Splašená statistika? No, jak se to vezme.

Včera jsem zase přenášel zálohu píše.cz a náhodou jsem si všiml jednoho článku u Ohněty. Podivoval se nad splašenou statistikou píše.cz

Už dva dny to zkoumám (ne jen kvůli jeho článku, ale i pro nové vylepšení). A samozřejmě se to snažím porovnávat. Nejpřístupnější mi přijde Toplist, kde je poměrně hodně zdejších blogů. První rozpor: toplist: 13, píše.cz: 15... no, to se stát může.

Další 44 vs 62, uf. Tak to ne, to už je hodně. Vykousal jsem z databáze všechny záznamy za ten den a blog. Zkontroloval jedinečnost IP adres. Pro jistotu v Excelu. Hm, všechny jsou jedinečné.

To je snad zlý sen. Já to mám správně a Toplist ne? Zase takové mínění o sobě nemám. Jde spíše o to, nalézt to, co Toplist nezapočítává a já ano. Udělal jsem poměrně zajímavý rozbor a zjistil, že se v databázi často vyskytuje stránka s neexistujicimi komentáři. Tyto stránky se nyní tváří jako nedostupné (kód 404). Další zajímavý bod byly neznámé IP... zdá se, že je všichni vyškrtávají, protože se u nich nedají zjistit další informace. Když všichni, tak všichni. Pryč s nimi.

Tyto 2 podmínky zredukovaly obsah statistiky o 5,5%, wow. Celkově se statistiky umoudřily a já vytvořil další tabulku, ve které sleduji nazvy IP (ne jen číslička). Časem to proberu a uvidíme, kdo to zlobí

Ještě musím stihnout oponovat tenisákovi. Citát: "píše registruje prvděpodobně každé kliknutí, zatímco na top listu ti druhý klik, během půl hodiny nenačte.".

Odpověď: Tady se plete několik pojmů. Píše.cz zaznamenává každý klik na každou stránku, pokud ta stránka nebyla navštívena před dříve než 20-ti minutami (poměrně standardní doba). Statistika je podle jedinečnosti IP adresy. Tzn. když budu mít ve statistice 500 záznamů za jeden den a blog, bude obsahovat 200 různých URL a to vše naklikají jen 2 lidi, bude píše.cz zobrazovat 2 lidi (count(DISTINCT ip) as...)