晚上十一点半,我打开 paulkuo.tw 的首页,看了一眼流量分析区块。
访客:0。
不对。当天有人看文章,翻译工具也有人在用。我打开 Cloudflare Dashboard:Page views 193,Visits 130。
后来去看另一个分析页面,Unique Visitors 又是 1,100。同一天、同一个网站,出现三个差很多的数字。我急着找一个能把它们兜起来的答案。
当时的答案是:零来自取样,130是真人,其余大多是Bot。重新检视这篇文章,我得先把这个判断收回来。画面上的数字是当时的观察,但那个解释没有同样完整的证据。
Visits不等于多少个人
看到Visits 130,我自然读成「今天来了130个人」。这一步就已经换了单位。
依Cloudflare目前的指标定义,Web Analytics的Visit,是从站外或直接连结进入的页面浏览,判断涉及来源页面的主机名称;一次Visit可以包含多次Page view。它不是替每个人建立身分,再把人头加起来。
另一方面,用IP去重得到的Unique Visitors,也不能直接当成自然人。一间办公室可能共用对外IP,同一个人换了网络,又可能出现另一个IP。
所以我当时面对的,至少有两种不同单位:造访次数,以及依特定方式去重的访客指标。把它们都标成「人」,数字还没开始比较,意思已经先混在一起。
这里保留的是当时记下的数值,没有重新还原当年的查询。现在的官方文件能帮我校正解释,不能代替那次请求的原始纪录。
浏览器回报与网络请求,看见的范围不同
Cloudflare的Web Analytics透过网页上的JavaScript小程序回报资料,这种小程序常被称为beacon。相对地,HTTP流量分析观察的是经过网络服务的请求。两者从不同位置看网站,自然可能看到不同范围。Web Analytics官方说明
我原先写「Bot不会跑JavaScript,所以beacon只算真人」,说得太满。能执行JavaScript,并不能证明背后坐着一位读者;使用自动化浏览器的程序也能载入页面。另一边,真人的回报也可能因浏览器设定或网络问题没有送达。
当时我从网络层分析改用浏览器回报,是想让指标更接近读者的使用情况。这个目的仍然合理,但得先说清楚回报成功代表什么、哪些情况看不到,不能把选了哪种工具当成准确保证。
取样是查核方向,还不是零值的完整解释
排查时,我注意到过去一段时间的API数值有好几个零,而且常是100的倍数。当时我把这个现象连到adaptive sampling,甚至写成「130被四舍五入成0」。
这句话不成立。130照一般的百位四舍五入,也不会变成0。更重要的是,数值的形状不足以证明那次查询采了哪种取样、取了多少,或是否还有其他问题。
Cloudflare官方取样文件说明,部分Dashboard及GraphQL资料会由样本推估总量。因此,也不能反过来认定「Dashboard一定精确,API才有取样」。目前文件另提供部分Adaptive资料集的信赖区间查询方式,是否适用仍须核对资料集与栏位。
就这次历史事件,我能保留的结论是:API和画面显示有明显落差,原先验收不够。要确定原因,还需要同一时区、时间范围、主机筛选条件、资料集与指标的查询纪录,再查取样及更新延迟。没有这些资料,就把根因留待查明,不能用一个听起来合理的术语补齐。
我走错的三条路
第一条是只验栏位。规划时,我确认API拿得到Visits,却没有确认它怎么计算,也没挑几天和画面交叉核对。拿得到数字,就以为可以拿来做决策。
第二条是急着换资料源。看到零值,我直觉认为换一条API会比较好,写了修正版推上去,后来又退回。来回修改的成本很实在,但它没有帮我补上最需要的东西:两次查询到底差在哪里。
第三条是把真人辨识与数值品质绑在一起。即使一套系统有过滤自动化流量,也仍需检查资料是否完整、怎么去重、是否取样。这几个问题,各自需要答案。
我与AI协作时常提醒自己先侦察再动手。遇到首页挂着一个零,还是忍不住想赶快修掉。这次值得留下的经验,是把那个冲动拦住,先保留出问题的查询和结果。
自己计数,也要交代怎么数
后来我采取的做法,是加入自建visit beacon:页面载入时回报给Worker,依IP与User-Agent的组合做每日去重。User-Agent是浏览器送出的软件识别资讯;这个组合在此只是计数键,不是一个人的身分证明。
自建的好处,是可以自己订事件定义、保存排查所需的纪录,知道每个数字如何形成。它仍只看得到成功送达的回报;去重可能合并不同人,也可能把同一人拆开。把资料做杂凑处理,同样不能单凭这件事就保证完全匿名,还要看保存与使用方式。
我原本又多走了一步:用Zone Analytics的去重IP数,减去beacon的IP加User-Agent去重数,把差值叫作AI/Bot访客。这个算法不能成立。两边的单位、覆盖范围和去重方式不同,没有理由假设其中一组正好是另一组的真人子集合。
因此,1,100减130得到970,只是一个算术结果,不能证明有970个Bot,更不能据此宣称网站88%的访客是机器。
如果要看自动化存取,应另外看请求纪录与辨识依据,说明能辨认和不能辨认的范围。爬虫抓了文章,也还不等于模型引用了文章,或内容已经产生影响。这些是不同的问题。
下次看到零,先留下什么
现在整理这套经验,我会先替每个指标写一句定义,再决定它适不适合放上首页。
浏览器回报的趋势、网络请求的变化、文章是否带来询问,各有用途。它们可以并排看,但不能为了凑出一张漂亮的真人与机器比例图,就把不同口径的数字硬拆成同一个圆饼。
若你也遇到Dashboard和API差很大,可以先做一件小事:选同一段时间,记下时区、筛选条件、指标名称及完整回传结果。确认两边在问同一个问题,再追更新延迟、收集缺漏和取样。自建工具是其中一个选项,并非每个小网站都必须重造一套。
那晚的零,让我急着想证明网站有人来过。现在再看,我更想先知道,首页上的「访客」两个字,究竟替读者承诺了什么。


💬 留言讨论
加载中...