已经被读者催稿……

这两天在湖南老家，过几天要去西藏，想说去西藏前更新一篇吧，否则这里就要长草了，呵呵。

文字还没润色，西藏回来再说。里面的例子可能不是很完善，希望大家踊跃留言给我意见和建议，谢了，西藏回来后我再好好把文字完善一下。

在之前的Mars碎碎念里提起过，某天在A网买了个小东西，知道自己肯定没空去收货，所以没选货到付款，直接用支付宝把钱付掉了，想说这样子快递就能直接把包裹放前台签收就不会耽误我工作。第二天中午忽然发现手机里有个未接电话，回拨过去，结果是那家网站的自营快递在非常大声的咆哮说你为什么不接电话。因为我自己是做这行的，知道快递员跑一趟辛苦，所以还是很客气的和他说了抱歉然后说你可以把东西放前台就好了。结果他更生气，说我要等你付钱啊！我解释说我已经付过钱了，他的论点就变成了万一放前台你不认账怎么办……

放下电话，忽然想说如果我是一个很普通的消费者，对这家网站的印象会是怎样，还会不会去买东西。想想觉得有趣，就在自己微博（http://t.sina.com.cn/marsocean）上描述了一下，马上就有朋友回复说“哈，Mars，所以你觉得A网在这种最后10米的送货问题上如何重新树立形象？我当年就是因为他们快递人员的态度问题而被流失的。”过了一会儿，又有朋友发MSN消息过来说“对，上次对我也很凶，所以我再也不去那里了，建议你去B网，他们态度好多了，东西还便宜。”后一个朋友的推荐让我蛮震惊的，她不仅仅因为快递态度影响到自己的购物行为，而且还在努力把我策反到A网的竞争对手那里去。一个快递员的几句话就帮自己竞争对手网站培养了一个销售员，他们的市场部知道了应该会气死吧。

言归正传，一般来说起来，消费者主要通过三个不同的途径来形成自己对于一个品牌的印象：

• 广告：比如一天到晚看到凡客诚品的广告在各大门户上晃来晃去，看久了也会多少有点印象类似“凡客诚品好像是个牌子，蛮有钱的，到处都是广告”、“凡客诚品是卖衬衣的，衣服看着还蛮好的”、“价钱看起来蛮实惠的”。商家通过信息的灌输，显著提升了自己的知晓度，少许地提升了自己的美誉度——代价是把大把的钞票给了广告公司和媒体。
• 口碑：比如某个潜在消费者要买个数码相机，跟他朋友说“我打算去www.MarsOpinion.com买数码相机”，结果他朋友和我朋友类似，马上反对说“他们服务一塌糊涂，千万别去自己找气受，去www.MarsOcean.net网吧，他们送货又快服务又好。”对于口碑类的信息，我们的接受度会比对广告的接受度高很多，这样的口碑往往就会快速成功的在我们心里建立起“A网服务很差”的印象，非常深远的影响www.MarsOpinion.com的美誉度——相对的，例子里的口碑帮www.MarsOcean.net网提升了知晓度和美誉度。
• 体验：对于已经尝试过在这个网站购物的顾客来说，他形成和修正自己对于这个品牌印象的最主要根据会是自己的亲身体验。比如我微博上的那个朋友，他受了送货员的气，便非常深刻的形成了对于这家公司服务——或者说是整个品牌——的负面印象，而且决定再也不去买东西。这种通过亲身体会得到的印象，很难通过广告来更改，就算给他看一百遍“A网服务全球第一，员工笑脸相迎”的软文也于事无补。

再深入分析一步，就会发现，这三个途径相互之间有关系。如果购物体验不好，整个网站的宣传推广的过程和结果可能就会类似下面这幅图：

1. 首先是网店投入大量资金做广告提升自己的知晓度，让更多人知道自己，试图劝说客户尝试购物；

2. 然后，一部分顾客尝试购物，体验购物全过程，并且在这个过程中形成自己对于这家网店品牌的印象；

3. 接下来，第一批吃螃蟹的顾客中的一部分将自己的印象表述出来，影响到更多的人。如果顾客体验不好，便会难以对该网店形成正面的品牌印象（甚至于形成负面印象），正面的口碑传播会非常有限（甚至于有大量负面的口碑传播）；

4. 有限的正面口碑传播继续影响到少量潜在顾客，他们上网来尝试购物。由于体验不好，这部分顾客中的大部分没有对网站形成正面的印象，

5. 很少有客户形成足够强的正面印象，从而无法支持后续的口碑传播；

6. 越来越少人因为口碑的影响了解和喜欢网站，这一波广告攻势的效果到此为止。如果要维持销售，一方面要花钱继续做广告，另一方面说不定还要花更多的钱去扑灭负面口碑，钱砸了但是不会有持续的效果，长期来看投资回报率高不到哪里去（特别是刚在微博上看到有人在抱怨说B2C的营销成本已经翻了几番……）

而如果顾客在整个体验过程当中产生了良好的感受和印象，口碑效应就会非常明显，进入良性循环：

1. 首先是网店投入大量资金做广告提升自己的知晓度，让更多人知道自己，试图劝说客户尝试购物；

2. 然后，一部分顾客尝试购物，体验购物全过程，并且在这个过程中形成自己对于这家网店品牌的印象；

3. 接下来，第一批吃螃蟹的顾客中的一部分将自己的印象表述出来，影响到更多的人。如果顾客体验良好，便更可能对该网点形成正面的品牌印象；

4. 正面的口碑传播出去。虽然口碑传播的覆盖面未必有广告广泛，但是它的接受度会非常高，如果口碑力量足够强大，二次传播时的效果完全可以媲美甚至超过初始的广告效果，吸引到更多人来该网点购物。由于体验良好，这部分新来的顾客又会对网站形成正面、良好的印象。

5. 这些印象转化为进一步的口碑，影响到更多的人。

6. 口碑再带更多消费者来网站购物体验，而良好的体验创造出更多忠实的消费者和对于品牌的正面印象。

7. 这些印象转化为进一步的口碑，影响到更多的人。

8. ……进入良性循环，就算停止广告投放，口碑也会持续不断地吸引更多潜在消费者来体验购物。

从上面的对比当中，我们可以清晰的发现“能否通过体验给消费者创造正面的品牌印象”是决定一个品牌能否进入良性循环健康成长的关键点，可是，“通过体验给消费者创造正面的品牌印象”。这听起来不是一句废话么？谁都知道要让消费者体验越好他们就会对我么印象越好我们的口碑也就越好，可具体起来要怎么做呢？首先，我们到底希望给客户怎样的印象？物美价廉？天天平价？设计感？奢华？高品质还是时尚？其次，我们总是再说客户体验，可是我们的顾客究竟和我们（还有我们传递出的信息）接触了多少次，经历了多少环节，体验到了哪些东西？其次，这些接触点都影响了印象的形成么？还是说有些环节至关重要有些环节无所谓，所以我们可以集中资源去优化少数接触点？最后，我们到底要怎么优化？朝什么方向改进？改进到什么程度？

按照这个博客（ www.MarsOpinion.com）的老习惯，我来给出具体的分析框架和行动步骤抛砖引玉，大家可以在这个基础上做自己的方案——也欢迎把你的建议和意见以留言的形式回复在这篇文章后面。

第一步，我们——基本上需要是CMO或者CEO牵头的一个工作组——需要确定下来自己希望塑造的品牌印象到底是什么样子，在顾客脑子里面我们到底要是个什么形象，占个什么位置。关于市场细分和定位的书和文章数不胜数（实在不行可以直接去翻《定位》），这里不细说了。大部分初创公司常犯的错误是把所有褒义形容词都堆砌到一起作为自己的品牌定位，信息一堆，却没有足够资源把定位确确实实做出来并且传达出去，一直到公司倒台也不过是停留在纸上。建议要传递的信息越清晰简单明确越好，这样才能方便后续的传播。如果实在是想把形容词都堆砌在一起，建议把那一堆形容词排个序，每个词给个优先级，之后如果遇到需要权衡取舍的时候便按照优先级来做决策。

第二步，我们需要和每个部门详细沟通，勾勒出每个部门的哪些工作会和我们的顾客有接触。这个接触不仅仅包含人的接触——例如快递员交接包裹给顾客，物的接触——例如包装盒材质和包裹内填充物的类型，更包含信息的接触——例如公共关系部门和杂志沟通发布的CEO访谈稿。这个步骤主要是为了帮助工作组收集完整所有的接触点——光凭市场部几个人拍脑袋想很容易有遗漏。比如某些公司的人力资源部门也和顾客有广泛深入的接触，但是这个接触点很容易被市场部遗漏掉。举例来说，新蛋以前每年都在各大高校开宣讲会招聘管理培训生，这些宣传品、宣讲会也是和潜在顾客的接触点。虽然表面上看接触面有限，但是因为招聘是学子深度关注的领域，而新蛋的万元起薪又具备话题价值，所以最终影响面会很广，市场部应该尽早介入到招聘流程当中，确保传递出去的信息和营销战略相匹配。还有个常常被遗漏的接触点就是那些自动发送的短信和邮件，很多时候是被某个具体的同事设置好了之后内容和模板就再也没有更新过，还有些时候是更新了忘了更新回来（例如圣诞节在所有Email上加了雪花和圣诞树，但是之后没有人记得把它们去掉），我们需要和MIS详细沟通弄清楚所有的自动营销信息，每个信息定义成一个接触点。

第三步，我们要将所有接触点整理成一张大表。从顾客购物前的各个信息接触点开始，到网站购物流程各个细节，再到购物完成后的互动，需要把所有接触点事无巨细罗列清楚。消费者会在哪里看到我们的广告？哪里看到我们的软文？哪里看到我们的用户评论？会从哪点击到我们网站来？来了之后会看到什么页面？购物路径一般是哪几条？每条的使用是否顺畅，使用中会和我们进行哪些信息交互？购物完成后是否会收到确认邮件和短信？短信内容是什么？多久会收到货物？谁会和客户当面交接？产品包装是什么样子？如果有问题是怎样联系我们？电话是否通畅？等待时的音乐是什么……这里并不是完整的列表，仅仅是抛砖引玉，每家公司都应该根据自己业务具体情况来描绘体验流程。我们不仅仅要清楚的知道顾客在哪些点上和我们有接触，而且要明确他们接触的具体的信息（人也是一种信息）是怎样的内容和形式。

第四步，我们要和顾客沟通，从他们的角度来理解各个接触点，一是确定哪些接触点确实被顾客感知到了（有可能有些我们觉得重要的接触点被顾客视而不见了），二是找出那些关键接触点给顾客的感受到底是怎样的，我们可以往哪个方向改进。有些信息可以通过简单的问卷来得到（例如在顾客注册时问问他是从哪里听说我们的，或者在顾客评论产品时询问顾客对于物流的满意度），还有一些只能通过深入访谈来得到。因为我们不仅仅是要了解客户最终的感受（满意，不满意，觉得贵，觉得便宜，觉得服务好，觉得服务不好，觉得衣服很土，觉得名字记不住……），更重要的是要了解他们产生这些印象的原因是什么，并且尽可能把这个印象的产生和具体的接触点联系起来。只有这样我们才不仅仅能够找到问题，而且还能同时找到改进的方向和方法。对于潜在顾客和新顾客，我们主要要了解他们是怎样被我们说服尝试购物的，顾客在整个购物流程中的体验有没有满足我们在吸引客户时所给客户创造的期待；对于已有顾客，我们要找出忠诚度主要来源是什么，哪些体验上的细节给了顾客那样的印象，怎样可以进一步加强这些方面；对于流失顾客，我们不仅仅要了解他们流失的原因（比如“你们服务不好”），而且要把他们的印象和某个具体接触点的具体表现联系起来（“因为你们自己的快递电话里对我很凶”），找到可以改进的地方。

抛砖引玉，下面提供一个深入访谈的问题框架。基本上这种访谈只能由非常资深的营销人来做，因为最关键的并不是简单的获取问题答案，而是从顾客的回答当中寻找洞察，引导顾客反省自己的思考过程，将印象联系到某个具体的接触点上。如果经过引导我们还是不能将顾客的印象关联到某个接触点，就可以通过询问顾客对于其他商家的印象来找到可以学习的标杆，再通过接触点的比较来发现说可能是哪个不同点造成了用户体验的不同。

第五步，综合我们自己的经验（也就是拍脑袋）和客户访谈的结果（事实、数据），我们终于可以描绘出一个完整的接触点系列：从客户听闻知晓我们的渠道，到顾客登录浏览的感受，到购物结帐的体验，再到收货开箱的经历，最后到售后服务的交互，每个接触点在这个阶段都应该已经被标识了出来。另一方面，通过和顾客的深度访谈，我们也获知了顾客对我们的印象。下面要做的就是把印象和接触点关联起来。其中一部分可以从客户访谈中直接得到（例如客户告知我们说觉得我们服务差是因为送货员对他们大吼大叫或者在线客服反应太慢），一部分需要进行对比分析后得到（例如客户就是觉得我们产品比较贵但是自己也说不出原因，同时她觉得C网的价格就比我们便宜并且举了几个C网首页促销的例子和我们对比，我们就应该深入对比首页促销这个接触点上我们和C网有哪里做的不同，可能就是这个不同引导了消费者的价格感觉——最后发现说是因为他们首页促销的产品80%是他们网站的中低端产品，而我们常常在醒目位置促销价格相对较高的新品。我们可以“有根据的猜测”说这就是造成消费者印象的原因，接着我们可以根据这个猜测把”对价格水平的印象“联系到”首页促销产品的价格水平“上去），还有一部分我们完全得靠经验来做判断（例如用户访问网站看到的页面、文字、产品图片、按钮风格，送货员着装……顾客很难自己回想起来这些细节对于他们印象形成的影响，也比较难向我们具体的比较我们和竞争对手的异同，所以往往得依靠我们自己一条条来分析，把接触点和印象（这个主要从访谈中获得）之间一个个建立起具体的联系，其中不少可能完全要依赖我们的主观判断。不论如何，这一步结束之后我们就得到了一张大表，里面包括所有的接触点（应该超过了100个），以及每个接触点对于消费者印象的影响（比如送货快慢直接影响消费者对于服务的印象）。接下来，我们要在这张表最后再加上4列：重要性，满意度，改进计划和预期改进复杂度。重要性和满意度主要是根据客户访谈结果来定，改进计划和预期改进复杂度需要和负责该接触点的部门商讨决定。重要性、满意度和复杂度满分5分，1分最低，5分最高。

举几个例子（真的只是抛砖引玉，例子太难找了，自己看过的真实例子又不能用，只能用公开的信息——哪位有更多例子麻烦留言告诉我我加进来）

1. 很多潜在顾客在来到我们网站首页后产生了”不正规、规模小“的印象，而且他们没有办法给出具体的原因解释。询问之后他们给出了几个网站，经过对比分析我们可以发现那几个网站其实规模也不大，但是他们在首页几个细节上和我们不一样。第一是他们会在首页罗列最热门的单品，并且会醒目标注”已销售8000双“之类的广告词；第二是他们会在首页右侧非常醒目的展示很多消费者评论，显得网站很有人气；最后是他们会在首页底部加上一堆有意义的没意义的图标让自己看起来很权威（如下图）。我们可以合理的猜测说这些接触点和“正规、规模大、有人气”的印象相关，然后有的放矢的去制定改进方案。

2. 已有顾客觉得我们“便宜”但是“档次不高”，要她们举几个“档次高”的例子，她们举的都是单价明显贵于我们的淘宝店，很难做比较和参考。于是给她们几家产品价格和质量类似的店问她们觉得哪家档次高，结果他们选择了淘宝的天使之城（shop217225.taobao.com，见下图），该店和我们的区别主要在于产品照片的背景。这家店很多产品图片都是店主在欧洲一边游玩一边拍摄，背景非常多样化和具有异域风情，而我们大多是室内照。我们可以把“产品图片背景”和“产品档次”这个印象联系起来。和摄影部的同事沟通了解看改进的成本是多少，如果只是需要PS背景而且工作量不大的话“预期改进复杂度”就很低（可能是2），如果PS不出那么好的效果，一定要拍外景成本会飙升的话“预期改进复杂度”就很高（可能是5）。

3. 从流失顾客那里我们得知他们对于快递员的态度很不满，我们可以把快递员的态度和顾客对于服务水准之间的印象建立一个联系。改进的方法需要和具体业务部门（仓储物流）沟通，可能的方法有：1. 招聘快递员的时候选择声音比较柔和、性格比较好的；2. 对于和客户的电话沟通以及当面交接包裹时的沟通，制定规范并对每个快递员培训；3. 改革考评系统，不仅仅按照配送的包裹数量和重量考评，而且按照顾客的满意度考评，并且把满意度的权重放大。具体采用什么方法要和业务部门深入沟通后决定。但是至少这个方向放在这里。

4. 已有顾客很诚实的告诉我们说他对我们没什么印象，我们的名字他也记得很模糊（每次都从收藏夹点过来），整个购物流程他也觉得“和别家没什么区别，差不多”。“没有印象”也是一种印象，而且这种印象往往会带来低的顾客忠诚度，而且很容易让我们陷入到和竞争对手价格战的泥潭中。如果用户可以给我们举几个“有印象”的例子让我们参考学习是最好，如果没有，我们就要完全依赖自己经验来优化整个购物体验。在体验的各个环节的信息传递过程中，不仅仅考虑信息传递的清晰、美观，而且要考虑怎样将品牌签名融入进去，在每个细节传递更多的品牌感，让顾客在“本质类似”的流程中体验到“独特”的感觉。

可以看看俏物俏语（www.ihush.com）的例子。他们每一张模特图片都是同一个姿势——右手食指翘起挡在嘴唇前面做出一个“嘘”的姿势，和他们的品牌“悄语”关联紧密，进一步在这种细节里给消费者强化了品牌印象。要模特摆个特定姿势并不会让我们多花钱，但是这种具有一致性的形象将在潜移默化中让我们的消费者对我们印象更深刻，何乐而不为呢？

更简单的话可以看看新蛋网（www.Newegg.com.cn）的类似的操作，例如发的优惠券叫“蛋券”，延保叫“蛋保包”，客户评分则分成“一颗蛋”、“两颗蛋”……“五颗蛋”。尽可能在用户的体验过程中多展现品牌的特别之处，给客户留下特别的品牌印象。虽然效果未必会很显著——但是相对的成本也非常低，不做白不做。

5. 顾客可能对我们产品质量有“不是很精致”的印象，但是对我们竞争对手的印象比较好。对比分析后我们发现竞争对手产品质量其实不比我们好，但是他们的包装比我们好，所以我们可能可以合理的猜测是包装盒塑造了消费者的印象。下面是凡客诚品（www.VANCL.com）的鞋子包装，它就很有特点，虽然只是一双非常廉价的鞋子，但是鞋盒非常漂亮大气，让人有惊喜：

6. 另一些例子里，顾客对于“服务水平“的印象也是由收到的包装盒塑造的。比如欧酷（www.ouku.com）也在包装上做了文章。虽然销售的是同质化的产品，但是类似“炸药包式严密包裹”这样的细节还是会给消费者不一样的体验，形成一些类似“服务好”、“认真”、“专业”、“对顾客负责”之类的印象。

7. 顾客觉得我们的产品比竞争对手贵，通过详细询问，我们发现顾客用来判断贵和便宜的方法是：第一，看首页的产品价格区间，首页显示产品越贵他们就觉得网站整体价格水平越高；第二，看页面是不是很“洋气”，页面越时尚，越多国外的元素他们觉得价格越贵；第三，如果这时他们还有兴趣的话，他们会尝试搜索自己大致知道价格的某个标杆类商品，然后以这个产品价格来判断整个网站价格水平。根据这些反馈，我们可以把“首页产品价格区间”、“首页时尚度”和“XXX产品价格”关联到“价格水平”这个印象上，并且做出相应的改进计划。（注意，这些接触点可能还和其他印象——例如“可信度”——相联系，改进时要考虑周全）

8. 客户觉得我们的服务不好，原因是和客服打电话时客服不能帮他解决问题，总是给他无用的答复然后让人啊再回拨。仔细检查发现我们考评客服的KPI里面把接听电话数作为最重要的指标，满意度只占10%的比例。所以客服会有动力尽快了解手上的案子，尽快打发走顾客，而不是尽力帮助顾客圆满的解决问题。发现这个问题之后我们可以考虑的方法是大幅加大满意度在考评中的比例（或者增加“最终解决案子”在考评中的比例）。

9. 顾客觉得“你们卖太贵了”还有“应该送赠品的”，经过仔细沟通发现是因为有我们的授权零售店在把我们的产品摆在一堆廉价产品一起销售。更糟糕的是，他们常常把我们的产品和别人的产品捆绑在一起做成“大礼包”，而且又没有详细的说明文字和图片来体现我们产品的质量要高于其他。更进一步，在某些销售不好的单品上面，他们不是退货给我们，而是把它们做成了销售其他产品的赠品（更糟的是活动页面上我们的产品显得一点也没有质感，感觉就是免费搭配的小东西），消费者看到后久而久之就觉得我们是个廉价的牌子，产品也就是能做做赠品。这里就要和渠道管理部门好好沟通一下了。

10. 顾客觉得”以后再也不买你们家玩具“，具体问原因发现是因为我们玩具是用硬塑料包装，而且没有简易的开启方法，一定要用剪刀剪开。小朋友吵着一定要自己开包装结果把自己手割破了。因为包装问题产生了坏的体验——而不是因为购物流程或者玩具本身。可能的改进计划包括改进包装方法，具体的复杂度需要和上游厂商沟通后确定。

11. 流失客户对我们感觉不好，觉得我们发货速度太慢，有时候甚至与“慢得可怕”以至于让他们取消了订单。我们可以先从内部数据出发看我们是否真的送货太慢——如果是的话得满满优化内部流程把速度做上去。如果发现不是内部流程的问题，那么就可以进一步追查细节。原因还可能是因为我们的KPI考评当中把“24小时内发货”当作了仓库的重要考评指标，而在旺季时仓库会很难达标（从而被扣奖金）。仓库对付这个考评方法的对策就是“如果一个包裹已经24小时没发货了，那么就把它丢到一边，优先级放最低，先处理那些可以24小时发货的包裹再说”，这样就导致部分包裹会停留非常长的时间也没有出货，让顾客生气。如果是这个原因，我们的优化就要从改进内部的考评体系出发。另外，如果我们发现我们的送货速度其实已经和竞争对手相当，但是顾客就是认为我们比竞争对手慢，我们就要努力在细节里向顾客强化时间观念，让他更清楚的理解他仅仅等了多久就收到了货。可以的方法可以学习易迅（www.icson.com），在首页就醒目的告知消费者你今晚下单明天就能拿到货（不管消费者下不下单都可以强化“送货快“这个印象），也可以考虑在订单处理完毕、抓货完毕、发货时各发给客户一条短信，让客户过两个小时就收到一条信息更新，让他产生速度感（当然，另一方面可能会烦到顾客）。

上面10个例子只是随便找的，每家情况不一样，具体的接触点和碰到的问题也很未必一样。

在定下来接触点和每个接触点的改进方案和复杂度之后，最后一步，我们可以计算每个改进计划的优先级 = 2 X 重要性 – 满意度 – 预期改进复杂度（当然我们也可以给这些指标不同的权重）。从高优先级的项目开始，我们要和接触点的负责部门沟通（大部分的工作会是市场部和网站管理部的，那就更要落实到人）确定改善计划可行性、目标（和目标达成的衡量标准）和时间表。按照时间表，项目组监督所有项目进度，确保大部分的（尤其是高优先级的）项目顺利的实施，而不是大家开个会感叹一下“原来消费者想法这么诡异”就结束了。

好了，终于写完了，我去西藏玩去了。欢迎留言～～～:)

Popularity: 23% [?]

写了这么久，发现包括的内容越来越广了，下次修改的时候打算把题目改成“数据驱动的电子商务运营和网络营销”：）

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
• 网络营销数据解读（六）——自顶向下，逐步求精
• 网络营销数据解读（七）——客户族群细分（Segmentation）1
• 网络营销数据解读（八）——客户族群细分（Segmentation）2-1

上次列了一些案例给大家讨论，这次来公布答案——答案的意思并不是说“这些案例就是一定得用这些方法来解决”，而是用案例来说明这些概念和方法可能可以用在什么方面：）。大家不用拘泥于这些案例的细节，呵呵，反正都是我瞎编的。

没有仔细去研究理论，完全从实践出发的话，我所用过的客户族群细分的方法主要有三种：

• 按照客户属性细分：根据客户”是谁“来划分族群，例如把客户分成”男客户“、”女客户“
• 按照客户行为来细分：根据客户上网行为来细分，例如把客户分成”浏览服装专区的客户“和”浏览数码专区的客户“。很多时候”根据客户行为“和”根据客户属性“这两者会混在一起，比如一个客户的行为是”每个月都来买一次东西而且只买最贵的“，可能我们就会在数据库里给他标记上”有钱人”，之后“有钱人”就成了这个客户的属性之一。
• 按照最终结果来细分：其实是“按照客户行为来细分”的一种，但是它适用性非常广，而且用起来非常方便，所以单独拿出来讲一下。

再次建议先看一下网络营销数据解读（八）——客户族群细分（Segmentation）2-1，自己思考一下那些例子再看这篇文章，因为：

• 只有自己思考过才能记得住，光是看看很容易产生“显然是这样啊，太弱智了“的感想，然后看完就忘了。
• 数据驱动的电子商务和网络营销是非常年轻的概念，没有谁是所谓专家（我也在不断学习），我说的东西也只是一家之言，我相信这里的读者里有很多都有非常深厚的经验，如果能够从自己经验出发思考一下那些例子，分享一下自己的想法的话，对我和对其他读者都是很好的学习资源：）

回到那些例子，我们一个个来聊。

案例一

网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食……），用户平均访问周期是一周一次，停留时间为5分钟，转化率0.8%，平均订单金额340元。

之前已经说过不能光看“平均数”，这里不再细说了。

从Segment角度来说，我们可以把用户按照浏览行为来细分为“家电组”、“笔记本组”、“女装组”和“百货组”（相互重合，没有关系），然后再去看每个组的访问周期、停留时间、转化率、订单金额。可能会发现“笔记本组”的访问周期是每天一次（但是只维持一个月）、每次平均停留3分钟（可能只是查一下价格），转化率0.05%，平均订单金额5000；而“日用百货组”的访问周期是每两周一次，平均每次停留半小时，转化率4%，平均订单金额120。

除了可以用”浏览“行为（这个可以用GA的Advanced Segmentation实现，其他高级工具例如Omniture, Coremetirs或者WebTrends也都有很简单的工具可以帮你做这样的细分；刚看了传漾（Disclosure: 和作者有合作关系）新系统的Demo，他们也提供自定义的Segment功能）来做细分之外，我们也可以用“购买品类”来细分，例如分成“家电采购者”、“笔记本采购者”……这里面不变的一点是“根据用户活动所在产品品类来细分”，因为每个品类都有自己的特点，逛或者买某个品类产品的用户也有自己的特点，这些特点只有按照品类把客户区隔开之后才能看清楚，而只有看清楚之后我们才能开始考虑说有没有可能用这些数据来做进一步的优化。

案例二

网站销售笔记本，SONY笔记本最近越卖越好，上个月卖了700万销售额，比上个月猛增20%，而Lenovo只卖了400万，比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金，顺便把心里面把管Lenovo那条线的那个家伙画个叉，以后有机会就干掉他。

首先可以考虑的是把“付费流量”和“免费流量”分开来看，付费流量就是我们需要花钱的流量，包括硬广告、搜索引擎关键词、网站联盟广告等等，而免费流量则包括直接输入网址访问、自然搜索流量和免费的交换链接流量等等。这个例子里面，可能我们看到SONY笔记本产品访问流量有一半是付费的，而Lenovo只有10%是付费的，而最终的转化里SONY有60%是付费流量产生的，而Lenovo只有8%，这时我们要考虑的就是：为了创造这些流量和转化，我们分别花了多少钱，赚了多少（钱和用户），然后再比较。如果SONY700万销售额只有30万毛利，但是花掉了25万市场经费，而Lenovo产生了30万毛利，只花掉5万市场经费，或许我们的结论会有不同。哪怕外部的投放差不多，内部的资源（例如首页Banner、主推活动里的Featured Iteam位置……）分配不均也可能是销售不平衡的原因，如果不细分看的话可能会得出不够成熟的结论。

这其实是个很常见的现象：我们在考评绩效的时候，常常没有能够将其他支持部门对相应绩效的支持成本合理的算进来。比如说我们考评产品经理绩效，可能就没有把他们每个人所消耗的营销资源算上，也可能没有把相应的仓储成本算上（有些货很容易签收和发货，有些很麻烦——例如要记录每个盒子SN号或者需要特别储存环境），还可能没有把对应的RMA费用算上（比如一个产品卖很好，但是卖100个有20个坏掉，18个用户退换货），以后有机会写数据驱动的电子商务运营的时候再详细说。

另外可以考虑的是竞争情报，我们在运营电子商务的时候，眼睛不能光盯着自己的一亩三分地光看每天卖了多少东西，还得看看周遭的局势。具体的做法如果有机会在这个系列的后面几篇再说，大家可以点击这里订阅www.MarsOpinion.com，这样就不用总来看有没有更新。在我长时间不更新又看到流量上涨的时候总是觉得很愧疚，呵呵。言归正传，这里我们先不说外部的信息采集，光从内部数据出发，我们怎么能够知道市场的波动呢？正如读者所说，可能是因为SONY推出了新款，所以大家关注SONY，所以它才卖得好，跟产品经理没什么关系。比较粗略的，我们可以根据浏览行为来细分，看这个月浏览两个品类的消费者数量有没有重大变化，例如如果SONY产品线浏览量翻了一番，Lenovo没变，我们可以合理猜测说可能有些大的市场波动影响了最终的销量。更精准一些。更进一步，如果我们发现说”SONY浏览组“的转化率比”Lenovo浏览组“的转化率还低的话，甚至可以怀疑说是不是SONY的产品经理没做好，没能把天上掉下来的流量转化成订单。这个做法的优点是简单易行，缺点是很粗略（SONY产品经理可以说正是因为他辛勤工作，才让大家愿意浏览他的产品）。复杂一点，我们可以根据站内搜索的关键词来分组，有条件的就做语义分析细分，没有条件的就简单的把品牌关键词和最热门的3款产品关键词拼到一起做一个组，然后从中看用户对于不同产品线的兴趣是不是有了重大变化。更复杂更合理的，当时是根据站外关键词来做同样的事情。

案例三

网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食……），我们做了一个详细分析，发现我们60%的订单是15%的顾客产生的，我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值（过去一年购物金额）把客户按分成了5组：VIP顾客，高价值顾客，平均顾客，待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上，客服接到他们电话也要提供更周到的服务。

在做CRM的时候，一定不要吃大锅饭把整个网站所有用户往里丢。不同产品类别的消费者行为特征完全不同，放一起分析往往会得到扭曲的结论。这个例子里，那所谓15%的高价值用户很可能就是买家电和笔记本的用户，最终的关系维护里可能会把买女装的用户完全忽略掉——虽然她们可能是更有价值的用户。根据购物品类来细分一下流量对于分析很有帮助。

案例四

新设计了一整套网站页面和购物流程，搞了个比较贵的付费工具来随机挑选顾客展示给他看不同版本的页面，10%看新版，90%看旧版，结果发现新版的转化率比旧版高0.04%，鉴于消费者对新版还不熟悉，我们认为消费者熟悉之后新版数据会更好——也就是说新版应该完胜旧版，我们应该马上把旧版替换掉。

对于网站设计和Landing Page设计来说，最常用的还是按照新老客户分组看效果，看老用户使用是不是顺畅、转化率是否下降厉害（就算是，我们可能心里面也会有一丝期待说这个只是暂时的，等他们习惯就好了），看新用户使用起来是否比之前的新用户要顺利，转化率是否改变（如果一段时间后新版转化还是低，我们就很难找到理由说情况会变好）。

做到更细呢？还可以根据用户对网站的使用习惯来分组，例如将用户分成“搜索组”（来网站总是用站内搜索找东西），“导航组”（总是用目录导航），“闲逛组”（总是点击首页产品），“促销组”（总是点击广告），然后分开看每个组在新旧版下的表现，这样细分之后可能会发现说”新版整体超过旧版，但是因为搜索框不够明显，对于搜索组的同学们来说转化率反倒下降了“，于是我们可以不仅仅得出结论说”新版更好“，而且能够找到进一步改进的方向——”试试看放大了搜索框的新版是不是更好“。更好的是，这样子往往可以为公司（和实际执行的员工）积累下更多的知识财富，我们不仅仅知道了这次应该用什么版式，而且可以记录下来说”XXX样式的搜索框会对搜索组用户产生XXX的影响”、“XXX的目录可以对导航组的用户产生XXX的影响”……以后再做的时候就能有一个更好的基础。

案例五

分析数据时发现我们有四种很典型的访客行为，一种会浏览14个产品页面，然后什么也不买另一种则直接搜索产品名称，然后马上购物；第三种会随机看5-15个页面，其中多个页面被反复访问，然后购物；最后一种是浏览5-15个页面，然后什么也不买。为什么会这样呢？

这个例子还真是纯粹瞎编出来演示理论的，呵呵。

还有一种分割用户的方法就是按照访问时间来分组，比如我觉得我的网站用户都是白领，我觉得她们的网上行为模式可能和她们的上班模式有关，所以我把用户分成“工作日访问者“和”周末访问者“去仔细看数据，发现果然有不同，周末访问者大多会随机看5-15个页面，然后有1%左右买东西，而工作日访问者的行为模式则更为复杂。我们可以再把他们细分成”9:00 – 18:00访问者“（如果还要细分，也可以考虑把中午休息时间再分一两个小时出来）和”工作日晚间访客“，如果我们发现说””9:00 – 18:00访问者“就是“会浏览14个产品页面，然后什么也不买”的那群，而”工作日晚间访客“就是“接搜索产品名称，然后马上购物”的那群，我们就能够更容易对这些奇特的访问行为提出自己的假说：”她们都是在上班时浏览网站，瞎逛，看到好看的记下来，晚上下单“（这个假说是不是正确还需要实践检验，但是至少我们有了一些基础），基于此，我们可以考虑的事情有：白天时是不是要放更多促销引导的活动？网站上的”收藏夹“功能是不是要加强？按钮要不要做更大？”最近浏览过的商品“列表是不是要在晚上显示更大？……很多东西可以想。

看到这里，大家可能会想说”神啊，我怎么要想到还要用时间来分Segment啊，你又没提示的“。很多时候确实就是这样，数据乱七八糟，我们也不知道要怎么分组才能看清它们，所以能做的几件事情是：1. 加深对业务的理解，多和一些员工聊天，多和消费者聊天；2. 多试，积累经验；3. 正如这篇文章最开始所说，我们还有一招：根据结果来细分。

比如我们就把客户根据观察到的结果分成4组，分别取名字叫“观光客”、“猎人”、“访客”和“游客“（名字瞎取的），然后我们去各个报告里面看这四组人的表现，最后发现在每周访问时间这个报表上（根据周一、周二……周日来组织信息）”访客“的行为轨迹和其他三组显著不一样，我们就知道说等会儿可以试试看说把用户分成“工作日访问者“和”周末访问者“去仔细看数据；然后我们再看每日访问时间这个报表（根据时间——每个小时——来组织数据），发现剩下3组人在访问时间的模式上有明显的差异，由此我们可以合理猜测说之所以有这几组不同的访问模式，是因为他们来自在不同时间点的访问，然后我们可以很自然的想说我们应该根据访问时间来划分用户族群看数据，然后根据这些数据来推测可能的原因、找到可能的优化点。

案例六

新来了一个SEM Manager，上手一个半月就把搜索引擎的ROI提高了12%，人才啊。

在想说如果我很仔细的说应该怎么管理SEM会不会被专业的同学们笑，呵呵。好像有蛮多专业的SEMer也在看www.MarsOpinion.com。

就我个人对于电子商务的搜索引擎营销的了解来说，有两类的词表现是完全不一样的，第一是“品牌词”，第二是“产品词”。品牌词就是和你网站品牌、名字、网址相关的词，例如凡客诚品的品牌词可能就包括“VANCL”、“凡客”、“凡客诚品”和“凡客衬衣”，搜索这些关键词的一群人已经知道了我们的品牌，而且他们明确的表示了要来我们网站的意愿，只是不知道要怎么来而已。另一群人，搜索的则可能是”男士衬衣“、”白色男士牛津纺衬衣包快递“、或者”松下相机LX3“，他们知道自己大致需要什么产品，但是并不一定有要来我们网站购买的意愿，只是随机被搜索结果带到我们网站而已。

所以，我们可以做的第一件事情就是按照”品牌词“和”非品牌词“来细分流量，绝大部分时候品牌词本来就应该有高很多的转化率——因为用户已经有意愿来你这里买东西，基本信任已经存在，只要找到东西价钱OK基本上就会买。在这个例子里，如果发现说SEM付费关键词中品牌词组的比例大幅度提高，可能就能解释为什么ROI提高了。如果网站本身已经比较大，SEO也不错，搜索品牌关键词的时候本来也会有大量的自然搜索结果出现在最前面，而且也没有竞争对手恶意购买你的品牌词，这时候哦大量购买品牌关键词只是把原来不要钱的流量变成要钱的流量，让公司亏钱而已。用我的博客举例来说，在这个SEM经理帮我管理之前，每天搜索“Mars电子商务”和”Mars Opinion“来到我博客的人有20000个（不用钱的），其中20%会订阅www.MarsOpinion.com，另外我自己会买一些类似”数据驱动的精准营销“、”数据驱动的电子商务运营“这类词，花费大约是每天2万块，每天给我带来2000个新的订阅（也就是我所需要的转化），ROI是”10块钱买个订阅读者”。他来了之后，把我的2万块钱全部花在买”Mars电子商务“、”Mars Opinion“这些词上面，给我带来22000个流量和4400个订阅，与此同时，这些词的自然搜索流量降到2000（因为付费的链接排在更前面）、自然带来的订阅降到200，而像”数据驱动的精准营销“、”数据驱动的电子商务运营“这些词，因为没有买关键词，所以带来的订阅量变成了0。从SEM ROI的角度看，ROI从”10块钱买个订阅读者”大幅提高到了”4.5块钱买个订阅读者“，但是对于我博客，作为一个整体来说，我花的钱没有变（都是2万），但是我总的新订阅数，从6000（ = 4000 + 2000）个下降到了4600 （= 4400 + 200）个，他的”优化“给我带来的是亏损。——这个例子可以表明，根据“品牌词”和“非品牌词“细分流量可以让我们加深对于SEM效果的理解。

如果还要更细化，其实”产品词“还得再细分成”产品品牌词“、”品类词“、”产品词“、”购物词“等，搜索每一种词的用户都处于购物决策的不同阶段，需要为它们设计不同的目标和指标来衡量效果，这里就不细讲了，对于绝大部分公司应该还没必要做这么细。

另外，在上一篇网络营销数据解读（八）——客户族群细分（Segmentation）2-1的留言里，Teamilk99提出了一个很好的观点：我们不能光看ROI，还得看Return的量。把一部分表现低于平均值的关键词去掉就能很简单的提高ROI，可是这却未必符合公司利益。完全从公司利益角度出发，只要投放关键词的边际收益大于边际成本，就还是应该继续的。

案例七

网站用户平均访问频率是一个月一次，50%访问大约1个月1次，30%大约每周一次，15%大约两个月一次，5%会超过两个月都不来访问。这样算起来，顾客如果两个月没有来访问的话，就有95%的可能性是要流失了。为了挽回这部分流失客户，我们应该在侦测到客户停止访问两个月时让客服打电话给客户嘘寒问暖，顺便送一个折扣券给他。

还是根据客户对应的产品品类来分，不细说了（题外话：上一篇网络营销数据解读（八）——客户族群细分（Segmentation）2-1的留言里Sucirst对于CRM的接触点有一个比较详细的介绍，建议去看一下）。

说点和具体案例无关的，如果要做客户细分——特别适用于客户关系管理的话，最好要专业的人用高级的数据挖掘工具来做，这样考虑比较全面。如果一定要自己拍脑袋想模型（这是我经常做的事情@__@），提醒一下说要先把数据过滤一遍，把极端数据先滤掉再做。比如你卖画，平时每天1000幅，其中总有一两个大客户（他们是从你这里进货然后再零售的）每单就买两三百幅，他们不论被放到哪个族群里都会显著的影响那个族群的数据（更可怕的情况是，他们非常显著地影响了数据，但是还让你看不出来——举个纯假设性的极端例子，你10000个客户，5000男，5000女，男的里面有2个是B2B大客户，每人买了250张画，女性那里没有大客户，其中500人每人买了一张。没过滤outlier的话看到的“男客户“族群和”女客户“族群的转化率数据是一样的，看起来也很合理，不会引起警觉），所以建议把他们单独挑出来研究。

案例八

我们网站有100万注册并登陆过超过一次的会员，10万每周都登陆一次、每个月买一件东西；30万每个月登陆一次，每3个月买次东西；30万只登陆过2次，没买过东西；最后30万里面，10万每年登陆但是1年才买一次，20万每半年登陆一次但是至今没有买过东西。我们在做lead acquisition的时候，可以粗略估算说我们抓到的新顾客有10%的可能性会每月买东西，有30%可能性每3个月买一次，有10%可能性1年买一次。

如果网站获取新用户的方式方法比较多样和豪迈的话，我们可以把用户的注册来源当作用户的一种属性。举例来说，如果是20万主动注册，30万通过流氓软件骗来，10万通过联名注册从论坛得到，40万通过“注册有奖”活动从网站联盟来，10万通过垃圾邮件骗进来，这几组人表现很可能截然不同（主动注册的一般是有意向买东西的，其他就未必了，被骗来的说不定还下过决心说永远不来买东西），不分开看数据是看不清的。这几组人混在数据会很模糊，根据注册来源分组来看会清除很多。还有些时候，需要细化到具体的Campaign，例如”和网购论坛的联合推广活动”和“新浪广告Banner”这两个来源虽然都可以算是Marketing，但是带来的用户后续表现也会有很大差异，能够细分观察可以帮助我们挖掘更多信息，而且这个数据的积累也是衡量长期效果指标的前提（参考网络营销数据解读（五）——完善指标）。 

用用户属性来细分流量还可以用在别的方面，比如说根据访客的IP来分Segment，看看南方访客北方访客行为有没有什么区别，有没有什么变化趋势，说不定可以通过数据发现自己电信网通有一边的网速不行让客户都跑了。划分公司本地访客和外地访客可以看看公司地域影响力的变化。在公司拓展市场的时候（例如像一号店在北京机场巴士上做广告，或者新蛋刚去北京），把自己目标城市的流量分开来看也更能了解状况。

案例九

新建网站，站外做了很多广告，站内做了很多促销活动，发现来访的人当中 5%注册了帐号，1%注册完了还马上买了东西。怎样才能让他们更多的注册，注册完买更多东西呢？

还是用老办法，从结果出发来做细分，比如把流量分成“购物组”、“注册组”和“观光组”，然后反过去看其他报表。看流量来源报表，来查看“购物组”和“注册组”主要是哪些媒体带来的；看内容报表，比较“购物组”和“观光组”在浏览的产品类别上有没有显著差别；看具体的点击轨迹，比较这三组人到达landing page之后分别做了些什么……总的来说就是，把所有报表都用这三组人过滤一下，看他们在结果数据上有没有什么显著差别，如果有，则再研究是不是因为这个差别导致的后续效果的差别。比如说发现“购物组”和“注册组”中访问了“女装”这个类别的比例，显著高于”观光组“中访问过女装类别的比例，我们就可能可以提出两个假说：1. 女性用户对我们更有价值，我们应该多拉这一类的流量；2. 我们女装这个类别做得非常好，能够将流量转化下来，我们应该增加这个品类的曝光。这些结论是否正确还需要进一步考证，但是这是一个很好的起点。换一个例子，我们去比较点击轨迹，发现”购物组“到达landing page之后大多点击了产品图片直接进入了产品类别或者具体产品页面，而“观光组”中间超过50%点击了“点此参加活动”这个按钮。这样的话我们可以开始猜测说我们辛苦设计的那个所谓”活动“（比如说是个竞猜之类）到底对我们起了正面还是负面的效果，自己去点点那个按钮看会发生什么事情，首先看是不是流程上出了问题（我还见过点击“参加活动”这个按钮结果无限循环回到原页面的），如果没问题，再从活动设计的角度反省说它是不是起到了降低转化的作用。

个人很喜欢这个细分方法，本质上它就是根据结果把流量分成“好人”和“坏人”，然后一路比较“好人”和“坏人”从接触到最后转化或离开这整个过程中所经历过的事情有没有什么显著的不同，如果有，则进一步深入去考虑说这些不同点是否就是造成他们一些是“好人”一些是”坏人“的原因，再想办法优化这些经历，尽可能增加”好人“这个族群。

有什么其他的好想法么？打开这篇文章留言吧：）

（嗯，这个系列文章还没完……，觉得写完可以改改出书了，反正都写了这么多字了，呵呵）

Popularity: 68% [?]

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: 64% [?]

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: 41% [?]

Barrier

上Economics课，教授问

How to get sustainable economic barrier?

答了这个问题

Create barriers.

因为不论你是用人才也好，用高科技也好，用好的制度也好——从理论上，纯粹理论上，你做的事情别人也可以学，将来也可以做，慢慢的大家就都没有超额利润。

只是回答完之后，忽然想起上一个教授在第一节课所说You are all here to learn how to create barriers.

呵呵，学这么多其实是为了砌墙，让市场变得不效率？

Marketing

最近在做一些品牌建设相关的工作，也在思考Marketing和Branding相关的问题。

如果只是编造概念、误导消费者、用心理学去影响购物决策的话，作为一个营销人对社会的价值在哪里？如果是想要个工作挣口饭吃，其实怎么做都无可厚非。可对于很多已经衣食无忧、甚至于生活相当优越的Marketer来说，或许可以想一下怎么样可以做一些真正有意义的事情。

最低限度，尽量不撒谎。

如果一定要撒谎，选择去给比较好的产品撒谎，把A说成A+，而不是给那些C-（比如三鹿奶粉）粉刷成A。

如果有机会，做些事情帮助客户找到他需要的东西，让他们从产品中获得更多。

至少以后有小孩问起的时候，回答起来比较舒服。

Mind Model

听了第五项修炼的作者Peter Senge一个演讲。

出乎所有人意料，他大部分的时间都在说企业社会责任，而不是怎样帮助企业盈利——事实上，他认为企业的目的并不是盈利，假设企业都是以盈利为目的只是“因为这样比较简单，比较好理解，比较好教”。

引述了一段德鲁克的话，说利润对企业就像氧气对人一样，不可或缺，但绝不是目的。

因为一直在讲企业社会责任——虽然他自己一直否认，说自己不是在说CSR，而是Survive——所以很多言辞听起来都很乐观，或者，更严重些，幼稚？

演讲最后，他说

今天我说的东西可能有一半和你们所知道的，和管理书籍所写的，和商学院教的相冲突。

可是，你们有没有想过，那些你们以为天经地义的道理，到底是像万有引力一样的真理呢，还是仅仅是一些假设，仅仅是你们的Mind Model？

嗯。

Popularity: 5% [?]

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

上次（网络营销数据解读（四）——目标和指标）说到定义了目标之后，我们需要找到一组Metrics（指标）来衡量目标达成情况。找合适的Metrics要分三步走：

第一步，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。

第二步，研究数据，将无效和虚假的部分剥离。

第三步，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。

网络营销数据解读（四）——目标和指标里对第一步进行了简单的介绍，今天我们来讨论第二步和第三步。

首先，我们要研究数据，将无效和虚假的部分剥离。

因为监控工具的不完美，人工操作的失误，或者合作方有意无意的作弊，我们拿到的数据很未必完全是真实的。你拿到10000个click，可能只有1个是真实用户的点击，拿到10万个注册用户，可能全部都是机器生成。——所以，我们必须要有一个筛选过滤的过程。

因为作弊方法太多，我也没有想到有什么系统性的方法可以用来解决这个问题。有一个简单的原则就是：找异常。真实的数据看起来就是会比较”真实“，数据间的比例关系也会比较合理，数据在时间和地域上的曲线和分布都会比较平滑。反过来，作弊的流量有可能会考虑不周，从而在某方面做得太过分而显出异常来。

举例来说，如果我监控的是我在www.MarsOpinion.com上广告投放的click数据，有哪些可能出现“异常”的地方呢？

• 流量在时间上的分布异常：如果平时每天带来1万个click，今天忽然带来10万个，这就很让人怀疑。另一种情况，如果每天还是平均1万个很稳定，但是仔细看发现每天有5千个都是在8点5分到8点10分这五分钟过来的，这也是一种异常。
• 流量在行为上的异常：正常情况下，通过广告带来的大部分的流量应该会直接离开网站（bounce），剩下的那些流量会行为各异，有些人看多几个页面，有些人看少几个。如果发现流量全部被bounce，这是一种异常，如果流量完全没有bounce这也很异常；如果大部分的流量都表现出了类似的行为这也很异常——比如90%的流量都是到了landing page点击了页面顶部一个不起眼的链接，在下一个页面停留了0秒，又点击了页面顶部一个不起眼的链接，然后离开站，这看起来也很假。
• 流量在地域上的异常：如果1万个click当中，9800个来自同一个IP（或者相邻的一段IP），这也很奇怪。如果从地域分析上看，一个面向北京免运费的活动，来的流量99%都是山西的，这也很莫名。
• 流量在来源上的异常：本来买的是www.MarsOpinion.com网络营销专区的广告，结果最后仔细研究发现流量中90%是从游戏专区点来的，这也很不对劲。（不同地方的流量价值是不一样的，可能他们在卖你广告的时候宣传的是”我们的受众刚好是你的目标客户，重合度高，效果好“，但是其实他们那个方面流量太少，为了填数字，只好从别的热门频道——例如游戏频道、娱乐频道——导入垃圾流量充场面）

如果我们监控的不是click，而是registration呢？类似。

• 时间分布异常：前一个月每天才5个注册，结算前一天来了10000个注册。
• 行为异常：广告链接到landing page，但是所有流量都是直接到注册页面注册，没有经过landing page。
• 地域异常：都来自同一个IP段
• 其他异常：所有注册用户都没有填写具体信息；或者所有注册用户都叫类似名字；或者所有注册用户的注册email都长得很像，比较常见的是marsopinion0001@gmail.com, marsopinion0002@gmail.com, marsopinion0003@gmail.com, marsopinion0004@gmail.com, marsopinion0005@gmail.com, marsopinion0006@gmail.com…

上面只是抛砖引玉，并不能涵盖所有作弊流量的特点。但是从Marketer的角度，我们判断流量虚假的原则是确定的：流量是否显著异常。如果他能做到在数据表现上和真实流量没区别，我们确实也很难把他们抓出来。

至少，做好第一步之后，我们已经把那些比较傻的作弊数据给排除掉了。

一般的公司上做到这一步就停下来了——嗯，确切的说，很多公司还没有做到这一步就停了，呵呵。

如果你还要深入想一下的话，可能就会思考这样一个问题：数字大就是好么？带来100,000块钱订单就一定比10,000块钱订单好么？难道带来1000个新用户就一定比带来500个好么？难道1000个访客就比900个访客要有价值么？

不一定。

因为我们虽然衡量了campaign达成指标的程度（数量），但是却没有仔细去考评达成指标的质量。就好象说我们派两个人去不同水果摊买50块钱苹果，心里面想说谁买得多就算谁能干（用“重量”做指标）。最后甲带回来20斤苹果，乙带回来10斤，于是我们认为甲更能干一些。——细细想想，是不是觉得有点怪？万一甲带回来的苹果很难吃呢（难吃，但是并不是假苹果）？万一乙买回来的是你这辈子吃过的最好吃的苹果呢？

在这个例子里，我们本来想采用”苹果的重量“来衡量两个人的能干程度，后来又加入了”口味“来辅助评判。对于网络营销的指标来说，我们也可以类似的引入一些辅助指标来帮助我们更好的理解那些主要指标的“质量”。

第一类的辅助指标，是当期就能拿到的、可以帮助我们衡量主要指标质量的其他指标。（好绕@__@）

比如说，我们的目标是“销售”，那么我们除了订单金额之外，还可以综合订单量，平均订单金额，购物顾客数量和利润一起来看。

假设A网站广告带来了10万块钱的销售，B网站广告带来8万块。A网站的订单数量是500，来自500名不同的客户，平均订单金额200；而B网站的订单数是800，来自800名不同的客户，平均订单金额100——这时候，根据我们策略的不同，我们很可能就做出不同的判断。

如果我们的目标是“扩大客户群”，可能我们会定义Revised Revenue = Revenue*(1-Buyer Weight) + Buyer*Average Order Value*Buyer Weight，如果我们网站的平均订单金额是250，而我们给“购物客户数量”的权重是50%的话，我们就可以计算出A网站广告带来的的Revised Revenue = 100,000*0.5 + 500*250*0.5 = 50,000 + 62,500 = 112,500，而B网站广告带来的Revised Revenue = 80,000*0.5 + 800*250*0.5 = 40,000 + 100,000 = 140,000，两相比较，B网站的广告效果比A网站广告效果更好！

但是反过来，如果我们当前目的是“盈利”（比如我们是做service的，服务每个订单的成本类似——比如100块，单个订单买少了我们亏钱，买的越多我们越赚），而且订单的利润数据并不能从WA中得到，我们可能就要用Revised Revenue来简单的估算一下，比如说我们可以定义Revised Revenue = Revenue – Order*100，用这个公式来计算的话，我们又会得出结论说A网站广告效果更好一些。总而言之，我们要根据战略目标来调整自己的Metrics中指标的定义，以便于让他更精准的反映”目标达成情况“。

再举个例子，比如我们要做个Campaign，目的是给网站带流量，那么，网站停留时间，浏览深度，和是否到达特定页面（例如公司介绍页面，产品介绍页面）也可以成为我们的辅助指标。比如我们可以定义Revised Traffic = Traffic*0.1 + 0.4*(Traffic with more than 3 pageviews）+ 0.5*(pageview of target page)，这样子，那些给我们带来高质量流量（来了之后在我们网站东逛西逛，或者对我们感兴趣看了我们公司介绍产品介绍）的营销渠道会更容易脱颖而出。

比如新浪广告带来了100万visitor，10万浏览超过3个页面，8万（和前面这10万人有重复）人看了产品页面，同时QQ广告带来120万visitor，5万浏览超过3个页面，6万（和前面这5万有重复）人看了产品页面，乍一看访客数量好像QQ广告更好，但是仔细考虑流量的质量，用我们设计的revised traffic分析就会发现不是这么一回事。新浪的Revised Traffic = 1,000,000 * 0.1 + 0.4 * 100,000 + 0.5 * 80,000 = 180,000，而QQ的Revised Traffic = 1,200,000 * 0.1 + 0.4 * 50,000 + 0.5 * 60,000 = 150,000，新浪广告的效果更好一些！

从上面的例子可以看到，我们的目标不同，就会导致我们对”质量“理解的不同，也就会需要选用不同的辅助指标来帮助我们更好的解读数据。

除了上面所说的这些之外，还有另一类辅助指标——长期效果。

简单说，就是隔一段时间，再测量一下之前某个campaign带来的流量、客户表现如何。

还是用上面的例子，新浪广告100万Visitor，QQ广告带来120万Visitor。广告投放结束后，过一个月之后我们可以（如果你用的WA工具有这个功能，很多付费工具可以做到，GA的话看过别人这样用过——但是我自己没有亲手操作过）再看看这些人的表现，例如“多少人在广告投放期过后还来过我们网站”，“多少人在最近7天来过网站”，“多少人在投放期过后买过东西”……可能我们会发现，新浪的100万Visitor当中有10万在广告停了以后又来了网站，5万在过去7天内来过（说明访问频率高），1万买了东西；而QQ的120万人当中只有8万又来了网站，4万在过去7天内来过，7千买了东西。我们可以比较有信心的得出结论说新浪的营销效果更好一些，真的给网站带来了客户，对我们有长期的正面影响。

再举两个非常类似的例子，第一个，假设我们在和一堆论坛搞活动吸引论坛的网站来你网站注册，注册就送论坛积分和小礼品，这样很容易在初期看到很好的效果——比如每天注册10000个，我们觉得获取每个新用户的价值高于200块钱，所以当论坛问我们要20块钱一个注册的时候我们觉得还蛮公道的。在结算时看看数据，觉得注册量看起来也没什么异常，应该也是真的，于是挺高兴。但是，当我们在一个月后再查数据的时候，发现只有0.1%的“新用户”在活动结束后来访问过网站，0.01%的人7天内访问过，0.001%的人有购物行为——而自然增长的“真实新用户”，各方面数据表现应该至少是这个数据的200倍！这样算起来，论坛那些新用户的价值只有我们平时自然增长新用户的1/200，也就是价值1块钱/个，20块钱一个买来实在是很亏。为什么会这样呢？一种可能是我们的合作方在作弊——做得很高明，我们没有看出来，但是他再怎么做也很难想到说还要在活动结束后继续来作弊模拟让这些“新用户”去访问网站，所以这时候被我们抓到。另一种可能是那些“新用户”完全就是被论坛积分和小礼品吸引来注册的，他们只是根据论坛的指示填了个表格提交而已，根本没有花心思了解我们网站是干嘛的，自然之后也不会来访问——这就是规则设定的问题了。

另一个例子，假如我们和某非竞争的大网站做用户交换，为了吸引客户，我们可以给出”买100减30“的折扣券，仅供合作方带来的新注册用户使用。因为我们要求很严格：1. 只有从合作方过来的流量才能通过注册得到折扣券；2. 只有当用户真的买东西之后我们才需要付出折扣券的成本。所以听起来是只赚不赔的生意——如果通过这个合作得到了10万个新用户，5万个买了东西，大家心里面都会很开心，MKT也可以交一份漂亮的报告给老板来论证自己做得多好。只是，如果很不识相的在一个月后再查一下数据，或许会发现这5万个”购物新用户“中只有1%再次访问过网站，而正常数据应该是至少10%。为什么会有这个差距呢？你仔细在网上搜索之后可能会发现所有的网购论坛上都已经贴出了帖子说”www.MarsOpinoin.com在送钱，买100送30，通过这里重新注册个帐号就好！”，然后无数的老用户（一般来说，这种帖子最能吸引已经在marsopinion.com购物过，相信这个网站的用户）点击链接重新注册了个帐号（这次用的是自己不常用的那个email，或者新弄了一个email来注册）拿了折扣券买了自己本来要买的东西，买完之后就把这个帐号丢了。这个Campaign划不划得来我们可以再讨论，但是它的效果并不如想象中好是一定的。

我们可以看到，辅助指标不仅仅可以帮助我们更精准的衡量网络营销效果，衡量它在“达成目标”方面的真实作用，而且还能够在一定程度上更全面和精准地过滤作弊数据，一举两得。

OK，回顾一下，要找到合适的Metrics，我们需要：

第一步，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。

第二步，研究数据，将无效和虚假的部分剥离。

第三步，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。

经过这些步骤，我们已经建立起来了一套合理的metrics（文中只是给了提示和方向，真的要建一套符合自己公司特点的metrics还是需要很多精力深入分析的，没有通用公式:)）

而且这套体系应该已经比大多数公司目前使用的要更全面一些了。

开香槟庆祝吧。

只是……预告一下，过一阵子（取决于我的勤勉程度@__@）还会有网络营销数据解读（六）和网络营销数据解读（七）……预计会要写到（十）去，呵呵。接着往下看，可能你会发现这篇文章里的结论其实也还大有探讨的余地，呵呵。

I will be back.

PS.

• 为什么要搞这么麻烦？嗯……这样才能用更少的钱达到更好的效果，不同水平的Online Marketer去执行类似的Campaign，真实效果差10倍是很正常的事情。哪怕你只投入100万么通过分析数据，积累经验，优化方法就有可能帮你省90万，看在钱的面子上多看看数据何乐不为？ （之前也写过一篇为什么要深入解析“网站分析”数据？)
• 真的要搞这么麻烦么？不一定，看你投放规模，如果本身就没有花多少钱在网络营销方面，其实也没必要太认真分析，简单监控一下就OK了。”优化“这种事情常常是边际效益递减的，只有上规模的公司才有必要做到非常细致深入的研究和优化。

Popularity: 26% [?]

想象有一个两维的生物（一只扁平的蚂蚁），在一张白纸上爬。

它没有办法理解三维的东西，只可能理解三维世界在两维世界的投影（我们在那张纸上的影子，或者说世界在那张纸上的切片）。

它朝着同一个方向爬。

我们把纸（蚂蚁生活的二维空间）在三维空间里卷成一个环形，蚂蚁沿着环形朝着同一个方向爬了半天之后发现自己来到了原点，在二维空间和三维空间中，它回到了出发时同样的状态（在第四维——时间的维度上当然已经不同）。

想象有一个三维的生物（我们），在三维世界里行走。

我们没有办法理解四维的东西，只能看到四维在我们生活上的投影切片，我们看到的永远是我们自身在某个特定时间点的时间切片，而无法将时间这个维度连贯起来用理性去理解它的存在。

我们走啊走啊。

有一个生活在更高维度（例如五维空间）的人，把我们生活的三维空间在四维空间里卷成一个环形，我们沿着沿着环形朝着同一个方向（时光机没造出来之前也只能沿着这个方向）爬了半天之后发现自己来到了原点，在三维和四维空间中回到了出发时同样的状态——同样的地点，同样的时间。

Popularity: 2% [?]

周五的Black Friday和周一的Cyber Monday都是在欢快的气氛中度过的，做事的时候，开一整个RealTime Monitor在一个LCD上看销量上涨，感觉还是蛮好玩的。

从数据看起来，好像大环境并没有真的好起来，只是我们自己做比较好罢了。

根据comScore，Ecommerce销售并没有很理想的成长。Black Friday的销售从去年的$531 million增加到今年的$534 million，几乎没变化。而整个Holiday Season的销售（截止到28号）比去年更是下降了4%!

根据某同学分享的数据，Brick and mortar的Black Friday销售比去年也不过涨了3个点。根据乱看discount数据产生的直觉，今年各家的毛利比去年恐怕还要降。另外，根据Business Week的数据，今年的的post-thanksgiving购物人群比去年还多了25 million！去年147 million，今年172 million——而今年的销售并没有显著的上升，只能解释成每个人的购买力都显著下降了。

刚看到的关于Cyber Monday的数据，应该也是网络零售商的Traffic大量上升，销售额和去年相比却没有什么增长。以今天看到的新闻来看，有无数的网络零售商昨天都因为traffic过大或者其它问题挂掉了。

Popularity: 1% [?]