ABC指標：透過Google Analytics分析指標，制定你的年度KPI|數位時代 BusinessNext

如果網站是一棟大樓，Google Analytics 就是樓層的保全，它能夠告訴你有多少人出入，也能告訴你哪一層樓擠滿最多人，作為網站經營者，我們的目的是從保全的紀錄中，推斷誰是目標客戶。

如果要用GA指標作為公司的KPI，該從哪些指標看起？

Google的「ABC 指標」分別代表三個GA的資料層級，也就是「客戶開發」、「行為」、「轉換」報表，從這三大報表底下，我們挑出了幾項分析指標作為年度設定KPI的參考：

A-客戶開發（Acquisition）：網站流量以及訪客從哪裡進入網站？

工作階段：作為第一個資料層級的分析指標，為什麼「工作階段」最能反映流量狀況？

一般公司KPI喜歡用「使用者」或「瀏覽量」來看網站流量，但如果以這兩個指標來參考流量成效，會出現以下問題：

1.　如果是以「使用者」作為 KPI，訪客分別用「一般模式」和「無痕模式」同時瀏覽網頁，使用者的數字就會被重複計算。

2.　如果短時間內出現瀏覽多頁的行為、「瀏覽量」指標成效被高估，我們將無法分析檢討網站內容是否能吸引使用者。

經營網站的目的是為了優化網站內容、吸引潛在的顧客造訪，這時候「工作階段」就成為了一個可靠的指標，在預設時間30分鐘內，使用者與網頁任何的互動點擊都視為一個工作階段，利用「工作階段」作為 KPI ，可以避免高估的數據影響商業決策。

B-行為（Behavior）：訪客抵達網站後做了什麼？

跳出率和離開率：兩者的差別在瀏覽頁面的行為

「跳出率」是訪客打開連結到達「一個頁面」後，按叉叉關掉視窗的百分比，使用者跳出頁面的原因有幾個可能：

1.　網頁內容不符合期待、介面難使用
2.　訪客獲得了需要的資訊後離開網頁

那麼產業間平均的跳出率又是多少呢？

HubSpot 在 2019 年做了產業跳出率的調查：

從上圖我們可以看到內容型網站、部落格的跳出率比其他類型網站還要高， 當你進入部落格類型的網站，使用者目的可能只是閱讀一篇文章，獲取資訊後用戶自然的就離開頁面，所以平均停留時間與跳出率相對提高 ，從跳出率的數據中我們可以怎麼優化網站內容呢？

延伸閱讀：2019年網站平均跳出率，你的網站在合格範圍內嗎？

「離開率」 則不管訪客瀏覽了多少的頁面，最後停在一個頁面關掉視窗的百分比，「離開率」更著重在網站的商業目的、查看轉單的狀況，如果是電商型網站，就會想知道在所有離開的訪客中，最後關掉視窗是不是在購物完成頁面，從這兩個指標，我們可以了解訪客是對產品不感興趣，還是在瀏覽了網站後結帳離開？

平均網頁停留時間：訪客在沒有跳出視窗的情況下，平均在頁面停留了多久的時間？

這個指標對於內容型網站的經營者有很大的影響力，如果訪客停留在一個頁面的時間長，對內容型網站的 KPI 來說是一件好事，會這麼說是因為「平均網頁停留時間」，只有在網頁上做出點擊動作時才會做計算，代表我們的內容吸引到了訪客，才會讓他在頁面上做出進一步的互動。

C-轉換（Conversion）：從哪些管道進來的訪客達成了我設定的目標？

轉換率：行銷活動的終點，好的轉換率帶給我們實際的訂單

Google 電商轉換率的算法是，每 10 個工作階段中有一筆交易，轉換率就是 10%，除了和過去的轉換率做比較，我們又該如何界定轉換率的好壞？

Invesp 網站提到 2019 年全球平均電商網站的轉換率是 2.58%，我們可以從「轉換率」這項指標了解整體商業表現，每個產業的行銷目的不同，如果單以轉換率作為 KPI 無法對網站進行深度的檢測，搭配前面所提到的指標，我們才可以從數據中找出網站潛在的問題、受歡迎的網站內容，提升轉單機率。

GA 的應用可以多深入？

《GA 從零上手》帶入商業情境，快速整合一般人零散的數據分析觀念。

Google Analytics 協助你重新整理經營網站目的，找出目前網站所面臨的問題。

購課即送 GA 認證詳解，立即加入 GA 數據行銷秘笈 >> 請點我

聽聽老師談 GA 應用 >> 請點我

從生成式AI訓練、推論，到代理式工作流程（Agentic Workflow）與未來的實體AI，資料流量正以指數級成長，讓記憶體從過去支援運算的配角躍升為決定AI效能與能源效率的關鍵角色。

全球知名的半導體與微電子技術分析機構TechInsights指出，AI競爭正逐漸從晶片算力擴展到記憶體架構設計能力，加速「Computational Memory」等新架構興起；在這波浪潮中，深耕記憶體與儲存技術數十年的美光科技，正與關鍵夥伴展開深度協同設計，包含攜手NVIDIA共同開發適用於新世代資料中心的低功耗記憶體技術，在AI基礎建設的新賽局中成為不可或缺的關鍵。

當GPU不再是唯一主角，記憶體為何躍上AI舞台中央？

過去，半導體的焦點多圍繞在晶片，例如CPU、GPU跟AI加速器等，市場普遍認為，晶片運算能力是左右科技產業發展速度的關鍵，但在進入生成式AI世代後，產業逐漸發現另一個事實：真正限制AI效能的瓶頸不是運算，而是資料能否快速被存取與傳輸。

從大型語言模型訓練，到AI推論、代理式工作流程（Agentic Workflow），甚至未來的機器人與自駕車，龐大的資料流量正持續推升對高頻寬、低延遲、高容量記憶體的需求，讓記憶體產業從過去相對標準化、以價格競爭為主的市場，逐漸轉變為AI基礎建設的重要核心。

「仔細觀察AI應用服務會發現，大多數工作負載都被頻寬限制。」美光科技全球業務執行副總裁Mike Cordano認為，記憶體是突破（頻寬）瓶頸的關鍵，也讓AI競賽從晶片算力升級到記憶體與儲存架構的系統級競爭。這樣的產業洞察，也正是Mike在歷經二十餘年的儲存產業資歷，加上四年半的創投生涯後，選擇加入美光的核心原因之一：在AI重塑產業結構的浪潮下，記憶體將成為這波成長最直接的動能所在。

從零組件供應商到策略夥伴，記憶體共創時代來臨

AI的崛起，正在改變記憶體廠商與客戶的關係。

過去，記憶體產品多是標準化元件，客戶關注的是價格、供貨與規格；合作模式也偏向短期採購與交易導向。然而隨著AI系統規模愈來愈大，從資料中心、雲端平台到終端裝置，記憶體已經成為決定系統效能的重要關鍵，也因如此，越來越多企業將記憶體視為「策略性資產」，而非單純零組件。

Mike表示：「現在，我們跟客戶合作的時間跨度改變了，在產品正式上市前三到四年便開始合作，從系統架構階段就共同規劃未來需求。」例如，美光科技與NVIDIA共同研發的資料中心所使用的低功耗記憶體，便是雙方提前多年展開深度合作（co-design）的成果。

值得特別注意的是，美光科技除從技術層面與晶片製造商等夥伴共創產品，也在需求層面與客戶進行密切合作，例如，將過去較無約束力、期限僅一年的長期協議（LTA）轉變成為期五年、條款更具約束力的策略性客戶協議（SCA），藉此掌握客戶的未來需求，進而在技術層面做更深度的合作。Mike坦言，深度協同設計是高成本的投入，美光的做法是先廣泛進行市場感知，理解不同場域的需求方向，再與生態系統中的夥伴們展開客製化合作。

從裝置導向轉為Token導向，AI浪潮重寫記憶體成長模式

除了合作模式改變，更大的典範轉移是需求的改變。

Mike解釋，過去記憶體需求跟PC、手機跟伺服器出貨量息息相關，但在AI新世代，推動記憶體需求成長的核心不再是設備數量，而是AI模型所產生的運算與資料消耗量。「AI產業逐漸走向以『Consumption』或『Token』為主的新經濟模式，每一次的模型運算都需要消耗大量的記憶體跟儲存資源，這意味著，即使設備銷量成長趨緩，記憶體需求仍可能持續上升。」

更重要的是，AI應用正從資料中心外擴至手機、PC、自駕車與機器人等場域，儘管不同場域對記憶體的需求不盡相同，但是，Mike認為：所有AI裝置都存在三項共同需求：更快的速度、更大的容量，以及更高的能源效率。

正如Mike在受訪時提到的：「我們最大的挑戰，是如何與客戶和整個生態系保持高度一致，一方面創造供給與產能，另一方面持續推動技術創新。」可以預期，在接下來的五年，記憶體產業面臨的挑戰不僅僅是擴展產能，而是如何與客戶共同規劃需求、同步投入技術創新，而這也是美光科技積極經營AI生態體系的原因。

總的來說，AI帶來的改變，不只是算力提升，而是重新定義整個運算架構：過去，記憶體被視為支援運算的基礎元件；現在，則是決定AI效能、能源效率與創新速度的關鍵資源；當產業競爭從晶片性能延伸到資料流動效率，從裝置數量轉向Token消耗量，記憶體的重要性也將隨之水漲船高，對美光科技來說，這將是其從供應商走向AI生態系核心夥伴的關鍵角色轉變。