用户体验，分析至上
索菲亚【译者注：为了更接地气，以下称为“小红”】正在和她的客户讨论可用性测试的项目，她已经迫不及待地要开始了。然而唯一尚未解决的问题是，他们对于测试什么内容和着眼于网站的哪个部分持有不同的观点。小红的客户对他们的顾客很了解，但是小红拥有多年用户体验的研究经验，没有任何迹象表明小红和她的客户可以达成一致的意见。于是小红把注意力转向了数据分析，希望能深层次地洞悉人们到底是如何使用网站的。
可用性测试和数据分析是一对无敌好搭档，它们让我们更多地了解用户，跟踪我们的目标，解决意外的问题。说到解决问题，数据分析告诉我们哪些页面或者流程正在给用户造成麻烦，哪些领域需要我们在可用性测试中重点关注。接下来，可用性测试会告诉我们为什么用户会表现出某些特定的行为。在这两者之上，我们可以为网站拥有者提供重点明确、针对用户的建议。
在小红（和许许多多与之相似的用户体验从业人员）的例子中，数据分析能揭露用户到底是怎么访问网站的。虽然小红和客户在用户体验或顾客方面的经验可能让他们对于测试什么有了不错的假设，但对于人们是如何访问网站，数据分析展示给他们的是更为清晰、无偏见的方式。
对于任何希望通过学习一些简单的工具来读懂数据的人，数据分析可以帮助你：
- 识别网站上出问题的地方
- 显露网站对于用户的吸引力
- 测量设计上的改善带来的结果
在这两篇系列文章中，我将会解释如何利用数据分析来识别用户有问题的地方，以及网站的哪些地方会从可用性测试中受益最多。本篇文章的重点为——三个识别网站问题的参数：跳出和退出率(bounce and exit rate)，页面平均时间(average time on page)和目标价值(page value)。在第二部分，我们会进一步利用这些参数来识别drop off points，然后我们会深入到数据分段(segmentation)来获取额外的细节信息。
辨认问题网页（组）
作为一名自由职业者和用户体验咨询师，我与各种各样不同领域的网站合作过，其过程非常一致，总是以数据分析为开端。最开始我会去辨认每天有多少用户访问这个网站，哪个页面最常用。这会给我一个大概的感觉，知道人们是如何访问这个网站的。然后我会进行下一步：辨认潜在的出问题的领域，继而知道我的用户体验建议将会着重在哪一块。
总体来说，我会观察三种类型的参数来辨认问题所在：
- 跳出和退出率(Bounce and exit rate)
- 页面平均时间(Average time on page)
- 目标价值(Page value)
跳出和退出率(Bounce and Exit Rate)
跳出率和退出率是两个可能造成混淆的参数。跳出率是只访问了网站的一个页面的用户的比例：在一个页面登陆，但是没有去访问任何其他页面就离开了网站。
【译者注：谷歌官方解释为“跳出率指单页访问次数（即访问者从入口页离开网站而未与网页互动的访问次数）所占的百分比”。】
退出率是从一个页面离开了网站的用户的比例（它包括了那些之前在该网站浏览了其他页面的人）。
【译者注：谷歌官方解释为“退出百分比指从某个或某组特定网页退出网站的次数所占的百分比”。】
如果我发现了网站的一部分出现了一个很高的跳出或者退出率，我会做上笔记，以防某些页面的什么东西造成了用户的离开。一个有着高跳出率的页面可能说明这个页面上的内容不是用户来到这个页面所期望看到的东西。一个高退出率的页面可能说明这个网页导致了用户在他们想要的流程中半途而废——从另一方面看，如果一个高退出率的页面是流程的最后一页，那么这个高退出率就不再是个问题了。
用谷歌分析（Google Analytics）中的“加权排序（weighted sort）”会让跳出率更加有用。根据谷歌分析，“加权排序把百分比数据根据重要程度排列，而不是序号排列”。举个例子，一个页面虽然有着100%的跳出率，但在过去的一个月中，只有一个用户访问，然后离开了该页面（另外一个更大的问题可能是没有任何人访问过这个页面！）。如果一个页面有80%的跳出率，但是是一个在流程中非常关键的起始页面，那么这个网站可能因此流失了大量的生意。为了更好地为页面可用性测试做准备，我们必须辨认出问题出现的原因：是因为没有人访问这个页面，还是每个访问的人都马上离开了网站？