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～

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)

终于写到这里了，之前写过《网络营销和Web Analytics的数据解读方法》系列也就是写到这里发现前面结构没搭好所以重写这个系列的。

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

这个系列已经写了六篇文章，基本的思路是：

首先，我们得了解有哪些监控数据可以用，各自代表什么意思（它们未必是字面上的意思）。

然后，我们应该思考我们网站的目标是什么，应该制定一套怎样的指标才能更好、更全面的衡量效果（长期效果、隐性效果）。

有了好的指标来衡量效果之后，我们只是得到了数据，必须学会一些简单的分析方法来分析数据、找出问题的根源，制定合理的行动方案来优化效果。

今天的主题其实是上一篇的延伸，我们继续来看还可以怎样来深入分析数据。

老规矩，先拍脑袋问几个问题，建议先想一下留言说一下再往下看，我个人的经验很有局限，如果能够大家贡献一些智慧的话这个讨论会更有趣：）

• 两个营销活动（外网广告配合内网活动页面）landing Page各自有100,000流量，A活动页面bounce rate 80%，转化率2%，B活动页面bounce rate 75%，转化率3%，所以B活动较好（页面设计，促销内容，产品选择……），对么？
• 两个营销活动（外网广告配合内网活动页面）landing page，bounce rate和转化率都相等（平均数相等，分布也一模一样），说明这两个Landing Page在“抓住流量”、“转化流量”方面能力差不多，我们没法从中积累什么经验。对么？
• 结帐流程改版前转化率是3.1%，改版后调到了2.9%，我们应该改回去，对么？
• 我们顾客的购物频率是一个月买一次，所以当一个顾客两个月没有来买东西的时候我们应该给他们发Reactivation Email，对么？
• 最近网站的转化率从3.4%下降到了3.1%，所有分析方法都用了，找不到原因，怎么办？ 我该把所有产品经理叫过来开会，让他们想办法提高产品的吸引力了，对么？

============ www.MarsOpinion.com ============

Segmentation（客户族群细分？）可以帮助我们回答上面这些问题。就好象之前所说的平均数没法准确的传递整体的具体情况一样，每个用户族群（Segment）的行为方式特点都不同，把他们一锅粥丢到一起然后看整体的数据往往会让我们一头雾水，没有办法深入的了解实际情况。在WAW的讲座时我重点讲了这个概念，但是事后还是很多朋友问我要“具体的例子”，所以今天尽量用举例子的方法来介绍这个概念的实际应用。

最常见是根据客户的生命周期来分Segmentation，而其中最最简单的操作方法就是把用户分成“新客户”和“老客户”。

一般情况下，我们可以认为“老客户”（在本次到访前完成过某个特定行为的用户，例如可以定义成“买过东西的用户”、“注册过的用户”或者“访问过的用户”）相对来说对网站更熟悉（反过来说就是对变化可能更敏感，更需要时间适应）、更信任（否则不会一来再来）、操作更熟练、对界面引导依赖比较低，比较容易被转化；而“新客户”则对网站较为陌生、对界面引导依赖比较重，转化率也相对较低。

案例一：

两个营销活动（外网广告配合内网活动页面）landing Page各自有100,000流量，A活动页面bounce rate 80%，转化率2%，B活动页面bounce rate 75%，转化率3%，所以B活动较好（页面设计，促销内容，产品选择……），对么？

我们把用户分成“新客户”、“老客户”两个segment再分别看数据，发现第一个活动流量中有90%是新客户，新客户的bounce rate 82%，转化率1.8%，而第二个活动流量中只有10%的新客户，他们的bounce rate也是82%，转化率1.8%；而对于老客户来说呢，在两个活动中bounce rate和转化率也都是一样的——两个活动之所以表现不同，仅仅是因为他们流量的构成不同，对于同种流量来说他们“把客户留住”和“转化客户”的能力都差不多，“B活动更好”这个说法是站不住脚的，不是么？

案例二

新浪上的广告促销带来500,000访问，5000订单，网易上的广告促销带来500,000访问，5000订单，看起来一样，我们没有什么可以做的，没法做什么优化（不能说“下次把钱都给XXX，让YYY去死吧”），也没法积累经验（不能说“XXX活动看来更有吸引力，YYY活动可以去死了。”）。对么？

很多marketer懂得的唯一“分析工具”就是“比较数字大小”，当数字大小相等的时候就觉得里面已经没有了分析的余地和优化的空间，

老办法，我们分开看新老客户的情况（对于使用GA的朋友，可以试试看GA的Advanced Segmentation功能），发现新浪带来了400,000新用户访问，4000个新用户订单，网易带来了200,000个新用户访问，2000个新用户订单（可以通过简单运算得知网易带来了更多老客户访问和订单），这样一个简单的划分就可以给我们带来非常丰富的数据：

• 如果两个营销活动创意一样，我们可以有一个初步结论说新浪那个广告位面对的新用户更多，而网易的面向老客户更多。之后如果要抓新用户可以多考虑新浪那个位置，如果想做老用户维护可能网易那个位置比较好。——对于大部分公司来说，抓取新用户的成本要比维护老用户高，换句话说，能搞来一个新用户更不容易，所以一般情况下可以说新浪那个广告位更有价值一些。
• 如果两个营销活动创意不一样，我们就可以积累到更多关于活动形式、活动产品的经验。比如如果是京东商城，可能发现第一个促销Banner和促销页面主推的产品都是DVD盘，优盘，MP4，GPS，而后一个则是专门针对显示器、键盘、鼠标的促销。这样子我们可以有一个初步的结论（记录下来，和之前的经验放在一起相互印证）说如果要抓新用户我们的促销活动主打应该多用优盘MP4。

用上这么简单的一个Segment，我们从活动中积累的经验就会多很多。

案例三

结帐流程改版后，发现转化率从3.04%掉到了2.90%，怎么也找不到问题，怎么办。是不是可以得出结论说新版的流程不好用，让我们改回原样？

老办法，分别看一下新老客户的表现情况，发现老版的结账流程对于老顾客的转化率是3.2%，对新顾客的转化率是2.71%；新版结账流成对老顾客转化率是3.03%，对新顾客的转化率是2.89%。

在这样细分查看了数据之后，我们很难有确切的结论，但是至少可以提出一个和“老版更好”不一样的假说：新版更好。因为：1. 对老客户来说，新版老版表现差不多。新版比老板转化率低0.17%，这个数字在统计意义上未必显著。另外，对老用户来说，适应新的界面需要一段时间（哪怕是更好的界面，在引入的初期很可能也会让老客户有些不习惯从而导致转化率下降），所以就算0.17%在统计意义上显著，我们也不能根据这这么一个数字就说新版不行，还得观察一段时间再说；2. 对新客户来说，新版的转化率要更高。新客户（因为WA监控方面的的局限，他们未必都是没有来过网站的用户，但是我们可以认为他们作为一个整体来说对于网站的熟悉程度远低于“老客户”）不管在以前还是现在都是需要熟悉和学习界面的一群人，界面帮助转化了更多的新用户往往更能说明改版的成功。

案例四

为了同一个活动，我们设计了两个不同的Landing Page（因为要在上面放不同的媒体logo），分别在两个媒体上做广告导流量上来。为了测试不同的版型对于Bounce Rate的影响，我们特地把两个页面做得不太一样，第一个的“参加活动”按钮是黄色的，非常大，第二个的按钮是橘黄色，比较小，但是放在了更显著的位置上。经过测试，第一个页面的Bounce Rate是80%，第二个页面的Bounce Rate是77%。是不是说第二个页面设计更好？按钮摆放位置比按钮颜色更重要？

如果我们分开看新老客户这两个segment，一种可能的结果是我们发现对于第一个页面，新客户的bounce rate是85%，老客户bounce rate是78%；对第二个页面，新客户的bounce rate是90%，老客户bounce rate是76%（第二个页面流量中新用户比例比第一个要小）。

如果数据真的是这样，我们就得反思最开始的结论。对于老客户来说，点击广告来到活动页面，一是更容易找到call to action的指示（已经熟悉了我们的设计风格），二是就算找不到，他也很可能点击首页或者目录导航页去看看是不是有别的他想要的东西在促销，这样说起来bounce rate会比新用户低，而且和call to action做得好不好相关性相对较小。如果这种说法成立，我们在判断页面设计好坏的时候更多的应该用新用户这个segment的表现来作为依据，换句话说，第一个页面设计似乎更好一些。

如果说第一个页面的设计较为合理，那么为什么它对于老用户的bounce rate反倒会比第二个页面高呢？可能的解释是：1. 2%的差别可能在统计意义上不显著——第二个页面运气好多让人点了两下罢了，本质上78%和76%是差不多的；2. 活动本身对于老用户并没有吸引力，比方说最近一号店的“一元疯抢”活动对老顾客吸引力就很有限（因为只给新用户优惠），或者是因为产品促销幅度不大，对于老用户来说，看了一眼就知道以后还会有更好的（“什么，才9折，上周才搞过8折的！”），所以看一眼就跑了。

这里的分析只是抛砖引玉，关键是我们要学会分segment来看数据、深入分析，这样才可能得出真正有意义的洞察和行动方案。

其实，按照新老客户的划分Segment只是最基本的（说实话，也是最有效果的，呵呵），这里面还有很多做细的空间。

比方说可以按照用户的生命周期来分（详情参看粗糙却方便的客户关系管理模型），把用户分成“新用户”、“首次购物顾客”、“重复购物顾客”、“流失顾客”……这样子细分的好处是可以积累更细致的数据和经验，缺点是数据会变得更加的复杂、不直观，而且对于实际操作的Markter的要求会变高，所以一般情况下比较少用（感兴趣的话，网络营销和Web Analytics的数据解读方法（二）——Segment (2)里有个简单的例子）。

写到这里觉得这篇文章实在太长了，改天再接着往下写其他的segmentation方法：）

欢迎大家多留言讨论，我这里只是一家之言，大家讨论集思广益往往能有更好的点子出来：）

相关文章

• 用户的声音（3）——排序、过滤选项 (7)
• 用户的声音（2）——搜索关键字 (10)
• 用户的声音（1）——调研 (4)
• 网络营销数据解读（三）——那又怎么样呢？ (21)
• 网络营销数据解读（二）——事情不是你看到的那样 (16)

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

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)

上周六做的讲座。

在Web Analytics Wednesday讲怎样用数据来驱动营销。

第一次尝试这种风格的PPT……

营销最关心的问题：ROI（投资回报率）

问题的一半很好回答——投资就是我花了多少钱，多少人，多少时间。

另一半的问题，有三个：

• 怎样监控和衡量效果？
• 效果好，要找到好的原因，保证下次更好！（如果找不到原因，其实就没法保证下次还能好）
• 效果不好，要找到不好的原因，保证下次更好！（找到根源，才能解决问题）

基本上，我们要解决的就是这三个基本问题。

最基本的网络营销是怎样的？

乱搞，瞎投，碰运气……

最常见的网络营销呢？

首先会看印象数，理论上代表广告被看过多少次。

实际上：

• 首先，它不一定代表被看到了多少次
• 其次，你不一定能拿到这个数据
• 最后，你拿到的很未必是真的

然后我们会看点击，理论上代表有多少感兴趣的用户来到了我们网站。

实际上

• 这个数据不一定是真的
• 就算是真的，点击和点击之间质量差别很大，不能说点击多就好（例子参看前面的网络营销效果分析系列文章）

所以，基本上……

有了这些数据之后，我们还是凭感觉。

事实上……哪怕把下面所有事情做完，很多东西还是得凭感觉，呵呵。很多时候还得凭关系。

所以，我们会搞出“精准”营销。

我们说我们可以精准的探知广告的实际效果，查到它实际产生了多少转化——对于电子商务公司来说就是订单。

效果 = 转化？

• 效果不仅仅是转化，光看转化会误导。（例子参看前面的网络营销效果分析系列文章）
• 特别对于小公司、新公司，小规模营销来说，转化数据会很小，用来比较效果在统计意义上没有价值。一边带来6个转化，另一边带来10个，很可能只是样本误差而已。

不考虑这些，精准也未必准。

所以我们要考虑完整的效果（加入辅助指标），长期的效果（加入长期监控指标）。（例子参看前面的网络营销效果分析系列文章）。最极端的两个假设的例子：

• 同时在两家做广告，都带来10万个点击，1千个订单，但是A网站来的人当中9万个订阅了我们的促销邮件——1. 他们对我们有兴趣；2. 我们日后还可以不花钱对他们做营销。B网站来的人当中只有1个人定了邮件。
• 同时在网购论坛和新浪财经论坛做“秒杀”广告，都带来10万个点击，1千个订单，但是网购论坛的客户都精明得很，买完这次就回到论坛关注看还有哪家会做“秒杀”，等着下一次大促销；财经论坛的人脑子里面都是股票，没空想这种几块钱小便宜，所以之后还是常常回来买东西——少麻烦。如果不看长期效果的话，会以为两边的ROI是一样的。

这样就搞定了？

没有，先把问号放心里。

说了三个例子，今后会写在系列文章里，这里不详述了。

• 购物车挽回营销（根据WA信息，看谁放弃了购物车就跟进营销）
• 客户关系管理营销（根据WA信息，侦测流失客户，给他们电话和邮件）
• 广告网络Re-Targeting（传漾做的一号店例子，根据WA信息，看哪些客户是“可能被转化的”，然后在网络上重新给这些人看广告）（Full Disclosure: I am currently providing some consulting to them）

这几个例子都很炫，网站分析不仅仅能够用来衡量效果，而且能够驱动营销。

但是，这几个例子（根据我的描述）当中都有个问题：

我们衡量的，是“在我们XX行动之后，顾客做了YY行为”，但是我们的结论是“我们的XX行为导致了客户的YY行为”，把时间顺序关系弄成了因果关系。

按CRM的例子来说，如果我通过客服给1000个可能流失的（算法参看电子商务客户关系管理模型）用户打电话，其中100个回来买东西了，每人买了200块钱，是不是说这个系统为我赚了20000销售额？

不是。

首先，我们应该通过测试来估计真实的效果数据，例如找到1000个用户后，选择其中100个不打电话。如果最后发现打电话的900个人当中90个回来买东西，没打电话的100个人当中也有8个回来买东西，其实这个系统（假设受众是1000人）贡献的增量是 1000 x 10% – 1000 x 8% = 20，贡献的销售额是4000块，如果电话加上赠券折扣成本超过了4000块的毛利，就可以考虑不要做了。

其次，我们还是要看长期效果。因为电话给客户折扣券很可能会让客户提前回来购物、消耗将来的消费能力。所以有可能的一种情况是打电话的900个人当中90个回来买东西，没打电话的100个人当中只有2个回来买东西，看起来增量不错。但是没打电话的100个人当中又有13个人在未来的3个月买了东西，而那900人种，只有45个在接下来3个月买东西——这样算起来，这个活动劳民伤财但是并没有实际效果，只是把销售提前罢了。

所以，我们要看完整、长期、真实的效果，才能对生意有一个正确的认识。

话说回来，如果投入很小的话就没必要做这么细了，量力而为。

可是，拿到效果数据又能怎么样呢？

分析？

A Campaign效果100分，B Campaign效果80分，怎么分析？

嗯……对，可以做一下比较，A比B好，所以以后多做A，少做B。

还有呢？

分析不出来了。

如果我告诉你，我的目标是”一个蓝色的立方体盒子”，而截图看到的是我们采集到的数据，我们能分析出什么？

让我们还是用“比较”这个最初级的分析方法——这个东西看起来不是蓝色的。

我们的结论呢？A. 下次不要找这家公司了；B. 下次不要用这种方法了。

有没有更深入的分析和更精准的行动方案呢？没有。

其实，实际做出来的东西是这个样子的。

如果我们看到的“数据”是这个样子，我们就可以很清晰的对每个面进行分析，然后得出行动方案说这个面需要先磨平然后涂蓝色，上面有40%的面积要涂蓝……

我们的分析可以更深入，我们的行动可以更精准。

可是，为什么真实的世界被我们缩成了一个小小的点，让我们看不清呢？

把立方体缩减一个维度，我们就看到了一个面（已经损失了很多信息，例如我们就看不到说上表面40%不是蓝色）

然后我们把另一个维度也取消掉，看到了一根线。

最后，我们把仅剩的那个维度也删掉，得到了一个点——每一步的变化都丢掉了一些信息，丢到最后我们就只有了个数字，自然没法有深入的分析。

营销数据也是这样，本来有三个维度，但是我们死命地把它压成了一个点（“A Campaign带来了N个点击，M个订单”），这样当然没法分析和优化。

所以我们要拆！

首先要把数据这个维度展开，看分布。

总数和平均数往往会误导，就好像图中几个小人的号码一样，不管你拿到总数还是平均，对他们都会有一个错误的估计。（案例见网络营销数据解读（六）——自顶向下，逐步求精）

第二步是要把“行为路径”这个维度展开。（案例见网络营销数据解读（六）——自顶向下，逐步求精）

例如两个广告，都是10万点击，1千订单，分布也一样。如果不展开行为路径就没法分析，展开后可能发现A Campaign那些没有买东西的流量都是在landing page bounce掉的，而B Campaign都是去了游戏专区转了转走掉的。那么我们对A的分析就要去看广告和landing page的一致性、landing page的行动召唤是否明显之类；对B的分析则在于看游戏专区是不是有什么问题，是不是价格贵了、产品缺货。

再一个维度就是客户族群细分（Segment），不同segment消费者行为非常不一样，混在一起数据就会变得模糊。

比如做一个新的营销活动，发现页面的各个指标都正常，觉得美工设计得还不错，但是按照新老客户segment一下再看数据，可能就发现老客户各项指标非常好（例如bounce rate 10%），新用户指标非常差（bounce rate 90%）——这样就能让人警醒说页面设计是不是有问题，老客户是因为熟悉了反正能找到，但是新用户来了都不知道应该怎么参与活动看看就走了。不论这是不是真实原因，至少拆开数据之后我们可以得到更多的信息，做出更细致的分析。（其他例子会出现在后面的系列文章里）

基本上，我们知道怎样去全面、长期、真实地衡量网络营销效果，又知道怎么把数据的每个维度都展开分析，绝大部分问题就都能被解决了。

不能解决的那些，基本上就要凭经验、感觉，和那种被叫做sense的神秘物质了。

相关文章

• 网络营销数据解读（七）——客户族群细分（Segmentation）1 (20)
• 两个电子商务网络营销讲座的日程 (9)
• 用户的声音（3）——排序、过滤选项 (7)
• 用户的声音（2）——搜索关键字 (10)
• 用户的声音（1）——调研 (4)

刚去一号店买东西，顺手搜索了几家国外的类似商店，截了些图，just for fun。

一号店：

我已经贡献了N百块销售额给他们了，不过每次拿到沉重的箱子的时候，心里都会由衷的感慨一句“这单估计他们又没赚到我钱”。

排版上其实看不出是个网上超市，到处都是促销和推荐（看起来和新蛋京东倒是蛮像的），内页图片大，页数多，很多被埋在十几页后的产品不知道能不能见几回天日。——我也没想明白网上超市到底应该怎么摆放产品……

一号店让我大爱的地方就是那个Ajax购物车，不管买什么，点击“直接购买”，东西就自动加到了购物车里，页面不刷新——对于每次要买几十个产品来说，这个设计真的让人觉得很舒服。

www.leshop.ch，瑞士的“一号店”，去年销售增长2000万瑞士法郎，年销售额达到1亿3千2百万瑞士法郎，4万3千个老用户贡献了90%的销售，这一年内平均每个家庭订购了价值2750瑞士法郎的商品（来源：Exciting Commerce）

这个看起来更像超市一些：）

之前看过有人说中国人比较喜欢热闹，所以首页得多点促销活动，外国人比较直接，所以首页最重要的就是搜索和分类……也不知道这种说法有没有根据。

，

www.mysupermarket.co.uk

这家很好玩，产品图片很有特点，产品本身都贴着图片底部，放在一起看起来就好像整整齐齐摆在货架上一样，蛮有趣的。

www.shopfoodex.com

这位同学用卡通导航

 www.cobornsdelivers.com

貌似是某老站复活的。

列表相当难看啊。

www.Alice.com

这家比较有趣，一开始先要你选择家里有几口人，几个大人几个小孩之类。

然后他会推荐说你可能会需要下列这些类别的产品（香皂、洗发水、卫生纸、牙膏……包罗万象），我们可以多选或者少选些。

接下来，每个我们选择的产品类别都会变成一只小鸭子（很聪明啊，看到小鸭子心情比较好，要是看到这么多个输入框想想都很有压力）：

点击小鸭子，他会问你是要去选择具体产品，还是删除这个类别。

选择产品的话，就可以在他家提供的诸多产品中选一个——除了选要什么具体产品之外，还要选说大约几个月就会需要个新的（他到时候会提醒你续订）

定好的话，产品就到了我们自己的列表里面。

一个个小鸭子都选好的话，一个家庭所需的所有日常用品基本上都齐了——而且是一劳永逸的齐了，不仅仅这次他会按时送货来，等到某样东西快用完的时候他也会自动帮你整理好订单问你要不要续订——下次就不用再挑一次，真是懒人居家必备良品啊。对于Alice来说，一次搞定将来生意、套牢用户，也很合算——这样说起来挺像我之前提到的日用消耗品的自动定期购买。

相关文章

• 增强现实技术会能解决电子商务商品尺码问题么？（二） (3)
• BSO是必须的…… (13)
• 网络购物：衣服多大，衣服多厚？ (3)
• 最简单的B2C电子商务购物流程比较优化 (0)
• 减轻电子商务初级客户的挫折感 (4)

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：）

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)

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）

随机文章

• 稀缺，竞争，遗憾，一个也不能少 (6)
• 又是电子商务游戏促销 (1)
• 一周碎碎念 (3)
• 几件事情 (3)
• 回答问题 (4)

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：）

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？

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)

赶MKT Plan赶通宵，上床的时候天都亮了，睡一个半小时还得去上课……感觉那叫一个凄凉啊。之后就恶性循环不断在赶活，没一天清闲的，每天都靠咖啡在撑：（，真的是case after case, quiz after case, paper after quiz, case after paper, case after case…

——话虽这样说，可实际上还是花了不少时间在到处晃。

共青森林公园春游：

下面依次是带老外参观上海（话说我还是第一次在晚上看到新的这栋金融大厦），万圣节Cosplay，我雕的南瓜头，万圣节第二天晚上放的孔明灯……写完这么多让我觉得前面那句“最近有点辛苦”有点假了……

另外参加了派代电子商务年会，和VeryLs同学一起主持了“电子商务如何有效推广”这个环节，聊到最后台上四个老大都得出结论说“营销最重要的还是要做数据分析”，深得我心啊，哈哈。

下面是视频（会场非常巨大，问题是现场音响效果非常糟糕，回音很重，如果话筒没有拿好的话，台下常常听不清台上嘉宾说话，所以我常常在嘉宾说完之后罗哩叭嗦再把他们说的再总结一遍说一遍）：第一段，第二段，第三段

第一次做这种主持，自己听一遍还蛮汗的（寒一下，刚发现自己过程中还把一个公司名字念错了）。场下和各家电商聊天，比较有普遍性的一个反馈是：“你看起来比博客上照片老多了”……好吧，改天我换个成熟点的近照@__@

中国电子商务产业还在起步的阶段，这样一个年会把500家电商聚集到一起，大家聊一聊，认识一下，沟通一下，觉得对于整个行业的发展应该会有蛮大帮助。

又是水文一片……争取下下周（study week）认真更新，欢迎点击这里订阅blog，这样就不用每次来这里看有没有更新了：）

相关文章

• 网络营销数据解读（七）——客户族群细分（Segmentation）1 (20)
• 京城归来 (28)
• 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)