再谈GA数据的不一致，罪魁祸首竟是它！

关于GA数据不一致的问题，极诣在这些年先后探讨过两次。2018年《当1+1≠2，Google Analytics出Bug了？读懂用户、会话、交互层级》中，我们介绍了维度不同造成的指标差异，在2019年《99%的Google Analytics用户不知道转化到底有多少》中，我们进一步对数据差异进行了讨论。但是，即便我们深刻理解了不同层级的维度和指标，GA的数据依旧会出现不匹配，这种不匹配甚至会影响到我们A/B测试的结果！这是为什么呢？本篇将从数据采样的角度揭示GA数据的底层逻辑。

在阅读本文之前，笔者假定读者已经

能够正确为报表设定维度和指标
正确理解User、Session和Hit
了解GA的Session会在当地时间凌晨进行切割
理解GA为了报表制作效率采用了抽样方法

那么我们开始吧。

GA的抽样报告

当为生成一份报告而收集的会话数超过 50 万次（对于 Google Analytics 360，则为 1 亿次）时，系统就会自动对这些会话进行抽样。从报表名称旁的小绿盾（黄盾）你可以看出是否是100%的数据，还是经过了采样。

如果不为100%，则显示为小黄盾。想要避免小黄盾的方法是减少数据量。方法可以是缩短日期范围或者减少不必要的维度降低复杂性。当你以为小绿盾100% of sessions就万事大吉了，我只想模仿学长说“图样图森破”，这远没有你想得那么简单。因为你拿到的数据可能依旧是经过抽样的！

关闭在报告中启用用户指标 Enable Users Metric in Reporting

GA的帮助文档说得很清楚：

2017 年初，Google Analytics（分析）开始更新“用户数”和“活跃用户数”指标的计算方法，以期更高效地计算用户数，从而获得准确度较高且错误率较低（通常低于 2％）的结果。

2%是谷歌使用的HyperLogLog（HLL）算法快速采样后的导致的系统误差，谷歌使用的准确性参数为14。这就意味着68%的估算误差范围在±0.41%；95%的估算误差范围在±0.81%；99%的估算值误差范围在±1.22%。这可谓相当精确的。

要想避免这个2%的误差就必须关掉在“报告中启用用户指标”

当你关掉以后，你的小绿盾才真正意味着100%。请注意，这个开关只是切换计算方法，切换计算方法只是更改利用报告中原始数据来计算指标的方式，而不会更改基础数据。

那么你可能要问了，为什么非要切换回Session呢？一般的A/B测试不都是以User来进行的吗？其实你真的低估了2%误差的影响力。

2%看上去有多严重？

2%听上去问题不大，看上去也不大，比如说下面这组图：

看上去没那么大区别是不是？我们假设做A/B测试，Control组和Test组各有相同用户。我们可以看到下表：

上表显示了使用估算数在不同用户级下的实际P值。极诣曾经介绍过A/B测试的基本统计原理，P值的意义是有多大可能实验要证明的命题为假。P=0.05或5%则意味着，5%的可能该论断为假，而95%的可能该论断为真，即95%的置信。当我们使用各两万名用户来进行实验，并使用估算数据得出Test组效果更好时，此时真实的P值为5.79%，我们用估算值实验相对于用确数变得不准确，两者相差16%。这个时候我们不能说95%的情况下Test组比Control组好，因为它只达到了94.21%。

当我们使用500万每组时，使用估算数据达标时，实际的P值为71.04%，也就是说更有可能Control组比Test组更好。当我们要求越严苛，使用估算数据和真实数据之间的差距就越大。如果我们对P的要求提升到P=0.001，那么各两万名用户的结果精度就会直接相差70%