网络营销数据解读

林涛 3096℃ 0评论

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?

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。

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。

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。

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。

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. 看分布:

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?

首先,我们得了解有哪些监控数据可以用,各自代表什么意思(它们未必是字面上的意思)。

然后,我们应该思考我们网站的目标是什么,应该制定一套怎样的指标才能更好、更全面的衡量效果(长期效果、隐性效果)。

有了好的指标来衡量效果之后,我们只是得到了数据,必须学会一些简单的分析方法来分析数据、找出问题的根源,制定合理的行动方案来优化效果。

今天的主题其实是上一篇的延伸,我们继续来看还可以怎样来深入分析数据。

老规矩,先拍脑袋问几个问题,建议先想一下留言说一下再往下看,我个人的经验很有局限,如果能够大家贡献一些智慧的话这个讨论会更有趣:)

•两个营销活动(外网广告配合内网活动页面)landing Page各自有100,000流量,A活动页面bounce rate 80%,转化率2%,B活动页面bounce rate 75%,转化率3%,所以B活动较好(页面设计,促销内容,产品选择……),对么?
•两个营销活动(外网广告配合内网活动页面)landing page,bounce rate和转化率都相等(平均数相等,分布也一模一样),说明这两个Landing Page在“抓住流量”、“转化流量”方面能力差不多,我们没法从中积累什么经验。对么?
•结帐流程改版前转化率是3.1%,改版后调到了2.9%,我们应该改回去,对么?
•我们顾客的购物频率是一个月买一次,所以当一个顾客两个月没有来买东西的时候我们应该给他们发Reactivation Email,对么?
•最近网站的转化率从3.4%下降到了3.1%,所有分析方法都用了,找不到原因,怎么办? 我该把所有产品经理叫过来开会,让他们想办法提高产品的吸引力了,对么?

============ www.MarsOpinion.com ============

Segmentation(客户族群细分?)可以帮助我们回答上面这些问题。就好象之前所说的平均数没法准确的传递整体的具体情况一样,每个用户族群(Segment)的行为方式特点都不同,把他们一锅粥丢到一起然后看整体的数据往往会让我们一头雾水,没有办法深入的了解实际情况。在WAW的讲座时我重点讲了这个概念,但是事后还是很多朋友问我要“具体的例子”,所以今天尽量用举例子的方法来介绍这个概念的实际应用。

最常见是根据客户的生命周期来分Segmentation,而其中最最简单的操作方法就是把用户分成“新客户”和“老客户”。

一般情况下,我们可以认为“老客户”(在本次到访前完成过某个特定行为的用户,例如可以定义成“买过东西的用户”、“注册过的用户”或者“访问过的用户”)相对来说对网站更熟悉(反过来说就是对变化可能更敏感,更需要时间适应)、更信任(否则不会一来再来)、操作更熟练、对界面引导依赖比较低,比较容易被转化;而“新客户”则对网站较为陌生、对界面引导依赖比较重,转化率也相对较低。

案例一:

两个营销活动(外网广告配合内网活动页面)landing Page各自有100,000流量,A活动页面bounce rate 80%,转化率2%,B活动页面bounce rate 75%,转化率3%,所以B活动较好(页面设计,促销内容,产品选择……),对么?

我们把用户分成“新客户”、“老客户”两个segment再分别看数据,发现第一个活动流量中有90%是新客户,新客户的bounce rate 82%,转化率1.8%,而第二个活动流量中只有10%的新客户,他们的bounce rate也是82%,转化率1.8%;而对于老客户来说呢,在两个活动中bounce rate和转化率也都是一样的——两个活动之所以表现不同,仅仅是因为他们流量的构成不同,对于同种流量来说他们“把客户留住”和“转化客户”的能力都差不多,“B活动更好”这个说法是站不住脚的,不是么?

案例二

新浪上的广告促销带来500,000访问,5000订单,网易上的广告促销带来500,000访问,5000订单,看起来一样,我们没有什么可以做的,没法做什么优化(不能说“下次把钱都给XXX,让YYY去死吧”),也没法积累经验(不能说“XXX活动看来更有吸引力,YYY活动可以去死了。”)。对么?

很多marketer懂得的唯一“分析工具”就是“比较数字大小”,当数字大小相等的时候就觉得里面已经没有了分析的余地和优化的空间,

老办法,我们分开看新老客户的情况(对于使用GA的朋友,可以试试看GA的Advanced Segmentation功能),发现新浪带来了400,000新用户访问,4000个新用户订单,网易带来了200,000个新用户访问,2000个新用户订单(可以通过简单运算得知网易带来了更多老客户访问和订单),这样一个简单的划分就可以给我们带来非常丰富的数据:

•如果两个营销活动创意一样,我们可以有一个初步结论说新浪那个广告位面对的新用户更多,而网易的面向老客户更多。之后如果要抓新用户可以多考虑新浪那个位置,如果想做老用户维护可能网易那个位置比较好。——对于大部分公司来说,抓取新用户的成本要比维护老用户高,换句话说,能搞来一个新用户更不容易,所以一般情况下可以说新浪那个广告位更有价值一些。
•如果两个营销活动创意不一样,我们就可以积累到更多关于活动形式、活动产品的经验。比如如果是京东商城,可能发现第一个促销Banner和促销页面主推的产品都是DVD盘,优盘,MP4,GPS,而后一个则是专门针对显示器、键盘、鼠标的促销。这样子我们可以有一个初步的结论(记录下来,和之前的经验放在一起相互印证)说如果要抓新用户我们的促销活动主打应该多用优盘MP4。
用上这么简单的一个Segment,我们从活动中积累的经验就会多很多。

案例三

结帐流程改版后,发现转化率从3.04%掉到了2.90%,怎么也找不到问题,怎么办。是不是可以得出结论说新版的流程不好用,让我们改回原样?

老办法,分别看一下新老客户的表现情况,发现老版的结账流程对于老顾客的转化率是3.2%,对新顾客的转化率是2.71%;新版结账流成对老顾客转化率是3.03%,对新顾客的转化率是2.89%。

在这样细分查看了数据之后,我们很难有确切的结论,但是至少可以提出一个和“老版更好”不一样的假说:新版更好。因为:1. 对老客户来说,新版老版表现差不多。新版比老板转化率低0.17%,这个数字在统计意义上未必显著。另外,对老用户来说,适应新的界面需要一段时间(哪怕是更好的界面,在引入的初期很可能也会让老客户有些不习惯从而导致转化率下降),所以就算0.17%在统计意义上显著,我们也不能根据这这么一个数字就说新版不行,还得观察一段时间再说;2. 对新客户来说,新版的转化率要更高。新客户(因为WA监控方面的的局限,他们未必都是没有来过网站的用户,但是我们可以认为他们作为一个整体来说对于网站的熟悉程度远低于“老客户”)不管在以前还是现在都是需要熟悉和学习界面的一群人,界面帮助转化了更多的新用户往往更能说明改版的成功。

案例四

为了同一个活动,我们设计了两个不同的Landing Page(因为要在上面放不同的媒体logo),分别在两个媒体上做广告导流量上来。为了测试不同的版型对于Bounce Rate的影响,我们特地把两个页面做得不太一样,第一个的“参加活动”按钮是黄色的,非常大,第二个的按钮是橘黄色,比较小,但是放在了更显著的位置上。经过测试,第一个页面的Bounce Rate是80%,第二个页面的Bounce Rate是77%。是不是说第二个页面设计更好?按钮摆放位置比按钮颜色更重要?

如果我们分开看新老客户这两个segment,一种可能的结果是我们发现对于第一个页面,新客户的bounce rate是85%,老客户bounce rate是78%;对第二个页面,新客户的bounce rate是90%,老客户bounce rate是76%(第二个页面流量中新用户比例比第一个要小)。

如果数据真的是这样,我们就得反思最开始的结论。对于老客户来说,点击广告来到活动页面,一是更容易找到call to action的指示(已经熟悉了我们的设计风格),二是就算找不到,他也很可能点击首页或者目录导航页去看看是不是有别的他想要的东西在促销,这样说起来bounce rate会比新用户低,而且和call to action做得好不好相关性相对较小。如果这种说法成立,我们在判断页面设计好坏的时候更多的应该用新用户这个segment的表现来作为依据,换句话说,第一个页面设计似乎更好一些。

如果说第一个页面的设计较为合理,那么为什么它对于老用户的bounce rate反倒会比第二个页面高呢?可能的解释是:1. 2%的差别可能在统计意义上不显著——第二个页面运气好多让人点了两下罢了,本质上78%和76%是差不多的;2. 活动本身对于老用户并没有吸引力,比方说最近一号店的“一元疯抢”活动对老顾客吸引力就很有限(因为只给新用户优惠),或者是因为产品促销幅度不大,对于老用户来说,看了一眼就知道以后还会有更好的(“什么,才9折,上周才搞过8折的!”),所以看一眼就跑了。

这里的分析只是抛砖引玉,关键是我们要学会分segment来看数据、深入分析,这样才可能得出真正有意义的洞察和行动方案。

其实,按照新老客户的划分Segment只是最基本的(说实话,也是最有效果的,呵呵),这里面还有很多做细的空间。

比方说可以按照用户的生命周期来分(详情参看粗糙却方便的客户关系管理模型),把用户分成“新用户”、“首次购物顾客”、“重复购物顾客”、“流失顾客”……这样子细分的好处是可以积累更细致的数据和经验,缺点是数据会变得更加的复杂、不直观,而且对于实际操作的Markter的要求会变高,所以一般情况下比较少用(感兴趣的话,网络营销和Web Analytics的数据解读方法(二)——Segment (2)里有个简单的例子)。

除了客户生命周期之外,其实还有无数的指标都可以用来做客户细分。下面这些例子就都能用客户细分的思想来分析出有用的结论(Actionable Insight),大家不妨试试看来做一下这些案例,留言说一说你的分析思路,大家多交流:)。

先说明两件事情:

1. 为了便于讲解和理解,案例都很简化、极端化,具体内容请不要当真:),主要是介绍一个思路。

2. 大部分案例用www.MarsOpinion.com网络营销数据解读系列文章前面介绍过的思路和工具也能解决……为了便于讨论,请都从segment的思路出来来考虑这些问题:)

案例一

网站销售4个大类的产品:家电,笔记本,日韩时尚女装(中低端),日用百货(卫生纸、零食……),用户平均访问周期是一周一次,停留时间为5分钟,转化率0.8%,平均订单金额340元。我们可以做什么?

案例二

网站销售笔记本,SONY笔记本最近越卖越好,上个月卖了700万销售额,比上个月猛增20%,而Lenovo只卖了400万,比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金,顺便把心里面把管Lenovo那条线的那个家伙画个叉,以后有机会就干掉他。这样推理正确么?

案例三

网站销售4个大类的产品:家电,笔记本,日韩时尚女装(中低端),日用百货(卫生纸、零食……),我们做了一个详细分析,发现我们60%的订单是15%的顾客产生的,我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值(过去一年购物金额)把客户按分成了5组:VIP顾客,高价值顾客,平均顾客,待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上,客服接到他们电话也要提供更周到的服务。这样的逻辑对么?

案例四

新设计了一整套网站页面和购物流程,搞了个比较贵的付费工具来随机挑选顾客展示给他看不同版本的页面,10%看新版,90%看旧版,结果发现新版的转化率比旧版高0.04%,鉴于消费者对新版还不熟悉,我们认为消费者熟悉之后新版数据会更好——也就是说新版应该完胜旧版,我们应该马上把旧版替换掉。这样的结论对么?

案例五

分析数据时发现我们有四种很典型的访客行为,一种会浏览14个产品页面,然后什么也不买另一种则直接搜索产品名称,然后马上购物;第三种会随机看5-15个页面,其中多个页面被反复访问,然后购物;最后一种是浏览5-15个页面,然后什么也不买。为什么会这样呢?

案例六

新来了一个SEM Manager,上手一个半月就把搜索引擎的ROI提高了12%,人才啊。是这样么?

案例七

网站用户平均访问频率是一个月一次,50%访问大约1个月1次,30%大约每周一次,15%大约两个月一次,5%会超过两个月都不来访问。这样算起来,顾客如果两个月没有来访问的话,就有95%的可能性是要流失了。为了挽回这部分流失客户,我们应该在侦测到客户停止访问两个月时让客服打电话给客户嘘寒问暖,顺便送一个折扣券给他。这样做真的合算么?

案例八

我们网站有100万注册并登陆过超过一次的会员,10万每周都登陆一次、每个月买一件东西;30万每个月登陆一次,每3个月买次东西;30万只登陆过2次,没买过东西;最后30万里面,10万每年登陆但是1年才买一次,20万每半年登陆一次但是至今没有买过东西。我们在做lead acquisition的时候,可以粗略估算说我们抓到的新顾客有10%的可能性会每月买东西,有30%可能性每3个月买一次,有10%可能性1年买一次。这样的推理正确么?

案例九

新建网站,站外做了很多广告,站内做了很多促销活动,发现来访的人当中5%注册了帐号,1%注册完了还马上买了东西。怎样才能让他们更多的注册,注册完买更多东西呢?

公布答案——答案的意思并不是说“这些案例就是一定得用这些方法来解决”,而是用案例来说明这些概念和方法可能可以用在什么方面:)。大家不用拘泥于这些案例的细节,呵呵,反正都是我瞎编的。

没有仔细去研究理论,完全从实践出发的话,我所用过的客户族群细分的方法主要有三种:

•按照客户属性细分:根据客户”是谁“来划分族群,例如把客户分成”男客户“、”女客户“
•按照客户行为来细分:根据客户上网行为来细分,例如把客户分成”浏览服装专区的客户“和”浏览数码专区的客户“。很多时候”根据客户行为“和”根据客户属性“这两者会混在一起,比如一个客户的行为是”每个月都来买一次东西而且只买最贵的“,可能我们就会在数据库里给他标记上”有钱人”,之后“有钱人”就成了这个客户的属性之一。
•按照最终结果来细分:其实是“按照客户行为来细分”的一种,但是它适用性非常广,而且用起来非常方便,所以单独拿出来讲一下。

再次建议先看一下网络营销数据解读(八)——客户族群细分(Segmentation)2-1,自己思考一下那些例子再看这篇文章,因为:

•只有自己思考过才能记得住,光是看看很容易产生“显然是这样啊,太弱智了“的感想,然后看完就忘了。
•数据驱动的电子商务和网络营销是非常年轻的概念,没有谁是所谓专家(我也在不断学习),我说的东西也只是一家之言,我相信这里的读者里有很多都有非常深厚的经验,如果能够从自己经验出发思考一下那些例子,分享一下自己的想法的话,对我和对其他读者都是很好的学习资源:)

回到那些例子,我们一个个来聊。

案例一

网站销售4个大类的产品:家电,笔记本,日韩时尚女装(中低端),日用百货(卫生纸、零食……),用户平均访问周期是一周一次,停留时间为5分钟,转化率0.8%,平均订单金额340元。

之前已经说过不能光看“平均数”,这里不再细说了。

从Segment角度来说,我们可以把用户按照浏览行为来细分为“家电组”、“笔记本组”、“女装组”和“百货组”(相互重合,没有关系),然后再去看每个组的访问周期、停留时间、转化率、订单金额。可能会发现“笔记本组”的访问周期是每天一次(但是只维持一个月)、每次平均停留3分钟(可能只是查一下价格),转化率0.05%,平均订单金额5000;而“日用百货组”的访问周期是每两周一次,平均每次停留半小时,转化率4%,平均订单金额120。

除了可以用”浏览“行为(这个可以用GA的Advanced Segmentation实现,其他高级工具例如Omniture, Coremetirs或者WebTrends也都有很简单的工具可以帮你做这样的细分;刚看了传漾(Disclosure: 和作者有合作关系)新系统的Demo,他们也提供自定义的Segment功能)来做细分之外,我们也可以用“购买品类”来细分,例如分成“家电采购者”、“笔记本采购者”……这里面不变的一点是“根据用户活动所在产品品类来细分”,因为每个品类都有自己的特点,逛或者买某个品类产品的用户也有自己的特点,这些特点只有按照品类把客户区隔开之后才能看清楚,而只有看清楚之后我们才能开始考虑说有没有可能用这些数据来做进一步的优化。

案例二

网站销售笔记本,SONY笔记本最近越卖越好,上个月卖了700万销售额,比上个月猛增20%,而Lenovo只卖了400万,比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金,顺便把心里面把管Lenovo那条线的那个家伙画个叉,以后有机会就干掉他。

首先可以考虑的是把“付费流量”和“免费流量”分开来看,付费流量就是我们需要花钱的流量,包括硬广告、搜索引擎关键词、网站联盟广告等等,而免费流量则包括直接输入网址访问、自然搜索流量和免费的交换链接流量等等。这个例子里面,可能我们看到SONY笔记本产品访问流量有一半是付费的,而Lenovo只有10%是付费的,而最终的转化里SONY有60%是付费流量产生的,而Lenovo只有8%,这时我们要考虑的就是:为了创造这些流量和转化,我们分别花了多少钱,赚了多少(钱和用户),然后再比较。如果SONY700万销售额只有30万毛利,但是花掉了25万市场经费,而Lenovo产生了30万毛利,只花掉5万市场经费,或许我们的结论会有不同。哪怕外部的投放差不多,内部的资源(例如首页Banner、主推活动里的Featured Iteam位置……)分配不均也可能是销售不平衡的原因,如果不细分看的话可能会得出不够成熟的结论。

这其实是个很常见的现象:我们在考评绩效的时候,常常没有能够将其他支持部门对相应绩效的支持成本合理的算进来。比如说我们考评产品经理绩效,可能就没有把他们每个人所消耗的营销资源算上,也可能没有把相应的仓储成本算上(有些货很容易签收和发货,有些很麻烦——例如要记录每个盒子SN号或者需要特别储存环境),还可能没有把对应的RMA费用算上(比如一个产品卖很好,但是卖100个有20个坏掉,18个用户退换货),以后有机会写数据驱动的电子商务运营的时候再详细说。

另外可以考虑的是竞争情报,我们在运营电子商务的时候,眼睛不能光盯着自己的一亩三分地光看每天卖了多少东西,还得看看周遭的局势。具体的做法如果有机会在这个系列的后面几篇再说,大家可以点击这里订阅www.MarsOpinion.com,这样就不用总来看有没有更新。在我长时间不更新又看到流量上涨的时候总是觉得很愧疚,呵呵。言归正传,这里我们先不说外部的信息采集,光从内部数据出发,我们怎么能够知道市场的波动呢?正如读者所说,可能是因为SONY推出了新款,所以大家关注SONY,所以它才卖得好,跟产品经理没什么关系。比较粗略的,我们可以根据浏览行为来细分,看这个月浏览两个品类的消费者数量有没有重大变化,例如如果SONY产品线浏览量翻了一番,Lenovo没变,我们可以合理猜测说可能有些大的市场波动影响了最终的销量。更精准一些。更进一步,如果我们发现说”SONY浏览组“的转化率比”Lenovo浏览组“的转化率还低的话,甚至可以怀疑说是不是SONY的产品经理没做好,没能把天上掉下来的流量转化成订单。这个做法的优点是简单易行,缺点是很粗略(SONY产品经理可以说正是因为他辛勤工作,才让大家愿意浏览他的产品)。复杂一点,我们可以根据站内搜索的关键词来分组,有条件的就做语义分析细分,没有条件的就简单的把品牌关键词和最热门的3款产品关键词拼到一起做一个组,然后从中看用户对于不同产品线的兴趣是不是有了重大变化。更复杂更合理的,当时是根据站外关键词来做同样的事情。

案例三

网站销售4个大类的产品:家电,笔记本,日韩时尚女装(中低端),日用百货(卫生纸、零食……),我们做了一个详细分析,发现我们60%的订单是15%的顾客产生的,我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值(过去一年购物金额)把客户按分成了5组:VIP顾客,高价值顾客,平均顾客,待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上,客服接到他们电话也要提供更周到的服务。

在做CRM的时候,一定不要吃大锅饭把整个网站所有用户往里丢。不同产品类别的消费者行为特征完全不同,放一起分析往往会得到扭曲的结论。这个例子里,那所谓15%的高价值用户很可能就是买家电和笔记本的用户,最终的关系维护里可能会把买女装的用户完全忽略掉——虽然她们可能是更有价值的用户。根据购物品类来细分一下流量对于分析很有帮助。

案例四

新设计了一整套网站页面和购物流程,搞了个比较贵的付费工具来随机挑选顾客展示给他看不同版本的页面,10%看新版,90%看旧版,结果发现新版的转化率比旧版高0.04%,鉴于消费者对新版还不熟悉,我们认为消费者熟悉之后新版数据会更好——也就是说新版应该完胜旧版,我们应该马上把旧版替换掉。

对于网站设计和Landing Page设计来说,最常用的还是按照新老客户分组看效果,看老用户使用是不是顺畅、转化率是否下降厉害(就算是,我们可能心里面也会有一丝期待说这个只是暂时的,等他们习惯就好了),看新用户使用起来是否比之前的新用户要顺利,转化率是否改变(如果一段时间后新版转化还是低,我们就很难找到理由说情况会变好)。

做到更细呢?还可以根据用户对网站的使用习惯来分组,例如将用户分成“搜索组”(来网站总是用站内搜索找东西),“导航组”(总是用目录导航),“闲逛组”(总是点击首页产品),“促销组”(总是点击广告),然后分开看每个组在新旧版下的表现,这样细分之后可能会发现说”新版整体超过旧版,但是因为搜索框不够明显,对于搜索组的同学们来说转化率反倒下降了“,于是我们可以不仅仅得出结论说”新版更好“,而且能够找到进一步改进的方向——”试试看放大了搜索框的新版是不是更好“。更好的是,这样子往往可以为公司(和实际执行的员工)积累下更多的知识财富,我们不仅仅知道了这次应该用什么版式,而且可以记录下来说”XXX样式的搜索框会对搜索组用户产生XXX的影响”、“XXX的目录可以对导航组的用户产生XXX的影响”……以后再做的时候就能有一个更好的基础。

案例五

分析数据时发现我们有四种很典型的访客行为,一种会浏览14个产品页面,然后什么也不买另一种则直接搜索产品名称,然后马上购物;第三种会随机看5-15个页面,其中多个页面被反复访问,然后购物;最后一种是浏览5-15个页面,然后什么也不买。为什么会这样呢?

这个例子还真是纯粹瞎编出来演示理论的,呵呵。

还有一种分割用户的方法就是按照访问时间来分组,比如我觉得我的网站用户都是白领,我觉得她们的网上行为模式可能和她们的上班模式有关,所以我把用户分成“工作日访问者“和”周末访问者“去仔细看数据,发现果然有不同,周末访问者大多会随机看5-15个页面,然后有1%左右买东西,而工作日访问者的行为模式则更为复杂。我们可以再把他们细分成”9:00 – 18:00访问者“(如果还要细分,也可以考虑把中午休息时间再分一两个小时出来)和”工作日晚间访客“,如果我们发现说””9:00 – 18:00访问者“就是“会浏览14个产品页面,然后什么也不买”的那群,而”工作日晚间访客“就是“接搜索产品名称,然后马上购物”的那群,我们就能够更容易对这些奇特的访问行为提出自己的假说:”她们都是在上班时浏览网站,瞎逛,看到好看的记下来,晚上下单“(这个假说是不是正确还需要实践检验,但是至少我们有了一些基础),基于此,我们可以考虑的事情有:白天时是不是要放更多促销引导的活动?网站上的”收藏夹“功能是不是要加强?按钮要不要做更大?”最近浏览过的商品“列表是不是要在晚上显示更大?……很多东西可以想。

看到这里,大家可能会想说”神啊,我怎么要想到还要用时间来分Segment啊,你又没提示的“。很多时候确实就是这样,数据乱七八糟,我们也不知道要怎么分组才能看清它们,所以能做的几件事情是:1. 加深对业务的理解,多和一些员工聊天,多和消费者聊天;2. 多试,积累经验;3. 正如这篇文章最开始所说,我们还有一招:根据结果来细分。

比如我们就把客户根据观察到的结果分成4组,分别取名字叫“观光客”、“猎人”、“访客”和“游客“(名字瞎取的),然后我们去各个报告里面看这四组人的表现,最后发现在每周访问时间这个报表上(根据周一、周二……周日来组织信息)”访客“的行为轨迹和其他三组显著不一样,我们就知道说等会儿可以试试看说把用户分成“工作日访问者“和”周末访问者“去仔细看数据;然后我们再看每日访问时间这个报表(根据时间——每个小时——来组织数据),发现剩下3组人在访问时间的模式上有明显的差异,由此我们可以合理猜测说之所以有这几组不同的访问模式,是因为他们来自在不同时间点的访问,然后我们可以很自然的想说我们应该根据访问时间来划分用户族群看数据,然后根据这些数据来推测可能的原因、找到可能的优化点。

案例六

新来了一个SEM Manager,上手一个半月就把搜索引擎的ROI提高了12%,人才啊。

在想说如果我很仔细的说应该怎么管理SEM会不会被专业的同学们笑,呵呵。好像有蛮多专业的SEMer也在看www.MarsOpinion.com。

就我个人对于电子商务的搜索引擎营销的了解来说,有两类的词表现是完全不一样的,第一是“品牌词”,第二是“产品词”。品牌词就是和你网站品牌、名字、网址相关的词,例如凡客诚品的品牌词可能就包括“VANCL”、“凡客”、“凡客诚品”和“凡客衬衣”,搜索这些关键词的一群人已经知道了我们的品牌,而且他们明确的表示了要来我们网站的意愿,只是不知道要怎么来而已。另一群人,搜索的则可能是”男士衬衣“、”白色男士牛津纺衬衣包快递“、或者”松下相机LX3“,他们知道自己大致需要什么产品,但是并不一定有要来我们网站购买的意愿,只是随机被搜索结果带到我们网站而已。

所以,我们可以做的第一件事情就是按照”品牌词“和”非品牌词“来细分流量,绝大部分时候品牌词本来就应该有高很多的转化率——因为用户已经有意愿来你这里买东西,基本信任已经存在,只要找到东西价钱OK基本上就会买。在这个例子里,如果发现说SEM付费关键词中品牌词组的比例大幅度提高,可能就能解释为什么ROI提高了。如果网站本身已经比较大,SEO也不错,搜索品牌关键词的时候本来也会有大量的自然搜索结果出现在最前面,而且也没有竞争对手恶意购买你的品牌词,这时候哦大量购买品牌关键词只是把原来不要钱的流量变成要钱的流量,让公司亏钱而已。用我的博客举例来说,在这个SEM经理帮我管理之前,每天搜索“Mars电子商务”和”Mars Opinion“来到我博客的人有20000个(不用钱的),其中20%会订阅www.MarsOpinion.com,另外我自己会买一些类似”数据驱动的精准营销“、”数据驱动的电子商务运营“这类词,花费大约是每天2万块,每天给我带来2000个新的订阅(也就是我所需要的转化),ROI是”10块钱买个订阅读者”。他来了之后,把我的2万块钱全部花在买”Mars电子商务“、”Mars Opinion“这些词上面,给我带来22000个流量和4400个订阅,与此同时,这些词的自然搜索流量降到2000(因为付费的链接排在更前面)、自然带来的订阅降到200,而像”数据驱动的精准营销“、”数据驱动的电子商务运营“这些词,因为没有买关键词,所以带来的订阅量变成了0。从SEM ROI的角度看,ROI从”10块钱买个订阅读者”大幅提高到了”4.5块钱买个订阅读者“,但是对于我博客,作为一个整体来说,我花的钱没有变(都是2万),但是我总的新订阅数,从6000( = 4000 + 2000)个下降到了4600 (= 4400 + 200)个,他的”优化“给我带来的是亏损。——这个例子可以表明,根据“品牌词”和“非品牌词“细分流量可以让我们加深对于SEM效果的理解。

如果还要更细化,其实”产品词“还得再细分成”产品品牌词“、”品类词“、”产品词“、”购物词“等,搜索每一种词的用户都处于购物决策的不同阶段,需要为它们设计不同的目标和指标来衡量效果,这里就不细讲了,对于绝大部分公司应该还没必要做这么细。

另外,在上一篇网络营销数据解读(八)——客户族群细分(Segmentation)2-1的留言里,Teamilk99提出了一个很好的观点:我们不能光看ROI,还得看Return的量。把一部分表现低于平均值的关键词去掉就能很简单的提高ROI,可是这却未必符合公司利益。完全从公司利益角度出发,只要投放关键词的边际收益大于边际成本,就还是应该继续的。

案例七

网站用户平均访问频率是一个月一次,50%访问大约1个月1次,30%大约每周一次,15%大约两个月一次,5%会超过两个月都不来访问。这样算起来,顾客如果两个月没有来访问的话,就有95%的可能性是要流失了。为了挽回这部分流失客户,我们应该在侦测到客户停止访问两个月时让客服打电话给客户嘘寒问暖,顺便送一个折扣券给他。

还是根据客户对应的产品品类来分,不细说了(题外话:上一篇网络营销数据解读(八)——客户族群细分(Segmentation)2-1的留言里Sucirst对于CRM的接触点有一个比较详细的介绍,建议去看一下)。

说点和具体案例无关的,如果要做客户细分——特别适用于客户关系管理的话,最好要专业的人用高级的数据挖掘工具来做,这样考虑比较全面。如果一定要自己拍脑袋想模型(这是我经常做的事情@__@),提醒一下说要先把数据过滤一遍,把极端数据先滤掉再做。比如你卖画,平时每天1000幅,其中总有一两个大客户(他们是从你这里进货然后再零售的)每单就买两三百幅,他们不论被放到哪个族群里都会显著的影响那个族群的数据(更可怕的情况是,他们非常显著地影响了数据,但是还让你看不出来——举个纯假设性的极端例子,你10000个客户,5000男,5000女,男的里面有2个是B2B大客户,每人买了250张画,女性那里没有大客户,其中500人每人买了一张。没过滤outlier的话看到的“男客户“族群和”女客户“族群的转化率数据是一样的,看起来也很合理,不会引起警觉),所以建议把他们单独挑出来研究。

案例八

我们网站有100万注册并登陆过超过一次的会员,10万每周都登陆一次、每个月买一件东西;30万每个月登陆一次,每3个月买次东西;30万只登陆过2次,没买过东西;最后30万里面,10万每年登陆但是1年才买一次,20万每半年登陆一次但是至今没有买过东西。我们在做lead acquisition的时候,可以粗略估算说我们抓到的新顾客有10%的可能性会每月买东西,有30%可能性每3个月买一次,有10%可能性1年买一次。

如果网站获取新用户的方式方法比较多样和豪迈的话,我们可以把用户的注册来源当作用户的一种属性。举例来说,如果是20万主动注册,30万通过流氓软件骗来,10万通过联名注册从论坛得到,40万通过“注册有奖”活动从网站联盟来,10万通过垃圾邮件骗进来,这几组人表现很可能截然不同(主动注册的一般是有意向买东西的,其他就未必了,被骗来的说不定还下过决心说永远不来买东西),不分开看数据是看不清的。这几组人混在数据会很模糊,根据注册来源分组来看会清除很多。还有些时候,需要细化到具体的Campaign,例如”和网购论坛的联合推广活动”和“新浪广告Banner”这两个来源虽然都可以算是Marketing,但是带来的用户后续表现也会有很大差异,能够细分观察可以帮助我们挖掘更多信息,而且这个数据的积累也是衡量长期效果指标的前提(参考网络营销数据解读(五)——完善指标)。

用用户属性来细分流量还可以用在别的方面,比如说根据访客的IP来分Segment,看看南方访客北方访客行为有没有什么区别,有没有什么变化趋势,说不定可以通过数据发现自己电信网通有一边的网速不行让客户都跑了。划分公司本地访客和外地访客可以看看公司地域影响力的变化。在公司拓展市场的时候(例如像一号店在北京机场巴士上做广告,或者新蛋刚去北京),把自己目标城市的流量分开来看也更能了解状况。

案例九

新建网站,站外做了很多广告,站内做了很多促销活动,发现来访的人当中 5%注册了帐号,1%注册完了还马上买了东西。怎样才能让他们更多的注册,注册完买更多东西呢?

还是用老办法,从结果出发来做细分,比如把流量分成“购物组”、“注册组”和“观光组”,然后反过去看其他报表。看流量来源报表,来查看“购物组”和“注册组”主要是哪些媒体带来的;看内容报表,比较“购物组”和“观光组”在浏览的产品类别上有没有显著差别;看具体的点击轨迹,比较这三组人到达landing page之后分别做了些什么……总的来说就是,把所有报表都用这三组人过滤一下,看他们在结果数据上有没有什么显著差别,如果有,则再研究是不是因为这个差别导致的后续效果的差别。比如说发现“购物组”和“注册组”中访问了“女装”这个类别的比例,显著高于”观光组“中访问过女装类别的比例,我们就可能可以提出两个假说:1. 女性用户对我们更有价值,我们应该多拉这一类的流量;2. 我们女装这个类别做得非常好,能够将流量转化下来,我们应该增加这个品类的曝光。这些结论是否正确还需要进一步考证,但是这是一个很好的起点。换一个例子,我们去比较点击轨迹,发现”购物组“到达landing page之后大多点击了产品图片直接进入了产品类别或者具体产品页面,而“观光组”中间超过50%点击了“点此参加活动”这个按钮。这样的话我们可以开始猜测说我们辛苦设计的那个所谓”活动“(比如说是个竞猜之类)到底对我们起了正面还是负面的效果,自己去点点那个按钮看会发生什么事情,首先看是不是流程上出了问题(我还见过点击“参加活动”这个按钮结果无限循环回到原页面的),如果没问题,再从活动设计的角度反省说它是不是起到了降低转化的作用。

个人很喜欢这个细分方法,本质上它就是根据结果把流量分成“好人”和“坏人”,然后一路比较“好人”和“坏人”从接触到最后转化或离开这整个过程中所经历过的事情有没有什么显著的不同,如果有,则进一步深入去考虑说这些不同点是否就是造成他们一些是“好人”一些是”坏人“的原因,再想办法优化这些经历,尽可能增加”好人“这个族群。

如需转载请注明: 转载自26点的博客

本文链接地址: 网络营销数据解读

转载请注明:26点的博客 » 网络营销数据解读

喜欢 (0)
发表我的评论
取消评论

表情