上次（网络营销和Web Analytics的数据解读方法（二）——Segment (1)）应该是说到综合性的数据（例如：平均访问时间，平均Bounce Rate）没法全面具体反映真实情况，也没法给你行动的指导，所以我们要用到Segment。最后举例说我们可以按照客户生命周期来做Segment，并且用“新客户”和“老客户”segment举例说明了一下。

那么（终于想起来下面要怎么写了@__@），今天我来把“按照客户生命周期来Segment“做一些更进一步的介绍，然后介绍一些其他的常用Segment方法。

首先，按照客户生命周期来Segment。除了按照New Customer, Old Customer来分之外，我们还可以更具体的按照其他指标来做Segment，例如：

1. 按照客户购物次数来分：

假如我们的Transaction Report包含网站总注册用户数，本月访问量和订单量。

在Segment之前，你看到的是网站一共有1,000,000注册用户，本月访问量100,000人，本月产生10,000个订单，平均（注意这个词）每10个注册用户有一个来访问网站，平均10个访客产生一个订单（Conversion Rate 10%）。这个数据看起来很丰富，很强大，很有道理，放到Excel2007里面可以自动生成漂亮的表格，大家看到很高兴，觉得对网站又加深了理解，觉得自己懂数据了，然后该干嘛干嘛去，什么行动也不会有。

假如我们管没买过东西的叫做New Register，买过一次的叫New Customer，买过两次的叫Second-time Customer，买过N次的叫Nth Customer. 然后你去看你的transaction report，然后我们把Transaction Report按照Segment来解析一下，你可能会看到这样的数据：

这一次有发现什么问题么？

这个问题可以有相应的方法去解决么？

你觉得应该采用什么样的行动？（欢迎讨论，下次再介绍我的一家之言：））

2. 按客户注册时间来分：

换汤不换药，可以用上面一样的例子来解释。

3. 按其他客户生命周期的表现参数来分：

例如你是个SAAS服务提供商，而你提供的服务产品之间是有顺序关系的（客户一般会先买A，过一阵子可能买升级版B，然后可能补充模块C……），你可以根据你的客户最近一次购买产品种类来判断客户已经到了哪个阶段，然后按照这个参数来做Segment。例如你用这个Segment去看Support Website上的 Visitor Report，发现你的访客中A类客户一般停留2分钟，而且会在具体Q&A页面离开（假设这样代表这个客户的问题得到了解决）；而C类客户则平均停留时间10分钟，而且最后都到了Contact us页面（假设这样代表这个客户的问题没有得到解决，只好打电话）——你可以粗略得到结论说你的Support Website对于高级客户的帮助信息太少或者导航太差，需要改进。而如果你看的仍然是没有经过Segment的数据，很多时候那些报告是一点用也没有（有用没用的标准：你看过那些数据之后，你将来会不会有行为上的变化——例如下次更新页面的时候优先放C产品的帮助文档——如果没有，就是没用）。

假如你是个网游公司，则不妨通过用户在游戏里的等级或者其他量化的参数来划分，不再详述……

（某些Segment会需要企业级的WA Tool来支持）

按照用户的购物种类来分

很多网站都在销售不同品类的产品，例如同时卖书、卖电脑、卖手机、卖奶粉……

购买不同产品的消费者，往往有着不同的习惯，这些不同之处也很容易让“汇总的报告”失去意义。

举个极端的例子：

1. 你开了一家店，然后开始兴冲冲的分析数据

2. 你发现你的消费者平均访问间隔是20天

3. 所以你定义说“每10天来访问一次的就是我的忠实消费者”，“每20天访问一次的是我的一般消费者”，“如果该客户1个半月没来，他可能流失了，我要按照Mars那个客户关系管理模型来找到这些消费者，给他们每人发10%的优惠券，挽救他们回来！”

听上去有道理么？

可是，如果你主营的产品是两种，一种是纯平大彩电，一种是奶油小蛋糕呢？

买彩电的人最多一年来买一次，而喜欢你手工蛋糕的同学们可是三天两头就会来定（蛋糕又不能长期储存），这样就导致“消费者平均访问间隔是20天”这个数据没有意义，从而让你的campaign变得荒谬。

这只是极端的例子，可是你销售的产品特性是否类似呢？如果不是，你是不是也是在看充斥着平均数的报告呢？

按照用户的来源来Segment

(周末再说）

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 (1)	网络营销数据解读（七）——客户族群细分（Segmentation）1	网络营销和Web Analytics的数据解读方法（一）——Metrics
无觅

去盐湖城参加了Omniture Summit 09。

• 规模让人很震撼，应该有大约2000 online marketing professionals与会，会场安排在Salt Lake Palace Center，主会场的音乐、灯光和8块大投影让人感觉在听演唱会，晚上都安排了Party，周五还安排整天滑雪之类——可惜要工作没空参加。只是从安排来反推的话每个人身上成本都很夸张，这个Summit应该要花掉几百万美金（和他们聊天，非官方消息号称说花了5M），在目前这种经济环境下，感觉相当大手笔。另一方面，能够有2000人与会，而且从闲聊中发现对方大部分都具有基本的Data Driven Marketing的sense（大多能至少能和你聊两句Segment或者Test，比较深入的一些关于Marketing Channel Attribution的session也会坐满听众），会觉得这一块美国还是领先很远。
• 各个Session的内容都不够深入，对于有基本概念想要深入了解，或者更多运用Web Analytics的公司会有帮助，但是对已经有比较深的了解，想要解决特定问题的公司来说，各个session都非常肤浅。以Email Marketing为例，会场上主流的Case Study还是在说Abandoned Cart Recovery，而且都只是漂亮话，对于随之而来的问题解决方案很少。
• 听了WPP CEO和Forrester Research CEO的演讲。都说到之后公司成功的唯一出路，就是将创造力和科技结合，市场和科技结合。——深得我心啊，呵呵。自己之后的Career Path也是想走在Marketing和Technology的交界处：）。
• 大会抽奖是一台Smart小车（漆成了Omniture标志性的绿色），车子就放在会议中心很显眼的地方。所以每次约人见面（难得都去了一个城市，所以约了一堆短会）都是约说在那个“little green car”那里见面。会议第一天，可以参与抽奖的Survey问卷上居然没有填名字的地方，就看到Omniture CEO上台说抱歉我们的"Win a great car”活动改名成了“win a great car but we do not know who you are”…
• 和某公司约了见面，然后就在小绿车边上发生了这样的事情。"Hi, I’m Scott AAAA，CEO of XXXX", "Hi, I’m Scott BBBB，COO of XXXX", "Hi, I’m Scott CCCC，Product Director of XXXX"……握了三次手，听了三次“我是Scott”之后我脑中忍不住想说你们公司应该改名字叫Scott Target……
• 觉得有一短General Session蛮有道理的，未来的网站，应该是由三个部分组成：Website, Mobile & App。——Mobile这个词在各个Session听到了N次，Marketer也越来越重视这一块了。
• 听到China N次，Baidu这个名字N次，看到后舍男生视频两段。这边的童鞋们也还是很关心China啊。
• 上周在买Web Analytics an Hour a Day的时候已经把Buy.Ology放进了购物车，最后换成了Outlier。结果在Summit看到了Martin本人来演讲。对于他的理论并不能完全认同，但是觉得他关于smashable brand的概念很棒，有些启发到自己关于品牌的理解。——另一件好事是，居然被送了一本Buy.Ology，呵呵。
• Twitter被提到无数次……最近在Blogsphere也看到了无数次。有点想把自己之前的Twitter帐号捡起来用了。
• W同学说了一句很有道理的话：在条件没有成熟的时候，不要了解太多太深，否则会很受不了自己做出来的东西。相当有道理啊。

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（二）——Segment (1)	网络营销和Web Analytics的数据解读方法（一）——Metrics (2)	怎样监控和评估网络营销效果（一）
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

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 + 40,000*10%*500 = 2,400,000元，而QQ带来的是300,000 + 50,000*10%*500 = 2,800,000元，QQ促销效果更好一些。

不仅仅可以用注册（Acquisition）来做判断，类似Engagement，Qualified Traffic或者Subscription数据都可以用来近似推导他们意味着多少“潜在的销售额”。例如我们不知道每个访客在将来会有多大可能性回来购物，购买多少东西，但是我们大致会有个概念说“来到我们网站看了10个页面才走的人，比看了1个页面就走的人兴趣更大，更可能回来”，或者“来我们网站订阅了我们宣传邮件的人，将来我们可以定期发邮件和coupon吸引他回来，所以他回来的概率会比普通人大”，然后我们采集数据+根据经验瞎猜得到一个换算公式——例如一个subscription等于10块钱“远期销售额”，一个访问了超过10个页面的访客等于5块钱“远期销售额”，一个看过“公司简介”页面的访客等于2块钱”远期销售额”，这样我们就能近似的推导出那些工具难以追踪的数据，更好的了解campaign和网站的真实情况。

那么，是不是我们设计一套更完整全面的metrics，考察目标达成的数量和质量，并且计算推导出远期的效果，就深入了解了数据，深入了解了用户，就一切OK万事大吉了呢？

不是的。

这样的数据仍然是扭曲的，我们还是没有从数据中看到真实的情况。

为什么？改天说。

无觅猜您也喜欢：
网络营销和Web Analytics的数据解读方法（二）——Segment (1)	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（一）——事情不是你看到的那样
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

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”。

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（二）——Segment (1)	怎样监控和评估网络营销效果（一）
无觅

然后是Click。

理论上的定义：多少人点击了你的广告。

实际的定义，你的广告的目标链接被请求了多少次。

一般的监控方法是：安装Web Analytics服务（例如Omniture, WebsideStory，或者免费的Google Analytics，或者自己开发一个），然后给自己的landing page url编码，编码后再给媒体，媒体每次有点击过来就都会被分别记录下来。举例来说，我要宣传www.MarsOpinion.com，在新浪和QQ都买了广告，那么我会让新浪的广告链接链接到http://www.marsopinion.com/index.php?CMP=SinaBanner，而QQ的广告链接到http://www.marsopinion.com/index.php?CMP=QQTextLink，这样后台程序就会自动根据CMP参数的不同，将进入的流量分别计算到新浪和QQ两个Campaign上。

但是，实际上问题会更复杂——基本上，国内互联网的click概念已经被做烂掉了，作弊是非常普遍的事情。点击不仅仅可以完全造假（程序自动点击，或者人肉点击），而且可以更隐蔽的“造真”（用垃圾流量替代——比如你买的是www.MarsOpinion.com的汽车频道，但是实际上你的广告同时出现在了某流氓软件弹窗里，以及www.MarsOpinion.com的成人游戏频道，并且使用了误导性的广告词）。你只需要简单过滤一下，就会发现你手头的流量大多是假的。就以前的经验而言，假点击甚至于可以超过真实点击数十倍之多（特别是在那些流量便宜的网站），而且中型的媒体网站也会有作弊的行为。

常常会使用的过滤方法，没有哪个是万能药，道高一尺，魔高一丈，要想把“真实的流量”过滤出来实在是难于登天。所以其实可以换一个角度考虑问题：我不要过滤“真实的流量”，我要过滤出“有价值的流量”。什么是有价值呢？消费者表达出了对你的兴趣（但是又不要求一定要Conversion），就是有价值。对电子商务网站来说，一个客户进来之后连续看了30几个产品页面，当然就比另一个来了就走的客户有价值（不管他是真是假）；对一个Event的landing page来说，看过了FAQ页面和活动规则页面的流量就比只来过landing page的有价值。基本上来说，浏览的深度和时间越长，代表受众对你的内容越感兴趣，也可以说是他更可能是你的目标受众，短则相反。

从这个思路出发，就可以做出更有效的过滤：

• 只计算浏览深度大于N的click，比如N=1，有1000个IP点击了我在新浪的广告，他们都来到了http://www.marsopinion.com/index.php?CMP=SinaBanner，其中30个人另外再点击到了我某篇文章页面，其他970个人马上离开了，那么系统就只记录30；如果从QQ那边有200个IP过来，但是有40个人点击了下一个页面，那么我会认为QQ的效果比新浪要好。
• 只计算浏览时间大于T的click
• 只计算到达过特定页面（非Conversion页面）的click，例如电子商务网站可以把广告都链接到自己的promotion landing page，但是规定只有当流量浏览过具体产品页面时才算数

或者干脆更狠，直接看进入的流量带来的pageview（除开landing page以外看过多少页面），而不是单纯比较click。假如新浪广告过来了1000人，每人除了landing page之外看了2个页面，QQ来了1500人，每人除了landing page之外看了1个页面，那么就是新浪广告来得有效pageview较多。

这些做法都需要额外的程序开发。如果需要节省成本的话，似乎也有更简单的方法，等说完Conversion一起说。

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)	怎样监控和评估网络营销效果（一）	网络营销和Web Analytics的数据解读方法（二）——Segment (1)
无觅

和传统媒体相比，网络营销的优美之处就在于效果的评估可以更全面、及时和精确。在中国互联网的特定环境里，应该怎样去采集和分析数据，评价一个网络营销Campaign的效果呢？

一般而言，我们关注的数据有三个：

• 印象 Impression
• 点击 Click
• 转化 Conversion

首先是Impression。

理论上的定义：你的广告展现在受众面前的次数。

实际的定义：一个虚无缥缈的数字。

这个数字常常由三个渠道得到：

• 媒体或者广告代理自己告诉你
• 媒体或者广告公司请第三方公司告诉你
• 你把广告材料给第三方平台，仅仅把读取代码给媒体，最后第三方平台给你报告。

第一种方法并不靠谱，媒体数据往往含有水分，大门户可能稍好，中小型门户的数据几乎完全可以无视；第二种我不是非常清楚，但是就最近不同的门户根据不同的第三方数据支持都得出了自己是奥运第一门户的结论，那些监控公司的数据也未必可靠；第三种，不清楚国内是否有这样操作的——如果有的话，这个数据也是很难理解的，首先你的广告被读取了一次不代表它被看到了一次（例如它在第二屏，而读者没有翻页），其次你的广告被读取了一次，并不代表它真的出现在了你希望的位置出现了一次（如果要作弊的话，完全可以用程序自动读取你的广告）。

基本上，如果是品牌宣传，Impression这个数据还是可以用一下的（毕竟线下广告更难精准的监控），而且第三方提供的数据或者大门户提供的数据也应该可以老板交差了。如果不是单纯的品牌宣传，还有一些更加直接的目的，那么Impression供参考就好了，不用当真，还得看Click和Conversion。

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)	网络营销和Web Analytics的数据解读方法（一）——Metrics
无觅