某天早上看到访问量比上周同期涨了六成，正高兴呢，翻到下面一看：跳出率从六成涨到九成，停留时长掉了一半，咨询量没动。这就是典型的“流量涨了质量却差”。数字好看，生意没变。这时候要做的不是庆祝，是顺着来源一路查下去，把真渠道和虚数分开。
一、涨和涨不一样
同样是访问量上涨，有三种性质完全不同的情况。第一种，某个真实渠道放量了，用户行为正常；第二种，渠道没变，但某个页面的搜索排名上来了，带来精准流量；第三种，来了一批不知来路的访问，行为特征很怪，来了就走。
三种情况在总量上长得一模一样，只有拆开来源看质量指标，才能区分开。所以看到流量涨，第一反应应该是拆来源，而不是加预算。
统计口径也得先对齐。如果各渠道的转化定义不一样，比如搜索渠道算表单提交、社交渠道算停留时长，那张对比表一开始就是失真的。开比之前，先确认所有渠道用的是同一个转化定义，否则后面的排名都没意义。
二、看质量就看四个数
跳出率、平均停留时长、人均浏览页数、转化率。这四个数要按渠道分别算，不能只看全站平均。全站平均最会骗人：一批垃圾流量进来，可能把高出质量的渠道也一起拉平了，你看平均只会觉得“略有下降”。
判断好坏有个简单参照：把各渠道的数据排一排，看谁明显落后。落后得特别离谱的那个，就是重点排查对象。
三、把渠道排成一张表
别用肉眼比，写脚本算。下面这段代码按来源分组，把会话数、人均浏览页数、跳出率、转化率一张表打出来：
# 渠道质量对比：把“量大”和“质好”分开看
import csv
agg = {}
with open("visit_detail.csv", encoding="utf-8") as f:
for r in csv.DictReader(f):
s = agg.setdefault(r["source"], {"visits": 0, "views": 0, "bounce": 0, "conv": 0})
pv = int(r["pageviews"])
s["visits"] += 1
s["views"] += pv
s["bounce"] += 1 if pv <= 1 else 0
s["conv"] += 1 if r["converted"] == "1" else 0
print("%-10s %8s %8s %8s %8s" % ("渠道", "会话", "人均页", "跳出率", "转化率"))
for name, s in sorted(agg.items(), key=lambda x: -x[1]["visits"]):
v = s["visits"] or 1
print("%-10s %8d %8.2f %7.1f%% %7.1f%%" % (
name, s["visits"], s["views"] / v, s["bounce"] / v * 100, s["conv"] / v * 100))
表一出来，问题几乎一眼可见。如果排第一的渠道会话数最高，但人均页数不到 1.1、转化率是零，那它带来的就是无效流量。如果某个渠道会话数只有它的十分之一，但转化率是它的十倍，那才是真正值得加码的渠道。
四、可疑流量的几个特征
一是来源集中。所有访问都来自同一个来源地址，或者来源地址本身是个不相关的站，这很反常。正常流量的来源是分散的。
二是行为一致。停留时长都是同一个数，访问页数都是同一页，甚至访问时间集中在几个整点，机器流量往往带着这种规律性。
三是地理和设备反常。访客集中在你压根没覆盖的地区，设备型号高度一致，或者浏览器版本老旧得不合理。这些信号单独看都不算证据，凑在一起就很可疑。
四是转化率归零。来源量很大、停留也说得过去，但一路走下来没有任何转化动作，尤其值得警惕。
五、找出真渠道之后做什么
找到真实渠道，就三件事：加码、复制、剔除。加码是把资源往转化高的渠道倾斜；复制是看真渠道的流量落在哪些页面、看什么内容，照着做更多同类内容；剔除是把明显无效的来源做过滤，统计工具里一般都有过滤规则，可以把特定来源地址排除掉。
过滤这件事要说清楚：过滤只是让报表更干净，不代表流量消失了。如果无效流量来自恶意刷量，该做的还有查日志、看 IP、必要时在服务器层拦。报表干净和问题解决是两回事。
六、别急着因为质量差就砍渠道
有些渠道质量指标天生偏低，比如信息流和社交分享，用户点进来就是随便看看，跳出率高是正常的，不能拿它跟搜索流量比。判断标准应该放在同一类渠道内部对比，跨界比较没有意义。
真正要砍的，是那种量大、质差、还查不出任何合理来源的渠道。查不出理由的流量，大概率本来就不该存在。
新渠道刚上线时质量差很正常，落地页还没来得及优化，用户点进来找不到东西就退。给它两到三周的观察期再下判断，别第一天数据难看就一刀砍掉，那样容易误杀真正有潜力的渠道。
相关阅读：
申请创业报道，分享创业好点子。点击此处，共同探讨创业新机遇！
