《AdobeAnalytics和Webtrekk数据分析功能对比》由会员分享，可在线阅读，更多相关《AdobeAnalytics和Webtrekk数据分析功能对比（6页珍藏版）》请在金锄头文库上搜索。
1、Adobe Analytics 和 Webtrekk 数据分析功能对比Adobe Analytics 和 Webtrekk 都是在线数据分析领域的巨擘，一个是美国市场第一，一个欧洲市场第一，都能提供世界一流的数字分析解决方案。我很有幸能有机会深入了解并应用这两种解决方案，同时也深感数字分析领域永远不缺概念，缺的是应用场景和价值提炼。本文将对这两种解决方案做深入剖析和对比。由于文章实在太长，我分为两部分，此文为上篇。Adobe-Analyitcs-vs-Webtrekk一、整体解决方案能力整体解决方案是指两种方案能完整的、与其他工具或解决方案融合提供更广泛支持的能力。两种方案都侧重于在线数据支持
2、，除此之外还有离线数据需求。数字分析解决方案只是企业运营支持中的一部分，除此之外，如果能提供企业日常运营辅助会更有利于业务应用。整体解决方案能力包括两部分：一是整合其他数据（含内、外部数据跟踪）的能力，二是整合其他运营系统的能力(一) Adobe AnalyticsAdobe Analytics 是 Adobe Marketing Cloud 的一部分，除此之外还有 Adobe Campaign、Adobe Experience Manager、Adobe Media Optimizer、Adobe Social 和 Adobe Target.Adobe 提供的 Analytics 是 Ado
3、be Marketing Cloud 中的数据分析解决方案，其他都是结合广告、社会化媒体以及测试优化和推荐套件应用。从这一点来看，Adobe 的整合能力非常强大，尤其是其 Target 是与 Analytics 配合最为紧密的产品，其功能 A/B 和多变量的单页面、和多流程测试，用户区分和定位，结合用户归档的站内推荐功能。整个 Adobe Marketing Cloud 涵盖了数据的产生、分析和应用三个环境，整合能力强大。同时，Marketing Cloud 支持通过多种方式进行数据整合：Adobe Insight 提供了多渠道、线上和线下整合产品，并且可以通过本地化安装和应用提高企业私有云的
4、应用能力； Adobe Genesis 是第三方应用集成工具，可以进行数据集成和再营销，其中预集成了 75 个认证合作伙伴； Adobe Analytics 本身带有 Data Source 和 Classification Importer 的数据导入，并可以通过 Data Feed、DataWarehouse 导出结构化点击流数据。虽然 Adobe Marketing Cloud 的产品组合非常强大，但从其关键性功能以及从企业应用实际来看仍然存在一些问题：费用问题。分析产品和服务套件做细粒度的拆分组合，对产品来讲可以进行单独开发和投入，对客户来讲却意味着每个套件都需要额外付费，而且某些套件
5、的费用非常高。比如 Recommendations 的费用会比 Analytics 套件的价格贵一倍。 Target 套件中的推荐产品（Recommendations）的算法虽然很优秀，同时后端控制界面非常很优秀，但在中国却“水土不服”，这表现在： Recommendations 是基于群组的推荐，而非“千人千面”； Recommendations的算法是固定封装的，我们无法优化，只能调整后台的部分参数（数据挖掘中的算法优化和参数优化都非常关键）； Recommendations 只能使用点击流数据，无法把企业用户和商品数据上传并应用到算法中； Recommendations 推荐的数据无法无
6、 Analytics 共享使用，需要额外部署，增加了技术开发的工作量。开发服务支持不到位。没有任何一种解决方案适合全球以及所有的客户，要进行数据整合意味着需要根据不同的客户进行定制需求的开发，但 Adobe Marketing Cloud 的团队在的开发需求跟不上。(二) WebtrekkWebtrekk 的产品线分为 Q3、Quick Insights、Live Analytics、SafeTag 以及最新收购并在整合的 A/B 测试和优化工具 Divollution（Webtrekk Q3 自带 A/B 测试和优化功能）。对比 Adobe 提供的分析套件，Webtrekk 同样可以实现针对
7、广告、新媒体跟踪、不同设备以及 A/B 测试功能，只不过这些功能都整合在Webtrekk Q3 中。Webtrekk 产品间的数据整合做的相对完善，一个账号便可以无缝切换这几个产品，并且产品间的数据可以共享。Webtrekk 同样可以进行外部数据的整合，主要通过自动端口和多数据整合方式：1. 自动端口配置。Webtrekk 中有一种配置方式叫做端口，端口是一个已经开发完成的数据整合模块，该模块通过后台参数配置便可以将外部数据整合到Webtrekk 中。已经完成的端口包含 SEO、社会化媒体、邮件系统、电视媒体（Webtrekk 的一个特色）等数据模块，除通用模块（如 SEO）外，部分支持的媒体
8、包括：Criteo：法国最大的网络再营销广告公司。Google AdWords：全球首屈一指的 SEM 工具，广告行业的同学都了解。Facebook：世界上最大的社交网络服务网站。eCircle：欧洲领先的邮件营销系统。nugg.ad：欧洲最大的定向广告平台。Optivo：国际领先的电子邮件营销服务提供商。Audiweb：欧洲著名的市场调研工具。以下是 Google AdWords 端口配置截图，只需简单配置相应参数即可：Webtrekk-google-adwords2.多种数据整合方式。这些方式包括 Excel 直接导入、SOAP、JSON 和 RAW DATA 整合。这些方式跟 Adobe
9、 提供的数据整合方式基本一致，但其中的 RAW DATA 更为出色，Webtrekk 已经把原始半结构化的数据结构化形成 Raw Data，并整合到数据仓库。数据仓库的结构和完整数据开放给客户，企业如果有整合公司全部数据的需求，只需要将按照 Raw Data 的结构复制一份数据仓库结构，然后定时同步即可实现。但 Webtrekk 在数据整合上也有自己的问题：国内工具集成度不够。这个问题跟 Adobe Analytics 一样，比如国内最大的SEM 系统百度凤巢，两个系统都没有提供现成的集成模块，如果要进行数据整合需要单独开发。Webtrekk 提供的基于数据营销或驱动的产品较少。作为定位于数字
10、解决方案的提供商，Webtrekk 侧重于提供数据整合分析和数据价值洞察，针对站内、外的营销功能支持力度不够。比如站内的个性化推荐功能是跟数据分析结合非常紧密的数据应用项目，同时也是非常实用的功能。在这点上Webtrekk 在之前只有测试和优化功能，最近 Webtrekk 收购了 DIVOLUTION，该工具可以同时实现 Test 和 Targeting 的功能，即同时实现测试和优化推荐功能，也许可以完善一些这方面的功能。从实际提供整体解决方案的能力来看，两种方案各有优势：Adobe Analytics 的特色是依托强大的 Adobe Marketing Cloud 进行数据集成和上下游的广泛
11、应用，在线应用是其强项；Webtrekk 的产品适用性更强且整合的可实现性更高，更容易形成以整合数据为基础的数字解决方案。二、功能导向还是用户（业务应用）导向通常我们在讨论某种工具时会更多的侧重于系统提供了哪些功能、报表、维度、指标，更多的局限于功能模块和系统本身，这其实是一种“工程师”的思维，这忽视一个重要的应用问题用户会如何看待，如何使用并把这些功能发挥到极致？因此，当我们换个角度来思考数据价值如何才能最大化时，好的功能配合好的用户体验才是一个开始。分析产品的应用对象，通常包括企业中不同角色的人群，比如有的角色侧重于，有的角色侧重于执行；而这些人同时又有不同的分析需求，只看结果、简单判断和
12、深入分析都是具体需求场景。面对这种复杂的需求矩阵，这两种解决方案如何满足不同公司、不同群体的分析需求，又如何让不同角色都能快速、准确、深入的找到问题、分析问题并解决问题？以用户角色为出发点产品定位Adobe AnalyticsAdobe Analytics 提供了非常多的产品SiteCatalyst、Discover、Insight 等，这些产品都是根据数据功能和整合的特点进行的划分：SiteCatalyst 侧重于分析需求中等的场景，各个报表通常支持一层下钻； Discover 侧重于深度分析的功能，无限制的下钻以及各种维度和指标的任意组合可以实现每一个分析需求； Insight 是本地版的
13、分析套件，功能比SiteCatalyst 更强大，另外支持本地的数据整合。Adobe Analytics 提供的产品覆盖了大多数应用场景，面向中度分析需求的SiteCatalyst 和深度分析需求的 Discover 以及面向本地的 Insight。但我们发现整个产品体系中缺少针对低端或无分析需求的产品，并且针对实时数据的功能略显鸡肋。三、严谨和科学的数据精神(一) 数据挖掘算法数据挖掘和网站分析是数据分析的两个不同领域，数据挖掘侧重于通过模型从海量数据中发现和挖掘未知知识，网站分析通常通过细分、趋势和转化进行价值提取。在之前我们的应用中，我们一直想将两种数据分析方法结合，并探索网站数据挖掘的
14、相关方法；现在，这两种解决方案已经开始将数据挖掘的算法植入系统，并在分析系统中提供了数据挖掘洞察。Adobe AnalyticsAdobe Analytics 的数据挖掘应用体现在 Anomaly Detection（异常检测）报表，该报表的作用是通过对选定的数据集、时间进行数据运算，找到数据波动的最大值和最小值，当数据实际值超过该范围时形成预警。Anomaly Detection 本质上使用的是时间序列算法，核心是：Holt Winters Multiplicative (Triple Exponential Smoothing)霍尔特温特斯乘法（三重指数平滑法） Holt Winters
15、Additive (Triple Exponential Smoothing)霍尔特温特斯加法（三重指数平滑法） Holts Trend Corrected (Double Exponential Smoothing)Holts 趋势校正（双指数平滑法）这三种算法实际上共同组成了温特斯季节指数平滑模型，其基本思想是把具体线性趋势、季节变动和随机变动的时间序列进行分解研究，并与指数平滑法相结合，分别对长期趋势（）、趋势的增量（）和季节变动（）做出估计，与指数平滑法结合起来的预测方法，可以同时处理趋势和季节性变化，并能将随机波动的影响适当地过滤掉，然后建立预测模型，因此，特别适用于包含趋势和季节变
16、化的时间序列的预测问题。但这个应用目前存在两个问题：Anomaly Detection 只能提供截止到昨天的数据检测报告。异常监测的本质不是告诉用户昨天发生了什么，而是当前发生了哪些异常，具体如何异常；异常检测的作用仅仅局限于 SiteCatalyst 查看，如果能提供类似于邮件触发、短信或其他类型的触发提示，效果必然提升很多；关于该功能的详细介绍，请查看统计学在点击流数据中的应用范例Adobe Analytics 异常检测。WebtrekkWebtrekk 的数据挖掘算法的核心应用是关联分析，该模型可以应用到页面、站内外搜索词、产品、广告渠道。跟 Adobe Analytics 的异常检测的现成报表不同，Webtrekk 的关联模型报表需要进行简单配置才能查看。通常我们在用数据挖掘工具做数据挖掘时会选择数据源、数据预处理、算法本身需要配置最低支持度、最低置信度和最大前项数等，同样在 Webtrekk 的关联分析配置中也需要进行配置：关联分析的算法支持交叉销售算法和向上销售算法两种；数据集都是采用 Raw Data，时间最大只能选择一天；分析规则
