Mars Opinion

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。 (…)

Read the rest of this entry »

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 (…)

Read the rest of this entry »

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，20个订单，新浪一天带来60000个访客，30个订单，所以新浪的投放性价比更高。 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，30000个浏览了超过3个页面，新浪一天带来60000个访客，40000个浏览了超过3个页面，所以新浪的投放性价比更高。 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。 你原来的SEM Manager离职，来了个新的，他来了之后关键字广告ROI大为提升，CPO（平均订单成本）从20块下降到18块，他做得比前任要好。 你有两个landing page（……不知道中文翻译是什么，暂时理解为你的活动页面吧），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。 你有一个网站，访问量很大，而且你做了监控，发现应该大多是真实的流量——但是，转化率很低（如果是e-commerce，就是成交量小，如果是别的，可能是下载量小、注册量小），结论是你的网站内容不够吸引人。 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。

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”。