名詞釋義表

成效與分析｜名詞釋義表

這一組是拿來回答「到底有沒有用」的數字。它們幾乎都是百分比，而百分比最容易出事的地方是：算的時候拿什麼當基準。同一個名字，換個基準算出來可以差三倍——所以跟別人比數字之前，先確認兩邊算的是同一件事。

15 個詞每個詞一句白話＋一段詳細釋義附年表與常見誤會

一句話速查表

名詞	一句話白話	詳細釋義
有沒有成交，以及功勞算誰的
轉換率Conversion Rate	完成目標動作的人數，佔到訪人數的比例。	完成目標動作的人數除以到訪人數。最常被誤用的地方在分母：全站造訪、商品頁造訪、加入購物車，算出來可以差好幾倍。不同產業、客單價、流量來源的基準也完全不同，拿別人的數字當標準沒有意義，要跟自己的上個月比。
漏斗Funnel	把顧客從認識到成交的過程切成幾個階段來看。	把顧客從認識到成交的過程切成幾個階段，每一段算轉換與流失。它的用途是定位問題出在哪一段，而不是給一個總分。階段不要切太細，切到每一段只剩幾十個人，數字就沒有解釋力了。
歸因模型Attribution Model	一筆成交的功勞，要分給哪幾次接觸的計算規則。	一筆成交的功勞要分給哪幾次接觸的計算規則。用最後點擊看報表，負責把人帶進門的認知型廣告會長期看起來沒貢獻，然後就被砍掉了。選一種、固定用；換口徑等於換一把尺，前後期的數字就不能比。
人從哪來、先進到哪一頁這一組決定你有沒有辦法回答「這檔活動到底有沒有用」。沒掛追蹤參數的話，多數答案是查不出來的。
流量來源Source / Medium	這次造訪是從哪個平台、哪一類管道來的。	這次造訪是從哪個平台、哪一類管道來的，通常寫成來源／媒介。準確度取決於連結有沒有掛對參數：從社群 App 點進來的、從通訊軟體貼上的網址，很多會被歸成直接流量，看起來像憑空出現的人。
UTM 參數（網址追蹤參數）UTM Parameters	掛在網址後面的標籤，用來告訴分析工具這個人從哪來。	掛在網址後面的參數，用來告訴分析工具這個人從哪來、是哪一檔活動。它的價值完全建立在命名一致上：同一個來源有人寫 facebook、有人寫 FB、有人寫 Facebook，報表裡就變成三個來源。先定命名規則，再開始掛。
到達頁Landing Page	使用者進站看到的第一頁。	使用者進站看到的第一頁。它不一定是你精心設計的那一頁——搜尋與分享會把人帶到任何一頁。所以要看報表裡哪些頁面實際在當入口，那些頁面有沒有自我介紹、有沒有下一步的引導。
自然流量Organic Traffic	沒有付費、由搜尋或分享帶來的造訪。	沒有付費、由搜尋或分享帶來的造訪。特性是慢而且有累積性：文章寫完之後會持續帶人進來，不像廣告停了就沒了。要注意 AI 摘要普及之後，同樣的排名帶回來的點擊會變少，看趨勢時要把這個因素放進去。
他進來之後做了什麼跳出率和離開率最常被混用。一句話分辨：跳出率是「只看這頁就走」，離開率是「最後看這頁然後走」。
工作階段Session	一個人一次進站到離開，算一次。	一個人一次進站到離開算一次，超過一段時間沒動作會自動結束並重新計算。它是分析工具裡最基本的分母，但跨裝置與清除 cookie 都會讓同一個人被算成好幾次，所以工作階段數永遠大於真實人數。
參與度Engagement	使用者有沒有真的跟頁面互動，不只是打開就走。	使用者有沒有真的跟頁面互動，不只是打開就走。GA4 用它取代跳出率，判斷條件包含停留時間、有沒有觸發事件、有沒有看第二頁。它比跳出率合理的地方在於把「認真讀完一篇長文」算成有參與，而不是算成失敗。
跳出率Bounce Rate	只看一頁就離開、沒有任何互動的比例。	只看一頁就離開、沒有任何互動的比例。它高不一定是壞事：一篇文章把問題回答完了、讀者滿意地離開，那也算跳出。要看跳出率的前提是這一頁本來就期待後續動作，例如商品頁或詢價頁。GA4 已改用參與度來看同一件事。
離開率Exit Rate	看完這頁就離站的比例，跟跳出率不同。	看完這一頁就離站的比例，跟跳出率不同：跳出率只算「這頁是唯一一頁」的造訪，離開率算所有看過這頁的人裡有多少從這裡走。結帳流程中某一步的離開率特別高，那一步就是要修的地方。
怎麼確定不是自己看錯這一組是拿來擋「我覺得」的。數字有沒有意義，跟數字好不好看是兩件事。
開信率Open Rate	收到信的人裡面，把信打開的比例。	收到信的人裡面把信打開的比例。它現在的準確度不如以往：Apple 的郵件隱私保護會預先載入圖片，等於自動算成已開信，讓數字虛高。所以開信率適合看趨勢與相對比較，要判斷成效還是得看點擊與後續行為。
A/B 測試A/B Testing	同時跑兩個版本，用數據決定留哪一個。	同時跑兩個版本，用數據決定留哪一個。前提是一次只改一個變因，而且要跑到有足夠樣本才能下結論。最常見的錯誤是看了兩天覺得 A 比較好就收工，那個差距多半只是運氣。
統計顯著Statistical Significance	兩組數字的差距，大到不太可能只是運氣。	兩組數字的差距大到不太可能只是運氣。它回答的是「這個差距可不可信」，不是「這個差距重不重要」——樣本夠大的時候，很小的差異也會顯著，但那可能不值得為它改。看顯著性也要看效果的大小。
世代分析Cohort Analysis	把同一時間進來的顧客分成一組，追蹤他們後來怎麼樣。	把同一時間進來的顧客分成一組，追蹤他們後來怎麼樣。它能看出總數字看不到的事：整體回購率持平，可能是新客越來越差、剛好被舊客的表現蓋過去。判斷改版或新通路好不好，用世代比整體平均可靠。

15 個詞點名詞看完整說明：為什麼要知道、最常被誤用的地方

這些指標的定義被換過好幾次

年份	誕生的詞	當時是為了解決什麼
2005 年 11 月 14 日	Google Analytics 免費開放	Google 同年 3 月收購 Urchin，11 月把它改成免費產品推出。網站流量分析從企業級採購變成人人可用，這是行銷數據普及的分水嶺。
2012 年 10 月	Universal Analytics	宣布推出，2013 年 4 月離開 beta。開始能把同一個使用者的跨裝置行為串起來看。
2020 年 10 月 14 日	GA4 上線	以事件為中心整個重寫。跳出率的定義也在這一代被換掉，跟舊版不是同一件事。
2021 年 9 月	Apple 郵件隱私保護	隨 iOS 15 與 macOS Monterey 推出。Apple Mail 會透過代理伺服器預先載入信件圖片（包含追蹤像素），不管使用者有沒有真的開信。開信率從這裡開始失真。
2022 年 3 月 16 日	Google 宣布 UA 落日	給了一年多的搬家期。
2023 年 7 月 1 日	Universal Analytics 停止處理新資料	跨過這條線的歷史數據，不能直接跟 GA4 的數字接起來比。

這張表的重點是一句話：你手上的歷史數據，中間有好幾條「定義換過」的接縫。拿 2023 年前後的跳出率直接比、拿 2021 年前後的開信率直接比，都會得出錯的結論。跨年度比較之前，先確認那段期間有沒有壓到上面任何一條線。

最常見的誤會

「跳出率高就是頁面做壞了」

不一定。一篇教學文如果完整回答了讀者的問題，他看完就走，那是內容成功；只有電話號碼的聯絡頁跳出率一定高，那也是正常。

跳出率是診斷訊號，不是目標。看到它高，先問這一頁的任務是什麼，再問來的人對不對。沒有人的生意目標是「降低跳出率」。

「開信率掉了，就是內容變差了」

這個指標的可信度近年明顯下降。開信率靠信裡的追蹤圖片計算，而部分郵件服務會在使用者實際開信前就預先載入圖片，造成開信率虛高；政策一改，數字就整批位移。

比較可靠的做法是看點擊率和實際轉換，把開信率當參考而不是主要指標。要跨期比較，至少先確認期間內郵件服務的政策沒有變動。

「A/B 測試看到有差就可以喊停」

一邊跑一邊偷看、看到有差就喊停，會大幅膨脹誤判機率——你等於一直在找那個隨機波動剛好對你有利的瞬間。

兩百次造訪、A 版轉換 8 次 B 版 5 次，看起來 A 贏了六成，實際上這個差距完全可能是隨機造成的。開始測之前就要算好需要多少樣本、要跑多久，並且說到做到。

一個容易講錯的細節：GA4 的「跳出率」跟舊版不是同一個東西

舊版 Universal Analytics 的跳出率算的是「只觸發一次請求就結束的工作階段」——白話講就是只看一頁就走。

GA4 改成用「參與度工作階段」的反面來定義跳出，而參與度的判準包含停留時間、有沒有發生轉換、看了幾頁。換句話說，一個讀者停在同一頁把長文看完，在舊版算跳出，在 GA4 不算。

所以拿 2023 年前後的跳出率放在同一張趨勢圖上，那條線的轉折可能完全來自定義改變，跟你的頁面做得好不好無關。要比較的話，把接縫標出來，兩段分開看。

下一步

找出你最常拿來報告的三個指標，各寫下它的分母是什麼。寫不出來的那一個，就是下次會吵架的那一個。
確認你的歷史數據有沒有跨過 2023 年 7 月（UA 落日）或 2021 年 9 月（Apple 郵件隱私保護）。有的話在報表上標一條線，別讓人拿兩邊直接比。
下次做 A/B 測試之前，先算好需要多少樣本、要跑多久，把數字寫下來再開始——而不是跑到一半看心情喊停。

這裡收的是實際會影響決策的詞，純學術名詞我們不收。少了什麼常用詞，來信告訴我們。