Mars Opinion

On The Air   4月15号，参加了MGOC (Marketing Group of China)的Pannel Discussion，和几个互联网前辈一起讨论Social Media Marketing。感想：1. 第一次做英文的Pannelist，发现也蛮简单的——尤其是在一杯红酒下肚之后；2. 还是传统行业有钱啊，黄浦江边好吃好喝的，我们EC和WA的聚会相对来说会节省很多，呵呵；3. 虽然是中国地区的Senior Marketer聚会，台下大半人却是金发碧眼，唉。   4月16号，去上海对外贸易学院给电子商务研究生做了次讲座，介绍了一些电子商务网络营销的基础知识。客座教授的聘书已经下来了，5月底会去给同学们正式上课。   4月22号 ～ 4月24号，在北京参加了一些活动和研讨会，以咨询培训的名义去了一些公司参观学习聊天吃饭，最后一天和来自各行各业的童鞋们讲了一整天的数据驱动的电子商务运营和推广。   4月27号，Spicy Night，和几个朋友做了一堆湘菜川菜（我已经能够熟练使用大锅大灶了……），然后穿着民族服装唱了一段《过河》，效果很好啊，呵呵。   5月8号，5月9号，在北京的对外经贸大学商学院给兰斯MBA讲了两天课，主要讲数据分析。因为时间很充裕，所以把整个数据分析模型都讲了一遍，并不局限于电子商务和网络分析领域。发现连续讲两天还是很累的，最后只能坐在椅子上讲，因为背有点痛。   碎碎念： 从博客读者那里最常听到一句话是“还是比较喜欢你的碎碎念”……可怜我那些认真写的专业文章|-) 世博归来,感想:1. 没发现有什么好玩的——尤其是还要排队的情况下;2. 如果不是要陪别人的话,应该再也懒得去了;3. 不就是盖了一些房子搞了一些展览么,怎么之前搞了那么大动静?4. 累死了。 check post-search CTR to find (…)

Read the rest of this entry »

   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 (…)

Read the rest of this entry »

~ 最近常常给人泼冷水。 最容易被泼冷水的是这句话： 电子商务发展快，有潜力，有机会，所以我们要…… “电子商务发展快，有潜力，有机会”？我假设这个结论是对的。 可问题是，这句话在电视、杂志和网络上出现次数实在太多了。 就算它是对的，这也不是个秘密。 不是个秘密，就意味着你想到的别人也想到了。 你这样推理，别人也这样推理。 你想做，别人也想做。 蛋糕虽然预计每年会变大，抢蛋糕的人每年也会变多，对于每个竞争者来说分到他手上的蛋糕其实是不变的——甚至是变小的。 在四五年前大家都在唱衰B2C的时候，那时候说“电子商务发展快，有潜力，有机会”是有意义的，因为你看到了别人没有看到的机会。 现在呢，则应该完全从生意的角度出发，假设竞争会越来越激烈（意思是说虽然市场变大，但是如果没有特别优势、也不是特别努力的话，分到自己头上的市场并不会变大），千万不要想着说”进入一个增长的市场就能跟着市场成长“——这个时间窗已经过掉了。在这个前提下面，再考虑做还是不做，怎样做——说不定最后的结论是一样的，但是新的结论是更牢靠的。 ~ 战略，战略，战略。 做过蛮长一段时间的战略，回国后也给一些公司做过这方面的咨询。 开始的时候总归是和一群MBA一起填框架，经典的框架一个个来。后来久了，便不会再用那些漂亮框架和PPT，一开始也不会去做那么宏观的分析，而是先很直接地问“你有什么特别的资源和竞争力么”。 你有个Blog，每天有30万人访问，这也是独特的竞争力。 你公司做衣服，那种布料和纹路只有你的生产线和你的熟练工人可以做出来，这也是独特的竞争力。 你的小舅子是全国玩具商会副会长，这也是。 你的门店覆盖了一些城市的每个小区，每个城市都有超过3000家店面，可以覆盖到主城区90%的住户，这也是。 你的牌子在设计师里面名声很响，大家都听说过，这也是。 你自己掌握了整个供应链，所以你的成本比别人都低，这也是。 你有钱……大量的钱，这也能算。 总而言之，先看看你有没有什么比较特别的资源。越“特别”就意味着别人越难在短期复制，“资源”越丰富，给你带来的优势就越大。 了解了自己的资源之后，再去考虑市场上有哪些机会匹配，会靠谱一点。 ～ 1. 一天晚上，在某网站买了东西，第二天中午发现自己有未接电话，回电过去，愤怒的快递在大声抱怨我为什么不接他电话，我说你可以把东西放前台啊，他说我要等你付钱啊blablabla，我说我是付过钱的，他的论点就变成了万一放前台你不认账怎么办，越讲越凶……因为和那个网站有渊源，而且也了解快递员的辛苦，所以好好跟他说了一会儿安抚了一下。 放下电话想说，如果我和这个网站没有渊源，只是个普通客户的话会怎么办，觉得十有八九是再也不会在这家买东西了——网上商店那么多，何必自己找气受呢。把这个经历发到Twitter上，马上有人回说“我也是因为这个原因不再在这里买东西的”。 快递员——特别是在电商自营的快递里——就是公司的形象代表，他们随便一句话轻点重点，比网上的软文效果要直接显著得多。 2. 某晚，L同学兴高采烈地电话过来“你们XX网太好了！“ 听了半天，理清楚缘由如下： 他和朋友在Dell定了机器 过了两周查看状态，发现是“生产中” 崩溃之余，他们去了YY网下单 下完之后，去XX网比价，发现XX网更便宜，于是在XX网下单 回头去YY网取消订单，发现不能取消，电话问客服说只能拒收 查看YY网服务条款发现用词很凶“无理由拒收……我司……扣除积分……“ (…)

Read the rest of this entry »

上周末又去了趟北京，和一些传统企业的童鞋们聊了聊电子商务和网络营销，感觉电子商务现在真是红得发紫啊，有点资源的都往里冲……   几件有趣的小事情： 1. 订机票 一直是去那儿（www.Qunar.com）的忠实用户，80%情况下对他们很满意。10%不满意是因为在去哪儿看到的机票未必能订到（有些小代理还得要你先定，他们再电话确认之类，浪费时间），还有10%不满意是因为有些小的机票代理付款流程让人不爽。 也是因为有这些不爽，听说淘宝开了机票区，便用淘宝和去哪儿比了下价，发现去哪儿也没什么价格优势（虽然听说淘宝收佣金比较狠），便跑去淘宝订了票，顺便把春节回家的票也订了。 阿里系真可怕。   2. 订酒店 虽然约好去朋友家投宿，但还是查了一下酒店信息以防万一（想说如果飞机晚点就直接去演讲的酒店住下，可以多睡会儿）。然后就发现协程的设计很好玩： 联系方式没有直接显示出来，而是用了个展开按钮，点击一下才让你看到。 蛮聪明的，这样就可以监控有多少人主动积极地看酒店电话号码，应该也可以用这个数据去跟酒店谈钱。只是如果不是协程这样的中介，而是自己的网站自己的生意，可能很难权衡“易用性”和“效果量化测量”的轻重吧。   3. 飞机上广告 飞机上看到大智慧（炒股软件）的广告。 想说，如果这个软件普及到一定程度，光从这样大规模的用户本身行为数据中就可以分析出大量的信息，并不需要什么天才的算法应该也能对股市有个比较准确的预测——只是这个预测数据受益人不一定是谁就是了。   4. 机场大巴广告 居然在北京机场大巴上看到了一号店（www.yihaodian.com）广告…… 两个卖点，一个是送货快（当天订货，次日送达），另一个是便宜（一元疯抢——虽然其实只是对新用户的一个促销，可以用一块钱买一件特定商品），不知道广告效果怎么样。   5. PPT小人 很多人问上次我在WAW演讲PPT里的小人哪来的——网上搜来的。 我挑选了一些，压缩了一下，放在服务器上，大家有兴趣可以下载，为了防止盗链，设了个密码www.marsopinion.com。 下载地址是http://marsopinion.com/wp-content/uploads/little.rar

抱歉，最近更新太水了一点……部分原因是因为懒散（见上图）。 另一个原因是最近在不停地看书、参加活动、和各行各业朋友聊天、参观公司、学习请教（常常挂个“咨询”的名义……），希望可以整理和充实自己的知识结构，另外也希望可以通过了解不同公司的运作来建立一套比较完整的data-driven marketing战略战术体系，特别是一套适合中国特殊环境、适合电子商务网站的一套体系架构。但愿过年时可以完成。   最近会出来做两个演讲，周六在上海，下个周五在北京。 上海这个是WAW的活动，主要会讲一下网站分析和网络营销的实战操作，可以点击这里报名，谢谢Min和Heaven的邀请和组织。     北京这个是iResearch办的网络零售运营与管理实战培训，我会去讲一下电子商务网站的用户行为分析。 实际上不会按照网页上的大纲来讲——交完大纲之后忽然有灵感又重新建了一套表达更清楚的体系——感觉上做讲座做PPT也是逼自己整理思路的好办法，呵呵。   大家可以点击这里订阅MarsOpinion.com，这样就不用总来查看有没有更新……在我更新缓慢的时候看到老访客重复访问的数据总是觉得很有压力，呵呵。谢谢支持：）

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 (…)

Read the rest of this entry »