我自己有在經營一個電商網站，平常會透過各種數位行銷工具做追蹤，也會搭配廣告投放來引流。
實務上，我們很常會看一些常見指標，例如「使用者數」、「跳出率」、「平均停留時間」，來判斷不同活動或流量來源的表現。但你可能也跟我一樣有遇過這種狀況：數字看起來哪裡怪怪的，加起來好像不太對。
像是明明三天加總下來，使用者應該是 5 人，但報表卻出現 7？或者平均停留時間看起來很高，實際上根本沒人待那麼久？
這些狀況，其實都跟「資料的可加性（Additivity）」脫不了關係。
文章目錄
電商數據分析常見問題：什麼是資料可加性？
可加性指的是一個指標能不能在不同維度（例如時間、地區、裝置類型等）下被加總。
這個概念在資料倉儲建模與 BI 報表中非常重要，否則你一個 group by + sum，就可能得出完全錯誤的結論。
常見分類如下：
| 可加性類型 | 說明 | 例子 |
|---|---|---|
| Fully Additive | 可以在任何維度上加總 | 銷售金額、事件數量 |
| Semi-Additive | 可以在某些維度加總，但不能跨時間 | 帳戶餘額、庫存量 |
| Non-Additive | 不能在任何維度直接加總 | 使用者數、跳出率、轉換率 |
經營電商時容易忽略的 GA4 報表陷阱：指標不可加性
以下是幾個實際遇到過的例子，當你使用 GA，例如 使用者數膨脹
在 BigQuery 中正確計算 GA4 使用者數：避免數據膨脹
👉 解法： 使用能夠辨識使用者的欄位做計算
COUNT(DISTINCT CONCAT(user_id, "-", CAST(ga_session_id AS STRING))) AS users使用 GA4 API 提取指標時，如何避免誤差？
👉 解法 ： 固定時間與維度，就不會出錯，例如按照 Month or Week 做分組。
👉 進階解法： 將 user_id 與 device_id (user_pseudo_id) 與 session_id 塞到自訂維度，使用數據時再做去重複。 使用此法請遵守 GA4 隱私規範
為什麼 GA4 報表數據加總會失真？關鍵在「資料顆粒度」
上述兩種做法分別是使用 Raw Data (BQ) 以及 Aggregation (API) 過的資料。
所以可以發現，關鍵差異在，你手上的資料顆粒度，例如 GA4 API 不給你 user_id 與 device_id 的話，那你必須固定維度與時間，才不會算出奇怪的數字，因為：
- 一個使用者上線兩個小時，Group by Hour 後，再加總就會被記為兩個使用者。
- 一個使用者連續從兩個不同的流量來源進來，Group by source，加總後會被計入兩個使用者。
- 三天內同一個使用者多次回訪，如果直接把每天的使用者數相加，就會膨脹成不正確的「總使用者數」為三。
更多電商場景下的數據陷阱範例：看似合理的加總，其實是誤導
我們再透過觀察一些有趣的例子，來理解這樣的現象。
例如，帳戶餘額，若直接將每日餘額做加總 (1,000+800+1,200)，會得出總餘額 3,000 的錯誤數字。
| 日期 | 客戶ID | 帳戶餘額 |
|---|---|---|
| 2025-03-01 | 001 | 1,000 |
| 2025-03-02 | 001 | 800 |
| 2025-03-03 | 001 | 1,200 |
可加性清單
| 指標名稱 | 可加性分類 | 是否可跨時間加總 | 是否可跨其他維度加總 | 設計建議 |
| 使用者數（Users） | Non-Additive | ❌ | ❌ | 使用 COUNT(DISTINCT user_id)，避免 group by 多維度重複計算 |
| 銷售金額（Revenue） | Fully Additive | ✅ | ✅ | 可直接使用 SUM 聚合 |
| 帳戶餘額（Account Balance） | Semi-Additive | ❌ | ✅ | 可做單日彙總，避免跨日加總，建議用 MAX 或 AVG |
| 轉換率（Conversion Rate） | Non-Additive | ❌ | ❌ | 應以 numerator/denominator 計算，不可直接加總 |
| 庫存數量（Inventory） | Semi-Additive | ❌ | ✅ | 僅在特定時間點快照使用，不應跨時間加總 |
| 事件數（Event Count） | Fully Additive | ✅ | ✅ | 可依各維度直接聚合 |
| 活躍用戶率（Active User Rate） | Non-Additive | ❌ | ❌ | 用每日活躍使用者 / 每日總使用者計算，避免直接平均比例 |
| 平均停留時間（Avg. Session Duration） | Non-Additive | ❌ | ❌ | 使用加權平均（總停留秒數 / 總工作階段數），不可對每日平均再加總 |
| 每日用戶互動次數（Avg. Interactions per User per Day） | Semi-Additive | ⚠️（限每日平均） | ✅ | 每日先算平均，再與其他維度加總彙總，避免直接跨日平均 |
| 互動工作階段（Engaged Sessions） | Fully Additive | ✅ | ✅ | 可直接 COUNT 或 SUM 數量（符合定義的互動工作階段） |
| 跳出率（Bounce Rate） | Non-Additive | ❌ | ❌ | 計算跳出次數 / 工作階段總數，不可將各日跳出率相加 |
結語：經營電商品牌該如何避免 GA4 數據錯誤？
以上是在計算數據時真實遇到的坑，當時跟分析師一起，花了許多時間 debug，在此分享給大家參考。
