- Para sa impormasyon tungkol sa mga dimensyon at sukatan sa Google Analytics 4, pumunta sa [GA4] Mga dimensyon at sukatan sa Analytics.
- Para sa impormasyon tungkol sa mga saklaw ng mga dimensyon ng source ng trapiko sa Google Analytics 4, pumunta sa [GA4] Mga saklaw ng mga dimensyon ng source ng trapiko.
Pangkalahatang-ideya
Ang bawat ulat sa Analytics ay binubuo ng mga dimensyon at sukatan.
Ang mga dimensyon ay mga attribute ng iyong data. Halimbawa, isinasaad ng dimensyong Lungsod ang lungsod, halimbawa, "Paris" o "New York," kung saan nagmumula ang isang session. Isinasaad ng dimensyong Page ang URL ng page na tinitingnan.
Ang mga sukatan ay mga nabibilang na sukat. Ang sukatan na Mga Session ay ang kabuuang bilang ng mga session. Ang sukatang Mga Page/Session ay ang average na bilang ng mga page na tiningnan bawat session.
Isinasaayos ng mga talahanayan sa karamihan sa mga ulat sa Analytics ang mga value ng dimensyon sa mga row, at ang mga sukatan naman sa mga column. Halimbawa, ipinapakita ng talahanayang ito ang isang dimensyon (Lungsod) at dalawang sukatan (Mga Session at Mga Page/Session).
| DIMENSYON | SUKATAN | SUKATAN |
|---|---|---|
| Lungsod | Mga Session | Mga Page/Session |
| San Francisco | 5,000 | 3.74 |
| Berlin | 4,000 | 4.55 |
Sa karamihan ng mga ulat sa Analytics, puwede mong baguhin ang dimensyon at/o puwede kang magdagdag ng pangalawang dimensyon. Halimbawa, ang pagdaragdag ng Browser bilang pangalawang dimensyon sa talahanayan sa itaas ay magreresulta sa mga sumusunod:
| DIMENSYON | DIMENSYON | SUKATAN | SUKATAN |
|---|---|---|---|
| Lungsod | Browser | Mga Session | Mga Page/Session |
| San Francisco | Chrome | 3,000 | 3.5 |
| San Francisco | Firefox | 2,000 | 4.1 |
| Berlin | Chrome | 2,000 | 5.5 |
| Berlin | Safari | 1,000 | 2.5 |
| Berlin | Firefox | 1,000 | 4.7 |
Mga wastong kumbinasyon ng dimensyon at sukatan
Hindi lahat ng sukatan ay maaaring isama sa bawat dimensyon. Ang bawat dimensyon at sukatan ay may saklaw: antas ng user, antas ng session o antas ng hit. Sa karamihan ng mga pagkakataon, dapat lang na pagsamahin ang mga dimensyon at sukatan na gumagamit ng parehong saklaw. Halimbawa, ang Mga Session ay isang sukatan na batay sa session kaya maaari lang itong magamit sa mga dimensyon sa antas ng session tulad ng Pinagmulan o Lungsod. Walang katuturang isama ang Mga Session sa isang dimensyon sa level ng hit gaya ng Page.
Para sa isang listahan ng mga valid na kumbinasyon ng dimensyon at sukatan, gamitin ang Sanggunian sa Mga Dimensyon at Sukatan.
Paano kinakalkula ang mga sukatan
Sa Analytics, kinakalkula ang mga sukatan ng user sa dalawang pangunahing paraan:
- Bilang mga overview na kabuuan
kung saan ipinapakita ang sukatan bilang isang istatistika ng buod para sa iyong buong site, gaya ng bounce rate o kabuuang mga pageview. - Kaugnay ng isa o higit pang dimensyon sa pag-uulat
kung saan inuuri ang halaga ng sukatan ng (mga) napiling dimensyon.
Ipinapakita ng sumusunod na diagram ang dalawang uri ng kalkulasyong ito gamit ang isang simpleng halimbawa. Sa kaliwang bahagi, kinakalkula ang data ng user bilang isang overview na sukatan, habang kinakalkula ang parehong data sa pamamagitan ng dimensyong Bagong User sa kanang bahagi.
Sa halimbawa ng Overview na Ulat, kinakalkula ang oras sa site gamit ang pagkakaiba ng oras sa pagitan ng paunang session at paglabas ng bawat user, kung saan ina-average ang kabuuan ng haba ng bawat session sa tatlong session. Batay ang bilang na ito sa isang simpleng pagkalkula na nagawa sa pamamagitan ng pagkuha ng data ng time stamp sa antas ng kahilingan.
Sa halimbawa ng Ulat na Bago vs. Bumalik, hindi kinakalkula ang mga average sa lahat ng session, pero kinakalkula ito sa pamamagitan ng dimensyong Uri ng User. Sa pamamagitan ng pagpapares ng sukatang Oras Sa Site sa isang dimensyon, masusuri mo ang sukatang ito sa pamamagitan ng mga user na bumalik vs. bago, kung saan binabago ang mga kalkulasyon sa pamamagitan ng hiniling na dimensyon. Nagbibigay ang paggamit ng mga dimensyon ng insight sa gawi ng user na hindi ibinibigay sa overview na ulat: malinaw na mas nagtatagal ang mga bagong user sa iyong site kumpara sa mga bumalik na user.
Naaapektuhan din ang kalkulasyon ng mga sukatan sa pamamagitan ng paglalagay ng mahigit sa isang dimensyon sa isang ibinigay na sukatan. Sa mga naka-preformat at custom na ulat, puwede kang gumamit ng maraming dimensyon nang magkakasama. Halimbawa, ipagpalagay na pareho mong ginagamit ang dimensyong Uri ng User at ang dimensyong Wika para suriin ang oras sa site para sa iyong website. Sa sitwasyong ito, pareho ang kalkulasyon para sa bago kumpara sa bumalik na user, pero kapag nag-drill down ka para tingnan ang mga bagong user gamit ang dimensyong Wika, mas magbabago pa ang kalkulasyon dahil sa karagdagang dimensyon. Kaya, halimbawa, puwedeng maging ganito ang hitsura ng breakdown ng user mo, kung saan sunod-sunod na nakalista ang mga nangungunang oras sa site:
| Uri ng User | Wika | Average na Oras sa Site |
|---|---|---|
| Lahat ng Uri | Lahat ng Wika | 3:25 |
| Bumabalik | Lahat ng Wika | 5:03 |
| Finnish | 29:49 | |
| Vietnamese | 20:44 | |
| Indonesian | 16:55 | |
| Bago | Lahat ng Wika | 2:09 |
| Malay | 17:38 | |
| English (GB) | 16:56 | |
| Chinese (traditional) | 16:20 |
Batay sa isang aktwal na ulat sa Analytics ang mga bilang na ito. Sa pagkakataong ito, matutukoy mo kung nanatili nang pinakamatagal ang mga bago o bumabalik na user, at sa pamamagitan ng paggamit ng karagdagang dimensyon, aling mga wika sa bawat mga kategoryang ito ang nagresulta sa pinakamatagal na oras sa site.
Mga modelo ng pagpapatungkol
Dahil sinusubukan ng Analytics na sumagot ng iba't ibang tanong tungkol sa gawi ng user, gumagamit ito ng iba't ibang uri ng pagkalkula o mga modelo ng pagpapatungkol upang makuha ang data na nakikita mo sa mga ulat. Isipin ang bawat ulat sa Analytics bilang isang tugon sa isang partikular na uri ng tanong ng pagsusuri ng user. Kadalasan, napupunta ang mga tanong na ito sa mga natatanging kategorya:
- Content: Ilang beses natingnan ang isang partikular na page?
- Mga Layunin: Aling mga URL ng mga page ang naghatid ng pinakamataas na rate ng conversion ng layunin?
- Ecommerce: Magkano ang ibinigay ng isang page sa isang transaksyon?
- Internal na Paghahanap: Aling mga internal na termino para sa paghahanap ang naghatid ng transaksyon?
Para sa bawat pangunahing kategoryang ito at sa mga ulat na nilalaman ng mga ito, gumagamit ang Analytics ng natatanging modelo ng pagpapatungkol. Dahil idinisenyo ang bawat modelo ng pagpapatungkol upang magkalkula ng kilalang hanay ng mga sukatan, mapapansin mo na ang ilang sukatan—gaya ng Mga Pageview—ay lumalabas lang sa ilang partikular na ulat at hindi sa iba pa. Dahil ito sa modelo ng attribution na ginagamit sa ulat na iyon.
Gumagamit ang mga ulat sa Analytics ng tatlong modelo ng attribution:
Attribution na Bawat Kahilingan
Nagbibigay ang attribution na ito ng mga pinagsama-samang value para sa isang sukatan o isang pares ng sukatan/dimensyon. Ito ang pinakakaraniwan at pinakasimpleng uri ng attribution sa Analytics, dahil natutukoy ang mga value mula sa mga indibidwal na kahilingan sa GIF ng user. Samakatuwid, para sa anumang ibinigay na kahilingan, posibleng maghanap ng partikular na dimensyon at/o sukatan.
Available ang karamihan sa mga value ng dimensyon sa antas ng kahilingan at patuloy na nananatili sa pamamagitan ng kahilingan na HTTP/GET, o sa kahilingan na GIF, sa bawat kahilingan ng page o kaganapang ginawa sa iyong site. Ang ilang karaniwang dimensyon na available sa antas ng kahilingan ay:
- URI ng page—available sa bawat kahilingan sa iyong site, ipinapakita nito ang path ng page na ina-access
- campaign—kung dumating ang user sa pamamagitan ng campaign, patuloy na mananatiling available ang campaign na iyon sa bawat kasunod na kahilingan, hanggang sa magbago mismo ang campaign
- user agent—bawat kahilingan mula sa isang user ay naglalaman ng impormasyon ng browser para sa user na iyon, ipinadala sa pamamagitan ng kahilingan na
HTTP/GETmula sa browser at direktang inimbak sa mga log file.
Pagpapatungkol na Value ng Page
Ang layunin ng uri ng pagpapatungkol na ito ay sagutin ang tanong na: "Gaano naging kapaki-pakinabang ang aking page kaugnay ng isang halaga ng layunin o kita?" Ginagamit ang modelo ng pagpapatungkol na ito upang matukoy ang halaga ng Value ng Page para sa isang page o hanay ng mga page. Ipinapakita ng sumusunod na paglalarawan ang isang serye ng mga pageview ng user na kaugnay ng mga layunin at pagbili, gaya ng posibleng mangyari sa iyong site.
Tinatawag ang modelo ng pagpapatungkol na ito bilang isang "umaasam sa hinaharap" na modelo ng pagpapatungkol, dahil naglalapat ito ng value sa isang page sa pamamagitan ng pag-asam sa mga layunin at/o pagbili na nangyari pagkatapos bisitahin ang page. Ipinapakita ng sumusunod na talahanayan ang value na inuugnay sa bawat page sa pagkakasunud-sunod na ito.
| Page | Halaga ng Kita/Layunin |
|---|---|
| P1 | $55 + Layunin 1 |
| P2 | $55 + Layunin 1 |
| P3 | $35 + Layunin 1 |
| P4 | $0 |
Hindi ginagamit ang modelo ng pagpapatungkol na ito sa mga ulat sa Mga Layunin o Ecommerce, dahil hindi nagpapakita ang mga ulat na iyon ng mga URI ng page ng display o pamagat kaugnay ng mga aktibidad sa ecommerce.
Attribution sa Site Search
Nagbibigay-daan ang modelo ng attribution na ito sa mga ulat sa Site Search na magpakita ng mga rate ng conversion ng layunin at halaga ng layunin sa bawat termino para sa paghahanap.
Gumagana ang modelo ng pagpapatungkol na ito sa ibang paraan kumpara sa pagpapatungkol na Value ng Page, dahil ipinapatungkol ang halaga ng Layunin sa pinakamalapit na termino para sa paghahanap na humahantong sa conversion, hindi pagkatapos nito. Ipinapakita ng sumusunod na diagram ang isang pagkakasunud-sunod ng mga internal na paghahanap sa site kasama ang mga page view at pagbili.
Gamit ang modelong ito, ang mga termino para sa paghahanap na inuugnay sa Layunin 1 at sa mga transaksyon ay:
- Mga Sapatos—$20
- Mga Bulaklak—$25
Sa modelong ito, inuugnay ang mga transaksyon o layunin sa termino para sa paghahanap na sinusundan agad ng layunin o transaksyon.
