一、頁面停留時間與網站停留時間是如何計算出來的？

假設使用者訪問了網站的主頁（Home）。分析工具將這個訪問者標記為一個Visit，接著這個訪問者又瀏覽了另外兩個頁面（Page2和Page3），然後他離開了你的網站。如下圖所示：

我們想要知道的是：

• Tp = 花費在一個頁面上的時間
• Ts = 花費在這網站上的總時間

假如這個使用者從10:00開始訪問網站：

對於Page2而言，訪問時間是10:05-10:01，即4分鐘。

接著訪問者來到了Page3頁面，他發現改頁面無法滿足他的需求或是他要找的內容已在Page3頁面找到。那麼接下來就是離開。

那麼，這個訪問者到底在Page3停留了多長時間呢？由於不知道使用者在Page3具體的離開時間，我們也就無法計算訪問者到底在Page3上停留了多長時間。因此，網站分析程式不知道訪問者花在網站最後一個頁面上的時間是多少。

下圖表示各個頁面網站分析工具統計的訪問時間：

• Tp (Home) = 1 分鐘
• Tp (Page2) = 4 分鐘
• Tp (Page3) = N/A
• Ts = 5 分鐘。

從上面的資料中很容易的看出這樣的資料並不合理，因為你不知道訪問者花在最後一個頁面上的時間是多少，因此網站分析工具給你的時間統計一般都會少於使用者實際在網站上停留的時間。

網站停留時間的準確性與跳出率和退出率有關。跳出率和退出率越大，平均停留時間越不準確。

二、頁面停留時間或是網站停留時間有什麼用？

如果把頁面停留時間和網站停留時間單純的拿出來看，那麼意義不是很大，主要原因有以下方面：

1. 這些指標是戰術層面的，我們無法認識到這些資料對公司的業績的影響。單純的頁面停留時間或網站停留時間並不能反映到具體的營收。
2. 這些指標需要很多的推斷，簡單的邏輯是這些資料越大越好，這些資料無法直接推斷出某夜頁面是好是壞。
3. 這些指標主要是短期資料，隨著網際網路的發展，依照會話來度量指標現在遠遠不能滿足需求，長期的訪客行為，顧客生命週期等可能更加能反映問題。

不同的停留時間需要用不同的邏輯去判斷。下面就開看看淘寶的例子：

出現上述不同資料的主要原因有：淘寶就像超市，訪客沒有明確的目標，進了超市但是最終會買點什麼，淘寶商城更像商場，去商場的使用者多半是帶著明確的目標去的，他們直奔目標，快速搜尋，快速的購物，快速的離開。

從使用者行為的維度看，淘寶的使用者在淘寶和淘寶商城有著不同的購物行為，就像相同的人在商城和超市的舉止言行肯定不同，所以淘寶商城的頁面風格更加簡潔，服務更標準化，商家更優質化。

同樣的，作為旅遊預訂類網站，來到網站的使用者基本上都有很明確的預訂需求，我們需要做的是如何讓使用者在最短的時間內找到適合的產品。

三、頁面停留時間和網站停留時間資料如何應用？

1、判斷頁面使用者體驗

從頁面停留時間的計算方法中我們知道不可能使用者在離開前在頁面上停留多長時間，即頁面停留時間是在有後續行為的情況下計算出來的，對已這部分資料先期可用的，就是把每套頁面的停留時間統計出來，判斷使用者停留高或者低的主要原因，比如：使用者在搜尋結果頁停留時間長了，是不是搜尋結果不能滿足使用者需求，使用者在列表頁停留時間長了，是不是我們的列表頁篩選做的還不夠人性化，在產品終頁停留長了是不是因為終頁內容展示過多或者使用者沒有找到他想要的內容等。

2、訪客再營銷

記錄網站停留時間較長，但是最後沒有下單的使用者，對這些使用者進行再營銷，由此產生的問題是，使用者只有在登入的情況下我們才能獲取到使用者ID，記錄下使用者ID以後還需通過程式分析，需要給該使用者推薦什麼樣的內容。可行性不是很高。

3、主動彈出客服彈出框或優惠資訊

當用戶在特定頁面停留過長時，彈出客服框。主動與訪客接觸。解決訪客疑惑。促使訪客下單。但是此部分使用者體驗會不太好，可以學習下新浪微博的那種在頁面頂部的提示功能。

4、當轉化目標來用

在沒有下單流程的網站，可以使用頁面或者網站停留時間來作為完成一個目標，繼而計算目標轉化率，比如哪些主要以電話作為目標的網站，如果有N多的人（比例要大）到達終頁沒有下單，直接打電話預訂，就可以使用停留時間來作為目標。