晚上十一點半,我打開 paulkuo.tw 的首頁,看了一眼流量分析區塊。

訪客:0。

不對。當天有人看文章,翻譯工具也有人在用。我打開 Cloudflare Dashboard:Page views 193,Visits 130。

後來去看另一個分析頁面,Unique Visitors 又是 1,100。同一天、同一個網站,出現三個差很多的數字。我急著找一個能把它們兜起來的答案。

當時的答案是:零來自取樣,130是真人,其餘大多是Bot。重新檢視這篇文章,我得先把這個判斷收回來。畫面上的數字是當時的觀察,但那個解釋沒有同樣完整的證據。

Visits不等於多少個人

看到Visits 130,我自然讀成「今天來了130個人」。這一步就已經換了單位。

依Cloudflare目前的指標定義,Web Analytics的Visit,是從站外或直接連結進入的頁面瀏覽,判斷涉及來源頁面的主機名稱;一次Visit可以包含多次Page view。它不是替每個人建立身分,再把人頭加起來。

另一方面,用IP去重得到的Unique Visitors,也不能直接當成自然人。一間辦公室可能共用對外IP,同一個人換了網路,又可能出現另一個IP。

所以我當時面對的,至少有兩種不同單位:造訪次數,以及依特定方式去重的訪客指標。把它們都標成「人」,數字還沒開始比較,意思已經先混在一起。

這裡保留的是當時記下的數值,沒有重新還原當年的查詢。現在的官方文件能幫我校正解釋,不能代替那次請求的原始紀錄。

瀏覽器回報與網路請求,看見的範圍不同

Cloudflare的Web Analytics透過網頁上的JavaScript小程式回報資料,這種小程式常被稱為beacon。相對地,HTTP流量分析觀察的是經過網路服務的請求。兩者從不同位置看網站,自然可能看到不同範圍。Web Analytics官方說明

我原先寫「Bot不會跑JavaScript,所以beacon只算真人」,說得太滿。能執行JavaScript,並不能證明背後坐著一位讀者;使用自動化瀏覽器的程式也能載入頁面。另一邊,真人的回報也可能因瀏覽器設定或網路問題沒有送達。

當時我從網路層分析改用瀏覽器回報,是想讓指標更接近讀者的使用情況。這個目的仍然合理,但得先說清楚回報成功代表什麼、哪些情況看不到,不能把選了哪種工具當成準確保證。

取樣是查核方向,還不是零值的完整解釋

排查時,我注意到過去一段時間的API數值有好幾個零,而且常是100的倍數。當時我把這個現象連到adaptive sampling,甚至寫成「130被四捨五入成0」。

這句話不成立。130照一般的百位四捨五入,也不會變成0。更重要的是,數值的形狀不足以證明那次查詢採了哪種取樣、取了多少,或是否還有其他問題。

Cloudflare官方取樣文件說明,部分Dashboard及GraphQL資料會由樣本推估總量。因此,也不能反過來認定「Dashboard一定精確,API才有取樣」。目前文件另提供部分Adaptive資料集的信賴區間查詢方式,是否適用仍須核對資料集與欄位。

就這次歷史事件,我能保留的結論是:API和畫面顯示有明顯落差,原先驗收不夠。要確定原因,還需要同一時區、時間範圍、主機篩選條件、資料集與指標的查詢紀錄,再查取樣及更新延遲。沒有這些資料,就把根因留待查明,不能用一個聽起來合理的術語補齊。

我走錯的三條路

第一條是只驗欄位。規劃時,我確認API拿得到Visits,卻沒有確認它怎麼計算,也沒挑幾天和畫面交叉核對。拿得到數字,就以為可以拿來做決策。

第二條是急著換資料源。看到零值,我直覺認為換一條API會比較好,寫了修正版推上去,後來又退回。來回修改的成本很實在,但它沒有幫我補上最需要的東西:兩次查詢到底差在哪裡。

第三條是把真人辨識與數值品質綁在一起。即使一套系統有過濾自動化流量,也仍需檢查資料是否完整、怎麼去重、是否取樣。這幾個問題,各自需要答案。

我與AI協作時常提醒自己先偵察再動手。遇到首頁掛著一個零,還是忍不住想趕快修掉。這次值得留下的經驗,是把那個衝動攔住,先保留出問題的查詢和結果。

自己計數,也要交代怎麼數

後來我採取的做法,是加入自建visit beacon:頁面載入時回報給Worker,依IP與User-Agent的組合做每日去重。User-Agent是瀏覽器送出的軟體識別資訊;這個組合在此只是計數鍵,不是一個人的身分證明。

自建的好處,是可以自己訂事件定義、保存排查所需的紀錄,知道每個數字如何形成。它仍只看得到成功送達的回報;去重可能合併不同人,也可能把同一人拆開。把資料做雜湊處理,同樣不能單憑這件事就保證完全匿名,還要看保存與使用方式。

我原本又多走了一步:用Zone Analytics的去重IP數,減去beacon的IP加User-Agent去重數,把差值叫作AI/Bot訪客。這個算法不能成立。兩邊的單位、覆蓋範圍和去重方式不同,沒有理由假設其中一組正好是另一組的真人子集合。

因此,1,100減130得到970,只是一個算術結果,不能證明有970個Bot,更不能據此宣稱網站88%的訪客是機器。

如果要看自動化存取,應另外看請求紀錄與辨識依據,說明能辨認和不能辨認的範圍。爬蟲抓了文章,也還不等於模型引用了文章,或內容已經產生影響。這些是不同的問題。

四格漫畫:0、130、1,100放在一起之前,先問它們各自在數什麼,同一天、同一個網站,出現三個差很多的數字。這裡保留的是當時記下的數值,沒有重新還原當年的查詢。1,100減130得到970,只是一個算術結果,不能證明有970個Bot,我會先替每個指標寫一句定義,再決定它適不適合放上首頁。先替每個指標寫一句定義,

下次看到零,先留下什麼

現在整理這套經驗,我會先替每個指標寫一句定義,再決定它適不適合放上首頁。

瀏覽器回報的趨勢、網路請求的變化、文章是否帶來詢問,各有用途。它們可以並排看,但不能為了湊出一張漂亮的真人與機器比例圖,就把不同口徑的數字硬拆成同一個圓餅。

若你也遇到Dashboard和API差很大,可以先做一件小事:選同一段時間,記下時區、篩選條件、指標名稱及完整回傳結果。確認兩邊在問同一個問題,再追更新延遲、收集缺漏和取樣。自建工具是其中一個選項,並非每個小網站都必須重造一套。

那晚的零,讓我急著想證明網站有人來過。現在再看,我更想先知道,首頁上的「訪客」兩個字,究竟替讀者承諾了什麼。