网络营销中的网站数据分析解读-续

        继续上一篇《网络营销中的网站数据分析解读》温习一下网络营销中的网站数据分析三个最基本的考量步骤:

       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。

       根据一般的WA可以选择30天考量周期、最后点击指标。

例子:

       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。这是很多公司的基本考量体系,是否合理?

思考:
       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?……
       更重要的是,为什么你只看last click的数据?

举例设想以下情况:

       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,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。
比价网的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?

       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。(ROI Return On Investment投资回报率是指通过投资而应返回的价值,它涵盖了企业的获利目标)

       所以关键的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。

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10,000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。

剔除虚假数据的关键简单的原则就是:找异常

如果我监控的是广告投放的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。
流量在来源上的异常:本来买的是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?

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semshare0001@gmail.com, semshare0002@gmail.com, semshare0003@gmail.com, semshare0004@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。

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

       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。

       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?

       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。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

       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”,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(10万-500*100)更好一些。总而言之,我们要根据战略目标来调整自己度量中指标的定义,以便于让他更精准的反映”目标达成情况“。

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。

       举个简单虚拟的例子:在新浪与搜狐投放广告,当期都带来了100万visitor, 3万visitor进行了消费。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;而搜狐的100万人当中只有8万又来了网站,3万在过去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。

       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,即“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。

       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?

       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。

发表评论