笔记 ·
口径规矩:站长数据、分析数据、第三方 SERP 数据为什么不能相加
四类数据来源口径各不相同,混着相加会得出错误趋势,最后统一落库、分表、写数据地图。
手里同时有四类数据在跑:搜索站长平台(Google 和 Bing)给的曝光和点击、GA4 的会话与事件、第三方 SERP API 的排名与 AI Overview 引用情况,还有自己站内维护的页面清单。这四类数据来源不同、统计口径不同、更新节奏也不同,一开始并没有把这件事当回事。
踩过两个具体的坑。第一个是页面清单本身不完整:站内清单一直只拉取 pages 和 posts 两种类型,漏掉了产品页这一类文章类型,结果导致清单里少了三百来个页面,很长一段时间做统计和分析都是在一份不完整的清单上做的,得出的比例和覆盖率其实都是偏的。第二个是有人想把第三方 SERP 给出的”曝光估算”和站长平台自己统计的曝光数字加在一起看趋势,两者的统计口径完全不一样,一个是抓取估算,一个是官方真实曝光,相加之后的曲线看起来很像那么回事,但其实没有意义。
出问题之后定了几条硬规矩。第一,不同来源的数字不相加,也不放进同一张图里比趋势,图表要么单独呈现,要么明确标注两条不同口径的线。第二,第三方数据只用来发现方向,比如判断该改哪些页、该往哪个关键词方向投入,最终结论要以官方数据为准。第三,每一次拉取数据都要记下时间、参数和成本,方便以后追溯。第四,站内页面清单必须覆盖所有的文章类型,不能只拉常见的那两三种。第五,任何出现”合计”字样的数字,都必须写清楚这个合计具体包含了哪些来源、哪些口径,不能笼统地写一个数就完事。
落地的方式是全部数据放进本地的 DuckDB,按来源分开建表,比如第三方 SERP 相关的表和站长平台的表完全分开存放,互不混用,再配一份数据地图文档,写清楚每一张表的口径、更新频率和禁忌用法,后续接手的人不用再重新猜一遍。
顺带的收获是,一次认真的数据复盘推翻了此前的一个直觉判断:原本以为某段时间数据走低是因为客户处于休假季节,是季节性因素。但把点击量按语言和地区拆开单独看之后,发现完全不是这么回事,真实原因和季节没什么关系。这也印证了前面那条规矩的必要性:不拆开看、不按口径分开看,很容易被表面的合计数字带偏方向。