• 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
• 网络营销数据解读（九）——客户族群细分（Segmentation）2-2

无觅猜您也喜欢：
网络营销数据解读（四）——目标和指标	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（五）——完善指标
无觅

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）

无觅猜您也喜欢：
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（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（五）——完善指标
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	网络营销和Web Analytics的数据解读方法（二）——Segment (1)
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（四）——目标和指标
无觅

本文是《网络营销数据解读》系列（这个系列前面N篇文章会和之前博文内容有重叠）的第四篇，前面几篇在这里：

• 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？

先说笑话：

有一艘太空船在宇宙中航行，忽然全船听到船长的广播：

大家好，现在我有一个好消息和一个坏消息要通知大家

大家开始紧张……

好消息是，我们现在的速度越来越快了

大家高兴了一下

坏消息是，我们不知道自己在往哪开

很多时候，我们就是这样。

我们会用高级的工具，做漂亮的report，出一堆的数字，大家看着数字多就觉得自己professional，看着数字变大就觉得团队工作出色。开一个网站，做一个promotion，谈一个市场合作，执行一个marketing campaign，做得辛辛苦苦，看到数字（traffic, acquisition, conversion…）不断变化眼花缭乱，最后出一份report说我们搞到了多少注意力，多少注册，多少钱销售，数字大的时候大家觉得做得好，数字小的时候觉得做得不好，对么？

问个问题：有个网站，对网站架构做了重新设计后，pageview / visitor上升100%，其他数据都不变，这次重新设计是不是成功的？

再问个问题：有两个marketing campaign，Campaign A带来了10 million impression，100,000个visitor，2000个订单，200,000元销售；Campaign B带来了5 million impression, 80,000个visitor，1000个订单，400,000元销售。哪个Campaign比较成功？

  ======== MarsOpinion.com 分隔线 ==========

答案是不知道。

因为我们不知道我们的目标是什么，在不知道目标的时候数字是没有意义的。

如果你回答第一个问题”是成功的“，那么请想象一下如果这个网站是个电子产品公司的客户自助服务页面呢？网站的目标是让用户自己找到问题的答案以减轻客服中心的压力，每个访问者访问页面增多很未必是好事——可能说明你导航更不清楚了让用户要花更多步骤才能找到想要的答案。一方面客户满意度会下降，另一方面更多客户会放弃搜寻信息而直接拨打电话——这样又增加了客服那边的压力。

如果你给了第二个问题肯定的答复，那么请想象一下如果我们的目标是“增加品牌曝光”时你答案是什么，目标是“促进销售”呢？目标是“增加订单量，让用户都体验一下购物”呢？目标是“增加高价值客户”呢？

没有清楚定义目标的时候，我们看到的数字仅仅是数字而已。只有定义了目标，我们才知道数字对我们生意的意义。这个系列的头两篇文章（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）主要都在讲说如何正确理解数据的含义，那么这篇文章将开始来介绍如何理解数字对于我们生意的意义。

首先，我们要清楚定义目标。

对于一个支持性的客服网站，我们的目标是让用户找到满意的答案，从而不去拨打电话。

对于媒体网站，我们的目标是让用户对内容感兴趣，消费更多的内容。

对于电子商务网站，我们希望客户多消费，并且持续消费。

对于某一个市场活动，我们希望能增加品牌曝光，对另一个宣传活动，我们希望能拉多些新用户。

这是我们的目标。

听起来很简单，明确一下自己工作的意义和目的就好了。

其实并不容易。对于很多公司，很多人来说，他们其实不是非常能明确自己工作的目的到底是什么，要做这个要做那个只是因为“之前也是这样做的“或者”业界不都在这样做么“，只是为了做事而做事，而没有想清楚整件事情的意义。

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。打个比方，一个小朋友的目标是“长高”，那么他就可以选择“身高”（测量从脚底到头顶的长度）作为指标。

听起来还是很简单。

其实并不容易，分三步来说：

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。

第一步，找到合适的指标来衡量我们目的达成的效果。

这个……没有想象的那么容易。

举个例子，假如你管理一家电子商务网站，你找了几个人帮你做所谓的Marketing，你跟他们说“我要看到实际效果，打广告的目的就是要带来销售。“

听起来目的很明确——促进销售，所以在指标的选择上也就很简单——看每个campaign带来的“销售”类指标就好了。根据团队使用的工具的不同，他们的选择可能有：

• Same Session Order
• Same Session Shopper
• Same Session Revenue
• Last Click Order
• Last Click Shopper
• Last Click Revenue
• First Click Order
• First Click Shopper
• First Click Revenue
• Liner Order
• Liner Shopper
• Liner Revenue

另外，他们可以选择的时间窗可能有7天，10天，30天，或者60天。

选哪几个最合适呢？

一般的做法（有时候也是受到Web Analytics工具的限制）是选择30天时间窗的Last Click Revenue。”30-day Last-click Revenue”大致上（各家WA定义不一样，有WA专家写过一些文章介绍，可以点击这里查看他blog）是这样取得的：

消费者下单完成后进入订单确认页面（Thank you page），这个页面上有一段代码会去看该用户机器上的cookie，看该用户在之前30天有没有点击过我们投放的广告（例如发现该用户30天内依次点击过“新浪广告”, “Smater比价网广告”和“百度关键词广告”），如果有，则找到用户最后一次点击的广告（“百度关键词”），把这个订单的功劳都算到它头上。

听起来蛮合理的。

对于没有选择的同学们（比如你的WA工具只给你这个选项）来说，这样做无可厚非。但是对于有选择的人（比如你用好的工具，或者是自己设计开发WA工具），盲目选择”30-day Last-click Revenue”就是一件很扯的事情。

首先，为什么是30天的时间窗？

为什么不是7天，10天？为什么不是60天？

你对广告带来的流量的依赖性多高？你的消费者看到和点击你广告的频率怎样？从看到广告到做出购买决策，是否需要长时间的考察和研究？……

再问一遍，为什么不是7天，10天？为什么不是60天？

更重要的是，为什么你只看last click的数据？

设想以下情况：

一个用户在新浪看到了你周年庆的广告，点击进去发现你在做特价促销，买东西全场免运费还送一堆赠品，他记下了。过了两天，在上班的时候（^___^，大部分人是在上班时间访问电子商务网站的……），他想起自己要买个电饭煲，于是去比价网找产品比较价格，又看到了你家网址，点击进去看了一下，决定买了，但是没有带网上支付卡所以没有直接买。晚上回家之后，他打开电脑，打开百度，输入你网站的名字（他懒得去回忆你的域名）和那款电饭煲的名字，点击第一个链接（刚好是你的付费关键词链接），到了你网站，买了产品。

新浪的广告让客户了解到你，对你产生的印象，给之后的购物做了铺垫。

比价网广告让客户了解到你也在销售他需要的产品，让他购买。

最后，百度把客户带回来下了单。

你，把功劳都算给百度？

购物决策分为很多个阶段，你的广告可能在他购物决策的不同阶段发挥了作用。

有些类型的广告能让客户来到网站，激发他的一些需求。

有些类型的广告能让消费者在明确了他的需求之后，引导客户来到网站，促成交易。

还有些，介于两者之间，帮助客户从一个阶段到下一个阶段。

如果我们只看离转化（Conversion）最近的广告，把所有功劳都归给它，就会出现很有趣的现象：在报表里面，哪些起到”促成转化“功能的广告得到了所有的功劳，ROI最漂亮，而那些起到”激发需求“或者”增进了解“功能的广告没有得到任何功劳，ROI很难看——很自然的，在我们”优化“市场投放的时候，就会把有限的资金向ROI高的投放方式上倾斜（按照上面那个例子，很多marketer看到数据之后会把新浪和比价网广告停掉，把钱都往百度砸）。

因为你选择了一个有偏见的指标，”激发需求“和”增进了解“类型的广告的作用被大大低估，他们得到的资源也越来越少，最终影响到那些”促成转化“的广告的效果（在上面那个例子，如果没有前面的广告，客户是不会去百度搜索你的）——最后的结果就是，我们越是数字导向，越是去优化我们的marketing campaign，越是把资源投给那些看起来ROI高的campaign，我们整体的ROI就越差。很讽刺，不是么？

现在，你是否觉得，为了评价”创造销售“这个目标，除了30-day last click revenue我们应该也看看别的指标？比如说同时看30-day first click revenue和liner revenue. 30-day first click将把功劳算给30天内客户点击的第一个campaign，而liner将把功劳平均算给客户在30天内点击过的所有campaign。

如果你的投放金额较大（那么就更需要精细管理），是否应该将campaign分组，有些组用这个指标衡量（例如用first click衡量门户网站banner），有些组用那个衡量（比如用last click衡量比价网广告），还有些用liner的数据？或者，你觉得可以3个数据都看，弄个公式来计算（给每种数据一个权值）？

这些都是可以的，关键是——清楚的了解我们抓取到的数据含义，结合目标来选择最合适你生意的一套指标。

（FT，怎么写了这么长才写到这里。。。再分一篇文章出来好了，改天接着续）

无觅猜您也喜欢：
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（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（八）——客户族群细分（Segmentation）2-1
无觅

前面两篇文章（网络营销和Web Analytics的数据解读方法（一）——Metrics(1)和网络营销和Web Analytics的数据解读方法（一）——Metrics (2)）说到，就算你定好了一个看上去很美的Metrics，我们还是不一定能得知我们的市场活动、SEO优化，关键词广告到底产生了多少效果。为什么呢？

用我自己Blog（www.MarsOpinion.com）来举例子。假设说我的目的是要让更多的人来看我的Blog并且订阅它，那么我的Metrics可能可以设置为：

• Visits（多少人来看过），越高越好
• Bounce Rate（多少人来看了一眼就走了），越低越好
• 订阅数（多少人来看了之后进入了订阅页面），越高越好

下面我用这个Metris来评判自己的网站：

• www.MarsOpinion.com上个月每天访问量是一万二（数字纯属YY，不要当真），这个月每天访问量是一万一，访问量下降，说明要么我的文章质量下降，要么我最近文章过于深入细节，过于针对小众读者——总之，就是没有以前吸引人。
• www.MarsOpinion.com上个月Bounce Rate是80%（10个人里面有8个只看了一个页面就离开），这个月82%，所以对于来到网站的人来说，文章吸引力下降。可能因为最近这个系列对行业经验和知识要求较高，让读者比较不愿意看下去。如果我还想要扩大博客影响力，应该写得更通俗易懂一些。或者讨论一些更水的话题。
• www.MarsOpinion.com上个月新增订阅数2500人，这个月3000人，这个数据好——可能是因为讨论网络广告网络营销具体战术方法的文章太少，所以不小心进来的读者看到有具体讨论，不管看不看得懂都订阅，爽！

我这些判断正确么？（先不要往下翻）

（好吧，你已经往下翻了@__@）

前面两条基本不对。

最简单的反证是：如果我上个月流量中70%是老访客，30%是新访客，而这个月看流量，发现90%是老访客，10%是新访客，那我的两个推测就都是错误的。1. 老访客访问量上升，说明不一定是文章的问题。新访客数量下降更可能是外部链接或者搜索引擎收录的问题，需要再进一步细查；2. 如果这个月老访客增加了那么多，就很好理解为什么Bounce Rate变高——老用户已经看过前面文章了，当然是看完最新更新就走了，同样和文章不一定相关。

为什么会出现误判？因为综合性的数据（总数和平均数）都不能够全面和具体地反映真实情况。举例来说，如果有个服装厂得到数据说美国3亿人平均身高是1米，所以准备按照1米的身高来设计衣服打入美国市场，我们觉得是否make sense呢？如果这样做没有道理，为什么用平均的bounce rate来衡量一个网站（网页）对客户的粘性我们觉得是有道理的呢？：）

基本上，我们会用Segment来解决这个问题——把用户分成不同的Segment，然后再看每个Segment的表现，这样才能真正深入的了解情况。比较常见的Segment方式有：

按照顾客生命周期来分Segment

1. 分析数据时，将新老客户分开查看。

就好像之前那个例子：

“A页面的Bounce Rate（有多少比例的访客看过这个页面马上离开）是80%，B页面的Bounce Rate是90%；Web Analytics显示，A页面最终产生了400个订单，B页面只有200个。A页面活动较为吸引人，或者页面设计较好。”

如果我们把客户按照新客户、老客户分成两个segment，再看数据，很可能会发现：

• A页面新客户占30%，新客户Bounce Rate 95%，产生了3个订单；老客户占70%，Bounce Rate 74%，产生了397个订单。
• B页面新客户占70%，新客户Bounce Rate 95%，产生了7个订单；老客户占30%，Bounce Rate 78%，产生了193个订单。

这样细分之后，我们可以看到

• 新客户比老客户Bounce Rate高。
• 新用户比老用户的Conversion Rate低。
• 新用户在A页面、B页面上的Bounce Rate相等，Conversion Rate也想等。
• B页面新用户较多，所以看起来数据比较难看。
• 如果光看老用户Segment，B页面的Bounce Rate更低，Conversion Rate更高——B页面表现更好！

就这样，我们得到了和之前相反的结论。

通过细分，我们不仅仅可以得到更精确的结论，而且更能够把data转化为action。比如如果我们光知道B页面Bounce Rate高，我们很难有的放矢的去优化，但是当我们细分考察之后，发现页面接待了大量的新用户，而这些新用户大多看过一个页面就离开的话，我们就可以把重心放到：1. 流量来源的优化，2. 页面易用性的优化（新用户不知道怎么用）；3. 介绍信息的优化（新用户不知道你是干嘛的）。如果我们通过Segment发现这个页面主要是老用户Bounce Rate高，我们要考虑的则是页面本身活动的吸引力更多一些（老用户知道你是干嘛的，也更加知道该怎么在你这里买东西参与活动）。

只有深入了解用户，才可能做出有针对性的反应。

按照新老客户划分Segment只是最基本的方法，其他的下次再说。

无觅猜您也喜欢：
网络营销和Web Analytics的数据解读方法（二）——Segment (2)	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（一）——Metrics	网络营销数据解读（七）——客户族群细分（Segmentation）1
无觅