Wedding Dresses Outlet

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 ============

介绍两篇不错的文章，一篇的确不错，一篇帮朋友做实验

Avinash：搜索引擎优化指标&分析的问与答

Windows 7 中文版下载地址以及破解方法

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。

载声明：转载时请以超链接形式标明文章原始出处: http://www.marsopinion.com/2009/04/08/interpret-online-marketing-and-web-analytics-data/

像我们知道的一样，不少企业已经感受到社会化媒体的力量，但却并没有很快的投入Social Media Marketing。他们主要会有两种顾虑：第一是可控性的不确定，这里主要是对于可能出现的负面舆论的控制；第二是没有合适的效果评估体系，从而没有办 法有效的对最后效果进行评估。

很多时候，第二种顾虑是更要命的，因为对于负面舆论，企业虽然害怕，但多少还是有一些应付的经验。可是要说服企业去尝试一种无法评估效果的营销方式，难度非常大。MarketingSherpa的调研数据也说明了这点。

一些方法可以减少这种顾虑：

• 只作为公关或者市场策略中的补充；
• 相关的成功案例分析；
• 零成本或者极低成本的测试；
• 感性理解社会化媒体；
• ……

但是这些方法多少都有些隔靴搔痒的味道。真正能打动企业进行社会化媒体营销的，还是一个行之有效的评估体系和看得见摸得着的ROI。国外在这个方 面，其实已经有了不少实质性的进展。像Radian6这样专业的社会化媒体测量服务已经得到了很多企业的认可，而Nielsen这样老牌的数据分析服务供 应商也推出了BuzzMetrics这样的服务为其客户提供社会化媒体方面的分析。

国外绝大部分主流的社会化媒体工具都开放了应用接口界面（API）方便第三方获取数据，而国外的企业客户对社会化媒体也有更深入的认知，这都为这些 收费高 昂的社会化媒体测量服务的发展提供了空间。在国内，我们面临不同的环境：最大的BSP是新浪博客、最热门的SNS是开心网、用户最多的 Microblogging工具是腾信滔滔，它们有很高的市场占有率和代表性。但同时它们都非常封闭，第三方很难从它们那里获得较多有价值的数据。

其实，一些国内的公司也推出了叫做“舆情监测系统”或者是其它名字的类似产品，但主要是针对国内论坛的数据监测，其全面性、公正性和真实性都很难保 证。在 这样的环境下，另一种可行性更高的办法是结合企业其它市场营销的评估体系、并利用一些可以得到的数据在社会化媒体营销前后的对比进行评估。这比建立一个独 立的、数理化的第三方评估工具要容易实现得多。

结合网站评估。对企业官方网站、品牌网站、产品网站、企业Blog以及其它的活动网站的测量：来自社会化媒体工具的流量、回复数量、跳出率变化等等。AWstats这样的本地日志分析工具或者Google Analytics这样的第三方分析服务都可以很好的完成这项任务。

结合搜索引擎。社会化媒体工具一般都对搜索引擎比较友好。一般来说，企业通过社会化媒体可以更容易的在搜索引擎中获得有利地位。相关关键词的搜索 量、SERP排名、相关网站的收录数、反向链接等等。这个时候，可以用Google Search Insights以及其它一些搜索引擎分析工具。另外，一些专门搜索Blog和BBS的搜索引擎也可以作为辅助。

结合传统营销KPI。品牌认知度提升、产品销量增加、客户满意度提高，对企业来说这些才是所有营销的根本目的、社会化媒体营销也不外乎如此。所以对这些数据的变化分析也能体现出社会化媒体对企业营销作出的贡献。

另外，像StartPR、SocialMention这类免费的工具虽然相对简单，但却也有很高的实用性。希望更多的国内网站能开放其数据，让我们看到更适合中国市场的类似工具出现

【导言】我的这个博客中关注的都是普通意义上的网站分析。不过，网站分析应用需求的领域如此之广，必然对网站分析的解决方案提出各种不同的要求。有需求就有市场，本文探讨这个已经出现在我们身边的新兴市场。

【正文】

大家有没有在淘宝上开过店？我相信有。那么，一个问题是，你的店铺的流量、流量质量以及转化情况如何？你知道什么样的店铺设计和产品宣传更能打动潜在消费者吗？

紧接着的一个问题是：你的竞争对手的流量、流量质量和转化情况又如何？

我相信，这两个问题开始变得不那么好回答了。

我再问，你知道用什么样的方式进行推广（旺旺广告、商城、关键词、群发邮件等等）哪一种方式能够给你带来更好的ROI？

更难回答，肯定的。

那么，如果我们想要了解这些情况，我们需要怎么做呢？

用我们最喜欢的工具Google Analytics？不行，淘宝系统不允许你加入额外的javascript代码。Omniture，Webtrends都不行。分析网站日志，Alexa和Compete.com？这个更加不可能了。

所以，这个时候，我们得用专门监测淘宝店铺的针对性工具，这种工具被我们称为垂直型的网站分析工具。

现在你大概明白了什么是垂直型的网站分析。没错，我们普通的网站分析，针对的是我们“拥有”的网站，但那些我们只能用却不能有的网站，就需要用垂直型的网站分析工具了。

这些网站包括：C2C电子商务平台、公共博客平台、典型的SNS网站（例如Facebook）、非典型的SNS网站（例如 Linkedin，Digg）以及微博（例如Twitter）等等。这些网站都有一个共同的特点，它们都是“云”或者又被称为web2.0，它们在远端提 供服务，我们只需要用就行了。

“云”膨胀了对垂直网站分析的需求

“云”——过去这个曾被称为SAP（Service Application Provider），后来又被称为SaaS（Software as a Service）的事物，让客户端的软件服务向服务器转移，从而减轻了客户端的压力，减少了安装软件的烦恼，也让软件商拥有了一个真正可以收费（反击盗 版）的商业模式。

但什么是“云”，还有点儿说不清：

1. “云”服务非常细分，虽服从于基本的互联网协议，但其应用和实现方式并没有通用的标准；

2. 大多数“云”服务都是可定制化的，极具灵活性。

所以人们甚至很难给“云”下一个统一的定义，致使云成为一个外延很广的事物，谁都说不清，谁又都想挤进去，或是拿云说事儿；另一方面，对于云的用户而言，利用我们常规的方法和通行的工具，很难做好对个领域的监测，因为“云”的用户无法嵌入代码，也无法查看日志。

所以，我们需要专门的解决方案，而且这个解决方案不再可能是“放之四海而皆准”了。

垂直型网站分析工具的特征

有需求就有市场，有问题就有办法，而且办法总比问题多。

如果能够满足三个特征：针对性细分、即插即用、定制化，那么“云”监测的问题并不难。

针对性细分，是指针对不同的“云”应用，提供不同的监测方案和工具，甚至在必要时定义不同的监测度量；

即插即用，是指监测工具依附于“云”应用产品，成为“云”的一个功能组件；当需要使用这个功能的时候，把组件激活（如同激活Wordpress的插件）。我们称这种即插即用的操作为“打开自来水龙头”；

定制化，这是由于“云”应用本身具有定制化特性而延伸出来的需求。垂直型网站分析工具也应该是定制化的，以应对不同的定制化“云”应用。

图1：垂直型网站分析的特征

业界有谁？

如果大家看过Avinash的这篇文章：Social Media Analytics: Twitter: Quantitative & Qualitative Metrics，那么大家一定会跟我一样印象深刻——原来光是监测Twitter的第三方工具就有这么多！

这些工具都是典型的垂直型的网站分析工具。它们的功能非常针对性的细分，而且即插即用，大多数也能够实现功能模组的定制化。

但是在国内，垂直型的网站分析不大可能在这些SNS类网站上出现，个中原因嘛，相信不说大家也都能知道。但是，国内的垂直型网站分析工具早已有之，因为中国的电子商务网站在世界上还是名列前茅的。这样，针对不同电子商务平台的垂直型网站分析工具其实早已经大行其道。

例如，在淘宝平台上的小艾分析，是目前快速成长的一款统计工具，界面很不错（与GA类似），而功能上更强调针对淘宝平台的推广、流量、用户行为以及端到端的ROI进行分析，以帮助淘宝店主进行网络营销、店内装修以及商品管理的优化。

图2：小艾分析的dashboard

例如，用了一个比较直观的雷达图来显示店铺的“健康状况”，哪些不错，哪些需要加强。

图3：Map Overlay功能

也能够显示访问者的地理位置，以及访问了一些什么商品。不过，这个也许可以采用Google Analytics的大样本量地理分布的报告（Map Overlay）。

图4：热图功能

也同样提供热图功能，很有意思。

图5：零点击商品报警

对于完全没有人光顾的产品，提供一个零点几商品的列表，向店主说明：你的这个商品该下架了。

是不是很有趣？同样基于淘宝平台的店铺监测工具还有量子统计。

另外，如果你也跟我一样有自己的博客，那么你可能也使用了feedsky来帮助你管理你的RSS订阅。而feedsky同时也是一个垂直型的网站分析工具，专门用来统计和分析你的订阅情况。

图6：feedsky的dashboard，看起来我的读者很多都用Google Reader进行订阅

Feedsky的数据主要集中在订阅量的趋势、RSS上文章被点击的量和RSS工具的分类上。是一个非常简单，但很实用的小工具。

图7：可以查看一年甚至更久的订阅的增长情况，这是我用的最多的，也是唯一的功能

看起来我的博客的增长很不错，最近增速在提升。:) 我的目标，过年后达到3,000个订阅！ 所以要写更多有水准的文章。不过，这个工具在提供更多维度的数据上，还很弱，毕竟目的只是让你看个大概。

网站分析的发展并不是单线递进的

图：网站分析的演进

Web2.0（或者说云，当然二者不能划等号，不过我想我这里的意思大家都明白）的出现对网站分析提出了新的要求， 因为Web2.0是定制化的、细分的、非标准化，且异常灵活的。老牌的网站分析工具其实老早就看到这种趋势，因此，类似Omniture，Google Analytics乃至Webtrends等，都在对Web2.0类型的监测上进行了功能模块的开发和扩展。例如Omniture有专门的SNS的监测工 具，并且和Twitter有合作，也有Mobile的监测工具；而Google Analytics也开发了Event Tracking功能；Webtrends也有相应的模块，同样也有很不错的Mobile监测工具。因此，它们的产品结构形成了以强大的Web1.0为基 础的，响应了更多数字化营销演进中所新出现的监测需求。

但是，当然，这些老牌的监测工具肯定不可能覆盖所有的Web2.0需求，这也是网站分析的另一条演进路线，垂直型的 网站分析工具能够有生存空间的重要原因——市场很大，很蓝海，而且每个细分领域都有足够的空间。这些工具，类似于小艾分析的发展脉络，直接针对具体的 Web2.0网站的监测需求进行开发，一个Web2.0网站开发成功且用户量积累后，可以继续为其他Web2.0网站进行另一些针对性的开发，以保证工具 能够完全匹配和响应不同Web2.0应用的需求。

所以，可以肯定的是，网站分析这个产业在国内这几年的发展将会进一步加速，并且会出现普适工具和垂直工具争相惊艳的格局。很微妙，很有趣的市场，我们在见证中国网站分析的发展和未来。

[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]