如果您是 Google Analytics（分析）的忠实用户，您可能已经知道 Google 发布了一项名为“加权排序”的全新实用功能。如果您还没见过，这里有一个简单的例子——假设您想知道哪些引荐网站的跳出率最高。您可以提取引荐来源，按跳出率排序，然后得到如下结果：
很有意思，对吧？我现在知道，因为5个网站，我失去了7位访客。如果我能把跳出率降到60%，就能再多3位访客。哇。你直觉上真正想知道的是什么？可能更像这样：这样更好——你想知道的不是绝对最高的跳出率，而是最重要的高跳出率引荐来源。简而言之，这就是加权排序试图回答的问题。
工作原理
那么，加权排序究竟是如何运作 电报数据库 的呢？Avinash Kaushik 写了一篇引人入胜且非常透彻的文章，阐述了 Google加权排序算法背后的原理。我鼓励大家阅读他的文章，虽然我不想照搬原文，但我会尝试在这里做一个非常基础的回顾。
Google 使用一种称为“预估真实值”（ETV）的指标。ETV 的本质是：如果排序的计数列（在本例中为访问次数）非常低，则假设目标列（跳出率）大致是相关数据的平均值
另一方面，如果您的访问量非常高
则假设跳出率是准确的。很简 利用落地页获取潜在客户的 10 种方法 单，对吧？那么介于两者之间的值呢？Google 将访问量设定在平均值和该行跳出率之间的某个值。他们究竟使用哪个值才是关键。
等式
Avinash 的帖子到此结束，我的 阿拉伯联合酋长国电话号码 帖子也正式开始。我得提醒你一下——这篇文章不会像 Ben 那样复杂，但会涉及一些数学运算。在经历了凌晨 4 点的失眠之后，我拼凑出了一个简化的加权排序方程。我会先把它展示出来，解释一下，然后再提供一个 Excel 电子表格，其中包含一些实际的例子。
假设我们有一个与上述完全相同的数据集——一组引荐网站的访问量和跳出率。我们需要 4 组变量：对于任何给定行，跳出率的 ETV – ETV(B) – 可以用以下等式表示：