上周六做的讲座。
在Web Analytics Wednesday讲怎样用数据来驱动营销。
第一次尝试这种风格的PPT……
营销最关心的问题：ROI（投资回报率）
问题的一半很好回答——投资就是我花了多少钱，多少人，多少时间。
另一半的问题，有三个：
- 怎样监控和衡量效果？
- 效果好，要找到好的原因，保证下次更好！（如果找不到原因，其实就没法保证下次还能好）
- 效果不好，要找到不好的原因，保证下次更好！（找到根源，才能解决问题）
基本上，我们要解决的就是这三个基本问题。
最基本的网络营销是怎样的？
乱搞，瞎投，碰运气……
最常见的网络营销呢？
首先会看印象数，理论上代表广告被看过多少次。
实际上：
- 首先，它不一定代表被看到了多少次
- 其次，你不一定能拿到这个数据
- 最后，你拿到的很未必是真的
然后我们会看点击，理论上代表有多少感兴趣的用户来到了我们网站。
实际上
- 这个数据不一定是真的
- 就算是真的，点击和点击之间质量差别很大，不能说点击多就好（例子参看前面的网络营销效果分析系列文章）
所以，基本上……
有了这些数据之后，我们还是凭感觉。
事实上……哪怕把下面所有事情做完，很多东西还是得凭感觉，呵呵。很多时候还得凭关系。
所以，我们会搞出“精准”营销。
我们说我们可以精准的探知广告的实际效果，查到它实际产生了多少转化——对于电子商务公司来说就是订单。
效果 = 转化？
- 效果不仅仅是转化，光看转化会误导。（例子参看前面的网络营销效果分析系列文章）
- 特别对于小公司、新公司，小规模营销来说，转化数据会很小，用来比较效果在统计意义上没有价值。一边带来6个转化，另一边带来10个，很可能只是样本误差而已。
不考虑这些，精准也未必准。
所以我们要考虑完整的效果（加入辅助指标），长期的效果（加入长期监控指标）。（例子参看前面的网络营销效果分析系列文章）。最极端的两个假设的例子：
- 同时在两家做广告，都带来10万个点击，1千个订单，但是A网站来的人当中9万个订阅了我们的促销邮件——1. 他们对我们有兴趣；2. 我们日后还可以不花钱对他们做营销。B网站来的人当中只有1个人定了邮件。
- 同时在网购论坛和新浪财经论坛做“秒杀”广告，都带来10万个点击，1千个订单，但是网购论坛的客户都精明得很，买完这次就回到论坛关注看还有哪家会做“秒杀”，等着下一次大促销；财经论坛的人脑子里面都是股票，没空想这种几块钱小便宜，所以之后还是常常回来买东西——少麻烦。如果不看长期效果的话，会以为两边的ROI是一样的。
这样就搞定了？
没有，先把问号放心里。
说了三个例子，今后会写在系列文章里，这里不详述了。
- 购物车挽回营销（根据WA信息，看谁放弃了购物车就跟进营销）
- 客户关系管理营销（根据WA信息，侦测流失客户，给他们电话和邮件）
- 广告网络Re-Targeting（传漾做的一号店例子，根据WA信息，看哪些客户是“可能被转化的”，然后在网络上重新给这些人看广告）（Full Disclosure: I am currently providing some consulting to them）
这几个例子都很炫，网站分析不仅仅能够用来衡量效果，而且能够驱动营销。
但是，这几个例子（根据我的描述）当中都有个问题：
我们衡量的，是“在我们XX行动之后，顾客做了YY行为”，但是我们的结论是“我们的XX行为导致了客户的YY行为”，把时间顺序关系弄成了因果关系。
按CRM的例子来说，如果我通过客服给1000个可能流失的（算法参看电子商务客户关系管理模型）用户打电话，其中100个回来买东西了，每人买了200块钱，是不是说这个系统为我赚了20000销售额？
不是。
首先，我们应该通过测试来估计真实的效果数据，例如找到1000个用户后，选择其中100个不打电话。如果最后发现打电话的900个人当中90个回来买东西，没打电话的100个人当中也有8个回来买东西，其实这个系统（假设受众是1000人）贡献的增量是 1000 x 10% – 1000 x 8% = 20，贡献的销售额是4000块，如果电话加上赠券折扣成本超过了4000块的毛利，就可以考虑不要做了。
其次，我们还是要看长期效果。因为电话给客户折扣券很可能会让客户提前回来购物、消耗将来的消费能力。所以有可能的一种情况是打电话的900个人当中90个回来买东西，没打电话的100个人当中只有2个回来买东西，看起来增量不错。但是没打电话的100个人当中又有13个人在未来的3个月买了东西，而那900人种，只有45个在接下来3个月买东西——这样算起来，这个活动劳民伤财但是并没有实际效果，只是把销售提前罢了。
所以，我们要看完整、长期、真实的效果，才能对生意有一个正确的认识。
话说回来，如果投入很小的话就没必要做这么细了，量力而为。
可是，拿到效果数据又能怎么样呢？
分析？
A Campaign效果100分，B Campaign效果80分，怎么分析？
嗯……对，可以做一下比较，A比B好，所以以后多做A，少做B。
还有呢？
分析不出来了。
如果我告诉你，我的目标是”一个蓝色的立方体盒子”，而截图看到的是我们采集到的数据，我们能分析出什么？
让我们还是用“比较”这个最初级的分析方法——这个东西看起来不是蓝色的。
我们的结论呢？A. 下次不要找这家公司了；B. 下次不要用这种方法了。
有没有更深入的分析和更精准的行动方案呢？没有。
其实，实际做出来的东西是这个样子的。
如果我们看到的“数据”是这个样子，我们就可以很清晰的对每个面进行分析，然后得出行动方案说这个面需要先磨平然后涂蓝色，上面有40%的面积要涂蓝……
我们的分析可以更深入，我们的行动可以更精准。
可是，为什么真实的世界被我们缩成了一个小小的点，让我们看不清呢？
把立方体缩减一个维度，我们就看到了一个面（已经损失了很多信息，例如我们就看不到说上表面40%不是蓝色）
然后我们把另一个维度也取消掉，看到了一根线。
最后，我们把仅剩的那个维度也删掉，得到了一个点——每一步的变化都丢掉了一些信息，丢到最后我们就只有了个数字，自然没法有深入的分析。
营销数据也是这样，本来有三个维度，但是我们死命地把它压成了一个点（“A Campaign带来了N个点击，M个订单”），这样当然没法分析和优化。
所以我们要拆！
首先要把数据这个维度展开，看分布。
总数和平均数往往会误导，就好像图中几个小人的号码一样，不管你拿到总数还是平均，对他们都会有一个错误的估计。（案例见网络营销数据解读（六）——自顶向下，逐步求精）
第二步是要把“行为路径”这个维度展开。（案例见网络营销数据解读（六）——自顶向下，逐步求精）
例如两个广告，都是10万点击，1千订单，分布也一样。如果不展开行为路径就没法分析，展开后可能发现A Campaign那些没有买东西的流量都是在landing page bounce掉的，而B Campaign都是去了游戏专区转了转走掉的。那么我们对A的分析就要去看广告和landing page的一致性、landing page的行动召唤是否明显之类；对B的分析则在于看游戏专区是不是有什么问题，是不是价格贵了、产品缺货。
再一个维度就是客户族群细分（Segment），不同segment消费者行为非常不一样，混在一起数据就会变得模糊。
比如做一个新的营销活动，发现页面的各个指标都正常，觉得美工设计得还不错，但是按照新老客户segment一下再看数据，可能就发现老客户各项指标非常好（例如bounce rate 10%），新用户指标非常差（bounce rate 90%）——这样就能让人警醒说页面设计是不是有问题，老客户是因为熟悉了反正能找到，但是新用户来了都不知道应该怎么参与活动看看就走了。不论这是不是真实原因，至少拆开数据之后我们可以得到更多的信息，做出更细致的分析。（其他例子会出现在后面的系列文章里）
基本上，我们知道怎样去全面、长期、真实地衡量网络营销效果，又知道怎么把数据的每个维度都展开分析，绝大部分问题就都能被解决了。
不能解决的那些，基本上就要凭经验、感觉，和那种被叫做sense的神秘物质了。
Popularity: 72% [?]
