂的歸因模式與現有的線性模式差異只有一個變因，在數據比較的時候才會知道數據差異的主要原因是什麼。

另外，在設定自訂歸因模式的時候需要特別注意「回溯期」這個欄位，建議在設定的時候不要啟用

原因是因為一旦啟用，就沒有辦法在比較工具的地方彈性調整，在比較上也容易失準，以下圖來說，假設我設定的自訂歸因模式設訂了回溯期設了90天，即便我在比較模式的最上方設定了30天回溯期，系統也會以自定歸因模式內部的回溯天數為主，在變化轉換回溯其實就容易造成數據比較上基準的不一，導致數據比較失準。 

四、歸因模式比較實例

若要將自訂歸因模式與現有歸因模式比較，直接選取要比較的歸因模式即可。在模式比較工具下，最多可以一次比較三個歸因模式。以下圖的比較來說，當我選擇線性與非直接線性的比較後，可以很明顯看到直接流量的轉換歸因下滑，但是還是有部分的直接轉換數據，這是為什麼呢？不是都排除了直接流量的功勞歸屬了嗎？

這時候，我們回到自訂歸因模式設定的地方看看，還記得我們的設定嗎？我們的設定是「將功勞設為轉換路徑中其他互動的０倍」，也就是說當有多個互動路徑，且多個互動路徑包含直接來源時，省略直接來源的功勞計算，但當轉換路徑只有一個，且那一個還是直接來源的話，那系統只能將功勞完全歸給直接來源了，這也是為什麼直接來源來會有轉換次數的原因。

在使用歸因比較的時候，除了注意比較基準是否一致，也需要控制模式間的差異，儘可能讓兩個模式之間只有一個變因，才能讓我們在比較數據上更清楚數據間差異的可能原因。

講到這裡，有些人可能會好奇，什麼樣的情況下我們需要用到模式比較工具呢？其實端看每個企業的服務類型來決定，Google官方其實也有針對模式比較工具的應用情景說明：評估管道的效益時，請使用可反映您廣告目標和業務模式的歸因模式。不論您使用哪種模式，都要先測試一下您的假設，再根據模式計算的結果調整對管道的投資，然後觀察資料有什麼變化。

所以針對企業的轉換週期、客戶的消費猶豫路徑，如果有覺得現有GA報表高估或低估了某個渠道所帶來的轉換效益時，都可以先設定假說，再透過模式比較工具來觀察自己的假設是否成立。那關於模式比較工具就分享到這裡啦！我們下篇文章見～

ADer Sharon

這篇文章 從Google Analytics模式比較工具 理解歸因模式的實務應用 最早出現於 Sharon Lab∣雪倫實驗室。

為什麼要使用多管道程序報表？

開始聊多管道程序報表前，想先跟大家聊聊為什麼只看客戶開發裡面的來源／媒介報表不足以讓我們判斷哪個成效，其實最主要的原因就是因為很少消費者會第一次進到網站就買單，通常都會經歷多方比較、思考的流程，例如：查查有沒有其他更好的選擇、過往的產品使用評價、有沒有折價券等等，這些情境又特別容易發生在對於品牌沒有忠誠度的客群的話。

舉個實際的例子來說，前陣子我剛好想要購入一個手提包包，我沒有對於包包的特別品牌偏好，我的消費流程是：
先在 Google搜尋「手提包」 > 點選手提包相關的購物廣告 > 看到 Facebook 手提包廣告 >  各家手提包的部落格開箱/評價，並將想買的店家網站加入我的書籤 > 再次看到Facebook 手提包廣告 > 從書籤點進網站購買。

以上購買流程，轉換成在 Google Analytics 的路徑就是：
(google/cpc) > (facebook.com/referral) >  (pixnet.net/referral) > (facebook.com/referral) > (direct/none)。

因為GA 來源 / 媒介報表預設歸因方式是：非直接最終點擊，所以轉換功勞就會歸屬到 facebook.com/referral 這個來源 / 媒介，這時候假設我們觀察了來源 / 媒介報表的轉換功勞歸屬，就會忽略其他廣告、網紅經營在轉換路徑中扮演的助攻角色。這也就是為什麼今天要來介紹多管道程序報表，除了了解最終轉換的路徑之外，其實在轉換過程當中的每個接觸點，都是我們在布局轉換的重要數據。

更進一步來說，其實每個品牌曝光的接觸點其實都有自己盼演的角色，有些接觸點可能只是希望消費者留下印象（曝光）、有些接觸點是希望消費者來逛逛網站（流量）、有些接觸點則是用來讓消費者立刻下單（購買），所以針對不同的接觸點，我們其實需要有不同的評斷標準，總不能目標是流量，卻以轉換來評估成效，對吧？所以查看轉換路徑報表不僅是因應消費者的行為，從品牌宣傳的角度來說，也是需要針對不同目標有不同的評估標準。

一、最佳轉換路徑報表

第一個要跟大家分享的報表是最佳轉換路徑報表，要了解消費者轉換前的路徑，我們可以透過多管道程序報表底下的最佳轉換路徑報表來查看，這張報表可以讓我們一眼辨別訪客再實際購買之前究竟行經了哪些品牌接觸點，讓我們知道哪些地方的接觸點是有效的，哪些接觸點是對轉換的幫助不大。

一點進最佳轉換路徑報表會看到像下圖這樣的畫面，如果經常使用UTM來追蹤來源 / 媒介的網站，一進到最佳轉換路徑報表可能就會看到有很多「無法使用」的管道分組路徑，但不用擔心，只要將最上方的主要維度改成選擇「來源 / 媒介」路徑，就可以轉換成以「來源 / 媒介」作為路徑的路徑圖了。至於為什麼會出現「無法使用」就跟 GA的管道有關，管道我們等到有機會再來跟大家分享。

切換到來源 / 媒介，就可以實際看到究竟訪客都是經歷了哪些接觸點來到網站（最初互動），圖中經歷哪些路徑再回到網站，以及最後是因為哪個路徑回到網站下單（最終互動）。以下圖第二個路徑來說，這個轉換路徑比較單純一點，只有兩個路徑，是先透過Google廣告，然後直接進入網站購買（直接流量可以視為是消費者以輸入網址重新回到網站）。

不過看最佳轉換路徑當然沒有這麼簡單，我們還要進一步看更深入的資料，舉例來說，google / cpc 經歷的搜尋字詞是什麼？接觸點的內容是什麼？哪些內容是初次互動，哪些又是能抓住客人下單的最終互動接觸點。

透過這些觀察，並對比時段與上個時段、去年同期的變化，就可以規劃品牌還可以在哪些地方增加接觸點，哪些接觸點可以減少，讓我們更知道可以到哪裡，用什麼內容跟新的客群溝通。

除了更改最上方主要維度的方式展開路徑之外，如果是經常使用UTM自定義追蹤參數的朋友，也可以使用「建立自訂管道分組」來為主要的來源 / 媒介建立自訂管道。一來是為來源 / 媒介做更符合分析需求的歸類；另外一方面，當現行自訂的UTM來源/媒介過於混亂，被區分成好幾個不同的來源/媒介的時候，都很建議使用自訂管道分組來將同樣來源的渠道做數據整合。

舉例來說，以臉書來源來說，預設臉書來源/媒介有好幾種，包括：m.facebook.com/referral、facebook.com/referral、lm.facebook.com/referral、l.facebook.com / referral 四種，再加上自訂的UTM規則，臉書廣告以 facebook/ads。

假設我們想要觀察所有的臉書來源，不適合用預設的管道 Social，原因是預設的管道Social 會同時包括其他類的社群管道數據，且自訂的UTM參數 facebook/ads 不屬於Social 管道的計算規則，所以較好的做好就是自訂適合網站的自定義管道分組來整合想要一起觀測的來源/媒介。

建立管道分組可以在最上方「管道分組」找到「建立自訂管道分組…」，接著就可以針對自己想要篩選的特定條件做自訂的管道分組。以上述的例子來說，我就可以將m.facebook.com/referral、facebook.com/referral、lm.facebook.com/referral、l.facebook.com / referral、facebook/ads 這五個來源/媒介數據合併成「臉書來源」的管道分組查看。

除了查看路徑之外，還可以針對不同的商業情境做特殊條件的篩選來觀測消費者路徑，通常最佳轉換路徑的報表在網站數據量有一定的數據量之後就會變得很複雜，所以如果是想要觀察特定的路徑行為，建議可以使用「轉換區隔」的工具來選擇自己想分析的情境。

舉例來說，假設最近剛與多位部落客合作，來源 / 媒介設為（KOL/referral），宣傳最新上市的新品，我們想知道有多少使用者的轉換是經過與部落客文章互動（有看過部落客的文章），並且在最後完成轉換，那麼我們就可以使用「新建轉換區隔」，那麼就可以在最佳轉換路徑中篩選出只有部落客互動的路徑

二、輔助轉換路徑報表

上一個段落說到，品牌的每個接觸點都有各自的用途，所以也當然應該以不同的指標來評估接觸點的效益。這邊其實跟廣告投遞非常相似，當我們選擇不同廣告目標的時候，自然會有不同的廣告成果，以臉書廣告來說，如果選擇品牌知名度目標，那麼評斷廣告成效好壞的成果絕對就不是轉換次數，而是廣告迴想值（廣告印象程度）以及這個成果的單次廣告花費，同理，選擇流量目標，評估的目標當然就是CTR高低，有沒有有效的把人帶進網站。

回到正題，所以當我們做不同的行銷活動，有時候可能是媒體報導、有時候是下廣告，不同的行銷宣傳都要以當時的行銷目標作為評估依據，千萬不能所有的行銷活動都全然以當下轉換為唯一評斷標準。所以啊，當我們想要看看以導流為主、品牌曝光為主的活動是否讓消費者對品牌更有好感、更信任、更喜歡，進而留下客人，甚至到最後產生購買，那就可以看看「輔助轉換路徑」這個報表，這個報表會將所以有幫助轉換的路徑拉出來，計算這些路徑對於最終轉換的幫助程度，可以作為判斷流量品質優劣的評判標準之一。

這個報表，其實也很適合拿來做初步廣告是否有成效的評估，因為不同平台廣告後台的計算歸因（計算轉換的規則）不一，有時候後台呈現很多轉換數據，但GA數據的轉換次數卻很少，不妨可以來看看輔助轉換的報表，看看這些廣告上的投資是否有助於後續的電子報、LINE@、簡訊等再行銷的轉換。

輔助轉換報表還有一個可以特別注意的指標，那就是「輔助/最終點擊或直接轉換」這個指標，當數值愈接近0，就代表這個管道是一個偏直接轉換的管道，如果數值大於1，那麼就代表這是一個比較容易扮演輔助轉換的管道。

三、轉換時間差

除了轉換路徑與輔助轉換路徑之外，多管道程序報表亦提供轉換時間差的數據，讓你可以清楚看到進站之後的消費者通常在幾天內會有轉換行為。值得注意的是，這邊的轉換百分比的分母是「轉換數」，也就是說，你能看到的只有在所有轉換的人當中，有多少比例的人會在個別天數的時間轉換，所以僅能判斷最明顯的天數轉換斷點在哪個時間點，並且做不同時間區間、互動管道的變化比較。

四、轉換路徑長度

轉換路徑長度報表則是以互動次數作為主要的報表觀察維度，可以觀察在所有轉換當中，消費者大概經歷多少的互動會有轉換行為。這邊的轉換百分比的分母依舊是「轉換數」需要特別注意，可以做不同時間區間、互動管道的變化比較。

結論

分享到這裡可以發現，這個報表的主要目的其實就是幫助我們去為不同的接觸點目標做出更合適的成效判斷標準，正如文章一開頭跟大家分享的，每個行銷活動會有不同的行銷目標，有些是曝光、有些是導流、有些則是立即轉換，既然有不同的目標，就不適合都以「有沒有轉換」作為最終的成效衡量指標，而GA的多管道程序報表則可以從更全面的路徑幫助我們判斷每個路徑扮演的效用。假設我們發現部落客的最初互動效益很高，也許更多的部落客合作就是一個可以納入評估的行銷方式。

多管道媒體的主要幾個報表就分享到這裡啦！模式比較工具稍微複雜一些，我們待下篇文章再來分享，那我們就下篇文章見啦：）

ADer Sharon

這篇文章 Google Analytics 多管道程序報表全解析 深入分析消費者轉換行為 最早出現於 Sharon Lab∣雪倫實驗室。

什麼是GA篩選器？

以 Google 官方的解釋篩選器其實就是「篩選器可用來修改資料檢視中的數據或只讓某些資料顯示」，這個定義可能會讓人有點不理解什麼情況下可以 GA 篩選器可以幫上忙，舉幾個實際的情境來說明。

我們可以試想一下，什麼時候我們會想要修改想要看的數據？又有哪些時候我們會只想看某些數據？其實這些問題背後都有個核心關鍵，那就是我們發現了一個問題，想要透過「聚焦某些數據，找到問題發生的可能原因」。

但預設的 GA 針對所有進站的行為都會做數據記錄，但數據這麼多，當我們想要排除掉會影響判斷的數據，又或是只想拉出某部分的數據來看的時候，該怎麼辦呢？這時侯 GA 篩選器就能透過「條件篩選」幫上忙。

GA 篩選器與進階區隔有什麼差別？

講到資料篩選，可能有些讀者就會有疑惑，GA 區隔不是也能做資料篩選嗎？那這兩者具體的差別又是什麼呢？什麼時候該用篩選器？什麼時候又該用區隔呢？

什麼時候用篩選器，什麼時候用區隔其實沒有絕對答案，舉例來說，如果只是想拉出「台灣的網站數據」，查看台灣流量的來源媒介分佈狀況，那麼不論是使用區隔，又或是使用篩選器都能達到一樣的效果。但是某些情況下的數據分析情境可能只能用區隔，某些情境下可能就只能用篩選器。

舉例來說，如果是想做數據間的比較，例如說，我想比較付費來源的網站流量與自然搜尋的流量，那麼用區隔就會是比較好的做法。換個例子來說，因為區隔沒辦法篩選特定情境，例如說排除特定IP，也沒辦法運用在多管道報表，所以當想要做到上述提到的條件設定，那麼就必須使用篩選器來設定。

所以要選擇哪項工具來做資料篩選其實沒有標準答案，端看需要達到的數據分析需求是什麼，以及哪個工具更符合當下所需的情境。除了使用情境和兩個工具之間各自的功能之外，這兩個工具還有三個根本上的差距：

1. 篩選器資料不可回溯 v.s.區隔資料可回溯
首先是資料能不能回溯的問題，GA 篩選器的資料是在建立24小時後才開始套用篩選器設定的篩選條件，而 GA 區隔則是不論是什麼時候建立，只要搭配報表的日期調整，所以即便是現在才建立起區隔，也可以利用區隔條件找出過去的數據資料。

2. 篩選器資料為全部資料 v.s. 區隔可能以抽樣呈現數據
其次的差異是篩選器是套用所有的網站資料，而區隔則可能在資料量大的 GA 帳戶中產生抽樣的數據結果，所以在數據量大的情況下，很有可能稍微影響數據的準確定。

3. 篩選器會造成資料破壞 v.s. 區隔不影響原始資料
最後 GA 篩選器與 GA 區隔最大的區別是資料套用的方式， GA 篩選器就像一個濾網，符合條件的數據資料就會被留下，至於不符合的資料則會永久被篩掉，所以如果我設定的條件是「排除特定IP」，那麼我套用的 GA 篩選器的資料檢視就會只看到「非特定IP」的網頁數據資料，後續就算想要看到「特定IP」的網頁數據資料也沒辦法，資料會直接在設定篩選器之後，不符合條件的資料會被破壞（刪除）。

至於區隔就不會有影響原始資料的問題，區隔的篩選只是暫時遮住不符合篩選條件的數據資料，隨時都可以取消區隔看到完整的原始資料。

使用 GA 篩選器的注意事項

總結來說，GA 篩選器可以很有效的幫助我們做資料聚焦以及汰除掉不必要的數據資料，但使用需要特別小心，接下來就來跟大家分享建立 GA 篩選器的時候需要注意的事情。

首先，因為 GA 篩選器是在建立之後才開始套用，所以建立前後的數據觀察非常重要，建議可以使用表單或是 GA 的註記功能做紀錄，以避免建立篩選器之後的數據判讀錯誤。舉個例子來說，如果我們今天使用篩選器是用來做桌機版流量，從6月1日開始套用，而原始桌機版流量是佔全站網站流量的50%，在套用 GA 篩選器之後，網站流量會立刻少了一半（數據會沒有手機版與平板的流量）設定完當下當下可能會記得是因為套用篩選器導致流量下降，但是如果未來數據回溯分析又或是工作由他人交接，都有可能因為沒有妥善註記而錯判流量變化的原因。

其次要注意的是 GA 區隔是以「破壞原始資料的原始性」來讓報表符合篩選器的條件，所以原始資料直接被破壞移除的。舉例來說，假設我在 6/1 設定了桌機流量的篩選器，即便 6/5 把將篩選器移除，6/2 – 6/4 手機與平板的數據資料還是一樣無法復原，所以為了避免破壞原始資料，又或是篩選器不小心設定錯誤的問題，非常建議大家在一開始設定篩選器之前，都先建立起新的「資料檢視層級*」，在新的資料檢視層級建立篩選器，記得保留最原始的資料檢視層級。

最後是很多人會忽略的「篩選器有套用順序之別」，所以套用的順序需要特別小心，順序愈上面的篩選器就會愈優先被套用，所以當你想要篩選的條件不只一個的時候，例如說你想挑選 google 的來源流量，並且要是隨機搜尋的流量，那麼來源篩選器就需要放在第一順位，接著才是媒介為 organic。

常用的 GA 篩選器設定

1. 排除公司或特定IP位址

GA 常常是行銷人拿來觀察真實網站訪客的判斷工具之一，不過品牌網站其實除了真實的網站訪客之外，也會有一群經常進入網站的人，那就是「公司的員工」，而當我們希望網站數據可以只留下有價值的真實網站訪客的時候，就會需要做公司IP位址的排除，以排除掉對分析網站訪客沒有幫助的流量。

如果公司的IP位址是固定的（只有一組，不會更換的話），那麼只要在搜尋引擎搜尋「我的IP位址查詢」，搜尋引擎的第一個頁面就可以查詢到。

如果公司的IP位址是浮動的IP位址，例如說會有132.158.12.001、132.158.12.002、132.158.12.003以此類推，那麼就需要針對浮動的IP位址寫上規則運算式來抓取所有浮動的IP位址。以上述例子示範，因為前三個數字不變，所以我們僅需要針對第四個會變的數據寫上規則運算式*：132.158.12\.* 即可。（此處\代表後方的.非規則運算式代碼；.代表可與任何單一字元比對；*則代表比對前接字元 0 或多次）。

接著進入 GA 的篩選器頁面，將 IP 位址依照下方示意圖輸入到對應的區塊即可。

*規則運算式：Google 官方延伸閱讀文件

2. 篩選子網域資料

有些網站的子網域會是不同的市場網站或是與主網域的資料不同需要做區分。舉例來說 https://aderlab.com/是這個網站的網域，若未來網站想要往國際話走，我可能就可以用 https://en.aderlab.com/ 來做英文網站。不過因為主要觀看網站的客群不一樣，所以我可以將兩個網站的流量用篩選器做區分，具體作法就是將子網域的流量獨立出來，就可以選包含主機名稱為「en\.aderlab\.com」的流量。

3. 篩選特定國家資料

篩選特定國家的資料只要在篩選器挑選「包含」國家/地區，接著輸入國家的名稱即可。這邊唯一要注意的是「國家/地區」的名稱必須要 GA 報表內呈現的名稱一致，才有辦法篩選到正確的資料。

4. 篩選特定來源或媒介流量

篩選特定的來源或媒介一樣使用「包含」，選擇「廣告活動媒介」，假設想要依照來源來篩選流量，那麼只需要在篩選器欄位做更改即可。以篩選隨機搜尋流量為例，只要輸入 organic 就可以找到所有的自然搜尋流量，這邊要注意的是，因為條件只有設定「organic」這個媒介，所以這邊抓取的資料不僅僅是Google的自然流量，也會包括Yahoo、Bing、百度等自然搜尋流量。

5. 整理網址參數

有時候因為網站條件設置或是外部連結來源參數，會導致進到GA的網址數據變得非常凌亂（補圖）。舉例來說，前者就想是網站有時候會設定銷售量排序參數，後者則像是臉書來源通常會夾帶fbclid這類的參數，這些參數會導致報表將同一個頁面的資料拆分開來（如下圖），導致我們在計算特定網頁時，可能會遺漏部份數據。所以這時候，使用GA篩選器篩選掉會影響判斷的網址參數就顯得格外重要。

這邊使用到的是篩選器的「搜尋與取代」的篩選功能，透過把「fbclid」的參數替代，移除掉不必要的參數，清理有參數的雜亂網址資料。以臉書參數整合的範例來說，可以選擇「自訂」＞「搜尋與取代」，並且在篩選器欄位選擇「請求URL」，搜尋字串以規則運算式「 ([?|&]?fbclid=[^&]*&?) 」找出 fbclid 參數並取代為空白值。

那麼 GA 篩選器就先分享到這裡啦！我們下篇文章見：）

ADer Sharon

這篇文章 GA 篩選器是什麼？GA篩選器怎麼用？ 最早出現於 Sharon Lab∣雪倫實驗室。

進階區隔怎麼設定？

在正式進入自訂區隔分享之前，先讓我們來聊聊三個名詞：使用者、工作階段以及匹配。使用者應該很好理解，就是以人為單位，一位訪客即算一位使用者，唯一要注意的是，因為GA是以Cookie來判斷使用者是誰，所以如果同一個人使用不同裝置、不同瀏覽器、開無痕模式，那麼即便是同一個人，也可能被視為多個使用者。

至於工作階段，可以簡單理解成「訪次」，但是這個訪次在GA的定義裡仍有條件限制，一般而言，預設條件是30分鐘內不論瀏覽幾頁，都只會被視為一個工作階段，超過30分鐘，則會計算成第二次工作階段。

至於匹配則是使用者若是符合「某項行為」，則會視為匹配，常見的匹配類型包括：網頁追蹤匹配、事件追蹤匹配和電子商務匹配。

講到這邊有發現嗎？這三個名詞之間彼此有階層關係，一位使用者可能帶來多個工作階段，在每一個工作階段中，在使用者瀏覽網站的過程中，則可能會產生很多行為觸發匹配條件，例如說加入購物車、完成我們指定的網站事件等。

這種篩選器可劃分出使用者、工作階段與匹配的子集合：

• 使用者子集合：例如曾經消費的老顧客，或將商品放進購物車但並未購買的使用者
• 工作階段子集合：例如來自廣告活動 A 的所有工作階段，或發生購買行為的所有工作階段
• 匹配子集合：例如所有收益超過新臺幣 $300 元的匹配

為什麼要聊使用者、工作階段以及匹配呢？原因是因為在設定區隔的過程當中，這三個是幫助我們抓取數據資料的基本單位，我們也才能知道要抓取數據的時候要用哪個基本單位來設定。舉例來說，如果我想知道台灣的訪客行為，我在區隔的設定上就會選擇國家台灣，且使用者>0的設定；再假設我想知道所有有點過某個特別按鈕的數據，我就會以事件的條件搭配匹配>0來抓取資料。

匹配延伸閱讀：https://support.google.com/analytics/answer/6086082?hl=zh-Hant
工作階段延伸閱讀：https://support.google.com/analytics/answer/2731565?hl=zh-Hant

常見的區隔使用方式

這麼舉例可能還是有點抽象，接下來就以實際數據抓取需求對應的情境來分享。

1. 來源媒介區隔

來源/媒介報表常常讓我們用來判斷網站的流量來源是從哪裡來，也以此判斷哪個流量投資是有高效益的。但某些時候，例如：既有的來源/媒介報表資料過於凌亂、又或是想要加總計算不同列的來源/媒介數據，區隔就能派上用場，以下方圖示舉例，假設我想知道所有來自Facebook的流量狀況，一種方法就是圖法煉鋼的自行加總，但除了手動加總之外，其實還可以透過設定自訂區隔的方式撈出想要觀察的資料。

如果設定的條件多於1個，就可以使用下方的「條件」來設定，依照報表裡面的來源挑選想篩選出來的來源條件，就可以順利將想篩選出來的來源資料做區隔，並且讓系統自動將不同列的數據資料做加總。

2. 指定產品的轉換區隔

當產品賣的好或賣的不好，都需要分析背後的原因。不論是獨立看曾購買過產品的訪客行為，亦或是觀察看過特定產品的訪客行為與偏好，都是一個了解商品好壞的策略。所以，可以使用區隔的方式把特定品項的購買行為或訪站行為做研究，以下示範區隔可以怎麼抓出購買特定商品的資料，第一步一樣是進入區隔設定畫面，然後在「條件」的地方選擇產品，並輸入產品名稱，設定且的交集條件，選擇產品結帳>=1，這樣就可以抓出購買過特定產品的數據資料，透過這個方式可以看到購買是源自那些來源媒介、經過哪些頁面瀏覽等。

3.國家區隔

這個區隔最常應用在市場橫跨多個國家的狀態。當沒有做出區隔的時候，所有國家的訪站資料都會混合在同一個GA報表裡，分析的過程就有可能不夠準確，這種情況下使用區隔做資料分群就是一個很好的做法。當然，如果各個國家的數據資料各自都有一定的數據量，就會建議使用篩選器的方式獨立不同國家的資料檢視或是獨立不同市場的網站與追蹤數據的GA囉！下圖示範如何透過區隔抓出各個國家的資料。

4. 目標對象

男女、性別獨立網站的男女與性別可以幫助我們判斷受眾輪廓以及受眾行為，除了可以看受眾輪廓的比例之外，若是想知道特定受眾輪廓的訪站行為的話，也可以透過區隔來做到

5. 特定區間的新客回訪狀況

電商網站常常會有檔期活動或是新客活動，那麼怎麼知道特定活動吸引來的新客是否有在後續持續為店家帶來商業價值呢？除了可以從訂單分析當中看看新客是否有回購之外，也可以透過網站區隔的「最初工作階段」的條件來判斷，簡單來說就是選擇在檔期活動期間初次進站的工作階段（代表是檔期前未曾進到網站的人），然後將報表的時間區間拉到想觀察的回訪期間，就可以知道檔期活動帶來的新訪客是否有持續於後續回到網站，以及是否有持續後續購買的行為等。

使用這個區隔條件唯一的限制就是時間區間的長度不可以超過31天，是特別需要注意的地方。

以上，介紹5種我最常使用的區隔設定方式，當然區隔的設定不只有上面提到的這幾種，一定還有很多不同產業、不同營業型態會需要用到的區隔設定。

那麼當你不知道自己需要的區隔該怎麼設定的時候怎麼辦？這邊也提供一個小撇步叫做「從資源庫導入」，這個資源庫裡面有非常多別人設定來願意分享的設定的方式，可以在裡面挑選適合自己網站分析情境的條件套用，那麼就可以省去自己設定跟研究的步驟囉！

那GA區隔就分享到這裡了，我們下篇文章見～

ADer Sharon

這篇文章 GA自訂區隔怎麼設定？談GA區隔的進階應用（下） 最早出現於 Sharon Lab∣雪倫實驗室。

區隔是 Analytics (分析) 中的一小部分資料。以您的整個使用者群為例，某個區隔可能是來自特定國家/地區或城市的使用者，另一個區隔也許是購買特定產品或瀏覽網站某個部分的訪客。

Google 官方說明：關於區隔

其實區隔的意思很簡單，就是因應我們的分析需求，找出一小部分的資料，例如說，找出特定族群、行為、造訪，透過挑選符合我們需求的數據，來幫助我們更容易進行網站分析。這個過程其實就是所謂的數據拆解*，讓我們可以把雜訊遮住不看，專注看最重要的網站數據。

*數據拆解延伸閱讀： 人人都該懂得數據思維課

舉個電商的情境來說，假設營收下降，我們就須要往下拆解問題究竟在哪裡，至於要找什麼數據，那就要先看我們問什麼問題，常見的問題像是：

1. 是哪個國家業績衰退？
2. 是哪個來源業績衰退？是自然搜尋？廣告？電子報？LINE@？
3. 從源頭來看，是哪個原因導致業績衰退？是客單價降低？轉換率降低？還是進來的訪客數降低？

這些問題雖然我們都可以透過GA的現有報表來分析，但是如果想一次看到兩個維度的細節數據，使用GA區隔就可以更快速更便捷！

例如，我想同時看到每個國家業績變化狀況以及營收衰退的國家流量狀況變化，假設我們不使用GA區隔，用現有報表的操作方式通常都是在現有報表下使用「次要維度」（如下圖畫面）

使用次要維度有個問題，那就是如果我們想看美國的流量狀況，就必須讓美國的流量欄位都處在相鄰的欄位上，才方便我們做比較，但如果要做到這件事，我們就無法同時再使用使用者多寡排序、依收益排序這類的數據排序方式，分析過程就變得綁手綁腳的。

但使用區隔就不一樣了！我們一樣使用目標對象下的地理區域報表，把GA預設的四種媒介：隨機搜尋、直接流量、參照網址流量、付費流量的區隔選取起來，報表最上面會有這四個區隔的分別數據。

接下來報表往下拉，就會發現報表就會把每個國家對應的流量狀況列出來，不需要指定國家排序，就可以把同類（同國家）的數據放在一起比較，然後搭配不同的數據排序方式進行分析。

說到這裡，是不是覺得GA區隔相當實用且有魅力了啊！接下來，我會從GA的預設區隔講到GA區隔的常見使用場景，希望能幫助大家對GA區隔有更多的了解。

GA預設區隔有哪些？

GA預設區隔有把幾個常見的需求列出來，我整理下來概略可以分成五大類，包括：裝置、流量、使用者狀態、工作階段狀態以及其他。

1. 裝置：手機和平板電腦流量、平板電腦和桌上型電腦流量、平板電腦流量。
   關於裝置的區隔，我個人認為沒有獨立出手機和電腦各自的流量是蠻可惜的，不過，大家自己在使用上還是可以透過自訂區隔的方式獨立拉出手機、桌機的數據做比較的。
   
2. 流量媒介：付費流量、直接流量、參照連結網址流量、搜尋流量、隨機流量。
   預設與流量相關的區隔是使用「媒介」作為區隔依據，例如說付費流量的媒介就是cpc、隨機搜尋的媒介就是organic、參照連結網址的媒介是referral、直接流量則是用媒介none來抓取。在使用這些預設區隔的時候有兩件事情需要特別注意：
   
   第一個是「搜尋流量」與「隨機流量」的差異，前者是指所有搜尋，所以除了Google搜尋、YAHOO等其他搜尋引擎的流量之外，也包括搜尋廣告；至於後者則是不包括廣告的自然搜尋流量。
   
   第二個則是當你常常使用UTM來追蹤每個行銷渠道的成效，假設你設定的媒介並非預設區隔的媒介，那們預設的區隔可能會無法派上用場。
   
3. 使用者狀態：未轉換訪客、回訪者、新訪客、轉換訪客、曾經購買。
   其中我最常用的就是「曾經購買」這個區隔，這個區隔可以幫助我們拉出買過的消費者會走過哪些網站、做什麼網站行為的參考。
   
4. 工作階段：無跳出的工作階段、發生交易的工作階段、發生轉換的工作階段。
   
5. 其他：執行站內搜尋。就是找出所有曾經在你的網站上使用站內搜尋的人。

GA區隔的三大使用場景

聚焦重要數據

因為GA報表大部分都是包括所有網站使用者的資料，所以如果我們只想看特定數據的話，就可以透過GA區隔的方式，只留下對於我們來說重要的數據資料。

例如，我特別想知道曾購買過的用戶行為，那麼我們就可以拉出曾經購買的資料，藉此看這群人的受眾輪廓、從哪些地方進入網站、都看了哪些網頁等等。

以條件整合同類型的數據

除了隱藏不重要的資訊之外，有時候我們需要為不同的數據來源做個分類，幫助我們快速判斷。

舉例來說，來源/媒介報表攤開來可能有上百個來源/媒介，假設我只想知道有付錢的付費來源、自然搜尋流量、從別的網站導入的流量以及直接透過輸入網址進站的流量，這個需求GA區隔也可以幫到很大的忙！

預設的GA區隔可以直接抓出organic自然搜尋、cpc廣告付費或referral其他網站導流過來的流量，來幫我們為上百個來源/媒介分類，讓我們快速知道流量組成佔比，還可以不同流量間相互比較成效。

便於做數據比較

第三個則是比較，便於比較我們想知道的特定數據。

舉例來說，當我想知道不同裝置的使用者的網站體驗狀況，我可能可以選擇預設的行動裝置以及平板電腦和電腦的網站瀏覽量，判斷我的網站使用者都是使用什麼裝置進到網站？不同裝置之間有沒有特別不一樣的停留時間、跳出率、轉換率等。如果有數據差異太大，也能透過這樣的數據區隔做比較，思考背後的原因以及後續的解決方案。

總結來說，不論是挑選特定資料、為資料分類或是把同個類型的資料拉出來比較，GA區隔都可以幫上很多忙，讓我們可以更順利進行數據分析！

結語

這篇文章的最後，想跟大家分享區隔除了上述的使用優點外，最大的優點就是，使用區隔並不影響到原始資料，所以不用擔心會因為設定錯誤影響到整體資料，不論是設定、套用、使用都非常彈性。

但使用預設區隔久了之後會發現，GA的預設區隔不是那麼適合每個場景，就好像我上面有提到的，如果自訂的UTM可能就無法被歸類在預設的區隔裡面。另外，預設區隔也無法做到「超過一個層級的區隔」，預設區隔彼此間是相同的層級，意思就是你沒辦法透過套用「篩選平板電腦的區隔」以及「篩選自然搜流量的區隔」，直接篩選出同時符合使用平板電腦，又符合自然搜尋進站的數據。

如果需要讓區隔使用更加符合自己的需求或是要讓資料同時符合兩個以上的條件，那麼我們就需要轉而使用區隔的進階功能：自訂區隔，下篇我會再來談談自訂區隔怎麼設定，以及應該注意的眉眉角角，那我們就下篇文章見啦～

ADer Sharon

這篇文章 GA 區隔是什麼？談GA區隔的基礎應用與限制（上） 最早出現於 Sharon Lab∣雪倫實驗室。

前陣子剛好在整理UTM的架構，也剛好把前陣子的整理心得記錄下來透過這篇文章來跟大家分享UTM的知識，以及使用UTM過程中常常會不小心觸犯的地雷區，那麼我們就開始囉！

什麼是UTM？

在介紹UTM如何使用以及常見的錯誤使用之前，先來談談UTM是什麼，UTM全名是 Urchin Tracking Module，簡單來說就是在網址後方「自定義參數」，讓我們可以透過「自定義參數」，評估網站流量來自於哪裡，通常會搭配網站分析工具使用，最常見的網站分析工具包括：Google Analytics、Adobe Analytics等。

以Google Analytics來說，可以在「客戶開發」>「所有流量」>「來源 / 媒介」的分析報表看到來源 / 媒介，如下圖所示。

為什麼要有UTM？

說到這裡，有些朋友可能會好奇，在Google Analytics的客戶開發下面來源/媒介的報表不是原本就會自動區分來源/媒介了嗎？為什麼還需要多此一舉，再使用UTM來自訂特定參數呢？主要原因有兩個：

第一個原因是因為有些情況下，網站分析工具的預設流量會無法辨識特定來源的流量，所以會導致系統將流量判定為直接流量（Direct/none）。

什麼樣的情況下系統將流量判定為直接流量（Direct/none）呢？通常是「非網站的流量」，例如說：透過LINE進站（LINE算是APP，部算是網站）、QRcode、簡訊、EMAIL或是直接輸入網址這些來源，都會被視為直接流量，有時候，如果網站被使用者加入書籤，那麼也有極高的程度會被視為直接流量。

加入書籤或是直接輸入網址這些訪客行為我們無法控制，但是我們總想知道是LINE推播訊息轉換成效比較好、還是寄電子報或是簡訊成效比較好吧？這也就是為什麼UTM在數位行銷過程當中扮演關鍵的角色，能夠讓我們區分不同來源的流量，讓我們可以更進一步的評估效益。

第二種情況則是我們希望分析更多細節，例如說判斷辦什麼活動、哪個素材帶來的訪客更有價值，這時候我們也需要用到UTM，幫助我們設定更細節的資料，通常會利用UTM的其他欄位像是：Campaign、Content、Term等寫上活動名稱、素材內容等來達到這個目的。假設我們沒有設定UTM，那你會發現 Campaign、Content、Term 這些細部資料就會顯示 not set，讓我們無法知道更細節的資料內容。

說到這裡，大家發現了嗎，UTM的作用其實就是透過寫上記號來幫我們分類，就好像當桌上有很多一模一樣的飲料時，為了避免混淆，我們會在各自的杯子上寫上名字，以判斷每杯飲料的主人是誰，而UTM的作用也是一樣的，UTM就好像是網路世界的姓名條，讓我們知道哪個行銷方式有好表現，當遇到表現不好的時候，也才能找對渠道檢討！

延伸閱讀：GA預設的來源媒介

所以，總結來說，為什麼我們需要UTM呢？那是因為我們需要知道源自於哪裡的來源媒介，訪客最多、轉換率最高、收益最高，以此來評估行銷資源分布的效益。

UTM的參數有哪些？

講完UTM為什麼這麼重要，接下來就要實際跟大家分享UTM要怎麼使用，設定過程中要如何測試、統一參數以及紀錄囉！

UTM設定可以到 Campaign URL Builder 設定，只要輸入想追蹤來源媒介的網頁網址，並且在Campaign Source、Campaign Medium
以及Campaign Name分別輸入可辦別的自訂值即可。到了網頁，你會發現必填的欄位是：Campaign Source、Campaign Medium、Campaign Name，至於Campaign Term和Campaign Content則是選填欄位。

那麼Source、Medium到底該怎麼設定呢？可以以Google Analytics預設的來源 / 媒介名稱的思維來思考，Google Analytics最常見的來源/媒介包括：google / organic、l.facebook.com / referral、m.facebook.com / referral，如果你有付費下廣告的話，可能還會有google / cpc等。

來源比較像是流量從哪來，例如說從google來、從電腦版臉書來、從手機版臉書來；媒介則是像是流量透過什麼方式來，例如說自然搜尋、網站連結或是付費CPC等。

接下來，舉個實際例子來讓大家知道UTM可以怎麼設。假設廣告實驗室要辦一個小聚，活動前需要宣傳，讓大家進到網頁上報名，打算透過各種方式宣傳，包括：

1. 線下DM 發放報名QRcode
2. 線下廣告看板宣傳報名QRcode
3. 傳電子報給所有訂閱戶，並設計兩種內容的電子報
4. 下臉書廣告，並且設計兩則素材投放
5. 與網紅Tom合作，請網紅幫忙宣傳活動報名資訊
6. 發媒體稿，打算刊登在電子媒體上

針對這些宣傳方式，跟大家分享我會怎麼設定我的UTM網址，詳細的UTM設定如下表格所示：

設定好之後，當有人透過上述的不同管道進到網站之後，就可以在網站分析工具的來源 / 媒介分析報表中看到各種行銷宣傳管道的流量、跳出率、停留時間與轉換價值，以此來評估哪個管道導入的流量對於最終轉換有較高的效益。

相關文章：GA 新手常見的名詞困擾！一次搞懂 GA 報表的專有名詞、FB廣告投放新手必懂的廣告架構 :廣告篇

UTM的迷思與設定地雷區

設定UTM的過程中，有三個最常發生的誤解以及常見錯誤，以下羅列出來希望能夠幫助大家避開設定地雷區，順利完成UTM設定以及幫助後續的分析。

短網址不等於UTM

有些人看到短網址就會誤會，想說短網址就等於有設UTM的網址，不！當然不是！鄭重澄清，短網址與UTM是兩件完全不同的事，短網址的用途，常常只是用來「讓版面好看」以及「寫上連結說明」，畢竟有些網頁網址很長，不可能讓臉書貼文有一整行都是網址連結對吧？

至於為什麼會有短網址就等同於有設UTM參數的錯覺呢？那是因為確實通常設定成短網址的連結可能剛好有設好UTM而已，實際上網址有沒有設定UTM就要看透過短網址進入網頁之後，網頁最上方的網址後方是否有「?utm」開頭的參數，例如「https://aderlab.com/?utm_source=DM&utm_medium=QRcode&utm_campaign=activity&utm_content=0120_note」，像是這種網址後方有「?utm」那才是有設好UTM的網址。

UTM不是有設定就好

第二個常見誤區是誤以為短網址有設就好，關於這點，我想說孩子你的目光太短淺了！什麼意思？實務上我很常看到「看心情設UTM參數的狀況」，例如說同樣是同一個周年慶活動，第一次設定活動名稱設「2021-Anniversary」、換下一個素材的時候設「Anniversary」、換QRcode的時候設「anniversary」，發現了嗎？雖然表達的是同一檔活動，但是卻可能因為不同人設定UTM或是沒有溝通清楚，導致每個人設定或是同一個人每次設定名字都不一樣。

那麼設定不一樣會發生什麼問題呢？這個問題通常都會發生在活動開始後開始分析成效，甚至最慘最慘，甚至會到全部活動期都結束才發生這個問題，那麼網站分析就會變得非常痛苦，需要特別下載資料，將同樣的來源數據加總再一起，在流量大的時候絕對特別痛苦，所以設定UTM的每個參數名稱的時候一定要注意，如果是分類一樣的來源、一樣的媒介或是一樣的活動名稱，切忌切記，大小寫不同、多個空格或是少個空格、全形半形不一樣，都會被網站分析工具的報表視為不同的兩筆資料，資料也會非常凌亂。針對這個問題，我的建議是就設立一張UTM規則表吧！手動輸入、人腦都不可靠，最可靠的就是複製貼上。

UTM管理小建議

最後，在使用UTM的時候還有一個小訣竅可以跟大家分享，那就是面對你無法全然掌控網址的地方，請善用短網址的方式來管理UTM！（有些短網址工具可以隨時更換連結網址，讓你可以隨時管理發不出去的網址）

關於「無法全然掌控的網址」可能很抽象，舉個例子來說明什麼叫做無法全然掌控連結的地方呢？例如說：QRcode的網址，你印在DM上或是發出去就發出去了，你沒辦法隨時更換網址，讓QRcode的網址導到跟原本網址不一樣的地方。又或者說跟網紅合作的貼文或部落格，這種通常是需要經歷大量溝通以及時間，沒辦法隨時說要換連結就換連結。

而這種時候，最怕發生的就是網址頁面下架，例如說因為活動結束關閉、產品已經賣完所以停售等等，太多頁面可能會下架的情境你無法一一控制，那麼請好好善用短連結與UTM的結合，讓短網址維持一致，但可以透過短網址工具抽換原始的連結。

那麼關於UTM的全攻略就分享到這裡啦！希望對對UTM不熟的朋友有幫助，我們下篇文章見～

如果有任何我沒寫到的，你很想知道的，歡迎來信到 aderlabsharon@gmail.com 的信箱與我討論～

ADer Sharon

這篇文章 什麼是UTM？談UTM追蹤流量的應用與常見設定錯誤 最早出現於 Sharon Lab∣雪倫實驗室。