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（一）——Metrics	怎样监控和评估网络营销效果（三）	网络营销数据解读（四）——目标和指标
无觅

欢迎各个媒体、广告公司、搜索引擎营销代理公司……任何和网络营销相关的公司把公司介绍和案例发给我，说不定可以用到书里（如果真出书的话，现在还不知道有没有时间写——发现写书还真是个浩大的工程），呵呵。

先发篇短的交差，过些天上碎碎念。

常常被问说一个好的报告应该长什么样子，一般来说我的建议是每个部门呈现的数据报告都分成四个部分：

第一部分：事实——发生了什么。

1. 摘要
2. 各项指标数字
3. 参照系

以MKT出的周报为例（下面都只是为了举例子方便瞎说的，不要纠结在case本身，呵呵），首先里面可能包含这样一些指标数字（怎样设置指标可以参考网络营销数据解读——目标和指标）：新注册用户数，新购物用户数，新访客访问量，老访客访问量，广告活动ROI，搜索引擎投放ROI，其他营销活动ROI。其次，每个数字都不是单独出现，在同一张表里面还有前4周的数据和一年前的数据（例如下图），便于比较和分析趋势。最后，所有数据展示上方要有简短的三五句话摘要，例如

“新用户注册数显著增加。”

第二部分：分析——原因是什么。

1. 对于好的变化，告诉我原因是什么，推测的根据是什么
2. 对于坏的变化，告诉我原因是什么，推测的根据是什么

接着上面的例子，那么在这一部分可以说

40%的外网广告和站内营销活动的主推产品平均单价从600元调整到了300元，这可能使得广告对新顾客的吸引力上升，从而引来了更多新顾客。从GA监控数据看，这40%的外网广告带来的新注册用户数量比上一周增加了45%。

 

这次调整主推产品是因为MKT内部做数据挖掘时发现虽然我们当前主销的产品单价大多在600元左右，但是数据表明我们的顾客第一次购物时85%选择了我们网站较为低端的300元左右产品来做尝试。从这个发现出发，我们决定测试主推低端商品以吸引新用户。就目前结果来看，事实证明了我们的猜测。

行动计划——怎样利用我们的发现。

1. 怎样保持和放大好的变化，什么时间点要做什么事情
2. 怎样减缓和扭转坏的变化，什么时间点要做什么事情

接着上面的例子，这一部分可能是

行动计划：

1. 本周四开始将加大测试规模，尝试将60%的广告主推产品改成300元左右低端产品，下周四检查新调整的这20%广告带来新顾客数量有没有大幅度增加
2. 本周四增加测试，将20%的广告主推550元左右的高性价比产品（从700元降价到550），下周四检查这部分广告表现。
3. 一个半月后，检查不同广告组带来的新注册用户购物次数和购物金额是否有显著差异，根据差异程度来决定接下来半年主推哪个价位产品。
4. 6个月后，检查不同广告组带来的新注册用户购物次数和购物金额是否有显著差异，根据差异程度来决定接下来主推哪个价位产品。

预估——验证我们的结论是否正确，我们的执行是否到位。

什么时间点，我们会看到什么样的数据。

1. 下周四采集数据时，一直主推300元档产品的40%广告带来新用户数量不变
2. 下周四采集数据时，新调整的主推300元档产品的20%广告带来新用户数量增加45%
3. 下周四采集数据时，新调整的主推550元档高性价比产品的20%广告带来新用户数量增加20%

最后这个部分主要是用来方便日后检查工作的。

一方面，要求各部门不断做预估，然后不断的验证自己的预估可以锻炼团队，提高大家的sense，另一方面，在得到分析结论和执行行动计划的同时就把将来的检查点定义清楚能够方便我们及时的核查我们研究发现是否正确、团队执行是否到位。例如如果到时发现新调整的主推300元档产品的20%广告带来新用户数量增加只有5%，而原来那40%仍然表现很好，我们就要研究说是不是广告位本身因素造成了新用户数量上升，而不是主推产品。如果550元档产品广告带来的新用户数量增加了50%，可能我们的假设“新用户喜欢尝试低价商品”就得改成“新用户喜欢尝试高性价比商品”。

本质上，这样的报告思路很简单清楚：首先告诉我发生了什么，哪些好事，哪些坏事。然后，告诉我原因是什么。然后，既然你已经知道了原因，那么你打算怎么做，让好事继续发生或者扩大规模，让坏事消失掉。最后，你告诉我什么时候来检查作业。

这样的报告，才能通过之前说过的“那又怎么样呢?”测试（So What Test），呵呵。

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

上次说到可以根据客户的生命周期来分segment，可以帮我们更好的理解数据做决策。

除了客户生命周期之外，其实还有无数的指标都可以用来做客户细分。下面这些例子就都能用客户细分的思想来分析出有用的结论（Actionable Insight），大家不妨试试看来做一下这些案例，留言说一说你的分析思路，大家多交流：）。

先说明两件事情：

1. 为了便于讲解和理解，案例都很简化、极端化，具体内容请不要当真：），主要是介绍一个思路。

2. 大部分案例用www.MarsOpinion.com网络营销数据解读系列文章前面介绍过的思路和工具也能解决……为了便于讨论，请都从segment的思路出来来考虑这些问题：）

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。我们可以做什么？

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。这样推理正确么？

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。这样的逻辑对么？

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。这样的结论对么？

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？

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。是这样么？

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。这样做真的合算么？

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。这样的推理正确么？

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？

现在就留言吧：）

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：）

上次（网络营销和Web Analytics的数据解读方法（二）——Segment (1)）应该是说到综合性的数据（例如：平均访问时间，平均Bounce Rate）没法全面具体反映真实情况，也没法给你行动的指导，所以我们要用到Segment。最后举例说我们可以按照客户生命周期来做Segment，并且用“新客户”和“老客户”segment举例说明了一下。

那么（终于想起来下面要怎么写了@__@），今天我来把“按照客户生命周期来Segment“做一些更进一步的介绍，然后介绍一些其他的常用Segment方法。

首先，按照客户生命周期来Segment。除了按照New Customer, Old Customer来分之外，我们还可以更具体的按照其他指标来做Segment，例如：

1. 按照客户购物次数来分：

假如我们的Transaction Report包含网站总注册用户数，本月访问量和订单量。

在Segment之前，你看到的是网站一共有1,000,000注册用户，本月访问量100,000人，本月产生10,000个订单，平均（注意这个词）每10个注册用户有一个来访问网站，平均10个访客产生一个订单（Conversion Rate 10%）。这个数据看起来很丰富，很强大，很有道理，放到Excel2007里面可以自动生成漂亮的表格，大家看到很高兴，觉得对网站又加深了理解，觉得自己懂数据了，然后该干嘛干嘛去，什么行动也不会有。

假如我们管没买过东西的叫做New Register，买过一次的叫New Customer，买过两次的叫Second-time Customer，买过N次的叫Nth Customer. 然后你去看你的transaction report，然后我们把Transaction Report按照Segment来解析一下，你可能会看到这样的数据：

这一次有发现什么问题么？

这个问题可以有相应的方法去解决么？

你觉得应该采用什么样的行动？（欢迎讨论，下次再介绍我的一家之言：））

2. 按客户注册时间来分：

换汤不换药，可以用上面一样的例子来解释。

3. 按其他客户生命周期的表现参数来分：

例如你是个SAAS服务提供商，而你提供的服务产品之间是有顺序关系的（客户一般会先买A，过一阵子可能买升级版B，然后可能补充模块C……），你可以根据你的客户最近一次购买产品种类来判断客户已经到了哪个阶段，然后按照这个参数来做Segment。例如你用这个Segment去看Support Website上的 Visitor Report，发现你的访客中A类客户一般停留2分钟，而且会在具体Q&A页面离开（假设这样代表这个客户的问题得到了解决）；而C类客户则平均停留时间10分钟，而且最后都到了Contact us页面（假设这样代表这个客户的问题没有得到解决，只好打电话）——你可以粗略得到结论说你的Support Website对于高级客户的帮助信息太少或者导航太差，需要改进。而如果你看的仍然是没有经过Segment的数据，很多时候那些报告是一点用也没有（有用没用的标准：你看过那些数据之后，你将来会不会有行为上的变化——例如下次更新页面的时候优先放C产品的帮助文档——如果没有，就是没用）。

假如你是个网游公司，则不妨通过用户在游戏里的等级或者其他量化的参数来划分，不再详述……

（某些Segment会需要企业级的WA Tool来支持）

按照用户的购物种类来分

很多网站都在销售不同品类的产品，例如同时卖书、卖电脑、卖手机、卖奶粉……

购买不同产品的消费者，往往有着不同的习惯，这些不同之处也很容易让“汇总的报告”失去意义。

举个极端的例子：

1. 你开了一家店，然后开始兴冲冲的分析数据

2. 你发现你的消费者平均访问间隔是20天

3. 所以你定义说“每10天来访问一次的就是我的忠实消费者”，“每20天访问一次的是我的一般消费者”，“如果该客户1个半月没来，他可能流失了，我要按照Mars那个客户关系管理模型来找到这些消费者，给他们每人发10%的优惠券，挽救他们回来！”

听上去有道理么？

可是，如果你主营的产品是两种，一种是纯平大彩电，一种是奶油小蛋糕呢？

买彩电的人最多一年来买一次，而喜欢你手工蛋糕的同学们可是三天两头就会来定（蛋糕又不能长期储存），这样就导致“消费者平均访问间隔是20天”这个数据没有意义，从而让你的campaign变得荒谬。

这只是极端的例子，可是你销售的产品特性是否类似呢？如果不是，你是不是也是在看充斥着平均数的报告呢？

按照用户的来源来Segment

(周末再说）

关于Amazon的Prime Membership，There are some interesting data from compete blog:

• Amazon’s December traffic surged 20% year-over-year, outpacing Target.com and Walmart.com’s respective 16% and 15% growth
• Amazon visitors logged an average of 4.5 visits to the site throughout the month of December. Compare that to the average rival retailer that registered just 2.1 visits per shopper.
• 49% of the time Prime members shopped online, Amazon was at least one of the retailers they visited (compared with 29% for non-members)
• 40% of the time Prime members shopped online, Amazon was the first retailer they visited (compared with 24% for non-members)
• 53% of total online retail purchases made by Prime members in December were made at Amazon.com (vs. 29% for non-members)

2.

也有数据关于Borders的那个书架（之前介绍过），说是Conversion Rate比其它方式高62%.

3.

点击这里开始小游戏

你可以选择模特，她们做出各种性感姿势，你来拍照，音响效果很好，感觉你真的是摄影师在工作。——当然，音乐和模特都很sexy.

然后会给你机会把你“拍下来的照片”编辑成册（照片都很精美，理论上应该是实现拍好的，根据你按快门的时间点自动调用最接近时间的那副图片，不可能真的截视频截那么漂亮）。你可以上传自己头像，然后把画册发给朋友。

这个点子不错，买衣服的同学们可以用——如果有足够的钱烧：）。

上次说到两个问题：

首先，指标的达成是一个数字（例如100 million impression），但是数字和数字间还有一个质量的区别（例如在你目标客户群中展示一亿次，对你的意义要显著大于在非目标客户群中展现一亿次）。

其次，你的监控工具本身就有非常多的局限性，让它不能充分反应事实，它告诉你带来了1000万销售，其实很可能是1500万，也可能是500万——很多东西没有被监控到，也很难被直接监控到（这里不说细节了，参看我之前写的怎样监控和评估网络营销的效果和网络广告真实效果），例如消费者查看点击广告后过了一个月再来购物，例如你的广告打动了消费者，让他们在很久以后的下一次购物会想起你来，这些深远的影响都是Web Analytics工具难以直接监控和反应的。

那么我们要做的就是：

1. 完善metrics，不仅仅衡量指标完成的数量，还有质量

2. 想办法去衡量那些Web Analytics工具直接监控不到的数据

第一条相对而言好做到一点，衡量目标达成的质量，可能有三种不同途径：

1. 用外部数据支持：还是用那个品宣的例子，我们可以用第三方的数据来检查QQ和新浪投放页面的访客构成（年龄、教育程度、上网习惯……），看和我们的目标客户重合度有多高，用这个方法来衡量Impression的质量。

2. 用后续数据跟踪：还是用之前那个例子“你在QQ和新浪上花同样的钱投放了广告，QQ一天带来了50000个访客，在你网站注册了300个新帐户，新浪一天带来60000个访客，400个注册了新帐户，所以新浪的投放性价比更高。”在这种情况下，我们可以不仅仅看广告直接带来了多少新用户，而且可以继续跟踪这些用户在注册后的表现来判断注册质量。可能新浪是把你广告放到了论坛里，然后坛主号召网友注册的，注册时信息也没有填写完整，之后这些人也几乎再也没来过你的网站；而QQ带来的新注册量虽少，可能大部分人都每个月回来看一次，成为了你忠实客户。通过后续数据跟踪，我们能够更清楚我们之前目标达成的质量。

3. 综合其他数据一起分析：假如我们的目标是促进销售，那么同时看Order和AOV和Buyer三个指标，就比只看Sales指标要来得全面。可能两个Campaign都给你带来了400万销售，但是其中一个是由4000个订单组成，由3000个不同客户下单，每张订单金额是1000元，另一个；另一个则是由100张订单组成，由10个客户下单，每张订单金额是40000元。根据你实际业务的不同，这两种销量对于你的意义也是不一样的。或者，一边带来的销售毛利率是10%，另一方是1%，对你的意义很可能也是不同的。

用上述3种方法，我们可以更好的理解手中的数据。

那么，对于第二个问题，我们怎样去得到那些Web Analytics工具衡量不到的数据呢？例如消费者看过你网站之后，过两个月再来，怎样把后来的销售也归因到之前这个Campaign呢？怎样来衡量一个Campaign，一个Optimization Project的深远影响呢？

比较常见的有两种方法：

1. 客户调研，设计问卷来询问目前活跃的客户，哪些mkt campaign在他们成为活跃用户的过程中起到过重要作用。这样做的好处是可以从真实的消费者那里了解信息，缺点是数据很容易扭曲（一是样本可能不够有代表性，二是消费者自己也很未必清楚到底哪个广告、哪个网站改版细节影响了他的决策）。

2. 用辅助数据近似推导。有些数据我们没法直接观测和得到，但是我们可以用手中其他数据去推导。例如我们的目标是“促进销售”，我们手中拿到的数据可能会有Impression，Qualified Traffic, Engagement，Acquisition, Order, Margin, AOV, Subscription……用Order和AOV我们可以得到所谓的“这个campaign带来了多少销售”的数据，但是这个监控是非常短期的和不全面的，比如我们比较难接监控有多少眼下没有下单的人在之后会下单，怎么办呢？我们可以用其他数据来推导。

举例来说，新浪带来了40万销售，QQ带来了30万，这是直接监控到的。另外我们监控到新浪带来了40000注册用户还没有下单，QQ带来了5万注册用户也还没有下单——假设我们的attribution window是30天，而我们分析自己用户行为数据得知有70%新注册用户会在注册后30天内购物，10%的新注册用户会在注册30天到365天内购物，平均购物500元，我们可以把注册量乘以*10%*500作为这个campaign可能带来的远期销售额，这样的话，新浪带来的销售就是400,000 + 40,000*10%*500 = 2,400,000元，而QQ带来的是300,000 + 50,000*10%*500 = 2,800,000元，QQ促销效果更好一些。

不仅仅可以用注册（Acquisition）来做判断，类似Engagement，Qualified Traffic或者Subscription数据都可以用来近似推导他们意味着多少“潜在的销售额”。例如我们不知道每个访客在将来会有多大可能性回来购物，购买多少东西，但是我们大致会有个概念说“来到我们网站看了10个页面才走的人，比看了1个页面就走的人兴趣更大，更可能回来”，或者“来我们网站订阅了我们宣传邮件的人，将来我们可以定期发邮件和coupon吸引他回来，所以他回来的概率会比普通人大”，然后我们采集数据+根据经验瞎猜得到一个换算公式——例如一个subscription等于10块钱“远期销售额”，一个访问了超过10个页面的访客等于5块钱“远期销售额”，一个看过“公司简介”页面的访客等于2块钱”远期销售额”，这样我们就能近似的推导出那些工具难以追踪的数据，更好的了解campaign和网站的真实情况。

那么，是不是我们设计一套更完整全面的metrics，考察目标达成的数量和质量，并且计算推导出远期的效果，就深入了解了数据，深入了解了用户，就一切OK万事大吉了呢？

不是的。

这样的数据仍然是扭曲的，我们还是没有从数据中看到真实的情况。

为什么？改天说。

相对而言，Web-Only Retailer日子稍微好一些。

根据Search Engine Land, Cyber Monday Amazon的流量比去年上涨21%，Walmart.com涨了6%。

ChannelAdvisor的某人说，Cyber Monday, Ebay销售比去年增加50%，Black Friday时比去年增长30%；Amazon的Black Friday和Cyber Monday都比去年销售增加230%。

被Blog读者来信提醒，才知道这篇《怎样监控和评估网络营销的效果》已经发表在了某营销杂志某期（怪不得有一阵子direct load增加很多）——把文章给他们之后就再没有消息，传说中的样刊和稿费都还没看到:S，也就忘了这件事情。

文章是之前的怎样监控和评估网络营销的效果系列文章的汇总，修改的部分不超过10%，建议之前看过的朋友们直接跳过。

===== 正文的分割线 ====

和传统媒体相比，网络营销的优美之处就在于效果的评估可以更全面、及时和精准。在中国互联网的特定环境里，应该怎样去采集和分析数据，合理地评价一个网络营销Campaign的效果呢？

一般而言，我们关注的数据有三个：

• 印象 Impression
• 点击 Click
• 转化 Conversion

首先是Impression——印象。

理论上，Impression代表你的广告展现在受众面前的次数，这个数字常常由三个渠道得到：

• 媒体或者广告代理自己告诉你
• 媒体或者广告公司请第三方公司告诉你
• 你把广告材料给第三方平台，仅仅把读取代码给媒体，最后第三方平台给你报告。

第一种方法并不能完全相信，媒体数据往往含有水分，大门户可能稍好，中小型门户的数据几乎完全可以无视；第二种数据看上去比较公正，但是也未必可靠；第三种，数据也未必精准（不过比线下广告还是要好一些），首先你的广告被读取了一次不代表它被看到了一次（例如它在第二屏，而读者没有翻页），其次你的广告被读取了一次，并不代表它真的出现在了你希望的位置出现了一次（如果要作弊的话，完全可以用程序自动读取你的广告）。

所以，基本上可以说在中国互联网，Impression这个数据可参考性不高（当然，如果你目的是单纯的品宣，大网站和第三方提供的数据还是可以放到最终报告里去的），不用太当真，真实效果还得看Click和Conversion。

Click是什么？理论上指的是多少人点击了你的广告。

一般的监控方法是：安装Web Analytics服务（例如Omniture, WebsideStory，免费的Google Analytics，或者自己开发一个），然后给自己的landing page的网址编码，编码后再给媒体，媒体每次有点击过来就都会被分别记录下来。举例来说，我要宣传www.MarsOpinion.com（我的blog，下文中都会以它为例子），在新浪和QQ都买了广告，那么我会让新浪的广告链接链接到http://www.marsopinion.com/index.php?CMP=SinaBanner，而QQ的广告链接到http://www.marsopinion.com/index.php?CMP=QQTextLink，这样后台程序就会自动根据CMP参数的不同，将进入的流量分别计算到新浪和QQ两个Campaign上。

但是，实际上问题会更复杂——基本上，国内互联网的点击作弊是非常普遍的事情。点击不仅仅可以完全造假（程序自动点击，或者人肉点击），而且可以更隐蔽的“造真”（用垃圾流量替代——比如你买的是汽车频道，但是实际上你的广告同时出现在了成人频道）。就以前的经验而言，假点击甚至于可以超过真实点击数十倍之多。

道高一尺，魔高一丈，要想把“真实的流量”过滤出来实在是难于登天。所以其实可以换一个角度考虑问题：我不要过滤“真实的流量”，我要过滤出“有价值的流量”。什么是有价值呢？消费者表达出的兴趣越浓厚，就越有价值。对电子商务网站来说，一个客户进来之后连续看了30几个产品页面，当然就比另一个来了就走的客户有价值（不管他是真是假）；对一个营销活动的landing page来说，看过了活动规则页面的流量就比只来过landing page的有价值。总的来说，浏览的深度和时间越长，代表受众对你的内容越感兴趣，这个流量越有价值。

从这个思路出发，就可以做出更有效的过滤：

• 只计算浏览深度大于N的click，比如N=1，有1000个IP点击了我在新浪的广告，他们都来到了http://www.marsopinion.com/index.php?CMP=SinaBanner，其中30个人另外再点击到了我某篇文章页面，其他970个人马上离开了，那么系统就只记录30；如果从QQ那边有200个IP过来，但是有40个人点击了下一个页面，那么我会认为QQ的效果比新浪要好。
• 只计算浏览时间大于T的click
• 只计算到达过特定页面（非Conversion页面）的click，例如电子商务网站可以把广告都链接到自己的promotion landing page，但是规定只有当流量浏览过具体产品页面时才算数

这样过滤出“有价值的流量”，得到的数据比较真实，参考价值比单纯的点击数Click要更高。

如果要更进一步去定义“有价值”的话，一般就是直接看Conversion了。

转化，对于不同的Campaign来说，转化的定义也会不一样。可能是注册了你的网站会员，下载你的软件，或者是输入邮件地址订阅你的Newsletter——总的来说，就是完成了特定的行为。对于电子商务公司来说，这个特定行为往往是：注册成为用户，或者下定单。

在监控方面，“完成特定的行为”往往被表达成“到达了特定的页面”。比如下完订单之后，会弹出一个”谢谢您的订单……”之类的页面，当这个页面每被调用一次，就代表一个特定行为的完成。而监控的实现，往往也是通过这个被监控页面的代码来抓取数据得到的。

回到前面那个新浪和QQ广告的例子，点击新浪广告的网民都会来到http://www.marsopinion.com/index.php?CMP=SinaBanner这个页面，而点击QQ广告的网民都会来到http://www.marsopinion.com/index.php?CMP=QQTextLink（其实是同一个页面，最后带的监控参数不同），这时监控代码会在用户的session（可以理解为在用户机器上写了一个小文件，记录用户当前状态，用户关闭浏览器这个小文件就没了）里记录下具体的参数值，对于新浪来的click，就会记录一个“CMP=SinaBanner”在那里，而当这个顾客看了无数产品，最终下定单买东西之后，会弹出上文中提到的那个“谢谢”页面，这个页面里也含有监控代码，它做的事情是：

• 检查你的session，看里面有没有CMP这个参数的值（注：你当然可以不用CMP这个名字，例如Google Analytics好像用的就是utm_campaign）
• 如果有，则把这个订单归功于那个CMP参数所代表的Campaign上——例如看到CMP=SinaBanner，就在后台的SinaBanner这个Campaign的Order数上加一，另外再把当前订单的金额抓取出来，加在SinaBanner这个Campaign的Revenue一项上。

这样子，广告对于你最终目标的促进就能够被量化考评，例如最后发现新浪带来了50个订单，1000元销售，而QQ带来了20个订单，800元销售的话，就可以知道新浪促销效果更好。

可是，如果客户不是马上下单呢？如果他看到了QQ上的广告，点击来到我的网站，看上了一款相机——但是，他等到第二天再直接打开浏览器输入我的网址www.MarsOpinion.com（后面没有任何参数），然后直接下单呢？

一般用cookie解决，通俗点说cookie就是你的监控系统留在来访者机器上的小文件，里面记录着过各类你想记录的信息，下次他再来的时候，系统会检查文件，这样也就可以把这个人认出来。

还是用上次那个例子，张三点击了新浪广告，来到了http://www.marsopinion.com/index.php?CMP=SinaBanner这个页面，而李四点击QQ广告来到http://www.marsopinion.com/index.php?CMP=QQTextLink，这时监控代码会在张三的机器上写一个小文件，里面写“CMP=SinnaBanner”，李四的机器上也留一个，里面写“CMP=QQTextLink”。

张三李四看到网站，逛了一逛之后各自回家。过了几天，张三忽然想起自己要买个数码相机送人，想起来上次好像在www.MarsOpinion.com上看到过这个产品，于是重新打开网站，搜索数码相机，选了一个2000块的，然后付钱结帐——来到了“谢谢”页面。

这个页面上的监控代码开始检查张三的机器里有没有自己以前留的cookie，发现有，打开一看里面写的是“CMP=SinaBanner”，于是把这笔帐算到SinaBanner上，给这个Campaign加上一个order和2000块的revenue。

所有点击过广告的张三李四，在结账之后都会照此办理被系统检查之前是否点击过广告，点击过哪个广告，然后把他们的订单算作相对应的那个Marketing Campaign头上。定期一比，发现SinaBanner带来了200个订单，10000块钱的销售，QQTextlink带来了1000个订单，20000块钱销售，就可以量化的考评哪个渠道更有效了。

可是，如果消费者点过不止一个广告呢？

一般的做法是：不管。你先点了QQ的广告，我就在你机器里留个文件写着QQ，然后你点了新浪广告，我就在那个文件里写Sina，把“QQ”两个字覆盖掉——最后导致转化的那个Campaign得到所有的功劳（注：事实上，这种程度的监控对于绝大部分公司来说已经足够了）。这样其实很像一个笑话里面的主角：说有一个人，肚子极饿，看到市集上有卖大饼的，赶紧扑过去。付钱，买了一个，不饱；再买一个，吃下，还不饱……直到第七个大饼下肚，才顿时觉得通体舒泰——饱了。此人看看空空的口袋，忽然放声大哭——早知道只吃第七个大饼就好了呀，何必浪费前六个的钱呢。

前文所述的监控逻辑和故事里的逻辑很类似——前面Campaign做的铺垫全部不算，只看最后吃饱那一刹那手上抓的是第几个饼，就把功劳全算它的。

不同类型的广告，其实往往在营销消费者行为当中发挥不一样的作用，有的作用是激发兴趣，有的是维护关系保持熟悉度，有些则是促进转化，如果只看“促进转化”这一块的话，很可能会导致有偏差的判断。举例来说，很可能是你在门户上的广告“超低价Thinkpad“吸引了消费者注意力，让他第一次来到你网站，并且记住了你。但是这好歹是几千块钱的东西，所以他又去比价网比较了一下价格，比较之后决定在你这里买东西，却一时没找到信用卡……等几天之后在另一条牛仔裤口袋找到了信用卡，却又把你网址忘了，于是在百度输入印象中的名字，看到第一条就是你购买的关键词链接，于是点击进了你网站买了Thinkpad。

这个消费者从前到后，一共受到了三个不同的Campaign的影响，分别是门户广告，比价网，和搜索引擎。如果按照一般的算法，都会把功劳算给搜索引擎关键词。最极端的境况是，假如90%消费者都是这样做（注：仅仅是个假设的例子），你就会发现搜索引擎关键词的性价比最高，每花1块钱可以带来10块钱销量，而门户网站和比价网的花1块钱只能带来5毛钱，你就会得出结论说——“搜索引擎是最有效的营销手段”，然后开始“优化渠道”，慢慢把预算都往搜索引擎上放，而不再投放门户广告和比价网广告，接下来，就发现很奇怪的搜索引擎来的流量变小了，转化率也变差了，怎么优化关键词也没有好转……按照这样优化下去有可能越优化效果越差。

所以，最好是能够将用户在某一段时间（一般是30天）点击过的Campaign全部记录在顾客机器里，等他下单的时候，系统把cookie里面留的信息全部抓取出来，比如对于我们例子里的用户，抓到的信息就会是

• 2008/09/09 9:00AM：CMP = YahooBanner
• 2008/09/09 11:30AM：CMP = SmarterComparison
• 2008/09/14 9:00PM：CMP = BaiduKeywords

根据这些信息，怎样来将最后的销售（假设是9000块的一个订单）功劳分给不同的Campaign呢？方法很多，对于不同网站来说，可以自己设计适合自己的方法，这里提供最简单的几种抛砖引玉：

1. 定义一个Activated Sales，表示某个Campaign激发消费者访问购物的效果，根据这个定义，YahooBanner这个Campaign的Activated Sales将增加9000元，算作它的功劳；

2. 定义一个Converted Sales，表示某个Campaign促进消费者直接转化（Conversion）的能力，根据这个定义，BaiduKeywords这个Campaign的Converted Sales将增加9000元，算作它的功劳；

3. 定义一个Normal Sales，表示这个Campaign在消费者整个购物决策过程中有没有起到作用，根据这个定义，YahooBanner，BaiduKeywords，和SmareterComparison三个Campaign各分到3000元。

后来将report分开，便能更全面的考评不同的Campaign到底有没有效果，起到了哪方面的效果，避免上文中吃大饼的同学的错误。另外，在了解了不同Campaign在消费者决策过程中的具体作用之后，也能对业务起到更细致的指导：比如最近网站疯狂打折转化率高，可能你会想把经费偏向于那些Activated Sales高的Campaign以吸引多人来看；或者比如你的网站已经做到”地球人都知道“，可能你会想把钱多花一些在Converted Sales高的Campaign上……总之，这样考评之后，信息更全面，也更细致，能够对决策起到更大的帮助。

这样是不是够了呢？（注：对于一般网络营销而言，其实已经足够了）

不论是哪种Sales，是不是数字大就一定比数字小要更好呢？

是不是比较数字大小，就能够合理有效的优化营销渠道和方法呢？

如果要更进一步细化，还有哪几个方向呢？

第一个可以考虑的是——把新老客户带来的销量（或者订单量）加以不同的权值。

如果一个客户，已经来过www.MarsOpinion.com注册过你的会员，留下邮箱提过问题，或者订阅过的newsletter——总之已经知道你了——的客户，他这次购买真的是因为看到广告么？还是因为他本来就要来买东西？

不知道。

但是至少我们知道，他“不看广告也会来买”的概率要大于那些点击广告刚刚注册并买东西的新用户，所以可以考虑在新老用户的转化上，加上不同的权值。例如在老用户的销售额上乘以50%（假设你认为他有50%的概率是本来就要买东西）再进行比较。这样的话，假如QQ带来的10000块销售额，全是老用户，新浪广告带来8000块销售，全是新用户，就可以得到10000 X 50% < 8000，就可以知道新浪广告比较有效。

如果不区分新老客户进行考评的话，销售数据往往会让你对营销渠道的效果产生错误的估计：因为转化一个新客户，比让老客户再次来购物要困难很多，所以那些已有很多老客户的（常常也就是合作时间较长那些）网站、论坛往往会给你带来数倍于其他网站的转化率，光比较数据的话，很容易把所有新进行尝试（老客户较少）的网站统统优化没了，从而削弱营销在“获取新用户”上的作用。

第二个可以考虑的是——在后台系统里，将销售转化为相应的利润。

为什么呢？因为你最终目的是盈利，而销售额未必能正确反应获利能力。

举例来说，QQ给你带来了10个新客户，每人买了一台一万块的特价笔记本，每台你赚了1000块，一共赚了10000块；新浪给你带来了10个新客户，每人买了一台一万块的XX限量珍藏笔记本，每台你赚了1000块，一共赚了10000块。哪个渠道对你更有效呢？

第三个可以考虑的就是——追踪长期效果。

有些Campaign带来的客户来买了一次就走了；另一些呢，可能则成为了你忠实客户，之后一直在你这里买东西，哪种比较重要呢？

举例来说，你在网购折扣论坛做广告，很可能转化率就比在新浪做广告转化率高，因为网购折扣论坛的参与者大多已经是成熟网民并且已经有网购经验，而新浪的读者却未必，所以很可能得出结论说购物论坛广告效果更好。可是呢，因为购物论坛的消费者都比较熟练和精明，他们知道的替代网站较多，对其他网站打折促销也更关注，所以很可能在你促销期结束就再也不来了；而新浪的读者，因为对网购没有那么熟悉，你可能成为了他们所信任的为数不多的几个商家之一，他们以后一直会在这里购物。新浪广告可能带来的直接销售不多，但是带来的客户终身价值要高很多——如果你不监控长期效果，是发现不了的。

所以，可以考虑在客户下单时，看看这个客户第一次注册购物时是被什么广告带来的，给那个Campaian的功劳簿上记上一笔。

综上所述，通过监控“有意义的流量”和“转化”能够更真实有效的考评网络营销的实际效果。量化的效果考评可以极大的方便营销方法、渠道的优化，逐渐让你获得更好的投资回报率。

但是，最后也要在重申一下，网络营销效果评估并不是越细越好，过多的细化下去反到会让数据模糊，难以指导决策——而且，细化监控往往意味着监控系统开发难度成倍的增加。量力而为，适度就好。

好吧，下面是一些相关报告和数据：

According to E-consultancy and Bazaarvoice, “Social Commerce Report 2007″, effect of Customer-Generated ratings and Reviews on Select web site metrics in the past year according to online retailers in the UK, the US and Europe, Jun-July 2007 (% of respondents)

• 77% reported site traffic increases
• 56% reported improved conversion rates
• 42% reported higher average order values 

According to E-tailing group white paper,

• 59% of merchants interviewed cited the customer experience as the most important factor in the addition of customer reviews to their site.
• 79% said the product page is very successful as a product review hub. In contrast, the home page had varying degrees of success with 37 percent reporting strong successes. 
• Merchants indicate that there is less reliance on customer service as the reviews answer some of the questions that otherwise must be handled on a one-off basis.
• The unbiased nature of reviews (where they are more transparent and trustworthy) engenders customer trust and that trust translates into loyal, lifelong shoppers.
• Merchants were generally surprised by the number of positive reviews, another hidden truth. Initial fears of heavily negative reviews never materialized for any of the merchants interviewed.

And,

70% of online shoppers actively seek out customer reviews before they buy (source: eTailing Group  and JC Williams Consultancy)

79% of online UK retailers surveyed reported that the main benefit of consumer-generated rating and reviews was that they improved site conversion rates. (eMarketer, 2007)

Top rated product email drive 46% higher revenue per email in A/B test. (Golfsmith)

好吧，这篇文章的插图纯属搞笑……知道大家看英文和数字很无聊 : P