SSD Nodes Learn Hosting plans →
मार्गदर्शक Matt Connorद्वारे Matt Connor

VPS वर कोणते self-hosted वेब ॲनालिटिक्स टूल वापरावे?

Plausible, Umami, Matomo, GoatCounter आणि GoAccess साठी योग्य VPS निवडताना RAM, डेटाबेस, डिस्क स्टोरेज आणि रिव्हर्स प्रॉक्सी सेटअपची सविस्तर माहिती या लेखात दिली आहे.

VPS वर कोणते self-hosted web analytics साधन चालवावे?

Self-hosted web analytics साधने दोन प्रकारची असतात. चुकीचा प्रकार निवडल्यास चुकीचे product निवडण्यापेक्षा जास्त अतिरिक्त खर्च होतो. एका प्रकारात visitor च्या browser मध्ये एक लहान script चालते आणि तो script पाठवणारी माहिती साठवली जाते. दुसरा प्रकार web server ने आधीच लिहिलेला access log वाचतो. त्यानंतर database आणि त्याला लागणारी memory यांसह बाकी सर्व निवडी या मूलभूत निर्णयावर अवलंबून असतात.

लहान server साठी थोडक्यात: GoatCounter आणि Medama 1 GB मध्ये चालतात, कारण दोन्ही local database files वर एकाच process म्हणून चालतात: GoatCounter साठी एक आणि Medama साठी दोन. Umami एक Postgres container जोडते आणि non-technical व्यक्ती वाचू शकेल असा dashboard देते. Plausible Community Edition आणि Rybbit दोन्ही ClickHouse चालवतात. त्यामुळे 2 GB RAM किंवा त्याहून अधिकची तरतूद करा. Matomo हे पूर्ण product आहे. त्यामुळे तुमच्या traffic नुसार क्षमतेचा server आवश्यक आहे. GoAccess page मध्ये काहीही जोडत नाही, कारण ते आधीपासून उपलब्ध असलेला log वाचते.

स्क्रिप्ट टॅग किंवा सर्व्हर लॉग: प्रत्येकाला काय दिसते

स्क्रिप्ट टॅग ब्राउझरचे मोजमाप करतो. पेज लोड होते, स्क्रिप्ट रन होते आणि ती तुमच्या कलेक्टरकडे एक विनंती पाठवते. या साखळीत अडथळा आणणारी कोणतीही गोष्ट तुम्हाला दिसत नाही: JavaScript बंद असणे, विनंती ब्लॉक करणारी फिल्टर लिस्ट, कलेक्टरकडे गेलेली अयशस्वी विनंती किंवा स्क्रिप्ट रन न करणारा क्रॉलर.

लॉग पार्सर विनंत्यांचे मोजमाप करतो. तुम्ही काहीही इन्स्टॉल केले तरीही तुमचा वेब सर्व्हर प्रत्येक विनंतीसाठी एक ओळ लिहितो, त्यामुळे डेटा आधीच डिस्कवर असतो. तो प्रत्येक क्रॉलर आणि स्क्रिप्ट टॅग नसलेल्या फाईलवर झालेली प्रत्येक हिट पाहू शकतो. ब्राउझरच्या आत काय घडले हे तो पाहू शकत नाही आणि ब्राउझर कॅशेमधून किंवा तुमच्या सर्व्हरच्या समोर असलेल्या CDN (content delivery network) कडून सर्व्ह केलेले पेज तो पाहू शकत नाही, कारण ती विनंती तुमच्या सर्व्हरपर्यंत पोहोचलेलीच नसते.

हे दोन आकडे जुळणार नाहीत आणि त्यापैकी कोणीही चुकीचे नाही. Matomo दोन्ही करू शकते आणि ते लॉग इम्पोर्टमध्ये काय गहाळ आहे याची माहिती त्याच्या JavaScript ट्रॅकरच्या संदर्भात देते: स्क्रीन रिझोल्यूशन आणि पेज टायटल्स, इव्हेंट्स, कंटेंट ट्रॅकिंग, हीटमॅप्स, सेशन रेकॉर्डिंग्ज आणि फॉर्म ॲनालिटिक्स. ब्राउझरऐवजी विनंत्या मोजण्याची ही किंमत आहे.

बॉट ट्रॅफिक हे या फरकाचे दुसरे कारण आहे. लॉग-आधारित मोजमापांमध्ये क्रॉलर्सचा समावेश असतो, जोपर्यंत तुम्ही त्यांना फिल्टर करत नाही, आणि सामान्य साईटवर क्रॉलरचा वाटा तुमचे निष्कर्ष बदलण्याइतपत मोठा असतो. GoAccess आणि Matomo चे लॉग इम्पोर्ट दोन्ही ज्ञात बॉट्सना फिल्टर करतात. जो क्रॉलर त्याच्या user agent बद्दल खोटे बोलतो, त्याला यापैकी कोणीही फिल्टर करू शकत नाही. म्हणूनच कोणत्याही लॉग-आधारित मोजमापाला सर्व्हर स्तरावर AI क्रॉलर्सना ब्लॉक करणे या प्रक्रियेशी जोडणे आणि ब्लॉक करण्यापूर्वीच्या ऐवजी ब्लॉक केल्यानंतरचा लॉग वाचणे योग्य ठरते.

GoAccess: तुमच्याकडे असलेल्या लॉगवरून ॲनालिटिक्स

प्रकल्पाच्या स्वतःच्या Debian आणि Ubuntu रिपॉझिटरीमधून ते इन्स्टॉल करा, कारण डिस्ट्रिब्युशन पॅकेजेस नवीन रिलीजच्या तुलनेत मागे असतात.

wget -O - https://deb.goaccess.io/gnugpg.key | gpg --dearmor | sudo tee /usr/share/keyrings/goaccess.gpg >/dev/null
echo "deb [signed-by=/usr/share/keyrings/goaccess.gpg arch=$(dpkg --print-architecture)] https://deb.goaccess.io/ $(lsb_release -cs) main" | sudo tee /etc/apt/sources.list.d/goaccess.list
sudo apt-get update
sudo apt-get install goaccess

त्यानंतर लॉग फाईल निवडा आणि एक स्टॅटिक रिपोर्ट तयार करा.

goaccess /var/log/nginx/access.log -o ~/report.html --log-format=COMBINED

सामान्य वापरकर्त्यासाठी ही कमांड Permission denied मुळे अपयशी ठरते, कारण Ubuntu वर nginx लॉगची मालकी root कडे असते आणि तो adm ग्रुपचा भाग असतो. स्वतःला sudo usermod -aG adm $USER वापरून त्या ग्रुपमध्ये जोडा, त्यानंतर लॉग आउट करून पुन्हा लॉग इन करा, कारण ग्रुप मेंबरशिप लॉग इन करताना वाचली जाते. id चालवा आणि पुन्हा प्रयत्न करण्यापूर्वी adm यादीमध्ये दिसते का ते तपासा.

लाईव्ह लॉगवरील रिपोर्ट फक्त तितकाच डेटा कव्हर करतो जो logrotate ने अजून हलवलेला नाही. कालच्या विनंत्या access.log.1 मध्ये असतात आणि जुन्या विनंत्या कॉम्प्रेस केलेल्या असतात, त्यामुळे साप्ताहिक रिपोर्ट पाहण्यासाठी रोटेट केलेल्या फाईल्स देखील वाचाव्या लागतात.

zcat /var/log/nginx/access.log.*.gz | goaccess - --log-format=COMBINED -o ~/last-week.html

यात --real-time-html नावाचा एक लाईव्ह मोड देखील आहे, जो WebSocket द्वारे पेज अपडेट करतो. त्यासाठी दुसऱ्या पोर्टची आणि स्वतंत्र प्रॉक्सी नियमाची आवश्यकता असते. बहुतेक साईट्ससाठी cron द्वारे तयार केलेला तासाभराचा रिपोर्ट पुरेसा असतो आणि त्यात सुरक्षिततेची जोखीम कमी असते.

GoatCounter: एक Go बायनरी आणि एक SQLite फाईल

GoatCounter हे स्टॅटिकली कंपाईल केलेली बायनरी म्हणून उपलब्ध आहे, त्यामुळे यासाठी कोणत्याही रनटाइमची स्थापना करण्याची गरज नाही. रिलीज पेजवरून बिल्ड घ्या आणि तो चालवा, किंवा इमेज वापरा.

docker run -p 8080:8080 -v goatcounter-data:/home/goatcounter/goatcounter-data arp242/goatcounter

बायनरी म्हणून चालवताना, goatcounter serve हे 8080 पोर्टवर लिसन करते आणि ./goatcounter-data/db.sqlite3 वर SQLite फाईल तयार करते. जेव्हा इन्स्टन्स आधीच एखाद्या प्रॉक्सीच्या मागे असेल, तेव्हा वेब विझार्डऐवजी कमांड लाईनवरून पहिली साईट तयार करा.

goatcounter db create site -vhost=stats.example.com -user.email=me@example.com

हे goatcounter serve -listen=:443 -tls=tls,rdr,acme वापरून स्वतःचे प्रमाणपत्र ACME (ऑटोमॅटिक सर्टिफिकेट मॅनेजमेंट एन्व्हायर्नमेंट) द्वारे हाताळू शकते, जे अशा सर्व्हरवर उपयुक्त ठरते जिथे इतर कोणतीही सेवा चालत नाही. जिथे nginx किंवा Caddy आधीच 443 पोर्ट वापरत आहेत, तिथे GoatCounter ला 8080 वर राहू द्या आणि त्याकडे प्रॉक्सी करा. प्रोजेक्टच्या आकडेवारीनुसार ट्रॅकिंग स्क्रिप्ट सुमारे 3.5K आकाराची आहे आणि ज्या पेजेसवर JavaScript नाही, त्यांच्यासाठी ट्रॅकिंग पिक्सेल उपलब्ध आहे. जर व्यस्त साईटवर SQLite ची मर्यादा गाठली गेली, तर तीच बायनरी goatcounter serve -db 'postgresql+dbname=goatcounter' वापरून Postgres ला सपोर्ट करू शकते. बॅकअप म्हणजे केवळ फाईलची प्रत तयार करणे होय, आणि या प्रकारच्या टूलसाठी हाच सर्वात मोठा फायदा आहे.

Medama: 256 MB मेमरीचा दावा करणारा एकच कंटेनर

Medama हा येथे उपलब्ध असलेला नवीनतम single binary पर्याय आहे. त्याची रचना cookie शिवाय केली आहे. प्रकल्पानुसार tracker 1 KB पेक्षा कमी असतो. तसेच 256 MB मेमरी असलेल्या virtual machines वर लहान साइट्स चालू शकतात. हे प्रकल्पाने प्रकाशित केलेले दावे आहेत. या मार्गदर्शकासाठी मोजलेले आकडे नाहीत.

docker volume create medama-data
docker run -d -p 127.0.0.1:8080:8080 -v medama-data:/app/data ghcr.io/medama-io/medama:latest

अधिकृत command पोर्ट 8080:8080 म्हणून publish करते. वरील loopback prefix जाणीवपूर्वक दिलेला आहे. त्यामागचे कारण reverse proxy विभागात स्पष्ट केले आहे. Medama आपला डेटा me_meta.db आणि me_analytics.db या दोन database files मध्ये ठेवते. कंटेनर त्या files /app/data अंतर्गत लिहितो. त्यामुळे एकाच file ऐवजी संपूर्ण volume चा backup घ्या. पहिला login admin आहे. त्याचा password CHANGE_ME_ON_FIRST_LOGIN आहे. त्या password चे नावच सूचना आहे.

एक documented failure mode तुमच्या लक्षात येईल. Login फक्त HTTPS किंवा localhost वर कार्य करते. त्यामुळे certificate आधी proxy सेट केल्यास योग्य password नाकारला जातो. त्याचे कारण दाखवले जात नाही. प्रथम TLS (transport layer security) setup पूर्ण करा. त्यानंतर login करा.

Umami: Postgres आणि लोकांना परिचित वाटणारे dashboard

git clone https://github.com/umami-software/umami.git
cd umami
docker compose up -d

यामुळे अॅप्लिकेशन port 3000 वर सुरू होते आणि त्यासोबत PostgreSQL container चालतो. दस्तऐवजानुसार किमान PostgreSQL v12.14 आवश्यक आहे. तुम्ही source मधून build करत असल्यास Node.js 20.19 किंवा त्यानंतरची आवृत्ती आवश्यक आहे; 22 LTS ची शिफारस केली आहे. तयार image देखील उपलब्ध आहे, docker.umami.is/umami-software/umami:latest. त्यासाठी तुम्ही आधीपासून चालवत असलेल्या database कडे निर्देश करणारे DATABASE_URL आवश्यक आहे.

पहिले login admin आहे आणि password umami आहे. DNS या मशीनकडे निर्देशित करण्यापूर्वी ते बदला. DNS record resolve होताच आणि proxy ने प्रतिसाद देताच हे instance इंटरनेटवरून उपलब्ध होते. Compose चे तपशील, environment files आणि restart policy यांसाठी, तुम्ही न वाचलेला stack तसाच कॉपी करण्याऐवजी VPS वरचा Docker Compose stack पहा.

यामध्ये एक Node process आणि Postgres असतात. त्यामुळे हा एकाच binary पेक्षा अधिक संसाधने वापरतो, पण ClickHouse चालवणाऱ्या कोणत्याही रचनेपेक्षा तो खूपच हलका आहे.

Plausible Community Edition: ClickHouse मुळे किमान RAM आवश्यकता ठरते

git clone -b v3.2.1 --single-branch https://github.com/plausible/community-edition plausible-ce
cd plausible-ce
touch .env
echo "BASE_URL=https://stats.example.com" >> .env
echo "SECRET_KEY_BASE=$(openssl rand -base64 48)" >> .env
docker compose up -d

November 2026 पर्यंत v3.2.1 ही सध्याची आवृत्ती आहे आणि clone command मध्ये ती जाणीवपूर्वक निश्चित केली आहे. या stack मध्ये तीन भाग आहेत: application, accounts आणि settings साठी Postgres, तसेच event data साठी ClickHouse. SECRET_KEY_BASE ही किमान 64 byte ची string असणे आवश्यक आहे. openssl call अशी string तयार करते.

Plausible च्या स्वतःच्या requirements नुसार किमान 2 GB RAM आवश्यक आहे, जेणेकरून ClickHouse आणि application यांना out of memory killer चा सामना करावा लागू नये. तसेच SSE 4.2 किंवा NEON समर्थित करणारा CPU आवश्यक आहे, कारण ClickHouse ला त्याची गरज असते. VPS खरेदी करण्यापूर्वी ही दुसरी आवश्यकता तपासणे महत्त्वाचे आहे. ARM आणि x86 VPS मधील निवड करण्यातील हा एक व्यावहारिक फरक आहे. ClickHouse उपलब्ध असल्याचे त्याला वाटणारी जास्तीत जास्त memory देखील वापरू शकतो. त्यामुळे shared box वर Compose मध्ये container memory limit करण्यासाठी वर्णन केल्याप्रमाणे कमाल मर्यादा निश्चित करा.

BASE_URL हे public URL शी तंतोतंत समान असणे आवश्यक आहे. ते समान नसल्यास login केल्यानंतर application चुकीच्या host वर redirect करते. Session cookie अशा domain साठी लिहिली जाते ज्यावर तुमचा browser नसतो. त्यामुळे error message न दाखवता तुम्ही पुन्हा login form वर पोहोचता.

दिलेल्या compose file मध्ये कोणताही port publish केलेला नाही, कारण त्यापुढे proxy असेल अशी अपेक्षा आहे. Default application port फक्त loopback वर publish करणारा override जोडा.

cat > compose.override.yml << EOF
services:
    plausible:
        ports:
            - 127.0.0.1:8000:8000
EOF

Matomo: संपूर्ण उत्पादन आणि त्याला आवश्यक असलेला सर्व्हर

Matomo PHP वर MySQL किंवा MariaDB सह चालते. त्यामुळे ते container stack पेक्षा classic web stack मध्ये अधिक योग्य बसते. येथे नमूद केलेल्या साधनांपैकी traffic volume नुसार hardware मार्गदर्शन प्रकाशित करणारे हे एकमेव साधन आहे.

तक्ताMatomo sizing guidance by monthly pageviews
या तक्त्यामागील डेटा
[
  {
    "label": "100K/month",
    "cpu_cores": 2,
    "ram_gb": 2,
    "disk_gb": 50
  },
  {
    "label": "1M/month",
    "cpu_cores": 4,
    "ram_gb": 8,
    "disk_gb": 250
  },
  {
    "label": "10M/month",
    "cpu_cores": 8,
    "ram_gb": 16,
    "disk_gb": 400
  }
]

नोव्हेंबर 2026 पर्यंत Matomo ने प्रकाशित केलेल्या या किमान आवश्यकता आहेत. या मार्गदर्शकासाठी घेतलेली मोजमापे नाहीत. दरमहा 100,000 pageviews पर्यंत 2 CPU cores, 2 GB RAM आणि 50 GB SSD आवश्यक आहेत. या स्तरावर application आणि database एकाच सर्व्हरवर ठेवता येतात. 1M/month येथे आवश्यकता 8 GB RAM आणि 250 GB disk इतकी होते. 10M/month येथे Matomo दोन सर्व्हरची शिफारस करते. शेवटच्या ओळीत database server साठी 16 GB RAM आणि 400 GB disk दाखवले आहेत. ही disk क्षमता single binary पर्यायांच्या शेजारी पाहा. त्या पर्यायांमध्ये संपूर्ण dataset एक किंवा दोन स्थानिक database files मध्ये साठवला जातो.

Archiving मुळे अनेकांना आश्चर्य वाटते. डीफॉल्टनुसार, कोणी dashboard उघडल्यावर Matomo reports तयार करते. त्यामुळे data वाढत गेल्यावर dashboard धीमा होतो आणि शेवटी timeout होतो. दस्तऐवजीकरणानुसार यावरील उपाय म्हणजे general settings मध्ये browser triggered archiving बंद करणे आणि त्याऐवजी cron मधून archiver चालवणे. हे Matomo files च्या मालक असलेल्या user म्हणून, Matomo directory मधून चालवावे.

php console core:archive --url=https://analytics.example.com

Matomo processed report tables च्या शेजारी raw log tables देखील ठेवते. तसेच जुना raw data आणि जुने reports ठरावीक वेळापत्रकानुसार delete करू शकते. हे disk पूर्ण झाल्यावर नव्हे, तर install करतानाच सुरू करा. Matomo server access logs import करू शकते. त्यामुळे येथे नमूद केलेल्या उत्पादनांमध्ये दोन्ही प्रकारांचा समावेश करणारे हे एकमेव उत्पादन आहे.

Rybbit आणि नवीन स्टॅक्स

git clone https://github.com/rybbit-io/rybbit.git
cd rybbit
chmod +x *.sh
./setup.sh your.domain.name

Rybbit हे अलीकडेच आलेले एक आधुनिक डॅशबोर्ड असलेले साधन आहे. याचे सेटअप स्क्रिप्ट environment file तयार करते आणि Docker Compose वापरून स्टॅक सुरू करते. हे ClickHouse चालवते आणि स्वतःचे वेब सर्व्हर म्हणून Caddy चा वापर करते. Caddy पोर्ट 443 घेते आणि तुम्ही दिलेल्या डोमेनसाठी प्रमाणपत्र (certificate) मिळवते. ज्या सर्व्हरवर आधीच nginx पोर्ट 443 वापरत असेल, तिथे हे स्क्रिप्ट बाइंड होऊ शकणार नाही. अशा वेळी, प्रोजेक्टच्या मॅन्युअल Compose पद्धतीचा वापर करा आणि त्याला तुमच्या अस्तित्वात असलेल्या proxy च्या मागे ठेवा. डॉक्युमेंटेशननुसार यासाठी किमान 2 GB RAM आवश्यक आहे. हे Ubuntu 24 LTS वर टेस्ट केलेले आहे आणि ClickHouse मुळे ARM वर ARMv8.2-A किंवा त्यापुढील आर्किटेक्चर आवश्यक आहे.

कोणत्याही नवीन प्रोजेक्टसाठी एक महत्त्वाची सूचना: यामध्ये फीचर्स वेगाने येतात आणि त्यासोबतच ब्रेकिंग बदलही (breaking changes) होऊ शकतात. नेहमी विशिष्ट टॅग (tag) पिन करा, अपडेट करण्यापूर्वी release notes वाचा आणि त्याआधी डेटाबेसचा बॅकअप घ्या.

रिटेंशन आणि डिस्कची वाढ: तुमच्या स्वतःच्या सर्व्हरवर मोजमाप करा

डिस्कची वाढ ही प्रत्येक इव्हेंटसाठी टूल किती डेटा साठवते यावर अवलंबून असते. GoatCounter हिट्सना काउंटरमध्ये एकत्रित करते, त्यामुळे त्याची फाईल कच्च्या डेटापेक्षा विशिष्ट पेजेस आणि दिवसांनुसार जास्त वाढते. Umami आणि Matomo प्रत्येक इव्हेंटसाठी स्वतंत्र ओळी (rows) साठवतात, आणि Matomo कच्च्या डेटाव्यतिरिक्त प्रक्रिया केलेले रिपोर्ट टेबल्स देखील साठवते. ClickHouse इव्हेंट्सना कॉलममध्ये साठवून त्यांचे मोठ्या प्रमाणात कॉम्प्रेशन करते, म्हणूनच Plausible अशा ट्रॅफिकला हाताळू शकते जे रो-स्टोअर (row store) साठी कठीण असते.

हे मार्गदर्शक प्रति दशलक्ष पेजव्ह्यू किती मेगाबाइट्स जागा लागेल याचा आकडा देत नाही, कारण तुमच्या ट्रॅफिकवर आम्ही त्याचे मोजमाप केलेले नाही. तुम्ही स्वतः हे मोजमाप करा. तुमच्या Compose फाईलनुसार सर्व्हिस आणि युजरची नावे बदलून घ्या.

du -h goatcounter-data/db.sqlite3
docker compose exec db psql -U umami -d umami -c "SELECT pg_size_pretty(pg_database_size('umami'));"
docker compose exec plausible_events_db clickhouse-client -q "SELECT formatReadableSize(sum(bytes_on_disk)) FROM system.parts WHERE active"

आकडा नोंदवून ठेवा, एक आठवडा वाट पाहा, पुन्हा आकडा तपासा आणि त्यातील फरकाला डॅशबोर्डवर दिसणाऱ्या त्या आठवड्यातील पेजव्ह्यूने भागा. तो आकडा तुमच्या साइट आणि बॉट फिल्टरिंगवर आधारित असल्याने, कोणत्याही प्रकाशित सरासरीपेक्षा तो अधिक महत्त्वाचा आहे. त्यानंतर, आकडा लहान असतानाच रिटेंशनची मर्यादा सेट करा. डिस्क पूर्ण भरल्यास केवळ ॲनालिटिक्सच नाही, तर VPS वरील सर्व सेवा बंद पडतात. डेटाबेस व्हॉल्यूम अशा ठिकाणी ठेवणे, ज्याबद्दल df -h तुम्हाला सावध करेल, हा सर्वात महत्त्वाचा युक्तिवाद आहे. जर तुमच्या सर्व्हरवर आधीच मोठी फाईल किंवा डेटा असेल, तर हा धोका अधिक गंभीर ठरतो, कारण सेल्फ-होस्टेड फोटो सर्व्हर कोणत्याही ॲनालिटिक्स डेटाबेसच्या आधीच डिस्क पूर्णपणे भरून टाकेल.

रिव्हर्स प्रॉक्सीच्या मागे सबडोमेनवर ते कसे कार्य करते

कलेक्टरने मोजमाप करायच्या साइटच्या सबडोमेनवर तो ठेवा, उदाहरणार्थ stats.example.com. त्यामुळे कलेक्टरची विनंती first-party होते आणि third-party विनंत्या अवरोधित करणाऱ्या ब्राउझर नियमांचा तिच्यावर परिणाम होत नाही.

कंटेनर पोर्ट publish करताना अॅप्लिकेशनला loopback वर bind करा. Docker स्वतःचे firewall नियम ufw च्या आधी लागू करते. त्यामुळे -p 3000:3000 म्हणून publish केलेला कंटेनर इंटरनेटवरून reachable असतो, जरी ufw status ने तो पोर्ट denied असल्याचे दाखवले तरी. दुसऱ्या मशीनवरून curl http://SERVER_IP:3000 वापरून त्याची चाचणी करा; तुम्हाला dashboard मिळेल. -p 127.0.0.1:3000:3000 म्हणून publish केल्यास त्याच चाचणीचा परिणाम Connection refused मिळतो, कारण फक्त Docker host स्वतः त्या पोर्टपर्यंत पोहोचू शकतो. तरीही याचा अर्थ त्या मशीनवरील प्रत्येक process आणि user पोहोचू शकतो, फक्त proxy नाही. तसेच 28.0.0 पेक्षा जुन्या Docker Engine releases मध्ये त्याच L2 network segment वरील hosts localhost वर publish केलेल्या ports पर्यंतही पोहोचू शकत होते. त्यामुळे engine अद्ययावत ठेवा. ही सवय dashboard लपवण्यापेक्षा अधिक काम करते: त्याच मशीनवर onion service चालवण्याचा हा मुख्य आधार आहे. सार्वजनिक interface वर अजूनही उत्तर देणारी कोणतीही service hidden address ला तुमच्या IP शी जोडते. कलेक्टर endpoint खुल्या इंटरनेटवरून reachable राहणे आवश्यक आहे. मात्र dashboard तसे असण्याची गरज नाही. दुसरा subdomain publish करण्याऐवजी तो private network वरून वाचायचा असल्यास, subnet router वापरून VPS network तुमच्या tailnet ला advertise करणे port न उघडता हे शक्य करते.

server {
    listen 443 ssl;
    server_name stats.example.com;

    location / {
        proxy_pass http://127.0.0.1:3000;
        proxy_set_header Host $host;
        proxy_set_header X-Real-IP $remote_addr;
        proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for;
        proxy_set_header X-Forwarded-Proto $scheme;
    }
}

येथे forwarding headers ऐच्छिक नाहीत. ते नसल्यास प्रत्येक visit 127.0.0.1 वरून आल्यासारखी दिसते. त्यामुळे country report रिकामा राहतो आणि unique visitors ची संख्या एका visitor जवळ येते. उदाहरणार्थ, Umami प्रथम X-Real-IP तपासते आणि त्यानंतर X-Forwarded-For तपासते. मूल्य असलेला पहिला header ते वापरते. त्यामुळे वरील block सह ते X-Real-IP वाचते. कोणत्या header वर विश्वास ठेवायचा आणि कोणती setting वापरायची हे प्रत्येक project ठरवतो. त्यामुळे गृहीत धरण्याऐवजी त्याची proxy documentation एकदा तपासा. Caddy हे headers स्वतः set करते आणि त्याच कामासाठी Caddyfile मध्ये दोन lines पुरेशा आहेत.

stats.example.com {
    reverse_proxy 127.0.0.1:3000
}

तुम्ही अजून proxy निवडलेला नसेल, तर nginx, Caddy आणि Traefik यांची तुलना काही subdomains असलेल्या single box साठी कोणता proxy योग्य आहे हे स्पष्ट करते.

Self-hosting मुळे data कोणाकडे राहतो हे बदलते. Data बाबत कायदा काय सांगतो ते बदलत नाही. दोन नियम वेगळे ठेवा. ePrivacy consent rule visitor च्या device वर काहीही store किंवा read करण्याबाबत आहे. त्यामुळे cookie सेट न करणारे आणि local storage मध्ये काहीही न लिहिणारे tool या विशिष्ट requirement च्या कक्षेबाहेर राहते. GDPR personal data च्या processing बाबत आहे. IP address हा personal data मानला जातो. त्यामुळे तुम्हाला अजूनही lawful basis, retention limit आणि एखाद्याने तुमच्याकडे त्याच्याबाबत कोणता data आहे असे विचारल्यास देण्यासाठी उत्तर आवश्यक आहे.

Plausible, Umami, GoatCounter आणि Medama default म्हणून cookie सेट करत नाहीत. त्याऐवजी प्रत्येक project कोणता data derive करते हे वेगवेगळे असते आणि versions नुसार बदलू शकते. त्यामुळे summary ऐवजी project चे स्वतःचे privacy documentation वाचा. Matomo मध्ये IP anonymisation उपलब्ध असते. Admin interface मध्ये enable करता येणारा opt out endpoint देखील ते देते.

वेगवेगळ्या देशांतील regulators वेगवेगळे निष्कर्ष काढतात. उदाहरणार्थ, France चे CNIL audience measurement ला consent मधून सूट मिळू शकते अशा अटी प्रकाशित करते. हा section factual summary आहे; legal advice नाही. प्रत्यक्ष users असलेल्या प्रत्यक्ष site साठी तुमच्या jurisdiction मधील lawyer चा सल्ला घ्या.

लोक अनेकदा दुर्लक्ष करतात असा एक मुद्दा आहे: access log देखील personal data असतो. GoAccess page मध्ये कोणतीही script जोडत नाही, तरी IP addresses process करतो. त्यामुळे log-based analytics नियमांच्या कक्षेबाहेर आपोआप जात नाही. Service तुमच्या स्वतःच्या box वर हलवल्याने exposure दूर होत नाही; तो फक्त दुसऱ्या ठिकाणी हलतो. याच कारणामुळे self-hosted SearXNG instance प्रत्यक्षात काय लपवते याची मर्यादा search engines पर्यंतच राहते, तर queries स्वतः तुमच्या logs मध्ये नोंदवल्या जातात.

Ad blockers आणि तुमच्या आकड्यांमध्ये होणारी घट

Filter lists हे hostname आणि URL pattern वर आधारित असतात. होस्ट केलेले analytics उत्पादन फिल्टर करणे सोपे असते, कारण प्रत्येकजण ते एकाच सुप्रसिद्ध hostname वरून लोड करतो. collector ला तुमच्या स्वतःच्या subdomain वर हलवल्यामुळे विनंतीमधून तो hostname निघून जातो आणि तुम्ही निवडलेल्या path वरून script सर्व्ह केल्यामुळे सुप्रसिद्ध filename देखील निघून जाते. या दोन्ही गोष्टींमुळे filter list ला ज्या गोष्टी जुळवायच्या असतात, त्या बदलतात.

या पोस्टमध्ये हिट रेटचा कोणताही दावा केलेला नाही, कारण त्याचे मोजमाप केलेले नाही. किती अभ्यागत (visitors) एखादी विशिष्ट सेटअप ब्लॉक करतात, हे तुमच्या प्रेक्षकांवर अवलंबून असते; सामान्य प्रेक्षकांच्या तुलनेत डेव्हलपर प्रेक्षक अधिक प्रमाणात ब्लॉक करतात. त्याऐवजी तुमच्या स्वतःच्या डेटा मधील तफावत मोजा. एकाच आठवड्यात, GoAccess वापरून access log मधील HTML पृष्ठांच्या विनंत्या मोजा आणि तुमच्या script-आधारित टूलने नोंदवलेल्या pageviews शी त्यांची तुलना करा. यातील फरक म्हणजे ब्लॉक केलेल्या भेटी आणि तुमच्या साइटवर cache मधून सर्व्ह केलेली पृष्ठे होय.

होस्ट केलेल्या उत्पादनाकडून स्वतःच्या सेटअपवर स्विच केल्याच्या दिवशी एकूण आकड्यांमध्ये बदल होण्याची अपेक्षा ठेवा आणि या बदलाचा काही भाग हा ब्लॉकिंगशी संबंधित नसेल हे लक्षात घ्या. pageview म्हणजे काय, single page application मधील route बदलणे म्हणजे एक pageview मानले जाते का, आणि session कधी संपते, यावर विविध उत्पादनांची मते भिन्न असतात. ट्रॅफिक कमी झाले असा निष्कर्ष काढण्यापूर्वी अनेक आठवड्यांच्या ट्रेंडची तुलना करा.

कोणत्या साइटसाठी कोणते

  • दरमहा साधारण 50,000 पेक्षा कमी pageviews असलेली वैयक्तिक साइट किंवा ब्लॉग: 1 GB VPS वर GoatCounter किंवा Medama, आणि file copy स्वरूपातील backups.
  • ज्या साइटवर script जोडता येत नाही किंवा ज्यांच्या प्रेक्षकांकडून scripts मोठ्या प्रमाणावर block केले जातात: विद्यमान log वर GoAccess, नियोजित वेळापत्रकानुसार.
  • दुसरी व्यक्ती dashboard पाहणार असलेली लहान व्यवसायाची साइट: तिच्या Postgres container सह Umami.
  • goal tracking आवश्यक असलेली आणि 2 GB किंवा त्याहून अधिक RAM असलेला सर्व्हर: Plausible Community Edition. Marketing funnels आणि user journeys Plausible च्या paid cloud कडे सोपवावे. नवीन dashboard हवा असेल आणि तुलनेने नवीन project स्वीकारता येत असेल, तर Rybbit वापरा.
  • अनेक साइट्स, अनेक user accounts किंवा raw data स्वतःच्या retention policy अंतर्गत ठेवण्याची आवश्यकता: वरील प्रकाशित मार्गदर्शनानुसार क्षमतेचे नियोजन करून Matomo.

तुमच्या प्रत्यक्ष प्रश्नाचे उत्तर देणारे सर्वांत लहान tool वापरून सुरुवात करा. GoatCounter वरून नंतर Plausible कडे स्थलांतर करताना subdomain आणि काही history यांचा खर्च येतो. Matomo वरून दुसऱ्या कोणत्याही tool कडे स्थलांतर करताना तुम्हाला नकोशी वाटेल अशी migration करावी लागते. त्याच सर्व्हरवर आणखी काय ठेवायचे याचा निर्णय अजून घेत असाल, तर विस्तृत self-hosting आढावा पुढे त्यासोबत काय बसू शकते हे स्पष्ट करतो. आणि तुम्हाला visitor counts ऐवजी application मधील request level tracing हवे असेल, तर त्या कामासाठी self-hosted observability service योग्य tool आहे.

FAQ

नाही. हे दोन स्वतंत्र प्रश्न आहेत. ePrivacy अंतर्गत असलेला consent नियम visitor च्या device वर काहीतरी साठवणे किंवा वाचणे यास लागू होतो. त्यामुळे कोणतीही cookie सेट न करणारे आणि local storage मध्ये काहीही न लिहिणारे tool त्या विशिष्ट आवश्यकतेच्या कक्षेबाहेर राहते. GDPR हा वेगळा नियम आहे. तो personal data च्या processing ला लागू होतो. IP address हा personal data असल्यामुळे cookie नसली तरी lawful basis आणि retention limit आवश्यक असतात. Self-hosting मुळे data तुमच्या server वर येतो आणि त्यासाठी जबाबदार पक्ष तुम्ही होता. तुमच्या regulator चे मार्गदर्शन तपासा आणि तुमच्या परिस्थितीसाठी lawyer चा सल्ला घ्या.

VPS वर self-hosted analytics साठी किती RAM आवश्यक असते?

याचा निर्णय dashboard नाही, तर datastore घेतो. GoatCounter आणि Medama प्रत्येकी local database files वर एक process म्हणून चालतात; GoatCounter साठी एक file आणि Medama साठी दोन files असतात. Medama च्या documentation नुसार small sites 256 MB असलेल्या machines वर चालतात. Umami मध्ये Node application सोबत Postgres container चालतो. Plausible Community Edition आणि Rybbit दोन्ही ClickHouse चालवतात आणि दोन्ही projects किमान 2 GB आवश्यक असल्याचे सांगतात. Matomo च्या स्वतःच्या मार्गदर्शनानुसार दरमहा 100,000 pageviews पर्यंत 2 CPU cores आणि 2 GB RAM पासून सुरुवात करावी.

मी ज्या analytics ला बदलले त्यापेक्षा माझे self-hosted आकडे कमी का आहेत?

यामागे दोन कारणे आहेत आणि दोन्ही वास्तविक आहेत. Filter lists काही collector requests block करतात. त्यामुळे script based प्रत्येक tool ला त्या visits पैकी काही नोंदवता येत नाहीत. Products ची counting पद्धतही वेगळी असते. Pageview कशाला म्हणायचे आणि session कधी संपते हे प्रत्येक product मध्ये वेगळे असते. तुमच्या access log मधील एका आठवड्याच्या HTML page requests ची तुलना त्याच आठवड्यातील script based pageviews शी करा. हा फरक blocked visits आणि cached pages यांचा मिळून परिणाम असतो. तो तुमच्या स्वतःच्या site वर मोजलेला असतो, कोणाच्या प्रकाशित rate वर आधारित नसतो.

Plausible किंवा Rybbit ARM VPS वर चालवता येईल का?

दोन्ही ClickHouse चालवतात. ClickHouse ला x86 वर SSE 4.2 किंवा ARM वर NEON आवश्यक असते. Plausible च्या requirements मध्ये हे स्पष्टपणे नमूद आहे. Rybbit च्या docs नुसार ARM systems साठी ARMv8.2-A किंवा त्यापेक्षा नवीन version आवश्यक आहे. सध्याच्या ARM server cores मध्ये ही क्षमता असते; जुन्या cores मध्ये ती नसते. ही अडचण application log मधील संदेश म्हणून दिसत नाही. ClickHouse सुरू होण्यास नकार देतो आणि instruction set error दाखवतो. छोट्या ARM box वर single file tools वापरल्यास हा प्रश्न टाळता येतो, कारण त्यापैकी कोणतेही tool ClickHouse चालवत नाही.

Tracking script वापरण्याऐवजी server logs parse करावेत का?

Script जोडता येत नसेल, तुमचे audience मोठ्या प्रमाणात blocking करत असेल किंवा crawlers समाविष्ट असलेली संख्या हवी असेल, तर log parsing वापरा. GoAccess server ने आधीच लिहिलेला log वाचतो. त्यामुळे page weight किंवा database वाढत नाही. मात्र browser मध्ये घडणाऱ्या घटनांची सर्व माहिती मिळत नाही. CDN किंवा browser cache मधून serve झालेली page देखील नोंदली जात नाही, कारण ती request तुमच्या server पर्यंत पोहोचलेली नसते. अनेक sites दोन्ही पद्धती वापरतात आणि त्यांना दोन स्वतंत्र measurements मानतात.

हा लेख उपयुक्त होता का?