就像冰寒的文章所说，现在中国电子商务市场里玩家越来越多、越来越大，流量越来越贵，所以提高运营效率、提高转化率变得越来越重要。

战略层的东西以后再说，具体战术上，除了我之前写得比较多的网络营销效果评估优化（网络营销数据解读系列文章）和用户体验上的转化率优化（刚开了个头，网站转化率优化框架（一））之外，还有一个就是可以优化的领域就是商品销售规划（话说Merchandising怎么翻译比较合理？）。

可以把商品销售规划理解为传统零售中的货架优化管理，研究怎样通过改变商品的陈列和不同类别货架的摆放来获得更多的销售。虽然我们做电子商务的一天到晚吹嘘说我们有无限大的货架，可是这”无限大“只是针对搜索型的顾客有意义——他可以在无限大的商品列表里搜寻。对于很多用通过页面导航来寻找商品的顾客、和那些仅仅是随便来逛逛点点的顾客来说，他们所接触到的目录页（首页，类别页面，促销专题页面……相当于传统零售里的货架）数目是有限的（比如平均浏览7个目录页，远远小于”无限大“）。这就使得我们也面临着类似于传统零售的问题——顾客会看7个货架，每个货架上只能摆20个商品，我们一共只有140次激发消费者购物欲望的机会，我们要把这些宝贵的机会给哪些商品，要把哪些商品放到热门的货架上呢？

在做商品销售规划之前，我们考虑的漏斗都是从网站整体出发，大致类似这样：

流量 –> 商品页流量 –> 放入购物车 –> 注册/登录 –> 信息填写 –> 完成订单

这个思路对于我们优化营销活动和网站体验是有价值的，我们考虑的思路是：既然我们有一定量（T）的流量，我们要找到方法保证这些流量顺利的流到漏斗底部变成销售。优化的逻辑有两条，一条是优化流量本身质量（营销优化）——通过提高流量质量来增加最终的转化；另一条是网站体验优化（例如C = R x (V + M) – (F + A) + U – D框架），通过减少中间步骤的损耗来增加转化率，前面文章都提到过。

再细化考虑一下，其实我们得到的不是“流量”，而是“注意力”或者说“展示机会”，而我们要做的是把给定量的“注意力”和“展示机会”转化成销售。给定流量规模，假设（这个假设是不对的，这里只是为了解说方便。以后会展开说怎么影响这个变量）平均浏览页面数不变，其实也就限定了我们能够展示的内容数量是给定的（同上，只是为了解说方便），我们能够展示到访客眼前的商品数量也是给定的。例如100个顾客，每个顾客看7个目录页，每个目录页展示20个产品在顾客面前，140个产品出现在每个顾客面前，我们一共有14000个展示产品的机会。更一般来说，假设我们的流量是T， 浏览目录页数目是C，平均每页展示商品数量L，我们网站总的来说可以得到的商品展示次数是V = T x C x L。

我们要做的事情就是把握V个机会（每展示给消费者一个商品就是一个机会），尽量把它们转化成订单。对于那些强烈依赖付费流量的公司尤其如此，如果你花了M元钱带来的流量产生V次商品展示，每次展示其实都花掉了你M/V元钱，如果商品不好，没法把展示转化为最终销售的话，你展示这个商品就入不敷出亏钱。举例来说，我们花100万，带来100万流量，每个流量看5个目录页面，平均每个页面显示20个商品，那么我们展示一个商品的成本就是1,000,000 / (1,000,000 x 5 x 20) = 1分钱。如果这个商品点击率是1%（每在目录页展示100次才被点击一次进入商品页），转化率是1%（商品页被浏览100次才产生一个转化），那么我们为这个商品每次转化需要花费的成本就是0.01元 x 100 x 100 = 100元，如果这个商品的利润不到100元，我们就是亏钱的（为了表述简单，我们暂时只关注单品的情况）。

从这个例子里，我们可以看到，如果光从商品的角度来说，有两个关键的数值决定了我们是赚钱还是亏钱，一个是商品点击率，一个是商品转化率。系统点来说，对于每个商品，我们都会有这样一个漏斗：

商品在目录页展示次数 –> 商品页流量 –> 放入购物车注册/登录 –> 信息填写 –> 完成订单

因为后面几个环节不属于商品销售规划管，所以我们可以把漏斗简化成：

商品在目录页展示次数 –> 商品页流量 –> 商品销售

其中商品销售具体定义可以由公司当期发展目标来定，可以是销售额，可以是利润，也可以就是订单数。定义好之后，从这个漏斗里可以发展出3个指标：

• 商品展示点击率 = 商品页流量 / 商品在目录页展示次数
• 商品页转化率 = 商品销售 / 商品页流量
• 商品展示转化率 = 商品销售 / 商品在目录页展示次数

得到这三个数据后，可以对公司所有商品做一个审计。一般来说，如果商品展示点击率低，表示商品本身吸引力不够或者价格显著过高（如果列表页显示商品的话），商品页转化率低表示商品页内容不够有吸引力，可能是商品描述过于简单、不符合顾客预期、或者图片不够美观。在这两个数据支持下，我们可以找到那些（或者哪类）商品和页面有问题，然后有的放矢的进行优化。

而对于商品展示转化率这个数据，最简单的办法就是将它们排序（先排除掉一些，展示次数小于一定量——例如单日100次——的商品就不用看了），将表现最差的20%拉出来查问题出在哪里，看能不能改进，能改的改，不改的就要考虑在系统中将它的展示权值降低（在目录页出现时优先级最低 + 市场部选择产品做着陆页做活动时不考虑），后续考虑商品取舍的时候，得分低的商品也应该优先被清除出货架。另外，也要把表现最好的那些商品调出来，看他们有什么共性和特点，能否将经验应用到其他商品上。

这次先简单的介绍一下商品销售规划的概念和可能的应用场景，很多细节被过度简化了，下次再详细说还有哪些因素要考虑，整个模型要怎么再完善，实际业务当中怎样使用。

无觅猜您也喜欢：
网络营销数据解读（三）——那又怎么样呢？	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	POPcuts.com，主动激发电子商务的长尾
无觅

欢迎关注我的新浪微博：http://t.sina.com.cn/marsocean。

博客上比较受关注的是网络营销数据解读系列文章，公开演讲或者去公司内部交流的时候谈得比较多的也是怎样通过营销后的数据分析来优化转化率，提升ROI之类的。其实，不仅仅是在网络营销实际执行后我们可以从数据中挖掘价值，在整个营销活动开始前，也应该看看数据，调整营销方向。

市场细分定位之类的东西以后有空再聊，假设这些问题都已经解决，下面几个问题就是我们要投多少钱广告，广告内容主要是什么方向，什么目的？

老实说，对于这几个问题，大部分公司的回答是：1. 有多少闲钱投多少广告；2. 内容——放产品，放限时抢购，广告公司说了这样性价比最好；3. 目的？赚钱或者抓新用户。这样说起来，公司性质、发展阶段什么的好像并不重要，反正都是通过特价产品吸引新顾客过来从他们身长持续赚钱。

可惜事情往往没这么简单（当然，如果我们不在乎ROI的话就简单多了）。下面四个数据应该是我们在决定营销计划前就需要清楚的：

• A: 目标顾客知道我是谁么？——目标顾客中，多大比例在听到我们品牌名称后能想起来我们是做什么的。例如提起“凡客”，顾客反应说“卖衬衣的”或者”卖衣服的“。
• F: 他们在考虑购买这类产品的时候，我是不是首选？——多大比例顾客会在考虑满足某种特定需求的时候首先想到我们的品牌？比如问“买衬衣”，“网上买衣服”，多大比例目标顾客会想到“去凡客”。
• T: 尝试购买的顾客多么？——目标顾客中多少尝试过我们的产品。
• R: 重复购买顾客多么？——目标顾客中多少是我们的忠诚顾客。

T很容易得到，从自己系统里查一下所有有过购物行为的顾客数目，除以我们的目标市场大小就是。类似的，R就是系统里购物2次或者2次以上的顾客数目除以目标市场大小。A和F比较麻烦，最理想是能够找专业的市场调研公司来帮我们做给我们数据（可惜的是大部分公司愿意浪费大钱买看得到的但是没效果的广告位，却不愿意花小钱买信息和知识避免犯错误）。退而求其次，可以让自己MKT来找200个目标顾客（200个而已，总有办法的——只是要保证样本没问题）亲自问，问比不问好——顺便还能做一下优化接触点体验，塑造品牌印象里面提到的调研。再懒的话，可以让MKT老大和CEO坐下来猜，比如“我们网站刚上线所以估计A非常低，经过过去几轮的PR宣传，覆盖的人数大约是XXXX，目标顾客中可能有0.1%知道我们。但是因为我们母公司品牌大家都知道，所以F估计比较高，占A的50%……”之类。有一个经过深思熟虑猜出来的数据比完全蒙着眼睛好。

这四个数据对我们营销方向有什么影响？

举几个例子大家就明白了。我可能得到的数据长成这样不同的样子：

• A=50%, F=18%, T=15%, R=12%
• A=15%, F=12%, T=9%, R=7%
• A=40%, F=30%, T=20%, R=5%
• A=60%, F=20%, T=18%, R=15%
• A=80%, F=70%, T=20%, R=15%

第一种情况，从数据看，目标顾客中间很多人都知道我们。坏消息是他们对我们没有特别深刻的印象或者喜爱，好消息则是尝试过我们的顾客很多都成为了忠诚顾客，说明我们的产品、价格和服务都还不错。在这种情况下，我们未必见得要马上大规模投广告，可以先反思一下自己的产品定位和沟通问题。从战略层来说，消费者知道我们但是对我们印象不深也没有特别喜欢，可能是因为我们定位不清楚（这个以后有空再细聊）。从战术层来说，可能是营销执行的创意不够，没有清晰而有震撼力的传递品牌定位。比如说我们卖男装，可能投了很多广告，为了让消费者容易接受，我们特地把广告设计得像凡客诚品，着陆页设计得也像凡客诚品（可能产品也像），这种情况下反复打广告很可能还是让消费者对我们的名字留下了印象（提到名字他会想起来是卖男装的），但是不深刻也不特别（只是类似于“哦，一个类似凡客的公司。“），之后要买东西也不会特地想起来。在广告不断的时候还好，广告可以成为消费者入口，他看到这家“类似于凡客”的网站，说不定会点击广告进来买。可一旦广告强度变弱，我们很快就会被消费者遗忘。这个阶段的重点其实是反思自己的定位信息的传达（假设定位本身已经做很好）。在广告和着陆页都大量描绘自己的独特之处（比如去看Masamaso的页面和产品，就和凡客的感觉很不一样），尽力给消费者留下较为深刻和特别的印象。定位很难仅仅通过”产品和限时抢购“来传达，而是要用很多的相关信息让顾客自己来产生关联性记忆和联想。比如你要欧美风高端时尚男装的感觉，不要总是写”西班牙“、”奢华“、”时尚“，而是要寻找相关联的各种信息，放在广告和着陆页里，例如希腊神庙的背景，海滩，咖啡，游艇，设计师的头像和名字，产品细节的放大描述……

第二种情况，这个看起来情况还不错。知道我们的人大多喜欢我们，喜欢我们的人大多买了，买了之后大多满意。唯一的问题是知道我们存在的人太少了。这个阶段确实可以考虑扩大广告投放，沿着之前的经验继续往下走。

第三种情况，广告不错，定位不错，也有说服顾客尝试——可是，顾客尝试后就跑了，没有转化为忠诚顾客。这个时候加大广告投放就像在给一个漏水的桶里倒牛奶一样，倒得很辛苦（买牛奶也不便宜）但是最后剩不下几滴。这时应该做的是和顾客好好聊聊看为什么不重复购买。可能的原因是产品或者服务的问题，如果是这样，就应该停下广告，先把内功练好再说。一是可以省点预算，二是避免进一步损坏自己的口碑——坏口碑会让我们将来东山再起更困难。

第四种情况，目标顾客大多知道我们，但是不会想到要买我们东西，这是个坏信号。好信号是喜欢我们的人大多会买，买了还会再买。可能是因为我们定位没有定好（或者没有传达好），只吸引到了目标顾客中的一小群。也有可能是我们的“目标顾客”定义有问题，我们的产品主要吸引的是一个利基市场，我们应该把这个市场的特点找出来，或许可以重新定义目标顾客——相应的，广告创意和媒体渠道也要更新。

第五种情况，好消息是我们的Awareness高达80%，大家都已经知道我们存在，而且都记得我们喜欢我们（F=70%），坏消息是很少人真的尝试过我们。我们的营销上可以考虑继续做广告（但是广告并不是必须——如果我们满足于现在一亩三分地的话），重点可以偏向到鼓励用户初次尝试上面。广告创意上我们的品牌名称或者Logo要明显（会增加消费者信心的），部分广告内容可以偏向于防御性的“高达99.5%的好评率和顾客满意度”、“30天无条件退款：无需理由！”，主推产品可以选择较为廉价的以降低新顾客的尝试成本，或者做数据挖掘，主推那些新顾客会购买的产品（比如虽然你是卖笔记本的，新顾客第一次往往只是买个U盘而已，你可能得考虑推U盘）。着陆页面同样主推新顾客最可能购买的产品（折扣也都放在这类产品上），设计方面尽量做得专业让人放心（而不是老客户可能喜欢的创意），另外记得把什么货到付款、支付宝、XX认证商家之类可以降低新顾客疑虑的东西都放显著一些……更理想的情况当然是做进一步的研究去查清楚消费者为什么不尝试买买看，然后有的放矢地说服他们——不过这是下一步的事情了。

总的来说，就是有钱也不一定要投广告（有时候投了也白投），要投放的话在不同情况下也要用不同的策略、不同的创意、内容和主推产品——至于具体要怎么办，要问消费者，也要自己想。营销不仅仅是买广告位谈价钱这么简单的，尤其是在我们投放规模逐渐扩大的时候，通过对消费者、对市场和对于自身情况的洞察，为整体营销战略定好方向，下面执行层才能事半功倍。

无觅猜您也喜欢：
网络营销和Web Analytics的数据解读方法（一）——Metrics (2)	网络营销和Web Analytics的数据解读方法（二）——Segment (2)	怎样监控和评估网络营销效果（四）	网络营销数据解读（七）——客户族群细分（Segmentation）1
无觅

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。

无觅猜您也喜欢：
网络营销效果数据解毒（答案）	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（八）——客户族群细分（Segmentation）2-1	网络营销数据解读（四）——目标和指标
无觅

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：）

无觅猜您也喜欢：
网络营销数据解读（五）——完善指标	网络营销数据解读（九）——客户族群细分（Segmentation）2-2	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（四）——目标和指标
无觅

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？

无觅猜您也喜欢：
怎样监控和评估网络营销效果（四）	怎样监控和评估网络营销效果（五）	怎样监控和评估网络营销的效果（七）	怎样监控和评估网络营销效果（六）
无觅

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。

无觅猜您也喜欢：
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（九）——客户族群细分（Segmentation）2-2	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（三）——那又怎么样呢？
无觅