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	网络营销数据解读（四）——目标和指标
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

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（四）——目标和指标	网络营销数据解读（三）——那又怎么样呢？
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（一）——Metrics (2)	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	网络营销数据解读（六）——自顶向下，逐步求精
无觅

有几条是绝对正确的？

发现还是出题目评论才会多一点……

睡觉去了。

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（二）——Segment (1)	怎样监控和评估网络营销效果（二）
无觅

这个Case Study已经被业界用烂掉了，基本每家公司都有自己的版本……无数的Marketing Consultant还在用类似的话在唬人，Blogshpere也在抄来抄去。

格式如下（数字均为瞎编）：

1. www.MarsOpinion.com的Shopping Cart Abandonment Rate为70%。（字面意思是100个人把东西放到购物车里，只有70个人30人完成订单结了帐。实际含义会随着该公司所使用科技的不同而有显著差别）。

2. 我们为www.MarsOpinion.com设计了一系列高科技人性化无以伦比的高级Campaign——去掉形容词之后你会发现Campaign的本质是给这些Abandoned Cart的Customer发一封Email，内含“You forgot something in your cart“的提醒，以及一些incentives，例如折扣券。

3. 这个Campaign非常成功，AS Email的open rate比普通commercial email提高300%，CTR提高400%，转化率提高100%! 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！所以我们可以推算出Abandonment Rate从70%下降到了60%63%！最终消费客户会增加23%! MarsOpinion.com年销售额2亿美金，所以我们预计这个这个Campaign可以帮助他们成长4600万美金！

4. 为了体现我们的专业，我们做了A/B Testing：我们发现在客户放弃购物24小时后马上发Email，转化率比在3天后再发这封信要高87%！另外，我们发现，放一个coupon在邮件里，转化率会提高47%！——我们经过精密计算，发现额外的销售和利润足以cover折扣券的成本。经过严谨的测试，我们决定……。

发现问题了么？

（第一版笔误较多，非常抱歉）

无觅猜您也喜欢：
营销科普应用题（一）	网络营销数据解读（六）——自顶向下，逐步求精	网络营销和Web Analytics的数据解读方法（二）——Segment (1)	网络营销数据解读（五）——完善指标
无觅

1. 地铁上每个拉环上都有我们广告。

2. 我们有10部地铁，地铁有20节，每节有40个拉环，每天会有100,000人坐地铁。

3. 我们只问你要100,000块广告费每天。

4. 你的CPM = 1000*100,000/(10*20*40*100,000) = 1.25元，多么的合算啊。

发现问题了么？

无觅猜您也喜欢：
营销科普应用题（二）	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	网络营销和Web Analytics的数据解读方法（二）——Segment (1)
无觅