l  留言

l  添加一些新朋友

8:30 – 9:30：发布新的博客文章

l  通过开心和校内发布文章链接

3:00 – 3:30：有些人说了一些关于你的正面消息

l  通过开心和校内发布文章链接

l  Email你的朋友和雇员，推广它

3:30 – 4:00：检查SEO结果

l  对网站流量进行检查和分析

建立在互联网基础上的整合营销，被称为整合网络营销。整合网络营销，就是在深入研究互联网资源，熟悉网络营销方法的基础上，从企业的实际情况出发，根据不同网络营销产品的优缺利弊，整合多种网络营销方法，为企业提供网络营销解决方案。整合网络营销也被称为网络整合营销、整合型网络营销、整合式网络营销。简单地说，整合网络营销就是整合各种网络营销方法，和客户需求进行比配，给客户提供最佳的网络营销方法。

奥美网络整合营销4I原则

网络营销届中，传统的营销经典已经难以适用。消费者们君临天下，媒体是传统传播时代的帝王，而YOU才是网络传播时代的新君！在传统媒体时代，信息传播是“教堂式”，信息自上而下，单向线性流动，消费者们只能被动接受。而在网络媒体时代，信息传播是“集市式”，信息多向、互动式流动。声音多元、嘈杂、互不相同。网络媒体带来了多种“自媒体”的爆炸性增长，博客、论坛、IM、SNS……借助此，每个草根消费者都有了自己“嘴巴”和“耳朵”。面对这些“起义的长尾”，传统营销方式像“狩猎”要变成“垂钓”：营销人需要学会运用“创意真火”煨炖出诱人“香饵”，而品牌信息作为“鱼钩”巧妙包裹在其中。如何才能完成这一转变？网络整合营销4I原则给出了最好的指引。

奥美网络整合营销4I原则

网络整合营销4I原则：Interesting趣味原则、Interests利益原则、Interaction互动原则、Individuality 个性原则。

Interesting 趣味原则

八卦是火爆的通行证，《馒头》是《无极》的墓志铭。当芙容姐姐大S身材火爆网络时，当越来越多的信息都带好“泛娱乐化的假面”时，一个娱乐至死的年代来临了。中国互联网的本质是娱乐属性的，在互联网这个“娱乐圈”中混，广告、营销也必须是娱乐化、趣味性的。当我们失去权力对消费者说“你们是愿意听啊，是愿意听啊，还是愿意听啊,绝不强求”之时，显然，制造一些趣味、娱乐的“糖衣”的香饵，将营销信息的鱼钩巧妙包裹在趣味的情节当中，是吸引鱼儿们上钩的有效方式。“伟大的网络营销，他身上流淌着趣味的血液！他不是一则生硬的广告，他不是一则生硬的广告！娱乐因子在他身上灵魂附体！”

Interests 利益原则

没错，利益！天下熙熙，皆为利来，天下攘攘，皆为利往。网络是一个信息与服务泛滥的江湖，营销活动不能为目标受众提供利益，必然寸步难行。将自己变身一个消费者，设身处地、扪心自问一句，“我要参加这个营销活动，为什么呢？嚎！”

但这里想跟大家强调的是，网络营销中提供给消费者的“利益”外延更加广泛，我们头脑中的第一映射物质实利只是其中的一部分，还可能包括

1、信息、咨讯

广告的最高境界是没有广告，只有资讯。消费者抗拒广告，但消费者需要其需求产品的相关信息与资讯。直接推销类的广告吃到闭门羹的几率很大，但是化身成为消费者提供的资讯；面对免费利益，消费者接受度自然会大增。

2、功能或服务

3、心理满足，或者荣誉

4、实际物质/金钱利益

5、……等待你来填写，相信你能发现更多！

Interaction 互动原则

网络媒体区别于传统媒体的另一个重要的特征是其互动性，如果不能充分的挖掘运用这个usp，新瓶装旧酒，直接沿用传统广告的手法手法，无异于买椟还珠。再加上网络媒体在传播层面上失去了传统媒体的“强制性”，如此的“扬短避长”，单向布告式的营销，肯定不是网络营销的前途所在，只有充分挖掘网络的交互性，充分地利用网络的特性与消费者交流，才能扬长避短，让网络营销的功能发挥至极致。

不要再让消费者仅仅单纯接受信息，数字媒体技术的进步，已经允许我们能以极低的成本与极大的便捷性，让互动在营销平台上大展拳脚。而消费者们完全可以参与到网络营销的互动与创造中来。在陶艺吧中亲手捏制的陶器弥足珍贵，因为融入自己的汗水。同样，消费者亲自参与互动与创造的营销过程，会在大脑皮层回沟中刻下更深的品牌印记。把消费者作为一个主体，发起其与品牌之间的平等互动交流，可以为营销带来独特的竞争优势。未来的品牌将是半成品，一半由消费者体验、参与来确定。当然，营销人找到能够引领和主导两者之间互动的方法很重要。

Individuality 个性原则

YOU，已经被钉在了无以复加的高度，那么YOU高大的身影在营销中投射的映相，就是I！Individuality 个性在网络营销中的地位也因此凸现！对比“大街上人人都在穿”，“ 全北京独此一件，专属于你！”，你就明白专属、个性显然更容易俘获消费者的心。因为个性，所以精准，因为，所以诱人。个性化的营销，让消费者心理产生“焦点关注”的满足感，个性化营销更能投消费者所好，更容易引发互动与购买行动。但是在传统营销环境中，做到“个性化营销”成本非常之高，因此很难推而广之，仅仅是极少数品牌品尝极少次的豪门盛宴。但在网络媒体中，数字流的特征让这一切变得简单、便宜，细分出一小类人，甚至一个人，做到一对一行销都成为可能。（这一点在无线营销中尤为突出）天赐良机，怎能不用？

【译文】

在2009年开始的时候，Voices.com，一个市场上领先的配音人才服务提供商，开始和Conversion Rate Experts开展合作。结果呢？他们的转化率提升了400%——从低于5%到22%。

我们如何获得如此成就

任何项目中最重要的部分是项目开始时的“勘察工作”。在财富杂志关于我们的文章中，编辑们把这个阶段的工作描述成“侦探工作”（我们的一个咨询顾问用相当粗鲁的语言把这个工作描述为“在垃圾堆里扒东西”的过程）。我们对Voices.com的深度分析包含如下内容：

• 我们研究Voices.com的分析账户，以理解销售转化漏斗（Sales Funnel）中包含的促进转化提升的最大机会。
• 我们分析了510个访问者问卷，以理解来到Voices.com网站却没有完成最终提交的访问者的心态是什么。
• 我们研究了Voices.com全部的销售文化，并且采访了这个公司的CEO，以辨识这个公司所有的“能够说服客户的有利条件”。我们用这个名词来描述一个公司中的那些能够影响潜在客户的有利条件。说服客户的有利条件能够来自于很多方面，在为每一个客户服务的过程中，我们发现了很多有价值却被忽视的说服客户的有利条件。
• 我们分析了Vocies.com的竞争对手的网站，以理解这些对手们所采用的策略，以及帮助Voices.com发现能够对付这些竞争对手的机会。

一旦我们理解了潜在客户的主要抗拒心理，以及该怎么做去克服它们，我们就创建了一些新的测试页面。

[版权归Sidney Song（宋星）所有，欢迎转载，但请事先告知作者并注明出处]

一些快速制胜的做法

400%的转化率提升得益于一共11个实验的成果，这11个实验我们分别在转化漏斗的5个不同阶段进行了实施。其中，我们所做出的一些改变是直接针对Voices.com的业务的，但是其他的一些改变则可以适用于绝大部分的商业领域。下面的这些都是有可能能够适用于你的业务需求的，而无论你开展的是何种业务：

1. 发现证明，并加以宣扬

在主页中加入“证明”能产生显著效果：Voices.com有一些让人印象深刻的“名望申明”，能够真正地影响到潜在客户，但最初却并没有在网站上进行清晰的宣扬。例如，Voices.com上透露了他们的客户，其中包括一些家喻户晓的名字。

2. 细分（按照访问者的类别或是访问者的意图进行细分）

Voices.com有两种截然不同的访问者类型：（1）提供配音的艺人，和（2）想要寻找声优的公司。把这些访问者按照类别进行清晰明确的细分，以让他们进入不同的转化通道，对于提升转化率具有巨大的益处。

[版权归Sidney Song（宋星）所有，欢迎转载，但请事先告知作者并注明出处]

3. 证言视频

通常，一个潜在顾客面临的最大转化障碍是他们不知道他们注册为用户到底有什么好处。Voices.com通过增加一个能够清楚传达注册作用的证言视频客户了这个问题。

4. 销售漏斗中的隐藏机会

一旦你提升了你销售漏斗中一个截面的转化率，那么，你“站在50,000英尺”外，以一个更大的尺度检视你的业务就变得非常重要。这样做，能够让你寻找新的机会让你的转化再上一个新的台阶。许多客户只是期望我们在他们的landing page上修修补补，对我们分析整个客户的访问旅程（Customer Journey）感到惊奇。客户的整个访问旅程从最初的广告开始，直到成为长期的忠诚顾客，我们分析这个旅程以辨识更多机会。对于一个客户，我们竟然帮他们找到了一个线下营销（Offline Marketing）的机会，并且延伸出一个极为成功的直邮营销活动；对于另一个客户，我们发现了他们在病毒营销方面潜在的增长机会，然后我们立即着手实施了一个“告诉你的朋友”的活动，这个活动后来成为这个客户生意上最为主要的客户来源。一旦我们增加了Voices.com销售漏斗的转化率，我们即发现了在它们邮件营销中存在一个很大的机会。我们接着为他们设计了一个很成功的邮件营销或哦那个，增加了客户周期（lifetime customer)的价值。

[版权归Sidney Song（宋星）所有，欢迎转载，但请事先告知作者并注明出处]

学到什么

• 找出客户不转化的原因，而不是仅仅做猜测。如果你不知道他们的抗拒心理是什么，你能够克服它们的可能性就会很渺茫。
• 不要“过分谦虚以致埋没才华（hide your light under a bushel）”。如果你的公司特别擅长某些事情——而且你也有证明的话——确保把这些证明放在你网站显著的位置上。
• 考虑把你的访客进行细分。你如何才能知道如何细分访问者呢？如果，你最普通的“访问者意图”不能在网站上找到相匹配的信息，那么你就应该细分你的访客。类似的，如果你有多于一种访客，那么就不能用同一种信息来“伺候”他们，这个时候基本上你也必须要进行客户细分。值得注意的是，细分会产生很多额外的劳动，所以，确保必须要做的时候再这么做。
• 人们不会购买他们不懂的东西。所以清晰的解释你的服务，这样你的潜在客户更有可能找到控制的感觉，并采取行动。
• 有时候，视频你是说明事物的最好媒介，对提供证言和证明而言也是如此。互联网视频不需要花费很多钱，屏幕捕捉软件用起来也很容易，例如使用Camtasia (for PC) or Screenflow(for Mac)。

我们使用的工具

• 做A/B测试和多变量测试，我们用的是Google Website Optimizer。
• 更好的了解用户和网站的交互，我们使用的是Crazy Egg（我的博客也有介绍，见我的文章：Crazy Egg令人惊讶的优秀网站分析工具）。
• 为了辨识用户体验中的问题，在做用户可用性研究方面，我们使用的是UserTesting.com的服务。
• 视频是放在YouTube上的。（这里有一个很好的YouTube高级实用技术的文章：advanced YouTube techniques。）
• 我们分析调查问卷，以理解访客的意图，并且发现普遍存在的问题和抗拒心理。这方面我们用了很多的调研工具，包括Survey Monkey and Survey Gizmo （我们强雷推荐Survey Gizmo）。

你试过音频了吗？

在Voices.com成为我们的客户之前，我们已经是Voices.com长达三年的客户了。在2006年，我们想办法为我们的一个客户获得了一个高达两位数的转化率的增长，方法是增加一个自动播放的音频信息。这段音频是我们在Voices.com上找到的一个声优帮我们提供的。好的声优就如同一个好的插图设计师——他们让你的公司显得极度的专业。他们在入门介绍视频、自动播放的音频信息以及在自动电话应答系统（IVRs）上都非常有用。

如果你还没有使用Voices.com，那么作为一个网站营销从业者，使用这个网站绝对是一个很不错的体验。你只需要把文字放入Voices.com的窗口，然后，在几个小时之内，你就能收到很多来自专业声优的录音。然后，你现在可以扮演Simon Cowell的角色，挑选一个你觉得最好的声音。

[版权归Sidney Song（宋星）所有，欢迎转载，但请事先告知作者并注明出处]

你能把这些音频host在Xiosoft Audio上。

这些技术适用于你的网站吗？

一个400%的转化提升似乎有些极端，并不是所有的实验都能达到同样令人震惊的效果。然后，我们每天都在使用这些技术，我们期待这些技术中的一部分至少能够对你的业务带来价值。

还有更多的类似案例吗？

如果你想要看到更多的客户的结果，我们的留言页面——buzz page包含了一个很长的客户名单。我们也会在近期贴出其他客户的一些案例。如果你想要到时得到提醒，那么加入我们的邮件列表吧，请点击：join our mailing list。

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. 分区段：

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：）

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。

本文是《网络营销数据解读》系列（这个系列前面N篇文章会和之前博文内容有重叠）的第四篇，前面几篇在这里：

• 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？

先说笑话：

有一艘太空船在宇宙中航行，忽然全船听到船长的广播：

大家好，现在我有一个好消息和一个坏消息要通知大家

大家开始紧张……

好消息是，我们现在的速度越来越快了

大家高兴了一下

坏消息是，我们不知道自己在往哪开

很多时候，我们就是这样。

我们会用高级的工具，做漂亮的report，出一堆的数字，大家看着数字多就觉得自己professional，看着数字变大就觉得团队工作出色。开一个网站，做一个promotion，谈一个市场合作，执行一个marketing campaign，做得辛辛苦苦，看到数字（traffic, acquisition, conversion…）不断变化眼花缭乱，最后出一份report说我们搞到了多少注意力，多少注册，多少钱销售，数字大的时候大家觉得做得好，数字小的时候觉得做得不好，对么？

问个问题：有个网站，对网站架构做了重新设计后，pageview / visitor上升100%，其他数据都不变，这次重新设计是不是成功的？

再问个问题：有两个marketing campaign，Campaign A带来了10 million impression，100,000个visitor，2000个订单，200,000元销售；Campaign B带来了5 million impression, 80,000个visitor，1000个订单，400,000元销售。哪个Campaign比较成功？

  ======== MarsOpinion.com 分隔线 ==========

答案是不知道。

因为我们不知道我们的目标是什么，在不知道目标的时候数字是没有意义的。

如果你回答第一个问题”是成功的“，那么请想象一下如果这个网站是个电子产品公司的客户自助服务页面呢？网站的目标是让用户自己找到问题的答案以减轻客服中心的压力，每个访问者访问页面增多很未必是好事——可能说明你导航更不清楚了让用户要花更多步骤才能找到想要的答案。一方面客户满意度会下降，另一方面更多客户会放弃搜寻信息而直接拨打电话——这样又增加了客服那边的压力。

如果你给了第二个问题肯定的答复，那么请想象一下如果我们的目标是“增加品牌曝光”时你答案是什么，目标是“促进销售”呢？目标是“增加订单量，让用户都体验一下购物”呢？目标是“增加高价值客户”呢？

没有清楚定义目标的时候，我们看到的数字仅仅是数字而已。只有定义了目标，我们才知道数字对我们生意的意义。这个系列的头两篇文章（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）主要都在讲说如何正确理解数据的含义，那么这篇文章将开始来介绍如何理解数字对于我们生意的意义。

首先，我们要清楚定义目标。

对于一个支持性的客服网站，我们的目标是让用户找到满意的答案，从而不去拨打电话。

对于媒体网站，我们的目标是让用户对内容感兴趣，消费更多的内容。

对于电子商务网站，我们希望客户多消费，并且持续消费。

对于某一个市场活动，我们希望能增加品牌曝光，对另一个宣传活动，我们希望能拉多些新用户。

这是我们的目标。

听起来很简单，明确一下自己工作的意义和目的就好了。

其实并不容易。对于很多公司，很多人来说，他们其实不是非常能明确自己工作的目的到底是什么，要做这个要做那个只是因为“之前也是这样做的“或者”业界不都在这样做么“，只是为了做事而做事，而没有想清楚整件事情的意义。

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。打个比方，一个小朋友的目标是“长高”，那么他就可以选择“身高”（测量从脚底到头顶的长度）作为指标。

听起来还是很简单。

其实并不容易，分三步来说：

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。

第一步，找到合适的指标来衡量我们目的达成的效果。

这个……没有想象的那么容易。

举个例子，假如你管理一家电子商务网站，你找了几个人帮你做所谓的Marketing，你跟他们说“我要看到实际效果，打广告的目的就是要带来销售。“

听起来目的很明确——促进销售，所以在指标的选择上也就很简单——看每个campaign带来的“销售”类指标就好了。根据团队使用的工具的不同，他们的选择可能有：

• Same Session Order
• Same Session Shopper
• Same Session Revenue
• Last Click Order
• Last Click Shopper
• Last Click Revenue
• First Click Order
• First Click Shopper
• First Click Revenue
• Liner Order
• Liner Shopper
• Liner Revenue

另外，他们可以选择的时间窗可能有7天，10天，30天，或者60天。

选哪几个最合适呢？

一般的做法（有时候也是受到Web Analytics工具的限制）是选择30天时间窗的Last Click Revenue。”30-day Last-click Revenue”大致上（各家WA定义不一样，有WA专家写过一些文章介绍，可以点击这里查看他blog）是这样取得的：

消费者下单完成后进入订单确认页面（Thank you page），这个页面上有一段代码会去看该用户机器上的cookie，看该用户在之前30天有没有点击过我们投放的广告（例如发现该用户30天内依次点击过“新浪广告”, “Smater比价网广告”和“百度关键词广告”），如果有，则找到用户最后一次点击的广告（“百度关键词”），把这个订单的功劳都算到它头上。

听起来蛮合理的。

对于没有选择的同学们（比如你的WA工具只给你这个选项）来说，这样做无可厚非。但是对于有选择的人（比如你用好的工具，或者是自己设计开发WA工具），盲目选择”30-day Last-click Revenue”就是一件很扯的事情。

首先，为什么是30天的时间窗？

为什么不是7天，10天？为什么不是60天？

你对广告带来的流量的依赖性多高？你的消费者看到和点击你广告的频率怎样？从看到广告到做出购买决策，是否需要长时间的考察和研究？……

再问一遍，为什么不是7天，10天？为什么不是60天？

更重要的是，为什么你只看last click的数据？

设想以下情况：

一个用户在新浪看到了你周年庆的广告，点击进去发现你在做特价促销，买东西全场免运费还送一堆赠品，他记下了。过了两天，在上班的时候（^___^，大部分人是在上班时间访问电子商务网站的……），他想起自己要买个电饭煲，于是去比价网找产品比较价格，又看到了你家网址，点击进去看了一下，决定买了，但是没有带网上支付卡所以没有直接买。晚上回家之后，他打开电脑，打开百度，输入你网站的名字（他懒得去回忆你的域名）和那款电饭煲的名字，点击第一个链接（刚好是你的付费关键词链接），到了你网站，买了产品。

新浪的广告让客户了解到你，对你产生的印象，给之后的购物做了铺垫。

比价网广告让客户了解到你也在销售他需要的产品，让他购买。

最后，百度把客户带回来下了单。

你，把功劳都算给百度？

购物决策分为很多个阶段，你的广告可能在他购物决策的不同阶段发挥了作用。

有些类型的广告能让客户来到网站，激发他的一些需求。

有些类型的广告能让消费者在明确了他的需求之后，引导客户来到网站，促成交易。

还有些，介于两者之间，帮助客户从一个阶段到下一个阶段。

如果我们只看离转化（Conversion）最近的广告，把所有功劳都归给它，就会出现很有趣的现象：在报表里面，哪些起到”促成转化“功能的广告得到了所有的功劳，ROI最漂亮，而那些起到”激发需求“或者”增进了解“功能的广告没有得到任何功劳，ROI很难看——很自然的，在我们”优化“市场投放的时候，就会把有限的资金向ROI高的投放方式上倾斜（按照上面那个例子，很多marketer看到数据之后会把新浪和比价网广告停掉，把钱都往百度砸）。

因为你选择了一个有偏见的指标，”激发需求“和”增进了解“类型的广告的作用被大大低估，他们得到的资源也越来越少，最终影响到那些”促成转化“的广告的效果（在上面那个例子，如果没有前面的广告，客户是不会去百度搜索你的）——最后的结果就是，我们越是数字导向，越是去优化我们的marketing campaign，越是把资源投给那些看起来ROI高的campaign，我们整体的ROI就越差。很讽刺，不是么？

现在，你是否觉得，为了评价”创造销售“这个目标，除了30-day last click revenue我们应该也看看别的指标？比如说同时看30-day first click revenue和liner revenue. 30-day first click将把功劳算给30天内客户点击的第一个campaign，而liner将把功劳平均算给客户在30天内点击过的所有campaign。

如果你的投放金额较大（那么就更需要精细管理），是否应该将campaign分组，有些组用这个指标衡量（例如用first click衡量门户网站banner），有些组用那个衡量（比如用last click衡量比价网广告），还有些用liner的数据？或者，你觉得可以3个数据都看，弄个公式来计算（给每种数据一个权值）？

这些都是可以的，关键是——清楚的了解我们抓取到的数据含义，结合目标来选择最合适你生意的一套指标。

（FT，怎么写了这么长才写到这里。。。再分一篇文章出来好了，改天接着续）

（本文内容和之前其他文章可能有重复）

请先阅读下面两篇文章，直接看本文可能会有些晕。

• 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

网站分析领域的大师Avinash Kaushik提出过一个很好玩的测试——"so what?”（“那又怎么样呢？”）。

测试很简单，当你看到一堆漂亮的数据，例如

“PageView: 500,000; Visitors: 30000; New Visitors: 15000”

或者精美的报告，例如

“我们发出去了10 million Email, deliver rate（到达率） 99.99%，unique open rate（打开率）高达19%，unique CTR（点击率）19%! 效果非常好！从点击来看，80%的客户都是New Visitor（新访客），而且他们给我们直接带来了30万的销售额……”

当你看到这些。

首先，你要知道这些天书到底在说什么（请参看XXXXXX，像“带来多少销售额”，或者“新访客”之类的词并不一定是你想象的那种定义）。

知道了那些数据的具体含义之后，你就应该开始进行Avinash大师的so what测试了，你可以对着给你提供数据的小弟或者agent深沉的来一句：

那又怎么样呢？

Pageview 500,000，Visitor: 30,000，那又怎么样呢？

“嗯……那代表说每个客户平均访问了17个页面。”

那又怎么样呢？

“每个客户看的页面多，说明客户粘性高，说明我们的活动很成功。”

为什么？我听不懂。

为什么17个页面就是“多”，为什么“多”代表“粘性高”，为什么“多”代表网站成功活动成功？

（agent开始冒汗想说这人神经病啊……）“呃……我们来谈谈Web2.0和Marketing3.0吧……”

（假如是比较强的agent）“对于您这个行业来说，industry benchmark是人均浏览10个页面，所以17个是挺多的。另外，因为您网站主要都是产品页面，客户浏览页面多表示他兴趣越大，而浏览信息多也使得他对您更加了解，对于您mkt信息的传递，品牌印象的生成，以至于将来销售的促进，都是有好处的……”

那又怎么样呢？

（agent昏过去了）

（假如是比较强的agent）“这个……这次campaign，和上次相比较，最大的区别有两个：第一，之前我们是在www.MarsOpinion.com上做的文字链广告，这次我们换到了www.brandmarketing.com.cn的Banner广告；第二，之前我们没有在广告中提到您公司名称，这次我们把公司名称和logo放最大。我们推测这两个变动可能是我们广告效果提升的原因。我们认为下一次我们应该投入更多的经费在第二个网站上，而且都用来购买Banner广告，同时投入10%经费去原有网站——如果同一个内容的Campaign仍然有巨大的效果差异的话，我们就能得出结论说我们应该加大在brandmarketing.com.cn上的投放，而且要用Banner而不是文字链。”

哦，谢谢。

数字只是数字，其实没有什么意义。

通过不断的追问“那又怎么样呢”，其实我们是在一步一步把简单的数字转化为对问题的洞察，直至产生可行动的方案。

本质上，对于数字，第一个问题是"WHAT”

1. 这些数字是怎么来的，真实含义是什么？

2. 这些数字对我的生意的意义是什么？

3. 这个数字说明情况是好还是坏？

了解了WHAT之后，第二个问题就是"WHY“

1. “好”数字出现的根本原因是什么？

2. "坏"数字出现的根本原因是什么？

分析出了“原因”，最后我们才能得到"HOW"——我们要怎么做，才能让数字越来越"好"？

一步一步，我们所做的事情是：

1. 搞清楚那些花花绿绿的数字，对于我们的生意来说，究竟意味着什么。

2. 然后，去分析说我们有什么可以改进的，要做什么，不要做什么，该怎么做。

只有这样，那些数字才有意义，才有价值。

假如我们财大气粗，而且我们请到了很好很专业的代理（如果您找到了的话麻烦告诉我一声），我们当然可以这样很有sense的连续追问：那又怎么样呢，那又怎么样呢，那又怎么样呢……最后得到满意的答案和行动方案。

可是如果（几乎是一定的……）我们找不到那么好的人来回答问题呢？……那就只好自己来回答，或者自己来培养几个人来回答了。

下面的文章再来介绍怎样来应对“那又怎么样呢”。

（本文首发在BrandMarketing.com.cn，和www.MarsOpinion.com上的其他文章内容可能有重复）

上次（请先点击这里查看《事情不是你看到的那样——网络营销数据解读（一）》）出了10道题问大家说结论是否一定正确，很多朋友也很捧场地回答了问题。

基本上，10道题的结论都有问题。下面我分几篇文章来介绍怎样才能系统和科学的解读网络营销数据。

今天我们可以来讨论一个最基础，而且看起来很简单的问题：我们真的知道报告里的原始数据的含义么？

给一个简单的测试（这次后面是有答案的:p）：

举例来说，如果您看到一份Marketing Agent给您的报告，里面说“我们发出去了10 million Email, deliver rate（到达率） 99.99%，unique open rate（打开率）高达19%，unique CTR（点击率）19%，看了信的人都点击了，说明设计很棒! 效果非常好！从点击来看，80%的客户都是New Visitor（新访客），说明我们这次活动对于抓取新用户是很成功的。唯一的缺陷是我们的网站抓住客户的能力，访客来到了网站之后，ATOS（平均访问时间）只有19秒，我们下次应该进一步优化网站……”

您对这番话的理解是不是：

• 到达率99.99%，那么有9.999 million的客户收到了邮件。
• 有1.9 million的客户打开了email，也有1.9 million点击了email——这样想起来应该打开邮件的客户都点击了。
• 1.9 million里面有80%是新用户，我让1.52 million本来不认识我的客户更了解我了。
• 1.9 million访客，他们平均在我网站逗留了19秒——时间太短了，我们应该想想办法。

如果您觉得4条都是错的——恭喜您不用花时间看下去了。

如果您觉得4条里面有对的，说明您可能对某些网络营销数据还可以多了解一些：

1. New Visitor代表的不是“新用户”、“新顾客”或者“新访客”，它代表的是您的监控工具跟您说“来的这个人我之前没见过”——每次有人访问网站，监控工具就会往那个人机器里留个痕迹（cookie）以便以后相认，下次他再来，系统察看他机器，发现有这个痕迹，就觉得“这人我见过”然后把它归入“老访客 ”，而如果找不到这个痕迹，就会认为他是新访客。所以，当您的老访客换了一台机器，系统也会把他当作一个新访客；当您的老访客有意无意清空了痕迹（cookie），系统还是会把他当作新访客……总而言之，80%的New Visitor不代表有80%的人从来没来过你网站，这个数据需要打个折扣——具体要根据您网站特点具体情况具体分析。

2. Open Rate不代表有百分之多少的人打开了您的邮件，它代表的是“有多少人的邮箱下载了您的监控图片”——系统很难知道用户到底有没有看邮件，所以大部分系统会采用一个诡异的方式来侦测：他们在每个邮件里面加一张只有一个像素大小的小图片，然后用你的email有没有去下载使用这张图片来判断你有没有打开这封信。所以，如果您的email默认不显示图片（比如gmail对于陌生邮件就都不显示图片），系统就会认为这封邮件没有被打开过。所以unique open rate = 19%常常代表有超过19%的用户打开过邮件（看没看就不知道了……），这个数据可能是25%，那么就不是每个打开过邮件的人都点击了邮件。

3. Deliver Rate不代表有多少客户“收到”了你的邮件，它常常只代表这些客户的邮件服务器“没有把你的邮件退回来”，这封邮件命运难测，有可能是就此消失掉了（客户没有收到），也可能是直接进了客户的垃圾邮件箱，过了几天被自动清除了。99.99%也是要打一个折扣的。

4. ATOS，这个解释起来更加的复杂……对常见的监控系统来说，它是不知道访客具体在网站上停留了多久的。为了计算您在网站的停留时间，它会在您打开第N个页面时去看一下表（比如09:30:22），然后在您打开第N+1个页面时再看一下（比如09:30:50），然后它拿两个时间相减，得到您在第N个页面上停留时间（比如28秒）——说到这里您应该已经发现问题：它没法知道您在最后一个页面停留了多长时间。对于市场营销来说（特别是针对新用户的 campaign），这个问题更严重——因为很多人点击广告，来到landing page，然后就走了，这些人一共就只访问了一个页面！系统拿不到第二个页面打开的时间信息，所以有可能会把这些人在网站的停留时间都算作0秒，那么您得到的所谓“平均停留时间19秒”其实是个非常扭曲的数据，并不能代表真实情况（数据偏小）。举例来说，我在自己的 blog（www.MarsOpinion.com）上安装了Google Analytics，它监控的用户访问时间如下图，可以看到ATOS是3:11秒：

如果我只看那些“只访问了一个页面”（对于blog来说，很多人只是上来看最新更新，bounce rate很高）的访客，会发现ATOS居然是0秒：

而我如果看“访问超过一个页面”的访客，这个数据又变成了惊人的9:46！是第一个数据的3倍！

现在，您是不是觉得这些“一目了然”的数据其实并不是那么清楚？

如果我们对那些数字代表什么含义都不清楚的话，解读又从何说起呢？

再来一个非常常见（无数家EMail Solution咨询公司都有类似的Case Study）的例子看能不能让您更晕：

1. www.MarsOpinion.com（我的blog，鉴于不注明出处的转载越来越多，不得以都用自己blog做例子，把链接放到文章里面）的Shopping Cart Abandonment Rate为70%，100个人把东西放到购物车里，只有30人完成订单结了帐，有70个人本来想买东西最终放弃了！

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！鉴于我们这个Solution 只卖200万，ROI高达2300%!

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……。

您觉得这个论证有问题么？问题在哪？

========== 我是分隔线 ==========

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，就好像读者留言所说“我们应该看实际效果，看带来了多少销售，带来了多少利润！”。

关键是：我们监控到的“带来XXXXXX”实际的含义是什么？Campaign创造的效果么？1000个人点击广告，300个人买东西，真的代表这个Marketing Channel为公司“带来”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”，更具体地说，是“有多少人在点击了广告后的某一段时间内下了订单买了东西“，而不是“XX Campaign产生了这些订单”。你监控到这个campaign“带来”了300张订单，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创造了300个订单——有可能300个人里面有299个原本就会来买：）

回到上面那个例子，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”。了解了这个词的真实含义之后，我们至少可以知道一点——“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。

========== 我还是分隔线 ==========

综合第一个例子，如果我们不够了解New Visitor, Deliver Rate, Open Rate, ATOS，Abandonment Rate, Sales Attribution的真实含义，而只是望文生义想当然的话，我们很可能就会作出错误的判断。更糟的是，还有很多的名次定义比文中描述的这些更复杂和混乱。

所以我的建议是：

1. 如果您是购买企业级的、付费的产品（例如Omniture），请在签合同时的时候顺便把training hours也买了，然后列张表把你关心的各个指标的具体定义问清楚（不同vendor的定义还不一样@__@），不要想当然。

2. 如果使用免费的产品——例如Google Analytics，请仔细阅读文档，或者招一个愿意阅读文档深入了解工具的人。

3. 找专业人士咨询。——至于你找的人是否专业，你可以用本文中的例子去问他看他的结论，呵呵。有些人会把文中的话说一遍之后告诉你其他更深入的信息（例如你用的工具其实是可以查ATOS的，只是误差有60秒之类；或者告诉你其他方法获得inbox deliver rate之类），另一些“网络营销专家”可能就会直接转话题开始和你谈概念谈人生谈理想，呵呵。

4. 如果实在找不到人，至少心里面要知道“不能望文生义，这些词未必是他们表面的意思”，给自己留有余地。

========== 我还是分隔线 ============

看到这里，可能有几个读者会产生新的问题说：so what?

假如我们认真学习了（或者找到了懂行的人来帮我们），我们是否就能够解读数据，并且用数据来帮助我们更好的决策呢？

基本上……做到目前这一步还是不行，抱歉。

下一次接着说：怎样才能让这些数字对我们的生意更有意义。

今天就到这里，谢谢捧场:)

（本文首发在BrandMarketing.com.cn，和www.MarsOpinion.com上的其他文章内容可能有重复）

如果您对以下问题的回答都是＂不一定＂，而且您可以说出＂不一定＂的原因……这个系列之后的文章请直接跳过，不用浪费时间看了：）

1. 假如我们给Brandmarketing.com.cn（假设它是电子商务网站）在QQ和新浪上花同样的钱投放了广告，QQ广告一天展示了 5,000,000次，带来了50,000个访客，200个订单，新浪广告一天展示了4,000,000次，带来60,000个访客，300个订单。您觉得我们是否应该减少在QQ的投放，加大在新浪的投放？

2. 假如新浪广告的Impression, Click和Order都是QQ广告的5倍，是否说明了新浪的投放ROI更高?

3. 假如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，是否说明新浪流量更匹配？

4. 假如QQ一天带来了50000个访客，在您网站注册了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？

5. 您原来的SEM Manager离职，来了个新的，他来了之后关键字广告ROI大为提升，其他数据不变，CPO（平均订单成本）从20块下降到18块，我们应该表扬他吗？

6. 品牌宣传活动，您有两个landing page，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。我们认为A页面活动较为吸引人，或者页面设计较好，对么？

7. 您有一个网站，访问量很大，而且您做了监控，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），结论是您的网站内容不够吸引人，对么？

8. 您发现您顾客的平均购买周期是30天，所以您认为每10天来一次的客户是超级忠实客户，而已经60天没来的客户可能是流失客户，需要用之前那篇粗糙却方便的客户关系管理模型来挽回这些客户，您觉得这个思路合理么？

9. 假如我们的网站上个月每天访问量是2万，这个月每天访问量1万5，说明我们网站出了什么问题，对客户吸引力下降了，对么？

10. 我们打算在网站上安装在线客服，当客户访问网站一定时间后还没有convert（下单、注册、下载你的电子书，试玩你的游戏），就弹出在线客服窗口来和客户沟通。因为Web Analytics告诉我们说所有客户的平均停留时间是100秒，所以我们决定在100秒时弹出这个窗口，您觉得这样做合理么？

欢迎大家讨论：）

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。