转载声明：转载时请以超链接形式标明文章原始出处:
http://www.marsopinion.com/2009/04/08/interpret-online-marketing-and-web-analytics-data/
订阅指南：点击这里订阅本博客，高效轻松获得最新更新文章。
（本文首发在BrandMarketing.com.cn，和www.MarsOpinion.com上的其他文章内容可能有重复）
上次（请先点击这里查看《事情不是你看到的那样——网络营销数据解读（一）》）出了10道题问大家说结论是否一定正确，很多朋友也很捧场地回答了问题。
基本上，10道题的结论都有问题。下面我分几篇文章来介绍怎样才能系统和科学的解读网络营销数据。
今天我们可以来讨论一个最基础，而且看起来很简单的问题：我们真的知道报告里的原始数据的含义么？
给一个简单的测试（这次后面是有答案的:p）：
举例来说，如果您看到一份Marketing Agent给您的报告，里面说“我们发出去了10 million Email, deliver rate（到达率） 99.99%，unique open rate（打开率）高达19%，unique CTR（点击率）19%，看了信的人都点击了，说明设计很棒! 效果非常好！从点击来看，80%的客户都是New Visitor（新访客），说明我们这次活动对于抓取新用户是很成功的。唯一的缺陷是我们的网站抓住客户的能力，访客来到了网站之后，ATOS（平均访问时间）只有19秒，我们下次应该进一步优化网站……”
您对这番话的理解是不是：
- 到达率99.99%，那么有9.999 million的客户收到了邮件。
- 有1.9 million的客户打开了email，也有1.9 million点击了email——这样想起来应该打开邮件的客户都点击了。
- 1.9 million里面有80%是新用户，我让1.52 million本来不认识我的客户更了解我了。
- 1.9 million访客，他们平均在我网站逗留了19秒——时间太短了，我们应该想想办法。
如果您觉得4条都是错的——恭喜您不用花时间看下去了。
如果您觉得4条里面有对的，说明您可能对某些网络营销数据还可以多了解一些：
1. New Visitor代表的不是“新用户”、“新顾客”或者“新访客”，它代表的是您的监控工具跟您说“来的这个人我之前没见过”——每次有人访问网站，监控工具就会往那个人机器里留个痕迹（cookie）以便以后相认，下次他再来，系统察看他机器，发现有这个痕迹，就觉得“这人我见过”然后把它归入“老访客 ”，而如果找不到这个痕迹，就会认为他是新访客。所以，当您的老访客换了一台机器，系统也会把他当作一个新访客；当您的老访客有意无意清空了痕迹（cookie），系统还是会把他当作新访客……总而言之，80%的New Visitor不代表有80%的人从来没来过你网站，这个数据需要打个折扣——具体要根据您网站特点具体情况具体分析。
2. Open Rate不代表有百分之多少的人打开了您的邮件，它代表的是“有多少人的邮箱下载了您的监控图片”——系统很难知道用户到底有没有看邮件，所以大部分系统会采用一个诡异的方式来侦测：他们在每个邮件里面加一张只有一个像素大小的小图片，然后用你的email有没有去下载使用这张图片来判断你有没有打开这封信。所以，如果您的email默认不显示图片（比如gmail对于陌生邮件就都不显示图片），系统就会认为这封邮件没有被打开过。所以unique open rate = 19%常常代表有超过19%的用户打开过邮件（看没看就不知道了……），这个数据可能是25%，那么就不是每个打开过邮件的人都点击了邮件。
3. Deliver Rate不代表有多少客户“收到”了你的邮件，它常常只代表这些客户的邮件服务器“没有把你的邮件退回来”，这封邮件命运难测，有可能是就此消失掉了（客户没有收到），也可能是直接进了客户的垃圾邮件箱，过了几天被自动清除了。99.99%也是要打一个折扣的。
4. ATOS，这个解释起来更加的复杂……对常见的监控系统来说，它是不知道访客具体在网站上停留了多久的。为了计算您在网站的停留时间，它会在您打开第N个页面时去看一下表（比如09:30:22），然后在您打开第N+1个页面时再看一下（比如09:30:50），然后它拿两个时间相减，得到您在第N个页面上停留时间（比如28秒）——说到这里您应该已经发现问题：它没法知道您在最后一个页面停留了多长时间。对于市场营销来说（特别是针对新用户的 campaign），这个问题更严重——因为很多人点击广告，来到landing page，然后就走了，这些人一共就只访问了一个页面！系统拿不到第二个页面打开的时间信息，所以有可能会把这些人在网站的停留时间都算作0秒，那么您得到的所谓“平均停留时间19秒”其实是个非常扭曲的数据，并不能代表真实情况（数据偏小）。举例来说，我在自己的 blog（www.MarsOpinion.com）上安装了Google Analytics，它监控的用户访问时间如下图，可以看到ATOS是3:11秒：
如果我只看那些“只访问了一个页面”（对于blog来说，很多人只是上来看最新更新，bounce rate很高）的访客，会发现ATOS居然是0秒：
而我如果看“访问超过一个页面”的访客，这个数据又变成了惊人的9:46！是第一个数据的3倍！
现在，您是不是觉得这些“一目了然”的数据其实并不是那么清楚？
如果我们对那些数字代表什么含义都不清楚的话，解读又从何说起呢？
再来一个非常常见（无数家EMail Solution咨询公司都有类似的Case Study）的例子看能不能让您更晕：
1. www.MarsOpinion.com（我的blog，鉴于不注明出处的转载越来越多，不得以都用自己blog做例子，把链接放到文章里面）的Shopping Cart Abandonment Rate为70%，100个人把东西放到购物车里，只有30人完成订单结了帐，有70个人本来想买东西最终放弃了！
2. 我们为www.MarsOpinion.com设计了一系列高科技人性化无以伦比的高级Campaign——去掉形容词之后你会发现Campaign的本质是给这些Abandoned Cart的Customer发一封Email，内含“You forgot something in your cart“的提醒，以及一些incentives，例如折扣券。
3. 这个Campaign非常成功，AS Email的open rate比普通commercial email提高300%，CTR提高400%，转化率提高100%! 本来已经放弃购物的消费者收到了信，有10%的人通过点击这封Email再次来到了网站购物！所以我们可以推算出Abandonment Rate从70%下降到了63%！最终消费客户会增加23%! MarsOpinion.com年销售额2亿美金，所以我们预计这个这个Campaign可以帮助他们成长4600万美金！鉴于我们这个Solution 只卖200万，ROI高达2300%!
4. 为了体现我们的专业，我们做了A/B Testing：我们发现在客户放弃购物24小时后马上发Email，转化率比在3天后再发这封信要高87%！另外，我们发现，放一个coupon在邮件里，转化率会提高47%！——我们经过精密计算，发现额外的销售和利润足以cover折扣券的成本。经过严谨的测试，我们决定……。
您觉得这个论证有问题么？问题在哪？
========== 我是分隔线 ==========
这个Case问题很多，但是最根本的——也是在其他Case中最流行的——就是计算Marketing Contribution的方式。
因为Web Analytics的完善，网络营销常常能够取得比传统营销方式更完整全面的反馈信息，就好像读者留言所说“我们应该看实际效果，看带来了多少销售，带来了多少利润！”。
关键是：我们监控到的“带来XXXXXX”实际的含义是什么？Campaign创造的效果么？1000个人点击广告，300个人买东西，真的代表这个Marketing Channel为公司“带来”了1000个Visit和300个订单么？
不是的，我们监控的效果，那些数据，只能表明有“多少效果可能是由XX Campaign带来”，更具体地说，是“有多少人在点击了广告后的某一段时间内下了订单买了东西“，而不是“XX Campaign产生了这些订单”。你监控到这个campaign“带来”了300张订单，只能说明这个广告在购物过程中可能起到了作用，但并不能说这个广告创造了300个订单——有可能300个人里面有299个原本就会来买：）
回到上面那个例子，Shopping Cart Abandonment Rate为70%其实并不能代表有70%的潜在客户放弃了购买。产生Abandonment的原因有无穷多，从技术上来说，很多Web Analytics Tool会把在一个Session“有加入购物车行为，但是没有结帐行为”就当成一个Abandonment，这样的话，客户离开电脑两个小时再下订单，也会被算作Abandon了一次；从业务上来看，很多人用购物车来代替Wish List进行购物比较，这些人在实际购物前都会被计算很多次Abandonment，另外还有很多人仅仅是决定过一会儿再买（例如回家看看另一张信用卡卡号），这些人也会被系统认为“放弃了购物”。了解了这个词的真实含义之后，我们至少可以知道一点——“其实这些人中间有很多本来就会回来买东西的”。假设这些人中间9.5%的人本来就会回来购物好了，那么其实所谓的“本来已经放弃购物的消费者收到了信，有10%的人通过点击这封Email再次来到了网站购物！”只是给网站多挽回了0.5%的客人而已，所谓的“这个 Campaign可以帮助他们成长4600万美金！”自然也就变成了增长230万美金。
之后的A/B Testing其实就更扯了（这也是业界真实的案例，而且这个A/B Testing的结论还被多家援引，成为了所谓Best Practice的论据）。假设我们说说的那9.5%的回头客会分散在Abandonment一小时后到30天后完成购物（时间越靠近 Abandonment，购物概率越大），你在24小时后发信当然效果比3天后发信“效果好”，不是因为你能产生更多订单，而是因为你能把更多的原本会发生的订单效果计算到自己头上。因为发了Coupon之后Conversion Rate升高就说要发Coupon也是很扯的说法。真要算，Coupon成本要计算进去，而且这个成本不应该和所有使用了Coupon的订单去比（因为其中大部分是本来就会购物的），而是应该和增量去比。假设我们所说的是10%的Coupon，那么成本就是4600*10%=460万美金，而按照前文所述的实际销售增量才230万美金，就算你毛利率50%，也还是亏损几百万。何况，插入Coupon之后可能会引发一系列连锁反应——例如让消费者找到规律，之后要买什么东西就Abandon一个Shopping Cart然后等Coupon来了再买之类，之后亏损会更大。
========== 我还是分隔线 ==========
综合第一个例子，如果我们不够了解New Visitor, Deliver Rate, Open Rate, ATOS，Abandonment Rate, Sales Attribution的真实含义，而只是望文生义想当然的话，我们很可能就会作出错误的判断。更糟的是，还有很多的名次定义比文中描述的这些更复杂和混乱。
所以我的建议是：
1. 如果您是购买企业级的、付费的产品（例如Omniture），请在签合同时的时候顺便把training hours也买了，然后列张表把你关心的各个指标的具体定义问清楚（不同vendor的定义还不一样@__@），不要想当然。
2. 如果使用免费的产品——例如Google Analytics，请仔细阅读文档，或者招一个愿意阅读文档深入了解工具的人。
3. 找专业人士咨询。——至于你找的人是否专业，你可以用本文中的例子去问他看他的结论，呵呵。有些人会把文中的话说一遍之后告诉你其他更深入的信息（例如你用的工具其实是可以查ATOS的，只是误差有60秒之类；或者告诉你其他方法获得inbox deliver rate之类），另一些“网络营销专家”可能就会直接转话题开始和你谈概念谈人生谈理想，呵呵。
4. 如果实在找不到人，至少心里面要知道“不能望文生义，这些词未必是他们表面的意思”，给自己留有余地。
========== 我还是分隔线 ============
看到这里，可能有几个读者会产生新的问题说：so what?
假如我们认真学习了（或者找到了懂行的人来帮我们），我们是否就能够解读数据，并且用数据来帮助我们更好的决策呢？
基本上……做到目前这一步还是不行，抱歉。
下一次接着说：怎样才能让这些数字对我们的生意更有意义。
今天就到这里，谢谢捧场:)
Popularity: 33% [?]
谢谢Mars的分享，给了我一个全新的视觉，菜鸟学习中。
受益匪浅，十分感谢，一直订阅关注，这次一定要来表示强烈的感谢～
感谢楼主
楼主真是太牛了，得花好多时间来细细品味。
专业，我从事界面工作，受益匪浅，想更多得看到这种好文，期待。目前是太多的所谓“网络营销专家”，真正的真是稀少了。
原来很多数据都是有水分的，学习啦！！
虽然我不得不承认楼主的这些分析都是非常正确而且翔实的。但是其中反映出来的一些数据误差往往又是无法避免的，就像统计过程中必然会出现误差一样。比如说abandone rate中到底有多少用户是真的放弃了，有多少用户是暂时离开了；CTR中有多少是新用户，有多少是本来就打算过来的。这些到目前为止都是很难界定的。
同意你关于“反映出来的一些数据误差往往又是无法避免的，就像统计过程中必然会出现误差一样”的观点：）
但是，就好象统计学一样，首先我们应该搞定的是消除“错误”（不是“误差”，“错误”——比如说取样本的错误，比如说输入错误，比如说重复计算的错误，公示错误，概念错误——是可以消除的）。对于数据驱动的运营来说，消除“概念上的一些错误”是第一步，也是可能做到的。
第二步，就好象“误差”不可能消除但是可以缩小一样。我们对于消费者的理解不可能完全精准和正确，但是却永远可以“更精准、更正确”。就拿你举的两个例子来说，也都是有方法可以获得比“猜”更精确的答案的。比如说取得“真的放弃了”和“暂时离开了”两组人的所有行为数据（一年后我们大概可以知道哪些是“离开了”），然后跑程序找规律，找到规律后再用这个规律去判别新数据；比如说我们在发送recovery邮件时只给90%的abandoner发信，10%不发。假如收到信的人当中1000个有9个买东西，没有收到信的（但是其他条件一样）人当中1000个有8个买东西，我们就可以“更合理地猜测说” abandon的人其中0.8%是暂时放弃了，99.2%是真的放弃了，0.1%是放弃了但是可以被我们挽回的；比如说来的流量中有多少是被这个广告吸引，有多少是本来就打算来的，一种方法是抛弃传统的last click attribution，追踪该客户之前所有的广告浏览和点击行为做分析，得出“更合理”的结论；还有一种是让在多平台上都能采集数据的广告公司建模型来协助判断（我正在尝试说服别人做这个，呵呵）……不是说这些方法一定有用，而是举这些例子来说：1. “误差”可以变小，事情可以做更好；2. 方法还是有很多的：）
从工具上感觉似乎可以改造下，尤其是时间以及新老访客方面；
目前偶的做法：
1、部分结合时间减法，和博主说的办法一样，不过似乎不精确，但是基于某些用户似乎没有下一个东西，或者乱七八糟的情况，恩，还是算下减法；
2、恩，这样说吧，flash还是个不错的东西，尤其是可以包含AS，把传统JS里面插入一部分小东西，恩，就是那个一个像素的FLASH，当然，这个小小的FLASH里面还有一些东西，当页面完全loading完毕以后（因为flash放在页面最下部分），ok，就开始计时，直到这个页面被关闭；
3、别玩减法了，直接用flash做计算吧，另外，flash Cookie是个宝宝，我很喜欢，丫实在 是太性感了，一般清除了浏览器的Cookie，但是，flash的cookies还在，真的很性感；一般人找不到她；
最后一点，对于访客，如果采用：浏览器cookie+flash cooie做水印+其他的一些固定信息，比如：采集一些ID什么的；长时间积累一些，换台机器，他也跑不掉；
目前偶还在艰苦的测试，累啊，搞完了和大家交流；
学习了，受益匪浅～～
把 “Deliver Rate” 翻译成“到达率”本身就会让人产生误解，如果写成“发送率”更符合英文术语本身代表的含义吧。
真的很棒！值得学习！！！
工具终归是工具。谢谢Mars分享。第一回来。HOHO
太牛了……仔细读