在做一个关于中国无线营销的小研究，因为：

1. MKT教授对这个有兴趣 @___@

2. 个人想尝试在所谓国际期刊上发一篇文章

3. 想跟这方面比较牛的教授学习一下从心理学出发、非量化的用户分析怎么做

目前有一个简单的问卷，希望读者朋友们能够抽出5分钟帮忙填一下，谢谢谢谢~

点击这里回答问题～

问卷地址：http://www.opoll.com/Topic/PollTextInvest.aspx?TopicId=3005

鞠躬～

Popularity: 15% [?]

相关文章

• 馅饼 (0)
• 休息，休息一下 (2)
• 零售业品牌塑造（论文节选翻译） (2)
• 看飞碟~ (1)
• BestBuy体验 (0)

上周末又去了趟北京，和一些传统企业的童鞋们聊了聊电子商务和网络营销，感觉电子商务现在真是红得发紫啊，有点资源的都往里冲……

几件有趣的小事情：

1. 订机票

一直是去那儿（www.Qunar.com）的忠实用户，80%情况下对他们很满意。10%不满意是因为在去哪儿看到的机票未必能订到（有些小代理还得要你先定，他们再电话确认之类，浪费时间），还有10%不满意是因为有些小的机票代理付款流程让人不爽。

也是因为有这些不爽，听说淘宝开了机票区，便用淘宝和去哪儿比了下价，发现去哪儿也没什么价格优势（虽然听说淘宝收佣金比较狠），便跑去淘宝订了票，顺便把春节回家的票也订了。

阿里系真可怕。

2. 订酒店

虽然约好去朋友家投宿，但还是查了一下酒店信息以防万一（想说如果飞机晚点就直接去演讲的酒店住下，可以多睡会儿）。然后就发现协程的设计很好玩：

联系方式没有直接显示出来，而是用了个展开按钮，点击一下才让你看到。

蛮聪明的，这样就可以监控有多少人主动积极地看酒店电话号码，应该也可以用这个数据去跟酒店谈钱。只是如果不是协程这样的中介，而是自己的网站自己的生意，可能很难权衡“易用性”和“效果量化测量”的轻重吧。

3. 飞机上广告

飞机上看到大智慧（炒股软件）的广告。

想说，如果这个软件普及到一定程度，光从这样大规模的用户本身行为数据中就可以分析出大量的信息，并不需要什么天才的算法应该也能对股市有个比较准确的预测——只是这个预测数据受益人不一定是谁就是了。

4. 机场大巴广告

居然在北京机场大巴上看到了一号店（www.yihaodian.com）广告……

两个卖点，一个是送货快（当天订货，次日送达），另一个是便宜（一元疯抢——虽然其实只是对新用户的一个促销，可以用一块钱买一件特定商品），不知道广告效果怎么样。

5. PPT小人

很多人问上次我在WAW演讲PPT里的小人哪来的——网上搜来的。

我挑选了一些，压缩了一下，放在服务器上，大家有兴趣可以下载，为了防止盗链，设了个密码www.marsopinion.com。

下载地址是http://marsopinion.com/wp-content/uploads/little.rar

Popularity: 61% [?]

相关文章

• 网络营销数据解读（七）——客户族群细分（Segmentation）1 (20)
• 网上的超市们 (9)
• 两个电子商务网络营销讲座的日程 (9)
• 网络营销数据解读（六）——自顶向下，逐步求精 (23)
• 咖啡，Case，万圣节，派代年会 (7)

抱歉，最近更新太水了一点……部分原因是因为懒散（见上图）。

另一个原因是最近在不停地看书、参加活动、和各行各业朋友聊天、参观公司、学习请教（常常挂个“咨询”的名义……），希望可以整理和充实自己的知识结构，另外也希望可以通过了解不同公司的运作来建立一套比较完整的data-driven marketing战略战术体系，特别是一套适合中国特殊环境、适合电子商务网站的一套体系架构。但愿过年时可以完成。

最近会出来做两个演讲，周六在上海，下个周五在北京。

上海这个是WAW的活动，主要会讲一下网站分析和网络营销的实战操作，可以点击这里报名，谢谢Min和Heaven的邀请和组织。

北京这个是iResearch办的网络零售运营与管理实战培训，我会去讲一下电子商务网站的用户行为分析。

实际上不会按照网页上的大纲来讲——交完大纲之后忽然有灵感又重新建了一套表达更清楚的体系——感觉上做讲座做PPT也是逼自己整理思路的好办法，呵呵。

大家可以点击这里订阅MarsOpinion.com，这样就不用总来查看有没有更新……在我更新缓慢的时候看到老访客重复访问的数据总是觉得很有压力，呵呵。谢谢支持：）

Popularity: 50% [?]

相关文章

• Mars碎碎念 (9)
• 网络营销数据解读（七）——客户族群细分（Segmentation）1 (20)
• 数据驱动的网络营销（PPT + 简述） (21)
• BSO是必须的…… (13)
• 用户的声音（3）——排序、过滤选项 (7)

1. 上个月参加的米贵创业者聚会：

谢谢Jason的邀请，让我这个“未来创业者”也混了进去。

唐浩夫先生的主题演讲非常高效直接（因为在座的大多是创业者，很多废话就不必讲了），不过印象最深的还是另一个VC老大的发言——“选择创业就是选择了一种生活方式。你可能以为赚到多少多少钱你就轻松了享福了，不会的。不同的阶段有不同的辛苦，你生意越做越大，你只会越来越辛苦。你选择了创业这条路，就要想清楚。”

2. Biz Cafe Simulation:

3天的商业游戏，模拟开一个咖啡店，开九周，每周都可以做各种商业决策（买咖啡豆，请人，促销，广告，工资……），最后看哪一组综合分最高（综合销售、利润、客户满意度、效率……）。

拿了第一名，做的海报居然还拿了广告大奖，小组获得巧克力一罐，红酒一瓶。

我们一直走中低价优质策略，客户满意度很高，中途被一组走高端路线的超过过一两周，但是最终我们又把冠军夺回来了。

感觉获胜的主要原因是：

• 定价合理：一开始我们定价处于中低（后期对手们纷纷降价后我们变成了中等价位），而同时选用了高质量的材料和良好的服务（因为计算过其实这方面的提高对成本影响不大），所以客户满意度会很高，给我们一开始就赢得好名声（上了报纸头条）。
• 从竞争对手的经验和教训中学习：在每一周结束后我们都会采集情报去推测每家竞争对手上一轮做了什么，结果如何（这是个很耗时的工作）。然后我们会根据他们的经历去总结规律、指导我们自己的战略——事实证明这是很有效的，节省了不少试错成本。
• 反应迅速：中途被后来者赶超，我们马上分析出了原因并开始了大刀阔斧的改革（之前都采用的保守战略），很快就返超。

作为Manager，队友给我的反馈是：

• 强项：组织团队，协调工作，综合队友的意见，分析环境和快速行动。
• 弱项：没有能强硬地处理队内争端、快速地处理少数意见（我花费了过多时间向不同意团队方向的队友解释我们这样做的原因）

3. Shanghai Night: 同学们在黄浦江上租了一条船，全部人穿上唐装、中山装和旗袍在上面疯。

（照片都来自摄影家Lue）

3. PLOGIT: HP赞助的博客聚会

刚好我在北京，就问顾迅大哥要了个邀请去Hidden City 1949晃了一圈。

李笑来，包小姐，文怡，还有瘾科技、可能吧的两位博主都去了，蛮热闹的，感觉：

• PR公司的MM们都好PP啊
• Hidden City蛮漂亮的
• 这个活动ROI估计不高——不过HP有这个心倒是蛮好的
• 很多能写的Blogger未必能说……

两大收获是：

• 和顾迅大哥，还有Gossip Marketer北京堂的同学们吃了个饭
• 顾迅大哥所说的“Marketing从大规模定量分析转向小规模、高频次定性分析”（后来回答观众提问时他是拿“小规模、极少量样本的定性深入洞察”和“大规模、统计学意义上的简单数据分析”做例子），觉得对我这种统计数据狂很有警示意义。

5. 电子商务创新发展高峰论坛

因为白天还有事，所以基本上是早上进去听了1个小时 + 晚上过去掺和到嘉宾里蹭了顿饭。

感受：

• 电子商务确实比以前火了……有美国时认识的VC发来短信问我是不是也在会场，出门聊天才发现连这种传统VC也开始关注电子商务了。（想起前两天陪老邢去一个演讲，他讲电子商务，下面也全是VC……）
• 做成点事情都不容易啊，晚上吃饭就被某师兄（才发现原来不少电商老大也在CEIBS读过书）批评是“在抗日战争最紧张时候躲去欧洲读书”，然后听说XX连续三个月在凌晨两点后下班回家，XX每天工作16个小时……惭愧ing.

6. 萝卜和回声同学的婚礼。

下面是他们（两个人都好上镜啊）拍的MV，把两个人爱情故事拍了一遍，太佩服他们了……

（FF下播放可能有问题，IE就好了）

Popularity: 46% [?]

随机文章

• 优胜美地两日 (3)
• 叶问 (4)
• 网上的超市们 (9)
• Amazon Checkout (2)
• 蓝海 (2)

建议先 阅读本系列其他文章：

• 网络营销数据解读（一）——事情不是你看到的那样
• 网络营销数据解读（二）——事情不是你看到的那样
• 网络营销数据解读（三）——那又怎么样呢？
• 网络营销数据解读（四）——目标和指标
• 网络营销数据解读（五）——完善指标

（这篇文章比较基础，老鸟可以跳过了）

上次说到我们需要找到一组Metrics（指标）来衡量目标达成情况。为了达到这个目的，我们需要做的三件事情是：

• 了解我们监控到的数字的意义，找到合适的指标来衡量我们目的达成的效果。
• 研究数据，将无效和虚假的部分剥离。
• 通过测试、辅助指标计算和长期监控来分析隐性和长期效果。

好吧，回归我一向的风格，继续问问题：

• 假设网站（或者某个营销活动）的某个指标发生变化（例如在显著下降），我们该怎么找到数据变化的原因和应对方法？
• 假设我们已经设置好了一套完美的指标，通过监控得知campaign A在所有指标上都等同于campaign B，我们是不是就没法分析哪个campaign比较好？如果两个campaign不是完全相等，而是在某一个指标上相等（比如两个广告的conversion rate一模一样），我们是否就没法分析说我们接下来要怎样优化这个指标（比如conversion rate）？ 如果做A/B测试的时候发现两种结帐流程的转化率一样，我们是不是就可以随便挑一个？

本想用常用术语的，百度了一下发现官方定义和我理解不一样，为免出丑还是用通俗概念来解释，不丢术语了：）。基本上，不管学术上解决问题的方法叫什么名字，具体的思路都很类似：如果一个大问题想不清楚，就把它拆成更好理解的小问题。借用一个程序设计领域的概念就是：自顶向下，逐步求精。

（预先警告一下：下面写的思考方法和技巧都非常基础，很可能你早就已经知道或者很熟练了）

可以采用的工具有：

1. 看分布：

基本上，凡是“总和”或者“平均”类的统计数据都会丢失掉很多重要的信息。

例如你打靶，第一枪向左偏了5米，第二枪向右偏了5米，第三枪向上偏了5米，第四抢向下偏了5米——平均来说，你射击的误差是零（因为都相互抵消了），成绩和枪枪命中靶心的世界冠军一样——这显然是荒谬的结论。

网络营销当中也常常会发生类似的事情：

• 上个月平均订单金额500元/单，这个月也是500元/单，看起来平平安安不需要操心。可是实际上有可能上个月5万单都是400～600元，而这个月5万单则是2万单300元，2万单400元，5千单500元，5000单超过2500元——客户购买习惯已经发生了巨大变化，一方面客户订单在变小（可能是因为产品单价下降，采购数量减少，或者客户选择了比较便宜的替代品），另一方面出现了一些相对较大的订单（可能是中小企业采购，或者是网站扩充产品线见效了）。——光看平均值的话很容易就忽视这些潜在的变化，不能及时的做出应对。
• 两个campaign带来一样多的流量（100万流量），而且流量的Average Time on Site（假设是40秒）是一样的，看起来两边差不多。可是两边的实际流量情况可能是千差万别：campaign A带来的50万流量停留0秒（具体原因参看之前写的网络营销数据解读（二）——事情不是你看到的那样），50万停留80秒；而campaign B带来的流量20万停留0秒，60万停留10秒，20万停留170秒。首先这个数据可以帮助我们去判别流量是否异常是否可能有作弊流量，其次它告诉我们说第一个页面bounce rate比较高，第二个比较低，可能是第二个页面的设计较好，然后它告诉我们说第二个页面虽然更能吸引人点击，但是那些人都是很快点击页面然后很快就离开了，这一点很值得和campaign A进行对比再深入研究。

解决的方法还蛮简单的，就是不要只看平均数和总数，而要多看看分区段的数据。

比如看Avg Time on Site，我们可以看个平均值，就好象：

也可以去查看分区段的数据，获得更深刻的理解，就好象：

从第一个数据里我们其实很难分析出原因，更别说想出行动方案。但是第二幅图就更加直接的告诉我们说Avg Time on Site短是因为很多人停留了不到10秒就走了——bounce rate过高。再去看那些bounce rate高的流量来源，发现主要是两个：1. 朋友的大网站上的友情链接，每天都带来海量流量，但是往往点开网页就走——因为我们的网站和朋友网站内容其实不太相关，用户也并不重合；2. 因为网站的名字比较特别，和某电视剧重名，所以很多搜索电视剧的用户来了网站——一看网站并不是讨论电视剧的就走了。然后我们可以根据这两个分析来得出一些结论和行动方法，例如之后问别人要友情链接主要要看用户的重合度，而不是流量。或者说要找出网站上所有可以和该电视剧匹配的产品做个特别的landing page，把那部分敲错门的用户留下来——抛砖引玉，关键是我们要看到“平均数”后面的东西，这样才能有深入的洞察，也才能够有合理的行动方案。

2. 拆因子，拆构成

除了分隔区段来查看数据详情之外，比较常见的方法还有拆因子和拆构成。

同样看看例子：

网站转化率下降，我们要找原因。因为”转化率“=”订单“/”流量“，所以”转化率“下降的原因很可能是”订单量下降“，”流量上升“，或者两者皆是。按照这个思路我们可能发现说主要的原因是”流量上升“而”订单量升幅不明显“，那么下面我们就可以来拆解”流量“的构成，例如拆成”直接访问流量“、”广告访问流量“和”搜索引擎访问流量“再看具体是哪部分的流量发生了变化，接下来再找原因。这时我们可能可以看到说是搜索引擎访问流量上升，那就可以再进一步分析说是付费关键词部分上升，还是自然搜索流量上升，如果是自然流量，是品牌（或者网站名相关）关键词流量上升，还是其他词带来的流量上升——假如最后发现说是非品牌类关键词带来的流量上升，那么就再找原因——市场变化（淡季旺季之类），竞争对手行动，还是自身改变。假如刚好在最近把产品页面改版过，就可以查一下是不是因为改版让搜索引擎收录变多权重变高。接下来一方面要分析说自己到底哪里做对了帮助网站SEO了（比如把页面导航栏从图片换成了文字），把经验记下来为以后改版提供参考；另一方面要分析说哪里没做好（因为新增流量但是并没有相应增加太多销售），去研究怎样让“产品页面”更具吸引力——因为对很多搜索引擎流量来说，他们对网站的第一印象是产品页面，而不是首页。

3. 拆步骤

一般来说，这一步会画个漏斗图（前面几个步骤也都会画些漂亮图来展示以示专业）

举两个例子：

第一个例子：两个campaign，带来一样多的流量，一样多的销售，是不是说明两个campaign效率差不多，我们没什么好总结好学习的？

可是，如果我们把每个campaign的流量拆细，去看每一步，就会发现不一样的地方。Campaign B虽然和Campaign A带来了等量的流量，可是这部分流量对产品更感兴趣，看完landing page之后更多的人去看了产品页面。可惜的是虽然看产品的人很多，最后转化率不高，订单数和campaign A一样。

这里面还可以再深入分析（结合之前提到的分析方法，和下一章要说的细分方法），但是光凭直觉，也可以简单的得出一些猜测来，例如两个campaign的顾客习惯不太一样，campaign B的landing page设计更好，campaign B的顾客更符合我们的目标客户描述、更懂产品——但是我们的价格没有优势……这些猜想是我们深入进行分析，得出行动方案的起点。至少，它可以帮助我们更快的累计经验，下次设计campaign的时候会更有的放矢，而不是仅仅写一个简单report说这两个campaign效果一样就结案了。（注：这是个简化的例子，实际上还可以分更多层）

第二个例子可能更常见一些，比如网站转化率下降，我们可以拆成这样的漏斗：

这样拆好之后，更能清楚地看到到底是哪一步的转化率发生了变化。有可能是访客质量下降，都bounce掉了，也可能是“购物车–>登录”流失了（如果你把运费放到购物车中计算，很可能就看到这一步流失率飙升），这样拆细之后更方便我们分析。

见过一个例子就是转化率下降，MKT查流量质量发现没问题，PM查价格竞争力也没问题——最后发现是MIS为了防止恶意注册，在登录页面加了验证码（而且那个验证码极度复杂），把“登录页面–>填写订单信息“这一步的转化给降低了。

这篇文章比较基础……说到这里前面提的两个问题应该很好答了。

老规矩，最后问个问题：如果我们有了用于衡量网络营销效果的完善的指标，从这套指标看，campaign（或者页面改版，或者其他任何东西）A在各项指标上都和campaign B相当，而且我们把指标分区段、拆细，分步骤看漏斗图都看不出什么东西，我们应该怎么做？

下次说：）

Popularity: 75% [?]

相关文章

• 网络营销数据解读（五）——完善指标 (19)
• 网络营销数据解读（四）——目标和指标 (24)
• 网络营销数据解读（七）——客户族群细分（Segmentation）1 (20)
• 电子商务网站社会化营销的几个例子 (19)
• 促销也是可以有趣的 (8)

抱歉很久没更新，最近比想象中忙。考完试，连续三天做开咖啡厅的Simulation（偶们组得了冠军，哈哈），又开始接一些咨询和培训的活，还参加了2个Business Competition…

早两天在传漾科技讨论他们新的产品设计，忽然想起自己之前对于这一类广告网络的设想：

第一步，广告公司无非是个分销商，大量买进广告位或者Impression，然后打包卖出去。

第二步，广告公司开始帮客户做分析，做创意，做优化，做咨询。

第三步，广告公司进一步统整信息，将访客后续行为都监控到，帮助客户计算真实的广告投放ROI（至少自以为监控到了ROI），帮忙做分析，做优化。

第四步 ，帮助单个公司做广告内容优化，比如Retargeting（链接里是Wikipedia的解释）。之前在美国，有公司做的是在客户网站加代码并且索要一些折扣券，如果客户将产品放入购物车但是又没有购买，他接着再去逛其他网站，网站上刚好有他家广告网络的banner的话，那个banner会自动展示该客户的logo + 他之前放入购物车的产品 + 折扣券代码。比如我去了Amazon，把一个iPod放入购物车又没买，然后我去Businessweek，有可能就会看到中间有个Banner上面写着”Amazon iPod大促销，输入MarsOpinion.com免运费“。我自己操作过的版本要更复杂，可以设计更复杂的推荐规则，可是要用到高级的WA和ESP来合作。传漾有自己一套很好玩的Retargeting规则，不过不知道需不需要保密:S…(full disclosure: 我正在给他们的新产品提供咨询）

第五步，综合从所有广告主那里采集的信息，结合其他渠道（例如购买的第三方数据）拿到的用户信息，绘制每个用户的profile，跟踪记录用户的行为信息，然后做适合的广告位、适合的广告内容的推断——在合适的时间，展示合适的广告内容给正确的人。比如我在Guilt买了很多很贵的衣服，而且总是对衣服的banner视而不见，他可能就会给我看Newegg的高档相机banner而且不给我coupon。

第六步，自动优化，我之前提到的eCPM和Google的竞价排名机制其实也有自动优化在里面。本质上说就是让广告自动去找到合适的位置，以合适的形式展示。比较粗略的模式可以是这样：首先建一个模型，给每种广告都赋予一些属性，然后人工安排广告位做优化。做一阵子之后系统对数据进行学习，做一个粗略的总结（什么样的广告应该放什么地方，以什么形式），然后系统开始自己尝试、自己优化：比如VANCL要投广告，它就自动放到它计算认为合适的网站banner上实验（占用那个banner位置1/n的时间），如果发现ROI（如果定义ROI是order / cost）高于那个banner位其他广告，则延长VANCL在这个广告位的展示时间，否则减少，这样子可以实现效果最优化。而在一切结束之后，系统又学习到了更多了关于“男装应该往哪些网站投放”的信息，下次别家来投的时候，它第一次实验的对象就会更精准一些。

第七步，好吧……这一步估计要等我写完《网络营销效果解读》才能说清楚（好吧，我一定尽快写……）。简单讲，在我写完那一系列文章之后，基本上会发现通过网站自身的WA数据分析来衡量网络营销效果，虽然说很有用，但是还是远远不够的。最不够的地方就是很难衡量营销和最终效果之间的因果关系——我们衡量的往往是事情发生的先后次序关系（例如先点击了广告，然后买了东西，所以我们认为广告影响了购物），但是时间顺序关系并不代表其中的因果联系。所以我的设想是将来的广告网络应该来承担这个责任：广告网络了解大部分观众的信息，在特定网站上，给其中一些观众展示过特定广告，给另一些相同属性（例如同是VANCL顾客）顾客没有展示过，这两组数据就可以用来对比计算Impression –> Sale的具体因果关系——扩大到整个网络上，丰富的比对信息应该可以套用数学模型来计算出每个广告位，每个创意，对于每个具体网站产生的具体影响，然后用这个“真实效果”反过来进行第六步的自动优化。

好吧，走到最后一步要5年还是10年呢？

Popularity: 49% [?]

相关文章

• 网络营销数据解读（七）——客户族群细分（Segmentation）1 (20)
• 数据驱动的网络营销（PPT + 简述） (21)
• 两个电子商务网络营销讲座的日程 (9)
• Mars碎碎念 (9)
• BSO是必须的…… (13)