网络营销数据解读

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?

#p#副标题#e#

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:

点此在新窗口中查看原始图片

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:

点此在新窗口中查看原始图片

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!

点此在新窗口中查看原始图片

 

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?

原文地址:http://www.liyonghua.com/?p=361

打开微信“扫一扫”,打开网页后点击屏幕右上角分享按钮