Mars Opinion

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…… (…)

Read the rest of this entry »

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 (…)

Read the rest of this entry »

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？