网络营销基础知识.doc

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B（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？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.MarsO）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.MarsO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.MarsO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%! MarsO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？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。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。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。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？（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.MarsO上做的文字链广告，这次我们换到了的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”。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？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。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.MarsO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.MarsO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, , , , , 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10斤苹果，乙带回来20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.MarsO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