SEO数据分析之异常值分析

焦大一直觉得国外的书籍很有意思，比如深入浅出系列的教程，不仅仅图文并茂，而且很多都是和现实紧密相关，阅读起来也轻松愉快。我记得深入浅出统计学有这么个故事，大意是有个年龄30岁的人想进入一个武术班，要求是这个班的学员年龄大部分是和他差不多的，现在有A与B两个班可以提供选择，A班一共10人平均年龄是28岁，B班一共10人平均年龄是26岁。

乍一看，A群体年龄更加适合这个人，但是这里我看到的数据只是整体的一个数据，而且这个数据有个明显的特征是数据量小。数据量小意味着什么？意味着这个数据一旦有异常值，真实情况和平均结果数就有很大的出入。反之，如果这个数据量较大，比如A班有上百人甚或上千人，那么A班肯定是最好的选择，反之，也许B班是最好的选择。

接下来看具体数据，果不其然，A班有2个异常值，有2个年龄岁数非常大的人在A班，而B班年龄都是相差不大的。所以B班是这个人最好的选择而不是A班。里面具体的数据我忘记了，大意是A班有2个80岁的人，所以拖动了整体平均年龄的上升，而B班都是23到30岁左右的人。

这个故事或许是虚构的，但是折射出数据分析的一个很需要注意的问题：排除异常值后的数据才具有参考性。这个道理其实也可以放在我们seo的数据分析上，拿个最简单的例子来说，比如换友情链接吧。换链接的人大部分都会查询下对方网站的数据，然后依据一定的特征来决定是否和别人进行交换，比较常见的特征有PR值、百度权重、出链数量、收录数量、快照日期、site是否首页第一等等。相同的数据（或特征）对于seo深度理解不一样的人来说，可能取舍有很大的不同，比如有的人就认PR值高低，而有的人就认百度权重高低等等，而没有人从整体或者深度数据观的角度去思考一些问题。

比如PR值，我记得我2011年做seo的时候，还是PR横行的时代，与人交换链接时候没有PR值是很难的一件事。那时候我看到很多有趣的事情，比如有的站PR莫名的很高，但是用雅虎外链工具（那时候外链的最主要的参考工具）查询的时候却发现那些站却没有外链。我们做seo最基本一个常识是什么，PR是怎么来的，靠链接传递而来的，一个网站的PR很高却没有外链，这个网站的seo数据是不是很虚或者说这个PR压根就是一个大异常值嘛，可是一些网站站长却不管这些，只要你PR值高就牛逼了，哈哈。

现在人们逐渐从PR转向了百度权重，于是乎也出现了一些奇怪的网站，其百度权重值很高，但是这些站建站时间很短而且主要的是流量词都集中在1个或2个，有的流量词很多个，但是流量词都是一些很奇怪的词语，比如一些加有奇怪字符，有的网站流量都是品牌词的流量。对于正常性含有百度权重的网站，比如我的小站，百度权重都是1，但是流量词的来源却是有很多个，而且都是一些常规性seo搜索词，截图如下：

而一些网站的seo数据很奇怪，比如下面一个网站百度权重为6的流量词排名：

对于判读seo数据异常，我们如果略加思考，可以发现很多有趣的问题。比如有的站品牌词搜索量其高，而同行的很多人都没有听过这个品牌，这个品牌也没有做过广告投放，这个是不是一个异常值？一些站如果有很多奇怪字符的搜索，假使你是个正常人，会不会这么搜索呢？如果一个站搜索词很集中在几个词，甚至这些词确实是有人搜索的词语，但是网站title其他的长尾词都没有排名，单单一两个难度大的词有排名，这又是神马情况呢？