看過本《大數據時代》，里面提到個很有意思的例子：以前美國爆發流感，一家專業的醫療機構使用傳統的普查方法，來調查疾病的傳播情況。這種方法有許多劣勢，比如成本很高，也需要幾周這么長的時間才能準確的把握疾病的傳播現況。

　　而同時Google公司也采用了一種調查方法。它利用自己現有的搜索數據，看哪個洲的用戶搜索疾病癥狀相關詞的趨勢發生了變化，從而估算疾病已經傳播到了哪里。

　　最終證明，Google的估算方法準確率也非常高，同時不需要什么成本。且最關鍵的是，它能及時性的了解疾病的傳播情況，大幅便于人們防范準備。

　　該書中沒提到的是，又何況是Google公司才能做到這樣的分析，借助于搜索引擎的開放數據，比如最典型的Google Trends與百度指數，幾乎任何人都可以做到此般的分析。唯一的前提，就是具有數據分析的意識。

　　遇到過許多PM，他們為了流量的提升預期，找SEO尋求幫助。

　　其中不乏一些思路很清晰的PM，一開始就把業務線的來源流量進行拆分，如多少百分比是自有流量、多少是導航站流量、又多少是SEO流量。這一步他們清晰化了，SEO對他們的重要性如何。

　　之后他們繼續分解，SEO帶來的流量中，多少著陸頁是列表頁、多少是詳情頁，各自對應的訪問深度(Pages/Visit)又是多少。在這一步，他們明確了希望重點強化SEO的頁面類型，及期望流量被引導的方向。

　　最終，僅是通過數據的幾次細分，他們就將抽象的流量提升意圖，具體成了明確改進需求。尤對于大公司的跨部門協作而言，越清晰的需求代表著越高的靠譜幾率，模糊的需求容易被應付了事(當然只是說整體客觀情況，不是說我們SEO部門)。

　　數據細分，是分析一整件事情中哪塊更重要，并將要做的事情清晰化的有力手段。

　　數據對比分析，也是一個常用的利器。

　　比如說招聘，它的需求有非常明顯的季節性，春節前后分別對應低谷高峰，此時百度上面招聘類的搜索量也會隨之極大幅度的起伏。因此正常情況下，此類SEO流量也會跟著節前少、節后多。

　　但是凡是人總有個壞毛病，看到好事容易覺得是理所當然的，看到壞事就立馬神經繃緊了。節前招聘類SEO流量下降，那絕對有人會緊張。哪怕可能已經考慮到季節性因素了，看著流量趨勢圖也挺可能會想，是不是降的太多了點啊?

　　好吧，為了撫平自己或他人的不安情緒，就需要進行數據分析，看流量的下降是否除了季節性因素之外還有其他因素。

　　分析的方法可以有很多，比如排除搜索量因素后，看收錄、排名、點擊率三個指標有沒有變動;或者分析大量行業詞的搜索趨勢變化。這里只說我常用的最簡單的方法：

　　假如說網站是智聯招聘，取來源關鍵詞包含“智聯”的作為“品牌詞流量”，不包含“智聯”的作為“常規SEO流量”。

　　因為：常規SEO流量 = 收錄 x 排名 x 點擊率 x 搜索量

　　但品牌詞流量基本不受收錄影響、排名固定接近第一、點擊率也差不多是100%固定的，所以可以推出：品牌詞流量 = 搜索量

　　因此品牌詞流量的變化，可以用來度量搜索量的起伏。通常情況下，如果常規SEO流量的變化趨勢和品牌詞流量差不多，那么季節性因素往往是引起流量波動的主要原因。

　　當然還有少數情況，比如網站進行大規模推廣可能讓品牌詞流量大幅提升;網站加入導航站、購買品牌詞PPC等可能導致品牌詞流量一定程度下降。在這些特殊情況下，上述分析方法就不能用了，需要自行鑒別，不能全靠死板的數字。

　　只要有了分析的方向，其他相對而言都不是太大的問題。盡管涉及到SEO，各類不同數據的獲取渠道都不盡相同，顯得很麻煩，但畢竟也都是具有確定性的技術活。

　　我們要解決什么問題、要從何切入去解決、數據在整個過程中能扮演怎樣幫助我們的角色，這是需要用最多時間去思考的。