Mars Opinion

（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:)