Mars Opinion

营销科普应用题（一）是一个真实的例子。 对方本意大概是想用具体数据来显示自己的专业和提高整个Proposal可信度，然后通过数学计算来论证他们具有多么高的性价比，从而获得订单。 这个例子很简单，一目了然。 可是如果用到的公式更专业，而且你也不熟悉呢？假如中间牵涉的变量变多十倍呢？ 或者，不需要让Case变复杂，就这么简单好了。还是会有很多人看到数字和公式大脑就停止思考自动接受的（有时候确实也没有精力去细想每个Case）——这也是为什么还是会有大票人拿着这种PPT到处招摇的原因。 ============================================= 营销科普应用题（二）是一个非常流行的Case Study，基本上每个ESP都会推出自己的版本，然后很多Consultant会开始推销这样的业务，最后很多Blogger会把数据抄袭到自己Blog体现自己的与时俱进。 这个Case问题很多，但是最根本的——也是在其他Case中最流行的——就是计算Marketing Contribution的方式。 因为Web Analytics的完善，网络营销常常能够取得比传统营销方式更完整全面的反馈信息，如果按照我之前所说的方式进行监控，对于广告带来的流量、销售、甚至于长期影响都可以有全面的了解。 关键是：我们了解到的是什么？Campaign带来的效果么？1000个人点击广告，300个人买东西，真的代表这个Marketing Channel为公司贡献了1000个Visit和300个订单么？ 不是的，我们监控的效果，那些数据，只能表明有“多少效果可能是由XX Campaign带来”，而不是“XX Campaign产生了这些效果”。你监控到有300个人点击广告来买了东西，只能说明这个广告在购物过程中可能起到了作用，但并不能说这个广告产生了300个订单——有可能300个人里面有299个原本就会来买：） 回到那个例子，Shopping Cart Abandonment Rate为70%其实并不能代表有70%的潜在客户放弃了购买。产生Abandonment的原因有无穷多，从技术上来说，很多Web Analytics Tool会把在一个Session“有加入购物车行为，但是没有结帐行为”就当成一个Abandonment，这样的话，客户离开电脑两个小时再下订单，也会被算作Abandon了一次；从业务上来看，很多人用购物车来代替Wish List进行购物比较，这些人在实际购物前都会被计算很多次Abandonment，另外还有很多人仅仅是决定过一会儿再买（例如回家看看另一张信用卡卡号），这些人也会被系统认为“放弃了购物”。 说了这么多，最重要的是说“其实这些人中间有很多本来就会回来买东西的”，假设这些人中间9.5%的人本来就会回来购物好了，那么其实所谓的“本来已经放弃购物的消费者收到了信，有10%的人通过点击这封Email再次来到了网站购物！”只是给网站多挽回了0.5%的客人而已，所谓的“这个Campaign可以帮助他们成长4600万美金！”自然也就变成了增长230万美金。 之后的A/B Testing其实就更扯了（这也是业界真实的案例，而且这个A/B Testing的结论还被多家援引，成为了所谓Best Practice的论据）。假设我们说说的那9.5%的回头客会分散在Abandonment一小时后到30天后完成购物（时间越靠近Abandonment，购物概率越大），你在24小时后发信当然效果比3天后发信“效果好”，不是因为你能产生更多订单，而是因为你能把更多的原本会发生的订单效果计算到自己头上。因为发了Coupon之后Conversion Rate升高就说要发Coupon也是很扯的说法。真要算，Coupon成本要计算进去，而且这个成本不应该和所有使用了Coupon的订单去比（因为其中大部分是本来就会购物的），而是应该和增量去比。假设我们所说的是10%的Coupon，那么成本就是4600*10%=460万美金，而按照前文所述的实际销售增量才230万美金，就算你毛利率50%，也还是亏损几百万。何况，插入Coupon之后可能会引发一系列连锁反应——例如让消费者找到规律，之后要买什么东西就Abandon一个Shopping Cart然后等Coupon来了再买之类，之后亏损会更大。 ======谁能告诉我怎样在最新的Live Writer里面打出空行么？====== 想想，要理性的去分析，衡量一个Business，对人的要求其实还是挺高的。 首先要有基本的知识储备和分析能力，不被粗浅的模型和概念所骗。 然后呢，你得对于自己业务的各项指标，有一个真实的了解。例如Google Analytics告诉你某个Campaign的Revenue是100万，你心里面得知道这100万代表的实际含义是什么，而不能想当然的觉得监控到了100万就是产生了100万的效果。这还只是最粗浅的例子，如果要深入分析更复杂的Campaign，你也必须具备相应层次的知识和Sense。 最后，你得有Business Sense，你得知道你的数据来源是什么——你的客户怎样的行为导致了这些数据，你的行动又会怎样去影响到客户对你接下来的行为进而影响到数据，需要你有一个全盘的概念。另外，你的所谓Sense也能帮助你察觉出那些“不对”的模型和数据——哪怕你不知道为什么，你也可以感觉到“这个东西不对”。