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：）
Popularity: 100% [?]
