EP435-437. “读懂流量规律、找出高价值地区、修正目标受众画像”

• 用户数量最多的国家不等于最赚钱的国家——台湾用户只有 757 个，营收却超过 1 万美元，这才是真正的高价值流量
• 短期数据可能骗人：中国用户 28 天互动时长看着还行，拉长到 12 个月一看只剩 13 秒，明显是搜错语言就跳出
• 女性用户数比男性少，但人均营收反而更高——「Gamer Gary」这种凭空想象的画像必须拿真实数据回头校正

重点内容

EP435. Traffic（流量规律：什么时候该发内容）

路径：Reports → Acquisition → Acquisition overview

第一步：设对时间范围

• 太长的时间范围（如 12 个月）逐日看图会太密集，规律看不出来
• 太短又看不出模式
• 推荐用 28 天作为找规律的甜蜜点

第二步：看 New Users 而不是 Users

• Users：所有访客（含回访）
• New Users：第一次访问的人
• 分析规律要看 New Users，才能看清「新流量」的涨跌模式

第三步：找规律（以 Demo Account 为例）

• Google Merchandise Store 平均每天新增约 1800–2000 名新访客
• 观察低谷：连续几周的低谷都落在 周六、周日
• 观察高峰：高峰分散在周一到周五（周二、周三、周五、周一都出现过）

[截图：GA4 Acquisition overview New Users 折线图显示每周高峰低谷规律]

结论 → 行动：周末不是发布内容或做 campaign 的好时机（周末发的邮件，用户可能等到周一才看，那时早就被其他邮件淹没了）；平日随便挑一天都比周末发布效果更好。

EP436. Locations（地区：分辨高质量 vs 低质量流量）

路径：Reports → User Attributes → Demographic details

常见误区：以为「用户数量最多」= 「最好的流量」

以 Demo Account（28 天数据）为例：用户数排名是美国 > 加拿大 > 印度 > 中国 > 日本，但用户数量不等于流量价值。

正确做法：看 Total Revenue（如果你在卖东西）

把列表往右滑到 Total revenue 排序：

• 美国：28 天营收约 $123,000（遥遥领先）
• 加拿大：约 $3,000–4,000
• 印度、中国、日本：营收几乎是 0，即使他们的用户数量不低
• 巴西：营收不多但有一些
• 台湾：只有 757 个用户，却创造了超过 $10,000 营收 —— 这是典型的「用户少但极高质量」流量

[截图：Demographic details 国家列表按 Total Revenue 排序的表格]

结论：应该加码对台湾的内容/广告投入，同时考虑减少对印度、中国、日本这些不产生营收的地区的推广预算。

如果你不是卖产品（博客/新闻/联盟网站）

改看 Average Engagement Time（平均互动时长）而不是营收。

⚠️ 短期数据（28 天）可能会误导：例如中国用户看起来「互动时间还行」，但把时间范围拉长到 12 个月后再看，中国用户的平均互动时间只有 13 秒——低到几乎可以断定这批人是从百度（Baidu，中国搜索引擎）搜到这个英文网站，语言不通直接跳出。

再往下钻：从国家钻到城市

在 Country 那一列 → 点右边的加号 → Geography → City

• 例：拆到城市层级后，能看到纽约、多伦多、洛杉矶、圣何塞、山景城、芝加哥等城市各自的营收
• 拉长到 12 个月后看，会发现某些城市（如旧金山）长期表现其实很好，只是短期（28 天）数据被稀释了

从 Demo Account 数据得出的三个结论（示范如何用数据做决策）

1. 美国流量最好，应该是主力
2. 加拿大是第二好的流量，值得加码
3. 台湾流量少但转化极高，值得投入更多测试和实验，看能否规模化
4. （反面）中国、印度、日本流量量大但价值低，不该投入更多推广预算

EP437. Demographics（人口统计：修正目标受众画像）

路径：Reports → User Attributes → Overview

目的：用实际数据修正之前凭空想象出来的 Target Audience Persona（目标受众画像）。

案例设定

课程示范用的产品是 Blue Light Blocking Glasses（防蓝光眼镜），一开始用 ChatGPT 生成的画像叫「Gamer Gary」：年龄 18–35 岁，性别男女皆有。这些都只是假设，要拿真实数据来验证。

第一步：看性别

• 表面数据：Users 里男性 61.4% vs 女性 38.6%（看起来该主攻男性）
• 但往深看：View Genders → 大部分数据其实是 unknown（现在很多人注册 Google 账号不用填性别，加上各种隐私拦截工具，很难拿到完整性别数据），要看已知数据里的相对比例
• 关键一步：不看用户数，看 每个性别实际花了多少钱（营收）
  • 男性：28 天营收 $29,400
  • 女性：用户数虽然比男性少，但营收反而更高
  • 拉长到 12 个月看：模式依然成立（幅度没那么夸张，但女性营收/用户比依然更高）
  • 算「每个用户价值」：营收 ÷ 用户数 → 男性约 $4/人，女性约 $5.3–5.4/人

[截图：Demographics Overview View Genders 按 Total Revenue 排序的性别分布]

• 结论：女性才是真正的高价值受众，且女性用户目前「被低估」（用户数少但价值更高）
• 画像修正：把 Persona 的性别从「男女皆有」改成「女性」
• 行动建议：既然男性访客量本来就大但价值较低，可以考虑做「男友礼物盒」（Boyfriend Gift Box）之类的产品角度，让女性用户来网站为男性购买；同时也可以推出更针对女性设计的款式，测试效果

第二步：看年龄

• 表面数据：Users by age 排名 25–34 > 18–24，看起来跟原本设的 18–35 画像差不多准
• 深挖：View age ranges → 同样有大量 unknown 数据，但看已知部分的 Total Revenue：
  • 营收最高的是 25–34 和 35–44 两个年龄段
  • 18–24 岁虽然用户数量最多，但营收反而不如 35–44（原因很直白：年轻人通常可支配收入较少）
  • 45–54 岁用户数量只有 18–24 岁的一半，但营收并没有腰斩，说明 45–54 岁的「每人价值」其实更高
• 结论：原本设的 18–35 岁画像不准确——兴趣上可能没错，但真正会买单的年龄段是 25–34（数据甜蜜点，用户多且营收高），可以再放宽到 25–44 做更包容的定位
• 画像修正：年龄从 18–35 改为 25–34（或视需要放宽到 25–44）

语言/兴趣数据的用法

• 兴趣数据通常太笼统，参考价值有限
• 语言数据可以配合地区数据一起看：例如已知大量中国流量互动时间极低（EP436 的发现），如果同时看到语言数据里中文用户占比不低，可以考虑「做一个中文版网站」来尝试转化这批本来白白流失的流量

修正后的完整流程

1. 用 ChatGPT 生成初版 Persona（假设）
2. 用真实数据（GA4 Demographics）验证性别、年龄
3. 根据数据修正 Persona
4. 用修正后的画像调整网站语言、产品角度、邮件文案、文章内容
5. 收集新一轮数据，持续迭代

核心概念速查

行动步骤

1. Reports → Acquisition overview → 时间范围设 28 天 → 看 New Users 折线图找出每周的流量高峰/低谷日
2. 把发布内容、发邮件的时间安排在流量高峰的平日，避开周末低谷
3. Reports → User Attributes → Demographic details → 按 Total Revenue 排序国家，找出「用户少但营收高」的高价值地区
4. 同一份数据切换到 12 个月视角，交叉验证短期结论是否仍然成立
5. 把 Country 列钻取到 City 层级，找出具体高价值城市
6. Demographics Overview → View Genders / View age ranges → 按 Total Revenue 排序，计算「营收 ÷ 用户数」得出每个细分群体的人均价值
7. 根据算出来的数据，修正 Target Audience Persona 的性别和年龄设定
8. 把修正后的画像应用到网站文案、产品角度、邮件语言上

常见误区

• ❌ 只看用户数量就判断哪个国家/性别/年龄段是主力受众 → 用户多不等于营收高，一定要按 Total Revenue 排序
• ❌ 只看 28 天数据就下长期结论 → 短期数据可能被季节性或偶发因素误导，务必对照 12 个月数据
• ❌ 分析非电商网站（博客/新闻站）时还盯着营收看 → 应该改看 Average Engagement Time
• ❌ 忽略「用户少但转化极高」的地区（如案例中的台湾）→ 这类流量往往是被低估的增长机会
• ❌ Persona 一旦用 ChatGPT 生成就当成定论不再修改 → 应该持续拿真实数据回头校正

Sources

Udemy（课程 transcript）：

1. The Completed Digital Marketing Guide 27 in 1 — Section 30, Lecture 435-437 (Traffic, Locations, Demographics)