Web分析 – 庄闲棋牌官网官方版 -199IT
//www.otias-ub.com 发现数据的价值-199IT Sun, 16 Aug 2020 06:30:02 +0000 zh-CN hourly 1 https://wordpress.org/?v=5.4.2 18种快速提高外贸独立站或跨境电商网站转化率的方法和思维
//www.otias-ub.com/archives/1101392.html Sun, 16 Aug 2020 06:30:02 +0000 //www.otias-ub.com/?p=1101392 你的网站获取流量是很好的,但如果这些流量没有转化,那几乎是没有用的。

本文将概述39种经过验证的提高独立站转化率的策略,让你的访客采取行动,无论是填写表格、提交出他们的电子邮件,进行购买,还是完成询盘。

提示:下面这个提高网站转化率的方法只是一个大纲式的建议,其中很多点都可以展开成一个很大的话题。

01 在表单中尽可能少的包含需要填写的内容

当在电子邮件选择表格中要求提供信息时,尽可能少地要求提供必要的信息,虽然你恨不得访客可以填写100项内容,但现实情况是,你让访客填的东西越多,也就意味着你设置的门槛越高,导致的结果就是提交的人变越少,转化率也就降低。

marketingsherpa做了一个A/B测试,结论就是:多使用了一个表单的字段,结果转化率降低了11%没错,现实就是这么残酷。

02 加个保证

这里说的保证就是我们经常在独立站看到的Guarantee

这包括对购买的产品实行的退款政策(包括无理由退款,也可以有条件退款),总之,当访客在你的独立站看到Guarantee的信息,他们会觉得很有保障,从而增加的销售额通常会超过任何回报。

所以如果你的确有退款政策,那么请在独立站重要位置加大加粗加红。

03 使用那种生动的动词

在测试不同的行动号召时,尝试使用行动语言来刺激访问者采取行动,例如,”grab yours”,”reserve your seat”,“Go get a free sample today”。

04 使用客户好评

这里说的客户好评就是英文里面的testimonials。

testimonials可以降低访客在你的独立站或跨境电商网站上做任何动作的风险,因为那提供一种实实在在的社会证明,国外客户非常相信这个。

你可以在你额产品着陆页以及你的电子邮件登陆页面上使用这些testimonials。

提示:你一定要有意识的去收集这些testimonials,比如有客户非常喜欢你的产品,你可以顺口就说一句:If you could please write a testimonial for us (we want to post that on our website), we will really appreciate it for that, short or long is fine, just some of your feeling.

05 清楚地说明你的产品或服务的好处

这里的好处是benefits,而不是写一大堆features。关于benefits和features的区别,建议你看看用101个产品实例来告诉你怎么在外贸独立站文案中区分功能和好处—— Features vs. Benefits 和 通过对比Features和Benefits,来避免外贸独立站/跨境电商独立站的文案陷入自嗨模式

列出你产品的特点(feature)固然重要,但更重要的是要告诉潜在客户你的产品将如何帮助他们或解决他们的问题。

06 务必要注意你的标题

你的标题可能是你的独立站或着陆页中最重要的一个元素。在为那些重要页面选择标题的时候,你可能至少要进行10次头脑风暴。

另外,随时时间的推移(比如半年或一年),你还应该重新评估你独立站页面的标题,该优化的就优化,该重写的就重写。

07 把会产生转换的元素放在C位

在独立站或跨境电商网站的网页中,如果出现了会产生转换的元素,比如表单,call to action按钮,那么就把这些东西都放在独立站明显的位置,这样才能达到最佳效果。

不要害羞,把这些元素全部放在页脚。

08 使用视频来使你的品牌人性化

在独立站首页或Landing Page上加入一个简单的视频,以显示你的品牌背后有一个真实的人。

09 为点击付费广告创建专门的登陆页面。

如果你使用AdWords或其他形式的PPC广告(pay-per-click ads),那么一定要把这些访问者送到一个专门的登陆页面,而不是你的主页。

当然,有的外贸独立站在最初的时候已经考虑到了这一点,他们有意识地把homepage做成了一个类似Landing Page的页面,如果已经有了这个的策略,那么把PPC送到你的独立站首页是没有问题的。

10 把订阅者或社交媒体追随者的数量亮出来

就像testimonial一样,在独立站中加入社交证明(social proof)将有助于访客降低风险,提高转化率。

所以你可以把subscriber或social-media follower的数量大方地显示出来,当然,如果你在Twitter或Facebook只有10个followers,那么就别显示了。

请记住:千万别自作主张地多加几个零,因为对方可以轻松去你的social network看到你到底有几个follower。

11 将强烈且清晰的call to action置入你独立站的每一个内容中

让你的读者明确地知道你希望他们下一步做什么,无论是点击一个按钮,阅读一篇博客文章链接还是填写一个表格。

12 推荐相关产品

你需要在每个产品或文章下面放上相关产品或内容的链接,就是我们经常看到“猜你喜欢”或“也许你对这些文章感兴趣”。

这样做的好处是可以增长访问者在你的独立站或跨境电商网站上的时间。

13 显示产品库存量

如果你的产品是有形产品,请在产品描述中包括剩余库存数量stock numbers,例如:Order now … only 3 left in stock,这个数字可以激发客户的购买欲。

14 减少炒作

很多国外消费者都很精明的,他们也不容易被被炒作型文案所迷惑。所以一个务实的做法就是摒弃炒作,专注于撰写清晰、有说服力的文案,帮助你的访客做出购买决定。

15 测试你的call to action按钮的变化

你的 “buy now”或 “order now”按钮可能会因其放置的位置、颜色和大小不同而表现出很大的不同。

测试一下几种变化,看看哪种表现最好,然后采用转化率更高的那个。这样的测试需要长期且有计划的进行。

16 准确地告诉访客他们将得到什么

为独立站访客提供他们需要了解你产品的所有详细信息。有什么特点features和优势benefits?它是什么样子的?可能的用途是什么?谁将从中受益最大?如何交付?

17 包括一个明确的价值主张

告诉潜在买家你的产品有什么特别之处。它与市场上的其他同类产品相比,有什么不同和优势?

Value Propostion是一个很大的话题,建议阅读:[Value Proposition 价值主张]——如何在外贸独立站/跨境电商独立站中告诉访客你想从他们那里得到什么?

18 给你的访客以隧道视觉 tunnel vision

在创建独立站着陆页时,删除任何可能会分散访问者注意力的东西,比如:导航栏,其他CTA,等等。

你的着陆页应该百分之百的让你的访客采取一个具体的行动。

来源:四两网

]]>
WordStream:谷歌广告各指标分析
//www.otias-ub.com/archives/773806.html Wed, 21 Nov 2018 16:38:13 +0000 //www.otias-ub.com/?p=773806         根据WordStream的分析,各个行业的Google Ads(谷歌广告)点击率(CTR)中位数为4.10%,这是针对移动广告的。

        旅游与酒店(5.36%)和艺术与娱乐(5.01%)垂直行业的获得的CTR最高,其他点击率较高的垂直行业包括美发沙龙(5%)、理财(4.57%)和教育(4.45%)。

        相比之下,互联网和电信行业的平均点击率最低(3.05%),其次是法律(3.48%)和家居园艺(3.5%)。

        如果将PC也纳入其中,CTR中位数则降至3.17%,这表明移动点击率往往高于PC。

        每次点击成本(CPC)

        移动版Google Ads的CPC中位数为2.67美元。法律行业的CPC中位数最高,达到4.85美元,比下一个行业CPC高出1美元。汽车服务和维修(3.67美元)和建筑(3.66美元)也是CPC较高的行业。

        另一方面,具有较高点击率的艺术和娱乐行业则享受着最低的CPC,只有1.01美元,其次是计算机和电子产品(1.89美元)、旅游和酒店业(1.89美元)、非营利行业(1.90美元)和制造业(1.92美元),都低于平均指数。

        值得注意的是,将PC纳入其中,平均CPC是2.69美元,移动和PC的每次点击成本相差无几。

        转化率

        Google Ads移动广告客户的平均转化率为3.48%。法律行业可能面临较高的成本,但是转化率更高(6.95%),接近整体平均值的两倍。其次是美发沙龙行业(5.95%)。

        电子科技行业的转化率最低(1.92%),其次是咨询行业(2.04%)。

        有趣的是,将PC加入其中,各行业的转化率更高,这表明移动转化率不如PC。

        每次转化的成本(CPA)

        移动广告客户CPA中位数为80.89美元。

        CPA较高的行业包括:

  •         互联网和电信(140.40美元)
  •         商业服务(125.60美元)
  •         咨询(117.75美元)
  •         教育(108.60美元)
  •         家居与园艺(105.99美元)。

        美发沙龙行业则享受着19.35美元的平均CPA,其次是艺术和娱乐行业(22.96美元)。

        将PC包含在内,各行业的平均CPA则暴跌至48.96美元。由此可见,移动设备上的CPA比PC高很多。

        199IT.com原创编译自:WordStream 非授权请勿转载

]]>
腾讯QQ大数据:机器学习建模问题中的特征构造方法
//www.otias-ub.com/archives/758115.html Tue, 07 Aug 2018 05:09:39 +0000 //www.otias-ub.com/?p=758115 导语 在机器学习建模问题中,合适特征的构造对于模型的性能至关重要,看到很多同学介绍特征工程,包括特征的预处理和特征筛选等,这些非常重要,但是特征预处理和特征筛选的前提是要有基础特征,而这些特征从哪里来,又如何构造?现在总结一下在推荐系统中比较通用的特征构造方法。

场景分析:

推荐场景一般可以抽象为:内容(Item)和受众(User),其中内容主要是指要推荐的Item,在购物场景中Item就是商品,歌曲推荐中Item就是歌曲,受众是访问当前场景的用户,一般是自然行为人;推荐模型一般是计算不同的User-Item对的得分,这个得分反映的是用户点击当前物品的概率,获取得分最高的Top n的Item推荐给用户,所以整个特征关联模型可以抽象为如下图-1所示:

图-1 推荐系统关系模型

其中,可以分解为如下几部分:User-Item特征、User特征、Item特征、User-Item属性分布特征,下面具体阐述每种特征的构造方法。

User-Item特征:

User-Item特征主要从三个维度来刻画User对Item的“兴趣”,如图-2所示:

图-2  User-Item类型的特征构造

1)时间序列上的统计特征:

统计特征从四个角度(绝对值,相对值,是否感兴趣和深度感兴趣)来刻画User对Item的“兴趣”。比如,时间序列中User累积对某个Item的行为次数就是User对Item的绝对兴趣值:如果时间序列分为:一天、三天、一周(实际中时间还需要继续拉长一点来刻画用户长期的兴趣),行为是“点击”。那么这一个特征构造语句就可以翻译成三个不同的特征:分别是最近一天,三天和七天用户对每个Item的点击次数;时间序列上User对Item是否有重复的行为用来刻画和区分哪些Item是对User有深度吸引力的,如果在一段时间上只发生了一次行为,那么很可能User对这个Item并没有兴趣,只是随便看看;时间序列上User对Item是否有行为,用来刻画User过去某一段时间用户的关注点在哪里,对哪些是可能喜欢的,和上面的一条特征的区别在于可以涵盖用户可能比较感兴趣的Item并且这样用户兴趣特征也会更加丰富。

2)时间特征:

时间特征从三个角度(最近时间,行为频度,行为稳定性)来刻画用户对于Item的兴趣在不同时间上的活跃度。比如,User对Item的最后行为时间,可以翻译成一个时间特征,可以将这个时间进行归一化为一个0—1的标量,越接近于1表示User对这个Item具有越强的新鲜度;User对某个Item的平均行为时间间隔用来刻画User对Item的活跃频率,时间间隔越小说明对用户的吸引力越大。User对Item的行为时间间隔方差可以用来刻画User对Item的喜好的稳定性。

3)趋势特征:

趋势特征主要刻画用户对某个Item的兴趣趋势。比如,User一天对Item的行为次数/User三天对Item的行为次数的均值,表示短期User对Item的热度趋势,大于1表示活跃逐渐在提高;三天User对Item的行为次数的均值/七天User对Item的行为次数的均值表示中期User对Item的活跃度的变化情况;七天User对Item的行为次数的均值/ 两周User对Item的行为次数的均值表示“长期”(相对)User对Item的活跃度的变化情况。

User特征:

User特征主要包括用户的属性特征以及从多个方面刻画用户的“活跃度”,User类型的特征构造方法如图-3所示:

图-3  User类型的特征构造

时间序列的统计特征:

主要从三个维度(User总活跃,用户深度活跃,用户对于Item的覆盖度)来刻画用户的活跃。比如,时间序列上User行为次数总和,在划分成三个时间细粒度的情况下,可以翻译成三个特征,分别是一天,三天和七天User的行为总和,来表示User在当前时间段上的活跃。时间序列上User重复行为次数用来刻画用户真实的活跃深度。时间序列上User有行为的Item的数量,可以用来刻画用户的活跃广度,来表示用户是否有足够的意愿尝试新的Item。

1)时间特征:

主要从三个角度(最近时间,行为频度,行为稳定性)来刻画用户的活跃度。比如,User最后行为时间,时间越接近当前时间说明User的活跃度越强;User的平均行为时间间隔用来刻画User的活跃度,时间间隔越小说明User的活跃度越强。User的行为时间间隔方差可以用来刻画User活跃的稳定性。

2)趋势特征:

趋势特征用来刻画User的活跃趋势。比如,User一天的行为次数/User三天的行为次数的均值,表示短期User活跃趋势,大于1表示活跃逐渐在提高;三天User的行为次数的均值/七天User的行为次数的均值表示中期User的活跃趋势;七天User的行为次数的均值/ 两周User的行为次数的均值表示“长期”(相对)User的活跃趋势。

3)属性特征:

主要用来刻画用户的一些属性特征包括性别、年龄、学历以及使用机型等。

Item特征

Item特征主要包括Item的属性特征以及从多个方面刻画Item的“热度”,Item类型的特征构造方法如图-4所示:

图-4  Item类型特征构造

1)时间序列的统计特征:

从三个维度(Item的行为热度,热度趋势和时间间隔)来刻画Item的热度。比如,时间序列上Item行为次数总和,在划分成三个时间细粒度的情况下,可以翻译成三个特征,分别是一天,三天和七天Item的行为总和,来表示Item在当前时间段上的热度。时间序列上Item被重复点击次数用来刻画Item真实的热度深度,尤其在APP的推荐上,重复的使用或者点击说明当前APP对用户的吸引力越强。时间序列上和当前Item发生行为的User的数量(去重)刻画了Item的热度的广度。时间序列上Item的点击和曝光的比值(User不去重)—CTR,刻画了Item在相同曝光下被点击的概率。时间序列上Item的点击和曝光的比值(User去重)—CTR,刻画了Item在相同曝光下被点击的概率,剔除了某些特殊情况某个User对某个Item的行为过于集中的情况。

2)时间特征:

主要从三个角度(最近时间,行为频度,行为稳定性)来刻画Item的热度。比如,Item最后行为时间,表示Item的最近活跃;Item的平均行为时间间隔用来刻画Item的热度,时间间隔越小说明的热度越高。Item的行为时间间隔方差可以用来刻画Item热度的稳定性。

3)趋势特征:

主要刻画Item的热度和CTR的趋势。比如,Item一天的行为次数/Item三天的行为次数的均值,表示短期Item的热度趋势,大于1表示热度逐渐在提高;三天Item的行为次数的均值/七天Item的行为次数的均值表示中期Item的热度趋势;七天Item的行为次数的均值/ 两周Item的行为次数的均值表示“长期”(相对)Item的热度趋势。另外一种特征表示CTR的趋势:其中一天的Item的CTR / 三天Item的CTR表示“短期”Item的CTR趋势信息。

4)属性特征:

主要用来刻画Item的一些属性特征主要包括所属的类别。

User和Item之间的属性分布特征:

主要通过计算在不同时间段上User和Item之间的行为的统计特征:如果当前的User的属性包括:性别、年龄和Device,Item的属性包括:Item_id和类别,那么特征构造方法如图-5所示:

图-5  User和Item之间属性分布特征构造

1)时间序列上Item在Age的分布特征:

通过计算Item在年龄段上的行为数量(User不去重和不去重)来刻画Item在不同年龄段上的热度;Item在年龄段上的行为数量/Item总的行为数量来表示User在年龄上的热度分布;Item在不同年龄段上的点击和Item在相应的年龄段上的曝光之间的比值来刻画Item在不同的年龄段上的CTR。

2)时间序列上Item在Gender的分布特征:

通过计算Item在性别上的行为数量(User不去重和不去重)来刻画Item在不同性别上的热度;Item在性别上的行为数量/Item总的行为数量来表示User在性别上的热度分布;Item在不同性别上的点击和Item在相应的性别上的曝光之间的比值来刻画Item在不同的性别上的CTR。

3)时间序列上Item在Device的分布特征:

通过计算Item在不同Device上的行为数量(User不去重和不去重)来刻画Item在不同Device上的热度;Item在不同Device上的行为数量/Item总的行为数量来表示User在Device上的热度分布;Item在不同Device上的点击和Item在相应的Device上的曝光之间的比值来刻画Item在不同的Device上的CTR。

4)时间序列上User在ItemType上的分布特征:

通过计算User在不同的ItemType上的行为数量来刻画Use对不同的ItemType的喜好,计算User在不同的ItemType上是否有行为来刻画在时间段上User是否对当前的Item的类型感兴趣,计算User的行为在不同的Item上的分布来刻画对不同的ItemType的喜好程度。User在一段时间内,是否在ItemType上有重复行为,来刻画用户是否对当前ItemType深度感兴趣。

5)时间序列上ItemType在Age上的分布特征:

通过计算ItemType在不同年龄段上的行为数量(User不去重和不去重)来刻画ItemType在不同年龄段上的热度;ItemType在不同年龄段上的行为数量/ItemType在年龄段上的用户数量来刻画当前ItemType对这个年龄段的User的吸引程度;ItemType在不同年龄段上的点击和ItemType在相应的年龄段上的曝光之间的比值来刻画ItemType在不同的年龄段上的CTR。

6)时间序列上ItemType在Gender上的分布特征:

通过计算ItemType在不同性别上的行为数量(User不去重和不去重)来刻画ItemType在不同性别上的热度;ItemType在不同性别上的行为数量/ItemType在当前性别上的行为用户数量来刻画当前ItemType对这个性别的User的吸引程度;ItemType在不同性别上的点击和ItemType在相应的性别上的曝光之间的比值来刻画ItemType在不同的性别上的CTR。

上面列举了一些常见属性之间的分布特征,都是User针对Item或者Item针对User的统计分布,这些只是大部分场景中会出现的场景,在具体的业务中可以根据实际可以获取到的属性结合和样本之间的相关性来进行建模。

特征选择:

在实际的业务中,首先需要思考的是如何正确的构建样本对,在恰当的样本对构造的基础上思考和样本标签具有相关性的因素,这些因素包括用户和物品侧,找到这些因素之后才是特征构建,不同的场景和算法情况下需要不同的特征选择:比如说游戏推荐中活跃时长、付费意愿很重要,而弱化了在性别上的分布,因为游戏属于用户粘性比较大的类型,在商品推荐中性别分布和浏览、加购物车行为则同等重要,因为用户的性别和用户之间的兴趣有很强的相关性;对于不同的算法同样也需要不同的特征体系,对于逻辑回归这种解释性很强的线性模型,通常需要根据建模场景选择特征的细粒度,然后生成和样本具有相关性的特征,获取相关性最直接的方法是对特征进行特征交叉,而对于树模型或者FM模型,理论上则不需要进行特征交叉,因为模型本身就具有了特征的交叉能力。总之,合适模型加上适配的特征特征体系才能获得较好的效果。

小结:

特征工程通常在算法调优中占据了大部分的时间,本文旨在通过梳理推荐系统中常用的特征构造方法,实现快速的特征构造。本文主要是面向初涉推荐系统的同学,可以快速构造一些简单有效的特征,同时,本文提到的一些特征构造方法在某些场景下是冗余的,并不能带来新的信息,所以在实际的应用场景中还需要根据需求进行选择。

附录:

整体特征构造框架如图-6所示:

图6 特征构造框架

 

来源:腾讯QQ大数据

]]>
戈小羊:为什么我们都是大数据时代的“统计文盲”?
//www.otias-ub.com/archives/744264.html Thu, 19 Jul 2018 12:37:10 +0000 //www.otias-ub.com/?p=744264  在古代,不识字的人是文盲。那么大数据时代,不会找数据、读不懂数据以及用错误的办法分析数据的人,那当然就是现代的“文盲”,也可以称之为“统计文盲”(Statistical Illiteracy)。可以说,这样的文盲、“睁眼瞎”在今天的社会不仅有,而且还有很多,你和我在某种程度都是这样的“统计文盲”。

但是也不用太难过。因为即便是那些大名鼎鼎的经济学家、或者以洞察市场而著称的企业家、制定国家政策的官员们,他们看似天天跟数字打交道,把数据解读得头头是道,但是说实话,他们对数据的理解水平,可能也比我们高不到哪里去。

不久前出版的这本《真相:我们对世界充满误解的十个原因,以及为什么这个世界比你想象的要好》(Factfulness: Ten Reasons We’re Wrong About the World-and Why Things Are Better Than You Think),作者Hans Rosling是世界知名的医疗健康专家,他擅长通过借助不同领域的交叉数据,来对世界上的各类复杂问题进行解读。Hans Rosling在TED上的演讲非常受欢迎,比尔·盖茨夫妇都是他多年的粉丝,《真相》这本书被盖茨认为是2018年最重要的一本书。

Hans Rosling受邀参加达沃斯世界经济论坛的时候,他出了几道关于世界经济、人口、健康、教育的大数据题目来考参会的各国首脑、部长、世界500强的CEO们,结果发现他们对于这些问题的认识能力竟然还不如大猩猩们!因为他们的正确率,比大猩猩随机抽取答案的正确率还要低。

下面我们来看看其中几道题,看看你能正确回答几道:

1、下面哪张人口分布图正确地展现了现在全球人口的分布情况?

2、全球现在大约有70亿人,其中0到15岁的儿童占20亿人。到2100年,根据联合国的预测,全球人口会增长到110亿。那么到时候0到15岁儿童会有多少呢?

A:40亿 B:30亿 C:20亿

3、今天全球范围内,包括最富裕和最贫困的国家,能够有条件被接种疫苗的1岁儿童,占全球同龄儿童的比例是多少?

A:20% B:50% C:80%

这三道题的正确答案分别是:A,C,C。你做对了几道题呢?又读出了多少这些数据背后的深意呢?

这个数字,是解开世界重大问题的密码

第一道题,展示的是目前全球人口的分布图,在Hans Rosling看来,这是解开世界重大问题的pin code(密码)。这道题的正确答案是A,美洲、欧洲、非洲和亚洲的比例分别是1:1:1:4,毫无疑问亚洲已经占据了世界人口的最大比重。从这个角度来说,亚洲是今天全球最重要的商业市场,谁错过了亚洲的经济增长,谁就会在今天的商业竞赛中落伍。

当然,能够看到这一点的人很多,那么你想过因此引申到未来吗?未来的亚洲还是全球最重要的“战场”吗?根据联合国的预测,世界人口到本世纪末会增长到110亿,届时美洲、欧洲、非洲和亚洲的比例分别是1:1:4:5,也就是说美洲和欧洲的人口基本没有变化,新增的40亿人口有30亿在非洲,有10亿在亚洲,届时世界80%以上的人口将生活在这两个地区。

随着这些地区消费能力和经济实力的崛起,非洲和亚洲将成为全球最重要的商业市场。今天主宰全球经济的美洲和欧洲之间的跨大西洋贸易,将会转移到亚洲和非洲之间的印度洋上。有一个数字更为惊人,到2040年,全球最富有的人群里,超过60%将生活在传统的西方世界之外,他们生活在亚洲或非洲。

可能你会觉得这是不是有点太乐观了呢?Hans Rosling借助历史数据,给我们展现了一幅更加丰富的经济变化趋势图。他所生活的瑞典,今天是全球人均收入和福利最好的国家之一,但是就在他出生的上世纪中叶,瑞典的经济发展程度跟今天的埃及没有两样,但是经过半个世纪之后,瑞典已经是全球最发达的国家之一。看看中国和印度,可能我们会有更深刻的感受。1997年,中印两国分别有将近半数的人生活在极端贫困之中(根据国际标准),但是短短20年过去了,印度的贫困人口下降到了12%,而中国的进步更是明显,只剩下0.7%的极端贫困人口。当然,这些数字在未来还会继续下降,同时这些地区的高消费人群还会持续增长。

如果你用静态的眼光来看待今天的所有数据,那么你得到的只是一个个孤零零的枯燥数字,而错过了数字里展示的世界正在发生的变化。

比如,我们今天看非洲,就如同是几十年前西方人看中国和印度一样。你看到的是非洲的贫困和落后,还是从数字的背后看到了这个地方的经济正在出现好转的迹象,人口结构正在变化,十年之后可能有新的机遇呢?

再比如,我们今天看到的美国和欧洲,还跟几十年前甚至十年前我们看这些市场的态度一样吗?当然不一样,美国和欧洲市场已经没有那么大的吸引力了。那么你想过,再过几十年,美国和欧洲的市场是什么样的吗?十年之后的机会,要从今天开始布局。

卫生巾和小米手机

第二个问题,探讨的是全球人口结构的变化,正确答案是C。世界人口在接下来80年里,会增加40亿,但是增加的都是15岁到74岁年龄段的人口,0到15岁的新生人口数量并没有变化。按照比例来看,则是大大地下降了。所以我们都能看到人口老龄化问题愈加严峻,这是人类面临的一大难题,值得重视。但我们如果仅仅只看到老龄化这一个问题,那么显然就太初级了,这道题目里还透露了很多富有深意的数据,值得我们好好挖掘和思考。

Hans Rosling在书里举了一个非常有趣的角度。他从这个数据变化里看到了婴儿出生率的下降。这个很容易理解,因为0到15岁的儿童数量没有增加,与此同时现代社会医术越来越高明,婴儿的生存率大大提高了,所以原因是婴儿的出生率下降了。这背后反映了女性的社会地位和受教育程度的普遍提高,她们不再是生育工具。

只有在贫困和落后地区,女性才会被当作生育工具,她们往往会生很多个孩子。但是一旦这个社会的经济水平、女性受教育程度提高之后,生孩子的个数立刻就下降。Hans Rosling在书里列举的另外一个数字也可以证明:世界范围之内,年龄在30岁的男性平均接受过10年的学校教育,而全球同年龄层的女性,她们平均接受到了9年的学校教育。平均来看,男女差别并没有我们想象得大。

如果你仅仅看到了人口老龄化问题,然后感叹消费市场的萎缩、消费人群的减少,那就大错特错了,因为你忽略了曾经贫穷的国家如今发生的巨大变化,以及当地女性社会地位、教育程度提高带来的消费需求,那么你就错过了一个超级巨型的市场。大约有50亿新兴市场的消费者,他们希望能够用上洗发水、摩托车、手机,甚至是卫生巾,这才是商业决策者们应该从数据背后看到的洞察。

但事实上,能够有如此洞察的人并不多。Hans Rosling曾经参加一个全球女性日用品的年度高层会议,他发现这些CEO们在探讨如何吸引新的消费者、如何提升销量的时候,都仅仅围绕的是他们能够看到的这群消费者。比如他们探讨的是“我们如何能够生产出形状更小的卫生巾,以方便这些女性在度假的时候穿比基尼的时候使用”,“我们是不是要针对女性在不同运动中不同的需求,生产不一样的卫生巾”,“女性都喜欢穿莱卡的紧身裤,我们要不要一款隐形卫生巾来满足”等等。

你是不是觉得这样讨论都似曾相识?CEO们在董事会讨论的话题是:今年我们要推出几款新产品,来满足90后的需求;公司的CMO也许在头疼,我究竟是应该把广告费投给微信上的自媒体公号还是抖音的网红;销售部门的老大们正在勒令手下们研究竞争对手的策略,制定出更加有吸引力的折扣价格,或者想更多新点子提高客单价……

当他们绞尽脑汁地迎合已经非常成熟的市场里的客户们的时候,广大亚洲和非洲的女性,她们正在从生孩子的繁重负担中解脱出来,她们需要的是物美价廉的卫生巾产品,而不是穿紧身裤需要的隐形卫生巾,这些女性的数量多达数十亿人,远远超过今天美国和欧洲女性数量的总和。

我在去印度之前,怎么也没办法想象小米、OPPO、vivo等中国手机厂商竟然会把印度市场放在甚至比中国市场更重要的位置上。去了之后才发现,相比较于中国智能手机市场增长放缓、市场饱和,印度市场简直就是一片蓝海。

印度满大街都是中国手机品牌广告和手机专营店,真是很有一种来到中国三四线城市的感觉。小米,vivo,OPPO等,几乎每个印度人都认识。小米公司最近正在上市,招股说明书上一大亮点就是小米在印度的表现非常抢眼。

当然,这并不是说商业决策者们需要赶紧扩展,进行国际化,去占领更多的潜在市场,而是需要对数据进行更加深入的思考,尤其那些看似不相关的数据,包括人口变化、经济增长指标、教育水平、儿童疫苗注射率等等诸多方面。仅仅是在中国市场,我们也能够从这些数据里看到很多新的投资机会和很多商业风险。

Hans Rosling的建议是,不论从事什么行业,是否具有决策权,都需要有一个以事实为基础的更大格局的世界观,这样数据在你的眼里不仅仅是单调乏味的数字,你其实能从所有人都看到的数字里看到不一样的东西。

儿童疫苗和小龙虾

第三道题的答案是C,80%。可能你会小小地惊讶一下,哦,原来全世界这么多的1岁儿童都能够接种疫苗了,然后可能就没有然后了。但是Hans Rosling绝对没有就此停步。他从全世界绝大多数儿童都能够接种疫苗的这个公开数据里,发现了很多深刻的洞察。其中一点就是,他看到了全球冷链物流的成熟。

疫苗这个东西,并不是普通的商品。它的配送要求非常严格,从出厂到注射到孩子身体里,整个过程都需要经过严格的冷链保存。配有冷库的卡车把疫苗千里迢迢送到非洲边远地区的防疫站,然后被保存在防疫站的冷柜里,此后在一定的时候内给孩子接种。整个过程,需要的是完善的公路基础设施、电力配套设施,甚至是当地的经济条件、教育和医疗等等都要相对完善。

这背后还有一个数据可以印证:全球80%的人口已经在不同程度上使用到电力了。两个数字背后,意味着巨大的机会:能够通过冷链物流配送疫苗,就可以配送其他任何商品、食品、消费品,整个地区的经济基础已经有了一定的水平。也就是说,当我们刻板印象里,觉得非洲人民还处于水深火热的苦难之中,谁能想到他们都已经具备了配送小龙虾的全球冷链物流系统呢!

你觉得只有你爱吃小龙虾,非洲人民要么吃不起,要么不爱吃,但事实上,并非如此。Hans Rosling在书里介绍了一个非常有趣的研究。实验人员在全世界超过50个贫富差距、文化、信仰各异的国家里,调查了一共300户居民,他们的收入水平相差很大,背景也各不相同,然后得出了一个重要结论:影响人们生活方式的主要因素不是他们的宗教信仰,文化或居住的国家,而是他们的收入。

在非洲最贫穷的国家,你去当地最富裕的家庭,会看到他们家里的陈设跟美国、欧洲收入相当的人群家中的情况差不多。你去富裕的国家,看到最贫困的那些人,他们的生活条件有时候还远不如非洲落后国家的一般收入阶层。也就是说,这些目前落后、贫困的地区,一旦他们具备了消费升级的条件,他们就会有很强烈的升级意愿。

贫穷并没有限制他们的想象力,而只是暂时压制了他们的消费愿望。一旦条件成熟,他们可不会仅仅满足于用冷链物流运送疫苗,而是希望有更多的事情可以做。

所以Hans Rosling的建议是,作为商业决策者和政策制定者,你真的要多去想想数字背后的现实逻辑,能看到数据反映的各种反常现象,那绝对就能发现新的洞察和巨大的商业机会。

以上只是Hans Rosling《真相》这本书的一部分有趣的案例和故事。但是很可惜,这也是Hans Rosling出版的最后一本书,他本人在这本书正式出版之前不久去世了。在这本书里,他一共讲了十个原因阻碍了我们正确地洞察数据、了解世界,分别是:鸿沟思维、消极思维、直线思维、恐惧思维、规模思维、笼统思维、命中注定思维、急切思维、责怪思维、单一视角思维。不仅是对那些手握权力资源、可以决定一方政策的官员,或者是在全球拓展、寻找商业机会的企业家投资人,对于我们这些普通老百姓来说,能够读懂数据、了解数据背后隐含的各种联系、看到数据展示的未来趋势,都是至关重要的。

Hans Rosling一生致力于改变大部分人脑海中已经预设的对数据的各种判断,希望更多的人能够摒除先入为主的意识,客观地解读数据,从而做出更多更好的决策,造福更多的人,同时让世界少一点“统计文盲”。

来源微信公众号ID:qspyq2015

]]>
极光大数据:2018年5月专车市场研究报告
//www.otias-ub.com/archives/744542.html Mon, 16 Jul 2018 12:35:46 +0000 //www.otias-ub.com/?p=744542

自2016年下半年,网约车新政出台以来,推动了专车市场的重新洗牌。目前,市场头部平台已经显露,形成滴滴出行、神州专车、易到和首汽四分天下的大势,行业竞争也从“拼补贴”转向“拼服务”的下半场。极光大数据发布《2018年5月专车市场研究报告》,以滴滴出行、神州专车、易到和首汽约车四款专车app为主要调研对象,从市场概况、运营数据、用户画像、用户态度、用户使用习惯等全面分析专车市场。

极光观点:

  • 截至2018年5月底,网约车app市场渗透率为16.9%,用户规模为1.85亿
  • 滴滴出行在用户中知名度最高,神州专车、首汽约车位列二三位
  • 专车用户更喜欢接送机/车站、预约用车和为他人叫车
  • 神州专车用户满意度最高,用户向亲友同事推荐此平台的意愿也高于其他专车平台

一、市场概况

市场概况

网约车为共享出行市场重要构成

  • 国内共享出行市场主要分共享单车和共享汽车,在共享汽车出行中,根据服务类型又可分为包括分时租赁在内的汽车租赁和网约车
  • 目前主流网约车平台运营模式多采用B2C与C2C相结合方式,神州专车和首汽约车以自营的B2C模式为主,并吸引私家车加盟,易到和滴滴出行以私家车C2C模式为主,并配有少量自营车队

市场概况

出行需求与技术发展助推网约车盛行

  • 网约车的兴起主要源于传统出行方式越来越难以满足社会经济发展背景下的个性化、高质量出行需求。而互联网、大数据、移动智能终端、基于LBS技术服务的发展,则为其提供技术支撑

市场概况

网约车服务类型主要分类:快车、专车

  • 网约车服务指符合条件的驾驶员和车辆通过网约车平台为用户提供非巡游的预约出租汽车的服务
  • 专车定位中高端市场,相对于快车,它对驾驶员、服务、车辆要求更高

市场概况

政策整理分析

  • 2016年7月,国家相关部门发布《网络预约出租汽车经营服务管理暂行办法》对网约车市场进行监管,此办法强调专车平台运营管理责任,并对车辆硬件质量和驾驶员水平做出了明确规定

市场概况

滴滴出行、神州专车、易到、首汽约车为目前专车市场主要竞争者

  • 滴滴出行、易到为综合性平台,除专车外还包括其他类型订单,而神州专车、首汽约车则主要以中高端专车市场为主
  • 目前各平台的专车产品中,除了立即用车、预约用车、包车、接送机等服务外,还提供多种定制化服务,以优化乘客体验,提升竞争力

市场概况

专车行业未来发展趋势

  • 头部平台渐趋稳定,行业竞争从“拼补贴”转向“拼服务”的下半场

二、运营数据

市场概况

网约车市场进入缓慢增长期

  • 极光大数据显示,截至2018年5月最后一周,网约车app整体渗透率为16.9%,用户规模达到1.85亿;2017年8月以来,网约车市场增长趋于稳定

运营数据

综合性出行平台滴滴出行渗透率优势明显

  • 拥有快车、专车、顺风车等多种出行业务的滴滴出行app渗透率数据优势明显,截至2018年5月31日,其app市场渗透率为13.82%

运营数据

各平台近一年MAU基本稳定

  • 根据极光大数据显示,滴滴出行2018年5月MAU为9191万,是唯一一款MAU为千万级的app
  • 根据极光大数据显示,近一年以来,除易到MAU持续下滑,滴滴出行、神州专车、首汽约车变化幅度不大,这与国内趋于稳定的网约车市场有关

运营数据

主攻专车市场的神州专车、首汽约车月均DAU为几十万级别

  • 根据极光大数据显示, 2018年5月,滴滴出行月均DAU为1504.4万,神州专车和首汽约车分别为31.2万、20.7万,缺少快车、顺风车的数据,主打中高端专车市场的平台DAU数据均不高

三、用户画像

网约车app用户画像之性别

神州专车和首汽约车男性用户占比均在七成以上

  • 神州专车男性用户占比最高,为73.8%
  • 包含快车业务的综合性出行平台女性比例偏高,滴滴出行最高为37.1%

网约车app用户画像之年龄

主打专车的平台36岁以上用户占比更高

  • 26-35岁用户为各网约车app用户主要年龄段
  • 从更具消费能力的36岁及以上年龄段看,主打中高端市场的神州专车(36%)、首汽约车(27.7%)的用户占比远超综合平台滴滴出行的10.3%。最早专注高端用户的易到(29.7%)36岁及以上用户比例也比较高

网约车app用户画像之城市等级

网约车用户集中于二线及以上城市

  • 根据极光大数据显示,网约车用户更多集中于一线、新一线和二线城市,覆盖范围更广的滴滴出行、神州专车、易到用户来源更多元化,首汽约车则把有限精力聚焦更具出行需求的大城市。首汽约车二线城市及以上用户占比89%

网约车app用户画像之省份

拼省份,广东人最爱用网约车

  • 得益于珠三角城市群以及深圳、广州两个一线城市的拉动,广东省用户在各网约车APP中占比均比较高
  • 三成首汽约车用户来自北京,易到用户中15.7%来自上海

网约车app用户画像之城市

拼城市,北京、上海用户占比最高

  • 北京、上海在各网约车app用户的城市分布占比中基本位于前两位
  • 除一线城市占比均比较高之外,成都位居滴滴出行用户中第三位,哈尔滨位居首汽约车用户中第二

各网约车app用户画像之偏好app

购物偏好京东,外出旅行更爱用携程旅行

  • 根据极光大数据显示,各网约车app用户均比较偏好京东和携程旅行

四、用户态度

用户态度

滴滴出行在网约车用户中知名度最高

  • 极光调研发现,滴滴出行在网约车用户中知名度最高,超过九成的网约车用户知道此平台,神州专车知名度仅低于滴滴出行

用户态度

神州专车用户满意度最高

  • 在专车用户满意度方面,用户对神州专车满意度最高,首汽约车位居第二,而滴滴出行用户满意度垫底

用户态度

半数未使用用户愿尝试滴滴出行

  • 有半数未使用过滴滴出行的专车用户表示,接下来会考虑使用此平台服务,这或与滴滴出行高知名度有关

用户态度

神州专车用户最愿意向亲友同事推荐此平台

  • 调查发现,神州专车用户对此平台的净推荐值为34.5%,相比其他平台专车用户,此平台专车用户向亲友同事推荐此平台的意愿最强

用户态度

在用车安全方面,神州专车用户满意度最高

  • 极光调研发现,在受用户关注的用车安全方面,神州专车用户满意度最高

用户态度

专车用户更喜欢接送机、预约用车和为他人叫车

  • 神州专车、首汽约车和滴滴出行的专车用户都对接送机/车站、预约用车和为别人叫车这三项人性化服务最为满意;易到用户对“收藏司机、优先选派”评分最高

五、用户使用习惯

用户使用习惯

周末和节日夜间,专车用户最活跃

  • 极光调研发现,工作日专车用户活跃时间并不局限于通勤时间段,早晚与夜间用车情况相对均衡
  • 周末及节假日,超过半数专车用户会在晚间20-24点出行,约三成专车用户会在中午12-14点出行

用户使用习惯

购物娱乐 ,滴滴出行、易到最常用

  • 在个人和家庭出行场景下,滴滴出行和易到用户是外出购物/娱乐/餐饮的首选,神州专车和首汽约车最常使用于接送亲友
  • 恶劣天气/紧急情况上下班也是用户使用专车的重要场景之一

用户使用习惯

公务出行,神州专车选用比例最高

  • 接送客人和本地公务/商务出行是各平台用户使用专车的重要商务情景
  • 超半数神州专车用户会在外地公务/商务出差情况下使用此平台专车

来源:极光

 

]]>
腾讯QQ大数据:从用户行为去理解内容-item2vec及其应用
//www.otias-ub.com/archives/743192.html Sun, 01 Jul 2018 00:54:58 +0000 //www.otias-ub.com/?p=743192

导语 在内容推荐系统里,一个常用的方法是通过理解内容(挖掘内容属性)去挖掘用户的兴趣点来构建推荐模型。从大多数业务的效果来看,这样的模型是有效的,也就是说用户行为与内容是相关的。不过有一点常被忽略的是:相关性是对称的!这意味着如果可以从内容属性去理解用户行为,预测用户行为,那么也可以通过理解用户行为去理解内容,预测内容属性。

相关性是对称的

在内容推荐系统里,一个常用的方法是通过理解内容(挖掘内容属性)去挖掘用户的兴趣点来构建推荐模型。从大多数业务的效果来看,这样的模型是有效的,也就是说用户行为与内容是相关的。不过有一点常被忽略的是:相关性是对称的!这意味着如果可以从内容属性去理解用户行为,预测用户行为,那么也可以通过理解用户行为去理解内容,预测内容属性。

利用行为数据生成内容向量

推荐系统里我们一直有基于用户行为去理解内容,典型的例子是基于用户行为构造内容特征,例如内容的点击率、内容的性别倾向,内容的年龄倾向等。这样的理解是浅层的,仅仅是一些简单的统计。我们其实有更好的办法可以构建内容特征,它的第一步是利用用户行为将内容转化为向量,下面会以应用宝业务为例讲解利用用户行为将app转化为向量的思路。
从直觉上来看,用户下载app的先后关系是相关的,以图1的行为数据为例,一个用户之前下载过街头篮球,那么他接下来会下载体育类app的概率会比他接下来下载时尚类app的概率更大。也就是说 P(腾讯体育|街头篮球)>P(唯品会|街头篮球)

到这里我们已经大致介绍了利用用户行为将内容转化为向量的方法,这里将这种技术称作item2vec。以应用宝为例,它的item是app,它的实际应用也可以称作app2vec。

内容向量聚类

基于应用宝已有的类别体系观察,可以明显区分开角色扮演类游戏app和理财app。

也可以发现一些没有加入类别体系的特殊app群体。

 

now直播业务也基于该方法进行了生成了主播向量并对主播进行了聚类,初步结果来看是聚类是可以明显区分开男女主播的,并且也发现了几个有趣的主播类型,例如直播玩王者的主播,直播电影电视剧的主播,直播农村生活的主播。

基于内容向量的分类模型

应用宝的app分类(打标签)场景长期以来都存在这样的痛点:

  1. 分类体系经常会面临变动
  2. app的人工标注成本高,复杂标签体系下app的标注数据很少
  3. app属于复杂数据结构的内容,它的内在难以用已有算法进行挖掘,过去只能通过它的描述和图片来挖掘其信息

这里我们可以先思考一个问题:为什么要给app做分类和打标签?
答:给app做分类和打标签实际上是为了让用户可以更方便的找到自己想要的app,为了让我们可以更容易地结合用户兴趣给用户推送app。

从问题和答案我们可以得出一个结论:给app做分类和打标签有意义的前提是用户的行为是和app的类别、标签相关的!例如下面的这个例子里,第一位用户喜欢下载纸牌类游戏,第二位用户喜欢下载跑酷类和儿童类游戏,第三位用户喜欢下载休闲类游戏。

上面的分析我们知道用户行为应该可以用于判断app的类别标签。因此在给应用宝的app进行分类和打标签时,我们引入了基于用户行为生成的app向量。具体框架可看下图:

通过增加app向量作为分类模型的特征,可以很大程度上提高app分类的准确度(可以参考聚类中的例子),在实际业务中,部分标签的分类准确率和覆盖度都有大幅度提升。

基于内容向量的推荐召回

直观的例子是相关推荐,因为这一场景通常不会对召回结果做太多的加工。常见的召回结果生成方法是先计算item与item之间的相似度(一般使用cosine相似度),再取其中的top n相似item。

在应用宝的两个场景中基于app向量做了app的推荐召回进行了测试,相对于原模型效果有明显的提升。

基于内容向量的语义召回

在app搜索场景基于行为数据生成的搜索词向量优化了语义召回,明显增强了词的模糊匹配能力。例如搜索“潮流”,出来的结果是从用户行为角度跟“潮流”相关的app,而不是单纯基于语义匹配。

或者举一个更直观的例子,吃鸡游戏出来的时候,搜索吃鸡出来的都不是吃鸡游戏。但是对此感兴趣的用户后续还是会去找到正确的搜索词,例如之后搜索“绝地求生”,或是下载了“绝地求生”,基于这些词,基于这些行为,可以将“吃鸡”和“绝地求生”关联起来。

基于内容向量的应用场景还有很多,加入我们,我们一起来玩转机器学习!

来源:腾讯QQ大数据

]]>
腾讯QQ大数据:产品指标体系如何搭建
//www.otias-ub.com/archives/743217.html Sun, 01 Jul 2018 00:52:44 +0000 //www.otias-ub.com/?p=743217 14年接触到“指标体系”这个词,一脸懵逼,当时还停留在离散的报表需求阶段,不能明确说出什么就是指标体系。发展到现在,做了几个产品的数据工作,对指标体系概念以及规划方法有一定的积累,总结出来作为知识储备。

What is指标体系

百度百科的专业定义“评价指标体系是指由表征评价对象各方面特性及其相互联系的多个指标,所构成的具有内在结构的有机整体。”简单来说,就是将统计指标系统性的组织起来。指标体系是由指标和体系两部分组成。指标主要包括:用户数、次数、人均次数、时长、点击率、转换率、渗透率、留存率、成功率等;体系是由不同的维度组成,而维度是指人们观察、思考与表述某事物的“思维角度”,比如:区分不同模块来看用户数,这个模块就是维度。维度是指标体系的核心,没有维度,单纯说指标是没有任何意义的。根据产品灰度和上线的节奏来规划指标体系,如下图指标体系框架。

Why 指标体系

在没有指标体系的情况下,产品看数据遇到很多问题,这些问题都可以通过指标体系来解决:

How to规划指标体系

前期重要准备工作:不断体验产品,熟知产品的基本功能,明确产品的KPI目标和战略重点。按照以下三个步骤来规划整个指标体系:

其中“确认指标和目标是否匹配”也就是确认指标能否100%反映评估目标的变化,如果不完全匹配,则需要反过来修正评估指标,使其完全匹配;下面重点从产品规模质量、健康度、用户属性等6个方面来介绍如何“设计合适的评估指标”

产品规模和质量

1、整体规模和实时数据监控

整体概况:依赖产品的核心功能以及KPI目标来制定,是对产品整体的监控,后面所有的指标均依赖此项展开。

关键漏斗:对关键概况指标做模块或者路径上的拆分。

实时数据监控:从整体概况中抽取最关键的1~2个指标来做按小时、按分钟监控。主要作用:在新版本发布后监控核心指标变化,便于及时发现版本问题回滚;某类重要活动上线之后的实时效果监控。之所以选择1~2个指标,是因为实时数据的统计对计算资源要求很高,通常选择最关键的指标来做监控,其他指标按天监控即可。

2、产品质量

这部分内容是从14年开始逐渐被产品重视起来,发现产品质量本身也会严重影响用户体验,质量差的产品容易被卸载/取关。质量监控是由各种成功率组成,基础指标包括:crash率、启动耗时、页面加载速度等,这些是每个产品必备的,另外根据产品功能会有其他成功率指标,如直播产品会有播放成功率、直播加载速度等;产品质量与用户自身的网络类型、运营商、机型强相关,所以以上指标的维度通常需要细分这三个维度来看。

用户健康度

1、留存和活跃度

通过留存率、活跃度(活跃天数/次数等分布)来监控产品的健康度,不同产品的监控周期不同,对于高频产品,留存率监控次留、3留、7留,活跃度按周来监控,如果按月来监控,当发现指标下降的时候用户已经流失了,错过了最佳挽留时机;对于低频产品,按月监控即可;可通过看用户的周活跃天数来判断该产品是高频还是低频,通常周活跃天数大于3,是高频产品,反之属低频产品。

2、成长体系

这部分内容仅适用于有增值包月功能的业务。包括vip到期天数分布、vip等级分布、特权使用度以及年费相关;

3、用户流动模型

结合用户生命周期,从新增、留存、回流、流失的角色转化来定义用户在产品中的流动,称之为流动模型;当产品运营到一定的规模,必然要做精细化运营,即用户生命周期管理(CLM),基于用户当前的行为状态,通过各类预测模型,对其进行精细化运营,来拉长用户生命周期。

渠道质量

这部分内容仅适用于独立app产品,因为独立app需要通过不同渠道去推广引导用户下载安装,不同渠道的用户质量差异比较大,所以需要分渠道来监控;平台资源产品不需要关注这块,如:手Q动态里面的平台资源产品。

监控方式主要是在上面讲到的概况和留存指标上扩展渠道维度。

资源触达

梳理清楚产品的资源位,每个资源位的评价指标类似,即活动效果评估,包含两部分:

a)活动自身的pv、uv和点击率,以及渠道侧的发送、到达、点击整个链条数据;

b)活动给产品带来的价值,从新增、回流、留存上来评估;

用户属性

画像和终端数据是用来详细描述用户本身的属性,明确使用产品的用户是什么样的人群,一方面可以指导产品的设计方向,如:产品设计的目标是针对25岁以上的成熟用户,但实际画像出来发现用户年龄主要集中在20岁以下,与设计理念不符,就得考虑功能设计是不是有问题,得改变方向;另一方面可以作为精细化推荐重要特征。画像的重要性不言而喻,但目前只有社交产品在这块建设相对完善;终端信息通过系统接口均可以获取到。

竞品数据

没有竞争就没有前进的动力。寻找自己的假想敌,对标规模和留存指标,以便评估产品的优势和劣势,不过这部分数据通常不易获取到。

规划完成后必须用以下四个准则来检验指标体系的合理性:

1、完备性:通过指标体系能够对产品的经营状况一目了然;比如产品现在增速如何,现状是否健康等;

2、系统性:通过指标体系能够粗略定位到数据波动的原因;比如活跃用户下降,通过指标体系能够拆解到大概原因;

3、可执行性:指标体系是可量化并实现的;

4、可解释性:所有指标的统计逻辑都是可解释的,容易被用户理解的;经验证明那些复杂不可解释的指标最终都会被淘汰;

Just do it指标体系可视化

在指标体系可视化过程中有几点需求注意:

1、数据上报环节要保证准确性和扩展性强。数据上报不准确,后面的链条做的再好都是无用功,需要开发和测试多方验证保证上报准确性;扩展性强是为了产品扩展功能的时候数据上报框架依旧可用,只需增加某些id即可。另外尽可能把用户的所有操作都做上报,包括操作成功和失败。

2、计算框架最好能够包括中间表建设。一方面使的指标计算逻辑很清晰,且由于中间表的复用性很强,指标计算可以节省大量计算资源;另一方面在后续问题分析过程中,使用中间表要比直接从原始流水简单很多。

来源:腾讯QQ大数据

]]>
腾讯QQ大数据:BI方法论-数据体系建设之路
//www.otias-ub.com/archives/743254.html Sun, 01 Jul 2018 00:50:57 +0000 //www.otias-ub.com/?p=743254 当一个企业要建立数据体系,它需要什么样的流程?当一个新的产品上线,它需要怎样建设业务的数据体系?这两个问题是否一些方法论去遵循?笔者原以为能在网上搜一篇关于数据体系建设的文章,居然未能如愿,甚为遗憾。OK,老衲就来杜撰一篇!本文将从腾讯的数据体系、SNG数据中心的数据发展历程、业务的数据体系建设三个方面对企业、业务的数据建设进行阐述,各位同仁将就着看,多提意见少拍砖

一、 什么是数据体系

完整的数据体系应该是包含数据系统/数据产品/数据服务等若干个相互联系且基于数据所组成的有机体 —— 本文作者

二、 腾讯的数据架构

也许大家对这金字塔并不陌生,它集成了N多数据同仁的智慧,最终总结出这六层结构。

1. 数据基础平台

笔者所在的数据团队用的数据处理平台是腾讯分布式数据仓库(TDW),它集成了数据存储、计算、机器学习等功能。

2. 数据体系和可视化

有了数据处理平台,那我们统计好的数据需要有系统来呈现给用户,当前笔者用的平台是SNG-数据中心的“腾讯罗盘”。业务的数据体系可以帮助产品经理和分析师更好的理解数据,这块将在后续的文章做重点介绍。

3. 产品与运营分析

当业务发展到一定阶段,单纯的数据监控和统计已经不能支撑其业务发展。这就需要数据分析同学分析产品的用户画像、用户的行为、收入构成等,以便运营同学发现运营中的问题,挖掘潜在的机会点。

4. 精细化运营平台

如果说分析结论是一个指南针,那么精细化运营平台就是一个狙击步枪。它可以准确的帮助运营同学把目标用户提取出来做精细化运营,目前笔者常用的内部工具有:神盾推荐系统、数据提取平台、用户生命周期管理系统。从字面上就能看出来,推荐系统解决了业务千人千面的个性化推荐,数据提取平台给产品经理提供清洗数据、交叉分析的平台,用户生命周期管理系统是产品经理的用户运营平台。

5. 数据产品

市场上有很多的数据产品,比如百度的百度指数、阿里的数据魔方,像SNG有社交指数、宜出行等(感兴趣的可以自行关注公众号)。

6. 战略分析与决策

数据的作用除了帮助提升业务运营效果外,还可以成为领导层做战略规划的依据。比如每到年底,我们会对明年的业务活跃用户数、付费用户数做预测,预测在后续会有详细介绍(见《社交大盘关键指标预测》、《某包月用户数预测》)

三、 SNG数据中心的数据发展历程

笔者所在的数据中心几经变革,从早期的单机收集数据、开发报表到现在的在线实时计算和机器学习,不断的完善数据基础功能、扩展数据的应用场景,进而把数据的价值最大化。

四、 业务的数据体系建设

1. 为什么要有业务的数据体系

先问几个问题:有没有入职一年多了,还不知道部门业务架构?有没有作为骨干员工,还只清楚自己的一亩三分地?有没有做了leader,还不了解业务大盘趋势?

显而易见,业务的数据体系既可以让产品同学了解所在组织的业务架构,也可以让运营同学了解过去一段时间的运营详情,同时为下阶段的运营提前做出规划。

2. 业务数据体系建设的方法论

2.1 “业务体系”

这里更多指的是业务构成。无论是作为一个运营产品经理、数据产品还是BI同学,不了解业务数据体系就像有一本武林秘籍却没有内功心法。想要把数据发挥更大的作用,就需要了解团队里或者部门中其他人在做些什么?有没有可以合作的地方?是否可以把成功的案例拿来套用?

我们先来看看几年前为某包月做的业务体系,详细内容涉及到敏感数据就不展开,有兴趣的同学可以在评论区留言交流

是不是还算清晰?可以很快的了解到包月的业务的模块构成。任何一个增值业务都可以在上图的二级节点里找到自己的位置。

这么构建的两个优点:

a) 即便是多元化和产品更新迭代速度快的产品,也能清晰的了解业务结构

b) 把各个业务从逻辑上划分5大块,如果有一部分出问题,能快速定位

2.1.1 “数据体系”的四要素

这个增值业务的数据体系为什么要这么设计?

a) 业务洞察

这是一个应该问自己的问题,有的同学只关注自己的一亩三分地,很少抬头望望团队在做什么,兄弟团队在做什么,部门在做什么。这是一个组织架构和内容的划分,比如13年的SNG增值产品部(那时候还叫会员产品部)。

从业务角度来划分,她包含了会员、靓号、QQ旋风、QQ游戏加速器、钻皇、MP活动;

从组织架构划分,她有体系运营中心(负责营收、VIP关怀和成长)、个性化中心(气泡、表情、主题等个性化特权)、功能特权中心(手Q阅读、动漫、炫耀类特权)、游戏增值中心(端游、手游、会员的游戏特权)、个人形象中心(QQ秀、购物号等)。

从运营渠道来划分,她有tips、小钱包、邮件、红点、公众号等。

从用户角度来划分,她有VIP等级、成长值、积分等。

b) 数据分类

对一个业务团队来说,用户数和收入是必然关注的两块指标。

活跃:各个业务的DAU、特权活跃、平台活跃、各渠道流量、页面漏斗转化等

付费:收入金额、ARPU、付费转化率、支付渠道、支付入口、ROI等等

用户研究:她有各种页面转化率、生命周期管理、留存率、用户画像和各种业务重合度、用户等级体系

c) 逻辑抽象 —— 脑洞大开,你的能力超乎你的想象

根据以上2块内容,可以把会员业务抽象成五大模块:营收体系、活跃体系、成长体系、关怀体系、用户研究。

d) 绘图软件

常用的绘制软件有MindManager、Xmind,软件提供了各种场景,选一个合适的Map。

常遇到的问题:数据分类和业务架构怎么结合?

解答:每个业务都有活跃付费、以及它的留存等相关数据结构,但这里的增值业务数据体系更多是让我们了解整个大的业务数据体系。如果想要详细的看数据,那么就需要把它转化为“指标体系”。

2.2 指标体系

做社交互联网的数据分析指标体系和其它行业的指标体系不同,有做交易支付为目标的,也有做用户流量的。所以了解业务形态,是首要任务。大到方向,小到细节。

step 1 走出去,先和运营的产品同学聊聊。看看他们都关注什么,他们对业务的理解是什么。他们平时都看什么指标。例如业务今年KPI是年收入80亿,而你只关注大盘趋势忽略各平台入口的流量和付费转化。所以指标体系不是大而全,需要有侧重点。

step 2 看看不同层次的人对这个业务的理解。业务leader和运营同学具体看的维度和思考的维度会有不同,了解不同的思考维度和声音,对建立不同的数据体系有重要的意义。

step 3 了解用户的声音,往往用户的声音才是对一个产品和平台最真实的反馈,这些需要数据指标体系来量化。

step 4  结合数据分析师的视角,最终构成了指标体系。

我们来看看某年某月某日为某手游做的指标体系:

这么设计的优点:

结合了业务洞察和数据分类,抽象成直观可量化的指标,进而监控业务的运营状况;帮助运营同学和开发同学快速拆解定位;能够快速复制到其它业务。

对于指标体系的构建,后续有专门介绍的文章:《指标体系如何搭建》

2.3 报表体系

有了数据体系、指标体系,那么就需要把这些结构化的业务划分、维度和指标转化成可视化的数据结构,并通过可视化的平台来呈现,目前SNG大部分业务用的是腾讯罗盘系统。

报表设计的几大要点:

a) 不是所有的数据都要放到一张报表里看。曾见过一张报表,有超过40个指标,后来产品同学自己都忘了怎么看报表。设计报表就像对着ppt演讲一样,一张图表只讲一个故事。

b) 多问问自己设计这个报表的目的是什么,要解决什么问题。是常规营收监控?平台渠道的转化?切忌随意,小心黑砖

c) 准备好数据源,了解统计口径。数据源是外部的还是内部的?存放在哪里?怎么获取?统计口径是如何的?口径变动的周期是多久?只有这些都确定了,开发效率才能提供,维护成本也会降低。报表开发流程规范:

2.4 分析体系

如果说单张报表是让你了解某块数据的“点”,那么报表体系就是把这些点组在一起的“线”。然而怎么综合评估某业务/产品的运营状况是否健康、未来的机会点以及风险呢?那么需要我们把这些“线”织成一张网。

对于业务来说,评估业务内部优劣势、外部机会与挑战最合适的方法莫过于SWOT:

那么如何判断此增值业务的S、W、O、T呢?

S: 通过分析用户属性与营收贡献判断我们的用户主要构成与优势的渠道/平台

W:通过分析用户健康度、特权活跃来看我们还有哪些空白领域未填补,以及哪些功能是占据大量资源但收益较低

O:通过分析用户属性和平台流量的转化比,发现潜在的机会、挖掘新的内容进而扩大业务盘子

T: 通过分析用户规模、竞品对比、平台和市场前景等角度发现业务可能遇到的挑战

现在,我们再来看看某增值业务的分析月报框架。

详细内容因涉及到业务具体情况就不展开。但通过框架可以很清晰的反映近期此增值业务的发展趋势、业务的优劣势以及可能面对的机会与挑战。类似的增值业务可以根据实际的业务情况再拆分。

最终,把SWOT的内容整合到一张报告里,每月固定输出给运营同学!

五、 结语

总之,互联网产品的数据体系需要产品经理、产品运营人员、开发人员和数据分析师共同合作完成,并不是业务同学或BI单方面就能完成的事情。为了更好的建设符合大数据时代的产品运营的数据体系,我们需要充分理解数据体系的商业目标,设计科学严谨的产品数据体系,做好数据上报的规范,结合大数据存储和计算的能力,搭建具有大数据技术能力的数据分析和数据挖掘体系,并在这些基础上形成数据体系设计、数据上报采集、数据存储计算和数据分析挖掘的良性循环。

也期待下一阶段能在用户生命周期管理、精准推荐等领域帮助业务有新的突破。

这不是结束,而是另一段“风花雪月”的开始……

来源:腾讯QQ大数据

]]>
腾讯QQ大数据 :从“增长黑客”谈数据驱动的方法
//www.otias-ub.com/archives/743270.html Sun, 01 Jul 2018 00:49:47 +0000 //www.otias-ub.com/?p=743270

对于增长黑客(Growth Hacker),行业里有一个很清晰的定义就是数据驱动营销,以市场指导产品,通过技术化手段贯彻增长目标的人。所以这里有一个很核心的理念就是数据驱动营销和增长,这个也是数据团队的核心价值所在。经过多年的实战经验积累,我们沉淀了一套适用于自身业务的数据驱动方法,希望能够拿出来跟大家做个分享,欢迎大家关注。

1. 背景

近两年来,随着“增长黑客”的概念从大洋彼岸的硅谷传入国内,相关的理念和方法开始在互联网技术圈流行起来。2015年,《增长黑客》一书的出版和流行更是把“增长黑客”这个名词正式带入了大众的视野。“增长黑客”近年来兴起于美国互联网创业圈,指的是一种新型的职业或团队角色,主要是依靠技术和数据的力量来达成营销目标,而非传统意义上靠砸钱来获取用户的市场推广角色。因此,增长黑客有一个很重要的理念就是“数据驱动”,也就是通过对数据的分析挖掘来发现有价值的数据洞察,并推动线上的落地应用,再通过A/B test来不断的迭代优化,最后找到最有效的策略方案,帮助业务实现持续增长。

作为公司历史最悠久的数据团队之一,SNG数据中心早在2008年就开始建设专门的数据团队,9年来一直致力于大数据的分析和挖掘,通过数据来支持SNG业务的发展。在这个过程中,我们也积累了不少的理论方法和实战经验,希望能够拿出来跟大家做个分享。我们的分享计划分批展开,涉及的内容包括数据基础能力建设、大盘指标预测、用户增长分析、营收增长分析、产品优化分析等。后面我们会有相关系列文章陆续发出,这篇文章算是一篇开篇的综述,旨在让大家能够对我们的经验方法有个整体的了解。当然,数据涉及到的知识体系和领域太过庞大,我们的分享也只是冰山一角,希望能够给大家带来一些启发,欢迎大家关注。

2. 基础能力建设

问渠那得清如许,为有源头活水来。数据行当里面有一句老话叫做“Garbage in,garbage out(垃圾进,垃圾出)”,指的就是要从源头上确保数据的及时和准确,以保证上层的分析和挖掘能够得出正确的、有价值的结论。SNG的数据异构现象突出,业务上包含了即时通讯(QQ)、社交平台(QQ空间)、增值产品(QQ会员、黄钻等)、游戏(手Q游戏、空间页游)等庞杂的业务体系,而且个个都是海量的数据,不仅如此,随着公司组织架构的调整我们还经历过大范围的PC数据和移动端数据的整合,有大量的历史遗留问题要解决,复杂程度可想而知。这一节将为大家介绍我们为了管理和维护这么多纷繁复杂的业务数据是如何建设基础的数据能力的。

2.1 数据上报通道建设

对于大部分的数据挖掘工程师来说,对数据的理解和应用都是从数据仓库开始的,殊不知,用户在产品上的每一次操作行为要上报到数据仓库成为某个库表中的一行记录都要经过Agent部署、埋点、上报、转发、清洗、调度入库等多个步骤,每一个步骤都需要严格保证数据的一致和稳定。在数据量小、数据结构简单的情况下,这或许不是一件太难的事情,但是面对SNG海量异构的复杂数据环境,要保证好数据的一致、稳定、实时,绝不是一项容易的工作。为了更好的应对海量复杂的数据上报问题,早在2012年,我们就开始了新一代数据上报通道DataCollector(简称DC)的建设。经过4年多的持续迭代优化,DC现在每天要支持1P+大小,1万亿+记录条数的数据的稳定上报,为SNG的底层数据建设立下了汗马功劳。DC通道的架构可以参考图1:

图1:DC数据上报通道架构图

按照DC数据上报通道的架构,我们只需要六步即可完成一次新的数据上报:

第一步:安装及检查DCAgent版本

第二步:按照API文档进行数据上报埋点

第三步:创建新的数据接口

第四步:检查上报通道

第五步:查询流水数据

第六步:查看入库情况

2.2 数据体系建设

完善的数据上报通道的建设解决了数据来源的问题,但是海量的数据在上报到数据仓库的过程中以及上报之后如果没有科学有效的治理,后果将是灾难性的,就像洪水来袭时没有防洪工程,任由洪水泛滥一样恐怖。比如在日常的数据工作中,我们经常遇到这样的情况:数据库表没有说明文档,字段定义和统计逻辑不清晰,业务核心指标口径不统一,库表搜索难度大,等等。这些问题都是由于缺乏科学合理的元数据管理和数据体系导致的。SNG在多年的数据工作中也是深受这些问题的困扰。痛定思痛,我们通过规范数据上报、建立标准化接口、规范数据字典等一系列优化措施的执行,针对即时通讯、社交平台、包月增值等业务,沉淀了一套适合SNG业务特点的数据体系建设的方法。

以社交平台为例,我们总结了一套适用于社交产品用户写操作行为的数据体系如表1以及写操作维表如表2:

写操作时间 QQ号码 写操作来源 一级操作ID 二级操作ID 写操作次数
20170313 123456 1(PC) 5 822 5
20170313 123456 2(iOS) 5 823 10
20170313 123456 3(Android) 5 36 15

表1:社交平台写操作行为数据体系示例

 

一级操作ID 一级操作名 二级操作ID 二级操作名
5 UGC操作 822 原创
5 UGC操作 823 转发
5 UGC操作 36 评论回复

表2:社交平台写操作维表示例

该数据体系及维表体系建设起来之后,纵使业务变幻,万变不离其宗,有新的写操作功能特性发布之后,只需要按照约定好的数据体系进行埋点上报,同时在维表里添加新的写操作ID的映射关系,报表即可自动生成,不需要数据分析师再额外开发,可见一个科学的数据体系的重要性,可以大大减少人力成本,提升开发效率。

       2.3 指标体系建设

曾经听一个从鹅厂出去创业的同事讲过他自己亲身经历的一个创业故事。在他们的产品上线初期,公司最大的目标就是获取更多的安装用户。为了达成这个目标,他组建了一个庞大的线下团队在各个网点做地推,同时线上也在购买各种渠道和广告,进行品牌宣传。一段时间的运营下来,成效显著,安装用户数每天都在成倍甚至十几倍的增长。就在整个公司上下都在为安装用户数的大涨而欢呼雀跃的时候,他自己却陷入了极大的恐慌之中。因为他发现,在庞大的安装用户里,日均活跃用户数(DAU)非常少,也就是说公司花费了巨大的精力和成本获取来的用户,最终却没有在产品中留存下来。在接下来的时间里,他迅速调整了公司目标,开始以提升DAU为导向指导运营思路,最终成功的提高了用户的留存,DAU也随之改变了之前的颓势,开始稳步上涨。

同样的故事在硅谷也发生过。早在 Facebook 成立之前,美国社交网络的老大是MySpace。MySpace 历史久,用户多,还有东家加大金主新闻集团撑腰,从任何一个角度看都应该可以轻易碾压由几个大学辍学生创办的 Facebook,最终却输得一败涂地。其中的原因当然不只一个,但是有一个有趣的区别是:MySpace 公司运营的主要指标是注册“用户数”,而 Facebook 在 Mark 的指引下,在成立的早期就把“月活跃用户数”作为对外汇报和内部运营的主要指标。

相比之下,从“用户数”到“月活跃用户数”,看起来只是多了三个字,却确保了 Facebook 内部的任何决策都是指向真实持续的活跃用户增长。

这样的故事背后,其实考验的是一家公司或者一个产品的指标体系规划和建设能力。在“增长黑客”的理念当中,有一个“北极星指标(North Star Metric)”的概念,指的就是有一个唯一重要的的指标,像北极星一样挂在天空中,指引着全公司上上下下,向着同一个方向迈进。当然,不同的产品形态会有不同的北极星指标,平台产品关注的是活跃用户数、活跃留存率这类指标,营收产品关注的是付费用户数、付费渗透率等等。在不同的产品发展阶段,指标体系的规划也会有所不同。我们对不同的产品形态及产品发展阶段的指标体系进行多年的研究之后,针对产品从灰度上线到稳定期的各个阶段总结了一套适用于大多数产品的不同发展阶段的指标体系,如图3:

图3:产品各发展阶段的指标体系规划

3. 用户增长分析

前面介绍了我们在数据上报、数据体系、指标体系等方面做的基础建设工作。面对每天上报的1P+大小,1万亿+记录条数的海量数据,我们当然不会止步于报表开发层面,更加不会让这些有巨大价值的数据躺在仓库里面睡大觉。特别是在人口红利衰减,业务增长乏力的大环境下,如何从海量的数据中挖掘出对用户、对产品有价值的信息助力业务增长,成了我们数据团队每天都在思考的问题,这也是“增长黑客”的核心使命。在本节中,我将通过用户生命周期管理(CLM)和用户分群两个在数据精细化运营中经常用到的方法来介绍我们是如何通过数据来驱动业务增长的。

       3.1 用户生命周期管理(CLM)

任何一名产品运营人员,每天思考的无非是这三个哲学上的终极问题:用户是谁,用户从哪里来,用户要到哪里去。为了解决好这三个问题,用户生命周期管理(Customer Life-Cycle Management)方法应运而生。传统的用户生命周期管理基本上包含五个阶段:获取、提升、成熟、衰退、离网,用户在不同的生命周期阶段会有不同的诉求,产品运营上也会有不同的方案和侧重点:

图4:用户生命周期

这里有很多数据可以发挥巨大价值的地方,以新用户获取为例,通过对历史新进用户的特征进行分析和数据建模,我们能够建立一个预测用户转化概率的精准拉新模型,在推广资源有限的情况下,锁定高转化概率的潜在用户进行资源投放,大大提升投放效率。从我们实际应用的情况来看,通过模型筛选出来的潜在用户,在转化率上往往比通过人工经验判断筛选出来的用户有20%-60%的提升,比随机筛选出来的用户更是有成倍甚至几倍的提升。

我们对CLM方法的研究和应用,最早始于2012年,当时跟麦肯锡的驻场团队一起封闭开发,以新用户获取为切入点,整理了8亿用户的近千个特征字段,进行了详细的数据分析,近十轮的模型迭代,在多个渠道进行了200多次的活动投放试点,试验用户群+渠道+文案+活动形式的各种组合,期间还陆陆续续邀请了近百个QQ用户参加深度访谈调研,验证我们的数据结论,最终使得实验组的点击率比对照组的提升稳定在40%-110%以上。随后,我们又把在新用户获取项目中沉淀下来的经验和方法复用到了活跃用户流失预警以及流失用户拉回的运营活动中,效果都有了显著的提升,数据在增长分析中的价值得到了有利的验证。自此,整套的用户生命周期管理方法就此打磨成型。接下来,我们把这套方法先后在QQ会员游戏联运项目、空间页游项目、手Q游戏运营项目中进行了推广和复用,进一步放大了数据的价值。到今天,CLM的方法和理念已经渗透到了SNG的多个重要业务中,并且还在持续的探索和优化。以手Q游戏运营为例,我们每天都会通过QQ手游公众号投放数以亿计的精准拉新、拉付费、关怀等类型的CLM消息,并且能够自动采集数据进行效果监控,彻底改变了以前“产品经理提号码包需求->数据团队提包(排期)->产品经理上传号码包->投放->产品经理提效果统计监控需求->数据团队开发报表(排期)”的传统而又痛苦的模式,不仅大大提高了资源使用效率,也帮助业务大大减少了运营成本。

在推广CLM方法,拓展业务场景的同时,为了更好的服务业务,我们自身的能力建设也没有停下脚步,特征库、算法库、AB test工具等已经日趋完善和成熟,另外值得一提的是,我们近期上线的lookalike功能使得需求的响应速度又有了进一步的提升。以前业务有一个拉新的需求,需要先跟我们沟通需求,我们了解需求之后要经过数据准备、采样、模型训练/验证/部署等过程,这么一个过程下来,快则一两个星期,慢则一个月,模型才能上线使用,这个对于需求紧急、心情急迫的运营同学来说显然是不能忍的。现在,运营同学只需要上传一个种子用户号码包就可以通过lookalike功能进行人群扩散,返回跟种子用户相似的其他用户进行运营活动的投放,前后只需要一个小时左右,速度有了质的飞跃,当然这也得益于我们投入了很多精力进行基础特征库的建设。

       3.2 用户分群

CLM模型建立之后,我们可以通过模型找到更加精准的目标用户,但是为了把运营活动做的更加精细,我们还需要考虑这些问题:我们的目标用户的人群属性怎样?有什么行为特点和兴趣爱好?根据这些应该怎样设计运营活动。这就要用到用户分群了。用户分群从语义上理解就是对用户群进行细分,不同的用户群有不同的特征,好的分群能够帮助业务充分认识群体用户的差异化特征,从而找到正确的营销机会、运营方向。所以在数据分析行业里,有一句老话叫做“不细分,毋宁死”,讲的就是这个道理。既然用户分群这么重要,那我们要怎么做呢?用户分群常见的维度包括以下几个:

1.    统计指标:年龄,性别,地域

2.    付费状态:免费,试用,付费用户

3.    购买历史:未付费用户,一次付费用户,多次付费用户

4.    访问位置:用户使用产品的区域位置

5.    使用频率:用户使用产品的频率

6.    使用深度:轻度,中度,重度用户

7.    广告点击:用户点击了广告 vs 未点击广告

在维度少的情况下,用户分群是很好做的,比如年龄维度,我们经常会按照人生不同的生命阶段进行划分,再比如活跃维度,我们可以划分成低活跃、中活跃、高活跃用户群体。但是当维度增加到几十个甚至几百个维度时,人脑就完全处理不过来了,这个时候无监督聚类的方法就派上用场啦。举个例子,我们采集了以下10几个维度的数据,需要对用户进行分群。

图5:用户特征维度

就算经验再丰富的运营同学,面对这十几个复杂的数据维度,相信也很难对用户群进行准确的划分。而我们借助无监督聚类分析的方法,可以很快的把用户分成以下几类:

图6:用户无监督聚类结果

当然这里的结果都是数值信息,还不能直接指导运营方向和思路。但是结合业务理解对数据进行提炼和解读,我们很容易将数据转化成人可以理解的用户分群:

聚类1特征:年龄未知或低龄,好友少,活跃度和使用粘性都极低【低端低龄群体】

聚类2特征:年龄偏小,前台在线和消息活跃均比较高【学生活跃群体】

聚类3特征:平均27岁左右,PC端和手机端活跃度均非常高  【职场高粘性群体】

聚类4特征:平均28岁左右,前台在线和消息活跃都极低【职场低粘性群体】

聚类5特征:年龄较高,手机在线时长高,但消息沟通极少   【高龄低活跃群体】

当运营同学拿到这样一个科学、可理解的用户分群结果时,就可以针对不同用户群体的特征设计符合该群体特点和需求的文案、道具和活动形式。运营活动也必将取得事半功倍的效果。

4. 总结

正如文章开头所说,数据涉及到的知识体系和领域太过庞大,这里的介绍只是冰山一角,海量的数据中蕴含着丰富的金矿还等着我们去开采。回顾这些年的数据工作,我们在数据类型上,从结构化的用户行为数据挖到LBS轨迹数据,从关系链的图数据挖到文本数据,在系统架构上,我们也在不断完善和优化我们的数据系统及架构,为业务提供更好的数据服务。我们一直相信,通过数据驱动来帮助业务增长是数据团队最大的使命和价值,我们会在这条道路上持续探索,不忘初心,砥砺前行。

来源:腾讯QQ大数据 

]]>
在活动效果评估时防止掉入对照组不具代表性的陷阱
//www.otias-ub.com/archives/675026.html Sat, 13 Jan 2018 07:38:33 +0000 //www.otias-ub.com/?p=675026

评估活动效果也就两大类方法

砸钱做活动,做推广对于企业来讲是非常普遍的事情,花这些钱究竟有没有效果,则需要对活动进行认真评估和分析。一般而言,对活动评估的方法无非两大类方法,一类是定向归因,第二类是对比分析。

定向归因适用于可以通过技术的手段或者其他手段可以比较准确把活动效果跟其他背景信息区分出来的场合。比如可以通过设定专门的活动页面来跟踪效果;在安卓渠道上获取新增客户时,我们也可以通过针对某次活动分配专门的渠道包来跟踪活动的效果。

但很多时候,我们并没法通过定向归因的方法来评估一个活动,一场推广带来的效果。比如我们做了一场全国性的品牌活动,由于线上线下是存在鸿沟,我们就很难完美地将活动的效果定向归因分析出来。这个时候采用对比分析是一种更近常见的方法。对比分析又可以细分为两种,一种是时间上的对比分析,也就是把活动分为前中后三个阶段来做对比分析。一种是横向的对比分析,横向的对比分析往往需要借助类似对照组这类横向的参考来评估活动的效果。

如上这些评估的方法,并不是非此即彼的,很多时候,在一场活动中,我们往往是多种方法结合来进行效果评估。

以上说了这些枯燥无味的原理,下面我们举两个🌰来说明下这些方法。

1、利用渠道包,点击归因来分析推广效果

小明所在的X公司最近在Y公司旗下的APP上面做了一场付费推广活动,目的是获取APP新增用户。为了跟踪推广活动的效果,小明制定了如下两种跟踪推广活动效果的方法:针对安卓系统,由于用户可以直接下载安卓安装包进行安装,小明就给Y公司提供了一个专门用于活动的安装包,用户点击活动链接就可以下载到该安装包,通过统计该安装包的数据,小明就知道Y APP带来了多少用户。

而对于iOS渠道,由于应用下载往往需要跳转至苹果应用商店,所以安装包的方式并不可取,于是小明打算通过点击归因的方法来跟踪活动的效果。点击归因需要Y公司进行配合,也就是在用户点击活动广告时,将这个用户的设备ID传递给小明公司,通过将这个点击设备ID,跟小明公司后端跟踪到的安装设备ID一对比,那么也可以测算出有多少用户来自Y公司。除了这个方法外,Y公司也可以定期提供设备ID数据包给小明的方法来做离线的匹配计算。

2、利用对照组来分析短信用户召回效果

小明最近做了一场短信召回用户的活动,针对一批超过30天没有活跃用户下发了短信进行召回。

在下发给用户的短信里面包括了一个页面,用户点击这个页面后,数据能够被跟踪到。页面中包括了一个下载链接,安卓用户点击该下载链接,会直接下载专属的短信召回安装包。iOS用户点击后则会跳转到苹果应用商店,用户再在苹果应用商店下载。

为了比较准确的统计短信活动的召回效果,小明采用了如下多种方法:

方法 说明
账号匹配 用户手机号码-设备ID-用户账号之间的对应关系
渠道包归因 专属于某个活动的安装包
时间对比 对比活动前中后的数据变化
对照组 对比活动组和非活动组的数据变化

根据如上方法,小明获取了如下的统计数据:

方法 指标项目 数值(个)
账号匹配  短信发送用户数量  10,000
 根据号码进行匹配回流的用户  1,000
渠道包归因  安卓渠道包的用户跟踪到的用户回流数量  200
时间比较  短信发送前1天的活跃用户数量  100,000
 短信发送期间的活跃用户数量  101,110
 短信发送后一天的活跃用户数量  101,050
对照组参考  短信发送前1天用户对照组活跃用户数量  1万人的沉默对照组中有150个活跃
 短信发送期间用户对照组活跃用户数量  1万人的沉默对照组中有155个活跃
 短信发送后,用户对照组活跃用户数量  1万人的沉默对照组中有152个活跃

小明分析以上数据发现,根据渠道包统计到的用户数量明显偏少,只有200多个,原因在于渠道包无法跟踪iOS用户,而且用户被短信唤起后,存在会主动到其他渠道下载安装的情况。于是小明不把渠道包的数量当作一个可靠的活动效果数据。

账号匹配的回流用户数据为1000个,这个数据跟采用直接用时间对比1100个相差不大。用线上活跃用户数据进行对比得出的用户数据比账号匹配多或者少都是正常的,因为除了活动本身外,线上的数据还会受到非活动因素的干扰,由用户主动因素或者其他因素等。从这个角度分析看,账号匹配回流的用户数据似乎是更可靠的,初步断定短信召回了1000个用户,召回率为10%。

但小明也不敢100%肯定这1000个用户就完全是短信召回的效果带来的。毕竟保不准,这1万个沉默的用户里面会有一部分用户会自然回流。为了更准确的评估,小明把眼光放在了对照组(这个对照组的样本结构参照本次召回用户结构设计,对照组里面不包括被下发短信的用户)。为了排除自然回流的干扰,小明建立了一个1万的人沉默用户对照组,前中后三天,这1万人的对照组中,分别有100,150,120个人活跃,回流率分别为1.5%,1.55%和1.52%。

小明认为这个对照组跟短信召回的用户具有一定的代表性,于是小明根据对照组调整后的召回用户数变成了

10,000*(10%-1.55%)=845人。

最终小明得出结论本次活动的用户召回为845人。

在用对照组进行对比分析时,我们一定要避免对照组不具有代表性的情况。

倘若小明由于前面活动的效果很好,打算增加短信用户的召回面。决定发送100万。那么原先这1万对照组的样本是否还有代表性就需要打个问号了。科学的方法是在这100万回流用户中专门再随机抽样一定的用户比例来建立一个新的用户对照组,而不是采用老的对照组。

]]>
老用户召回套路这么多,为什么留存率这么差
//www.otias-ub.com/archives/672555.html Sun, 07 Jan 2018 12:23:17 +0000 //www.otias-ub.com/?p=672555

一个产品历经时间发展,其积累的用户越来越多,而流失的用户也往往占到很高的比例,对流失的用户做召回已经成为用户增长运营的重要手段之一。

定期的常规召回和不定期的非常规召回

按频率来看,用户召回可以分为常规召回和非常规召回,常规召回,常规召回往往是近期和定期的召回,如可以在用户不活跃超过3天,7天,14天和28天的时候,给用户发个消息,提醒他常回来看看。

非常规召回则常见于非常时候的用户召回,往往也会针对流失时间很久的用户。如电商网站在其购物节都会向大多数用户发送消息,提醒用户上来看看。一些上市公司也喜欢在季末发送消息,吸引用户回归,达到完成KPI的目的。

召回消息的用户价值是核心

而向用户发送什么样的消息是提高召回率的关键。一般而言,给用户发送的消息有功能的升级,好友互动,精彩的内容,优惠等这些具有价值的诱惑无疑可以吸引用户注意。

功能升级是通过新鲜感和工具价值吸引用户回归。对于帮助人们解决问题的工具类产品而言,这个当然是用户最核心的价值了。如某个呼声很高的功能终于可以使用了或者某个功能的bug被修复了。

如果是社交产品,好友的互动消息也是吸引用户回归的好手段。社交产品玩这类往往玩得很溜,如某陌生人交友软件告诉你,附近有几个人暗恋你了,快上来看看他们都是谁。或者你关注的女神刚刚发布了失恋的状态。

如果是内容性的产品,如短视频或视频app,精彩的内容无疑是最好的召回手段了,当然这里也限于纯内容的产品,也可以包括电商网站的上新。

对电商网站而言,优惠打折无疑是最有号召力的了。这就是为什么双11来临之际,你会收到各种天猫买过东西的店铺的轰炸,告诉你多少折扣,多少优惠,企图吸引你回来。

召回方法虽然不少,但需综合权衡成本和效率

有了好的内容就成功了一半,接下来你就需要通过一些触达手段让用户知道这些信息。如果用户真的流失了,其实可以触达用户的手段就很少了。目前互联网企业常用的触达手段有push,短信,邮件和广告。

push这个方法适用于用户还没有把你的app彻底删除说再见的时候。企业能否向用户发送push取决于用户是否关闭了你app的消息推送,如果关闭了贵司APP的消息推送,你就需要绕点弯路,通过第三方app来唤起。很多大公司APP会通过一些相互唤起的保活合作来提高push消息的推送,一些第三方的push服务商也会提供类似的服务,但企业往往需要支付点费用。相比短信而言,push毕竟是个免费或者成本毕竟低廉的方法。

当用户已经彻底卸载了APP的时候,短信就成为了召回流失久远用户的主要方法之一了。在移动互联网上,用户用手机号码注册或者关联手机的比例日益增加,于是手机号码就成了很好的召回手段。发个短信的价格往往在几分钱,但短信的转化率往往也奇低无比,导致很多APP短信召回一个老用户的成本可能都需要几块钱,甚至十几块钱,而且不断攀升。优化短信召回效率除了对用户做更多的细分和精准召回外,把历史召回无效的用户样本剔除出去是个好办法。失恋的男女都懂得多次复合请求无效后应该适当放弃,但很多企业却傻乎乎不知道这个道理,去年在发了几次短信无效,今年仍然在继续徒劳无功发送,除了招致用户反感和投诉,以及高额的短信账单外,企业并无真正收益。

由于多数用户对于邮件的依赖越来越低,除了经常使用邮件的人群外,邮件在用户召回中的作用已经越来越少。往往见于电商类,企业级应用的用户召回。

广告虽然也是召回老用户的一种手段,但通过广告召回老用户,成本跟你获取一个新用户基本没有什么差别。广告的效率之所以低就是这个缘故。广告召回老用户往往效率极低,提高广告召回效率往往涉及到DMP或者数据的对接,对于注重数据安全的公司并不是个好主意。

如果不再爱了,前任攻略往往都是失效的,对低召回率要有心理准备

跟生活中的道理一样,如果用户不再使用你的app了,肯定是产品无法满足用户需求了。如果用户已经有替代品,你的召回极为可能是徒劳的。如果用户没有找到替代品,且仍然存在需求,虽然有一定概率召回,但召回率肯定是高不到哪里去的。如果用户已经没有了需求,那么这些召回的努力也是枉然了。

多一点真诚,漠视留存的欺骗套路还是少点好

召回概率低还不是最糟糕的,糟糕的是召回来的用户,产品也大概率留不住。

召回用户留存率低的原因往往是消息传递的价值,跟用户的预期与产品实际体验存在较大的偏差。

让留存率问题变得雪上加霜的是,有些公司为了完成公司的KPI,一味追求召回率,于是就采用各种连哄带骗的性质。如一个交友类的APP,告诉你,通信录有好几个妹子暗恋你了,兴冲冲上去一看,妈蛋一个都没有;一个购物类的app,告诉你今天购物打骨折,上去一看,尽是套路。这就类似在恋爱生活中,你试图跟前任复合时,一个劲地悔恨自己过去的行为,说自己已经变得更好更强,并许以将来种种的美好,前任竟然被说动了,相处几天一看,发现却是江山易改本性难移,一切的海誓山盟都是套路的忽悠。

用户是傻子,但不可能永远是傻子。如果你的用户造成了如下这张图里面的一个召回波峰,第二天就永远流失;如果你后续但召回的转化率一次比一次差,除了反思产品外,你还需要反思贵司的道德和价值观。

]]>
曲海佳:我是如何用PTENGINE提升信息流广告投放效果的
//www.otias-ub.com/archives/616684.html Tue, 25 Jul 2017 07:01:44 +0000 //www.otias-ub.com/?p=616684 以下内容详细介绍信息流广告优化的逻辑、本质及探索示例,共计5000字,可能需要花费您10分钟的时间。

曲海佳,信息流广告/DSP广告权威专家,现任致维科技营销总监。横跨中西互联网广告领域,擅长各大互联网平台推广。曾就任于Google以及全球最大移动DSP平台MdotM;近年来转战百度营销推广领域,是国内为数不多的百度认证营销专家(百度高级)证书的持有者。精通教育、金融、社交、网服等领域,服务过包括BAT、小米、领英、猎豹、华夏保险等诸多客户,著有《互联网DSP广告揭秘–精准投放与高效转化之道》,2017年即将出版国内第一本信息流广告投放领域的实战指南!

鉴于信息流广告投放在整个数字广告市场的重要性不断提升,优秀信息流广告投放优化人才呈现供不应求的趋势,在常规投放优化思路的基础上探索出一套合理简单易上手并可发展的进阶优化思路十分必要。本文在多个信息流渠道推广经验的基础上,总结现有信息流广告常规投放优化思路中可借鉴元素及其局限性,借助Ptengine这个强大的监测工具,通过真实案例进行实验性投放和数据采集分析,进而得出适用于绝大多数信息流广告平台的差异化优化思路。

 

首先简单介绍下Ptengine(铂金分析),Ptengine是上线于2011年的秒级实时数据监测工具,之前主要的业务重心是在欧美和日本,目前工作重心逐渐转向国内。借助这个工具除了能够完成基础的流量数据监测和流量质量评估之外,其易用性极强的热图报告对于改善网站的布局合理性和提高用户体验也有莫大的帮助,而今天,我主要想讨论的是如何借助Ptengine工具生成的广告推广url,巧用utm参数和事件转化的设置来优化信息流广告的投放。

首先,我们先来回顾下市面上的常规信息流广告投放优化的思路。

现有信息流广告渠道的常规主流推广和优化方法往往遵循以下几个步骤:

  1. 先理解平台竞价机制及基本算法;
  2. 然后按照营销需求创建账户结构和进行基础设定;
  3. 最后通过所谓“A/B测试”的方式不断上传新创意(文案+图片)、对比测试不同创意效果并保留点击率较好的创意,借此维持较高的整体账户点击率。

总体来说,即是通过不断制作、保留或更新点击率更高、与广告落地页和推广产品相关性更好的创意素材,吸引目标受众的广告点击,增加落地页访问量,通过精准定位受众获取相关性较高流量,以此减少转化漏斗中流量从到访落地页到达成转化之间的流失,达到相对稳定的转化率和较好的转化成本。

所以,长期以来主流的信息流广告优化的核心在于创意的优化,或者更极端点儿说,在于创意点击率的优化。

之所以大家都在追求点击率,是因为绝大多数信息流广告平台的产品机制是高度雷同的,在绝大多数的信息流广告平台上,信息流广告往往会经过预分配曝光、预估CTR、广告排序和频次过滤等几个步骤后,展示在用户面前:

其中预估CTR受账户历史表现影响较大;广告排序就是eCPM排序,而eCPM≈质量度*出价。而在很多信息流广告平台上,质量度≈预估CTR,在这个规则之下主流优化方法就变成不断凭经验和部分数据添加预估点击率较高的新创意,再通过较好的数据表现(高点击率)获取较高的整体账户质量度,通过质量度提升eCPM获得高排序和高曝光,进而再为后续新创意获取较高预估CTR,循环往复来形成创意点击率的正循环:

正因为如此,创意的点击率才成为了主流信息流广告优化过程中的重中之重。尽管这一套逻辑相对好上手且已经很成熟,但其实这个逻辑具有很大的不足和局限性,很多时候,整个正向循环根本无法实现。

首先,A/B测试本身就具有一定的局限性。因为A/B测试本质上来说是一种“先验”的实验体系,属于预测型结论,参与对比测试的两个或多个样本在设计制作之初,往往是通过主观臆断其是否合格和人为选择的样本,所以容易出现效率偏低或与“后验”的归纳性结论差别巨大的情况。

其次,A/B测试的理想状态是在保持绝大多数的元素一致的前提下,针对两个样本或多个样本之间的某一个元素进行对比测试,而不是对在多个方面都截然不同的样本进行对比测试,因为这样很难对究竟是哪一个元素影响了最终的数据表现得出可信结论。而不幸的是对比新旧创意素材或者同时上传的多套创意素材往往属于后者。所以针对信息流广告创意的很多A/B测试其实是“伪”A/B测试,因为有太多的元素不同,例如主题颜色和文案的详略程度,再加上投放中可能的曝光的时间,曝光的上下文环境,所获得的流量的质量。过多的元素差异导致无法判断哪个元素才是对结果影响最大的因素,进而无法提供优化的方向,哪怕是接下来图片和文案的设计方向。

在排除其他影响因素的前提下,因为无法判断到底是不是因为某个设计元素或某个文案的措辞影响了信息流广告投放的效果,导致无法比较确信地延续某一设计作为指导下一步新创意制作的参考依据。加之广告设计人员或美工的个人经验和业务能力难以统一和标准化,导致图片的设计和文案的撰写没有明确统一的标准。在优化人员与创意制作人员存在分工的情况下,优化人员与创意制作人员沟通成本较高,新创意往往经过多次没有方向的反复修改,效率低下。

同时因为创意的沟通设计的时间成本非常高,在耗费大量时间制作完成并通过审核之后,就急于投放和放量,很多时候并没有进行进一步A/B测试,哪怕是不完美的A/B测试。新创意基本没有过往类似创意的投放数据作为参考,处于一种无控制的状态,其实相当于在碰运气。最后效果好也无法准确总结,效果不好的话迫于时间压力,甚至没时间反思,就又马不停蹄地投入到下一批次新创意的低效沟通当中,形成如下的恶性循环:

最终的结果导致以“优化创意点击率”为核心的主流信息流广告优化逻辑因为没有可信、可靠的依据而无法真正地落实。

所以,片面单纯追求点击率的优化思路其实是有失偏颇的,取而代之的应该是从优化创意点击率向优化创意乃至设定的转化率去转变,但这同样有难度,譬如不是所有投放的账户都能有足够的技术力量通过与媒体平台API对接实现前后端数据的打通,大多数情况下,哪个创意或哪种设定对于效果转化贡献更大根本无从知晓。而想要打破这一局限的关键切入点,在于监测。

以下是我的做法:

首先,我所理解的信息流广告的总体投放思路应为:在充分市场调研的前提下,通过合理搭建账户来定位精准目标人群,用准确的内容及创意触达受众,实现目标转化,通过不断完善优化创意的设计,佐以正确的媒体定向策略,不断提升转化和降低转化成本,而这一切,又都是以创意和落地页监测为基础的效果衡量为起始与核心,通过把监测维度落实到创意层级,即明确知道具体哪个推广单元的哪个创意有效果或效果好,然后结合时效性,先明确哪个设计方向或风格的创意(图片+文案)效果好和哪些关键词(单元层级)带来的流量效果好,创意和确定关键词后再测其他设定,最后再测试改进落地页。即:

因为定向策略和创意设计方向的不同导致了不同推广单元的流量大小和流量质量都不尽相同,所以每一条创意(图片+文案)都应看作是一个独立的个体,哪怕是处在不同推广单元里完全相同的图片和文案。所以对于创意的监测必须落地到单个层级,方法就是为每个创意设置带有Ptengine的utm参数的独立推广链接。

而utm参数的设置其实非常的简单,只不过我发现在这个简单的工具上可以实现一些比较复杂的玩法儿而已。

当我们拿到一个新的推广项目的时候,一般会有这样几个步骤:

  1. 确定要使用的推广落地页;
  2. 在监测工具上为这个落地页建档;
  3. 将生成的JS代码加装到需要监测的落地页里;
  4. 为推广设置带有utm参数的推广url;
  5. 将推广url用于投放广告;
  6. 结合监测工具上监测到的数据进行分析,改进,优化推广账户的效果。

一旦在Ptengine上建档完毕,无论JS代码是否安装成功都可以设置推广url了。我用一个虚拟的网站www.example.com来举例,这是用Ptengine生成的推广url:http://www.example.com/?utm_campaign=abc&utm_source=baidu&utm_medium=cpc&utm_term=123&utm_content=xxx

我简单介绍下,URL中5个参数设置是什么意思:

(1)utm_campaign参数填的是计划的名字,这个随便起;

(2)utm_source参数,一般会设置成媒体渠道,例如百度就是baidu,腾讯就是tencent等等,当然只要自己看得懂就可以,而且如果没有在多个媒体渠道用一样的落地页的话,这个参数意义就不大了;

(3)utm_medium参数,是填媒介的,媒介和渠道之间是包含关系,例如同时投放两个搜索引擎,一个是baidu,另一个是sm,那么可能媒介都是cpc,因为搜索引擎上主要就是cpc的模式;

(4)utm_term参数填的就是关键词,如果是信息流广告的话,这个参数可以省略,如果是SEM就可以用,有的广告主甚至要求为每一个关键词设置一个单元,一个单独的创意,一个单独的推广url,这个时候往往有几种选择,一种是对接了API,可以批量生成csv文件,通过客户端上传;另一种就比较苦逼了,需要借助一些工具手动生成推广url,这就得用到我之前分享给大家的几个转码编码工具,比如“鞋子”这个词,转码完就是:%e9%9e%8b%e5%ad%90,所以这个参数可以设置一个代号,当然要有一个实际关键词和代号的对照表,也可以设置拼音和英文,或者是编码,就是不能设置汉字;

(5)utm_content参数一般是设置成不同的广告创意的名字;而我对于utm参数的探索是从utm_content参数开始的,我一开始的时候是通过把utm_content参数设置成创意的名字,然后把监测工具上收集来的流量数据按照utm_content参数筛选来对比评估不同创意的表现。所以我养成了一个习惯就是给每一条单独的创意一个独立的utm_content参数,当然这比较麻烦,即便借助工具也不是一件很轻松的事情,但为了后期的效果更好些,优化更容易些,前期麻烦些就麻烦些吧。

【例如】

有100条创意:url就可以下面的举例进行设置(注意content=数字编号)http://www.example.com/?utm_campaign=abc&utm_source=baidu&utm_medium=cpc&utm_term=123&utm_content=20170722001到http://www.example.com/?utm_campaign=abc&utm_source=baidu&utm_medium=cpc&utm_term=123&utm_content=20170722100

通过这样的设置之后,我们就可以进行常规的信息流广告投放了,在产生了一定的数据之后,优化就进入到了重中之重的一个环节,那就是数据的统计和分析,统计数据就有两个来源,一个是从推广平台的创意报告,一个是从Ptengine

从推广平台的创意报告得到的数据就像这样:

因为推广url太长了,截图没有完全展示出来,但是每一个都是不一样的,为了方便匹配,可以通过分列操作把前面多余部分都去掉,只保留utm_content参数之后的内容,比如只剩20170722001到20170722100。

在这里我们发现只是简单的展点消数据,转化数据如果没有对接好API,在这张报告里是没有的,所以还需要借助监测工具获得这些utm_content参数所对应的转化数据(如果没有转化数据,就通过在落地页上设置事件转化的方式获得事件转化数据作为参考)。

Ptengine上的数据就像这样:

其中每一个具体的url(对应一个独立的创意)都可以点击进去查看这个创意所带来的流量在落地页上的互动点击或设置好的事件转化的数量(因为是一个真实客户,不方便暴露真实落地页,所以截图欠奉),这样的查看效率当然不高,但是Ptengine可以借助DataDeck这个工具的帮助把所有创意所对应的效果数据下载下来:

DataDeck上这些转化效果数据如下:

下载完成后,因为有共同的一列,也就是utm_content参数,我们可以用vlookup把两个数据合在一起,这样就知道每个创意带来的转化(或事件转化)的数字,并且也可以用展点消数据和转化数据来计算转化成本了,也就是每一个创意对于效果的贡献。

然后因为我在创意名字这一列有特殊的设置,比如两个文案和两套套图,就可以生成4套创意,分别是文案1+组图1,文案1+组图2,文案2+组图1和文案2+组图2,所以我还可以按照文案和组图把展点消和转化数据通过透视表汇总起来,总体评价文案和组图的贡献。有了这些数据之后,无论是现有创意的存废,还是后续新创意的设计撰写,就都有相对明确的参考方向了。这么设置的主要原因就是单个创意的表现没有办法和转化对应起来,所以通过在落地页加监测和设置事件转化,或纯粹监测互动点击的方式,来收集数据作为评价创意表现好坏的参考。

后续计算的话,用真实转化数除以落地页上的事件转化数或互动点击数,就是落地页的转化率。而用落地页上的事件转化数或互动点击数除以转化数在某些情况下则可以作为预估留存与更后端投入产出汇报的指标。

用我的话说,就好比做几何题的时候画上辅助线,可以让事情容易很多。

后来在utm_content参数用得很熟练了之后,我又开始动起了utm_medium参数的脑筋,我把它设置成广告组或广告单元的名字,这样和utm_campaign相结合就计划和单元都有了。甚至也可以在没有关键词的前提下使用utm_term参数去标注细微的定向区别。

最后我发现其实所有参数都可以不按照原本的规则来填写,而是随便填写,因为任何一个参数都可以通过工具来筛选,有法变无法。

【例如】

http://www.example.com/?utm_campaign=landingpage1&utm_source=baidu&utm_medium=adgroup1&utm_term=male&utm_content=20170714001这个url就可以同时检测到落地页1,仅投放男性的2017年7月14日上传的第一号素材在百度上投放的广告单元1的效果。广告单元1可以代表一系列定向,也可以代表一组关键词或兴趣等等,随便大家设置都可以。这种设置方式对于审核是不会有任何影响的,因为是在落地页url后面加参数的方式,只要与开户主域名一致就行。

这就是我目前在借助Ptengine的帮助下提高信息流广告投放效果上的探索,抛砖引玉,供大家参考。

Ptengine(铂金分析)是铂金智慧的网页优化分析产品,其核心是分析热图(宋星老师文章“运营优化的秘密武器:重新认识热图的力量”有提到),当前已服务全球10w+企业,具体详情了解可咨询010-57280493,关注官方微信:铂金智慧Ptmind;登陆官方网站:www.ptengine.cn

Datadeck是铂金智慧的数据整合可视化平台产品,支持快速连接与整合多种数据源,通过简单拖拽完成Dashboard及报表制作,并且方便用户基于数据展开协作,帮助各部门不同成员快速落实项目目标;具体详情了解可添加咨询:010-57280493 登陆官方网站:www.datadeck.cn

]]>
网站分析的“十字箴言”
//www.otias-ub.com/archives/574983.html Fri, 24 Mar 2017 09:42:09 +0000 //www.otias-ub.com/?p=574983 互联网相比线下最大的优势在于用户行为可追踪,可通过分析进行用户体验优化,由此产生了一个专业领域——网站分析,其方法与实践在2008年之前就已经理论化、系统化,相关产品也非常丰富,如处于全球顶级水平的ominiture、webtrends、coremetrics、GA等。

而传统线下除了最终的成交结果数据,之前的过程基本没法采集留存,用户为什么成交,不成交的用户为什么走了,是一个黑盒子。

如今,越来越多的线下环节被互联网化、数据化,用数据改善线下流程成为可能,网站分析的很多理念也焕发出勃勃生机。

笔者供职单位从发力电商到O2O转型,网站分析也从纯线上分析到线上线下数据结合,笔者进行了较长时间的研究与实践,总结了一些心得体会。笔者将不会详细介绍具体的概念(很多网站可以参考,譬如“中国统计网”、“网站分析在中国”等),而是提炼一些应用的方法,努力写得浅显些,希望能对更多的人有帮助。

一、网站分析应从哪里开始

一个完整的网站分析应用过程是这样的: 分析目标 →   插码  →   分析  →   行动 ,但实际上大部分人是无法参与插码这个环节的,这样对数据理解不够深刻,分析起来容易产生偏差。为了便于理解,先简单介绍一下网站分析的原理。

主流的网站分析工具基本都是采用页面标记法,就是说在前端页面嵌入一小段可被浏览器执行的代码(如JavaScript),相当于给页面安装上摄像头,把用户在页面上的一举一动都记录下来,再传输给后端的服务器。

必须清楚的一个悲惨的事实是,网站分析没有准确的数据,可能是来不及加载采集代码、网络传输等原因,另外毕竟采集到的是终端行为,背后真实的人具体什么情况,到底是一直在浏览还是上了厕所再回来,我们无从得知。

数据采集是网站分析的起点,也是非常繁琐的工作,尤其开始的时候,页面、推广没有什么规范,只能定制采集代码,相当麻烦,即使是制定了规范,运营、开发经常赶时间上线,无暇遵循,人员的流动也影响规范的执行,经常到使用数据的时候才发现哪里哪里没有部署好。

办法也不是没有,譬如把采集规范固化到CMS、推广流程中,对采集数据进行异常监控等。

二、网站分析十字箴言

进入主题,如何用好网站分析数据,关键是把握十个关键字:转化、趋势、细分、对比、溯源,网站分析看什么, 就看两个:转化、趋势,怎么看?三个词而已:细分、对比、溯源!这些词并非笔者首创,而是前辈们总结出来的,笔者只是谈谈个人的理解。

1.转化

店里来了多少人,其中多少购买,这就是”转化”。我们在运营的时候,一般会设计一些用户的行为路径,譬如我们希望用户来访  →  访问宝贝页   →  进入购买流程   →  填写资料   →  确认支付或者 扫码   →  进入活动页面   →  参加活动等等。

我们希望看到用户在各个环节的流向,是否符合我们的期望,与之相对应的,则是那些不符合我们期望的“转化”(涉及的指标有“流失率”、“跳出率”、“离开率”、“退出率”,如果细究这些概念,又会有很多的不同,这里不展开介绍),我们想知道用户流失去哪里了,到底是什么原因。

“转化”二字,是运营的终极目标,也是网站分析的核心。 所有的分析都是围绕“转化”二字开展(那些流失、跳出、退出等可看作是不好的“转化”),做好转化分析关键是准确的把握哪些是关键环节,针对不同的场景进行不同的路径设计,形成转化漏斗图。

2.趋势

前面提到,网站分析数据是不准确的,但为什么它还有意义,因为数据的精度是稳定的(虽然不准确,但一直采用同一监测方法,带来的误差、误差的偏离方向是一致的),虽然具体数值不是绝对准确的,但是能够准确的把握运营的趋势。

对于运营来说,比当前更重要的是,是否在正确的道路上,网站的流量、转化是不是一直向好,重要环节、路径、页面体验是否持续提升,运营是否碰到天花板了等等。把握这个趋势,清楚自己是属于起步期、上升期、成熟期还是遇到了发展瓶颈,不同的趋势情况下要采取不同的运营策略。

3.细分

有一位前辈说的好:“无细分,毋宁死”。譬如告诉你网站访问上涨了10%,怎么回事?你可以通过网页进行细分,发现大部分网页流量没啥变化,只是某个活动页面涨了200%;或者通过流量来源细分,发现某个推广来源涨得不少,这样就清楚了,这只是一个简单例子。

不细分,就没有真相。选对细分的维度及维度的划分就非常重要,一般来说,细分维度的划分要遵循如下原则:确定哪些是稳定的、哪些是不稳定的,对不稳定的进行穷追猛打。

对于整站来说,一般直接访问、SEO来源等短时间内是比较稳定的,而推广是不稳定的;而对购买转化率来讲,可能要从流量来源、购买路径、产品等维度进行细分,因为不同来源用户质量不同转化率不同、不同购买路径不同、不同规格产品也不一样。

有时候,一些相对稳定的细分发生了较大波动,则要认真去分析了,可能是网站有重大问题或者整个互联网习惯发生改变。

4.对比

发现问题,从对比开始。和自己的过去比,横向比,和行业标杆比,和目标值比,和自己脑子的数据对比,细分了再对比…… 只有进行对比,才能发现问题,只有对比,才能找到提升的方向。

同样的数据,不同的人使用效果会大不不同,譬如一个整站转化率数据,甲只知道比过去提升了10%,而乙知道这已接近行业的最高水平,无需再在这里发力。每个人脑子里存储的经验数据不同,可供对比的数据不同,得出的结论也就有深浅之分。

5.溯源

有时候不管怎样细分、对比都不能发现问题,怎么办?就要追溯回源头,审视原始的数据记录,反思用户的行为以及数据采集的过程,另外,要和运营人员深入交流,有可能他们做的一些动作,而数据没有准确还原。

三、笔者独创的“点-面-线”网站监控分析体系

对于一个电商网站应该如何建立分析体系?应用上述的十字箴言,首先肯定是看总体的转化和趋势,然后按照细分原则,分为日常运营和促销活动监控两大板块。

对于日常运营,可划分为“点”、“面”、“线”三类关键元素,研究它们的转化和趋势。

点: 譬如广告位、二维码、导航、搜索、站内客服、推荐位等等,这些是引流到重要页面的点状位置,它们的引流率、二跳率对整站转化至关重要,譬如一般25%的订单那来自站内搜索,15%-25%的订单有站内客服的贡献;

面: 就是核心页面,譬如首页、着陆页、宝贝页、活动页等,它们是留住用户,促成转化的关键,这几类页面作用不同,都要构建相应的分析评价模型,如首页可用Heart模型;

线: 指的是核心流程,如订购、支付、注册等,这些流程是否顺畅,是否符合用户习惯,影响成交的临门一脚。

把这三类关键的元素分析透、做精,整站转化自然提升,做强内功,脉冲式的推广流量才能承接的住。

总结 

互联网+时代,无处不互联网、大数据,现在搞个公众号、小网店、扫扫码等等实在太常见了,懂一点网站分析,能更好的适应整个社会的发展潮流。

]]>
网站细分分析的十个要点
//www.otias-ub.com/archives/565429.html Sat, 18 Feb 2017 04:26:25 +0000 //www.otias-ub.com/?p=565429

随着数据量的大量产生及很容易获取,许多网站分析人员通过与专家、社会媒体、同等进行交流讨论分析什么样的数据才能产生有意义/价值的信息。

作为艺术与技术结合的网站分析师,不能仅依靠关键指标或者依赖于一个很炫的仪表盘。而真正的价值体现在于不断的细分网站用户,从而更好的分析用户,为他们提供个性化的服务进而实现其商业价值。

本文提供了10点细分的建议,让你的数据直接变成有价值的信息。

1、一滤、二组、三细分

虽然网站(流量)分析的数据量是海量(译者注:UV超过10万UV/天的网站网站日志、订单数据、商品数据、会员数据等每天产生的数据一般都是以G为单位原始数据。),但往往也会很容易导致一些错误的结论(译者注:大数据量意味数据内容多,但如果对于数据的收集过程或者数据本身是否有偏/不足不了解,就很容易在分析的时候做出的决定是错的)。由于JS代码的执行是在客户端(浏览器加载网页的过程中),所以有很多固有的错误是无法避免的,除非你对这些数据进行过滤处理。另外,如果不对数据进行细分,那么往往top10与TOP50列表内容各个时间段都并不太会有太大改变(译者注:对于一个流量相对稳定的公司来说,排名前面几位的一般变化不大。所以分析时候,最好看每个大类下面的TOP50,更容易发现一些数据的异常)。

2、细分客户类型

常规的用户类型:新访者、潜在用户(多次访问过访问,但没有注册)、会员、联盟客户、公司员工。不同类型的用户访问网站的行业差异性很大。会员的行为与潜在用户可能完全不一样(译者注:因为不同类型的用户来网站的目的是不一样的,会员来购买可能注是为了购买某种商品,而潜在用户可能只是来看看或者进行比比价)。会员有时候会让转化率这个指标出现虚高,往往公司内部员工的转化率会比较高。

3、对渠道类型进行划时代

渠道类型主要分为:付费与自然流量;付费媒体与免费媒体,内部与外部广告,以及联盟。很多网站分析工具提供的基本的流量细分报告,但如果没有另外再加入跟踪代码,可能很难超越的三种基本类型。

一些关键流量渠道细分必须考虑加入一些代码包括:如果一些社会化渠道来源(一些人分析你网站的内容的转贴或者发贴),自有社会化媒体的渠道(像在youtube或者facebook上官方主页之类;付费或者自然搜索;自然的引用链接(像别的网站转载你的内容然后会加上原文链接),一般网站链接的交换。否则这些渠道的流量跟踪可能会无法统计。

4、仔细检查自然流量加的代码

许多网站的自然流量往往是不可信因为加入的代码往往质量很差。请仔细检验你的邮箱、社会媒体、重定位或者手机流量的监测代码是否准备且完全正确的,这样才能对更准备去判断是否统计的自然输入是真的直接输入。

5、通过意向对内容进行细分

网站的用户可以分为:研究、购买、重复购买、谈判、推荐。不对的人对于内容的印象是不一样的,所以利用这些相同的内容定位命名为你的网站分析报告。随着时间的推移,通过构建一个好的购买流程漏斗:包括:研究、游客,购买,交易和/或更新,从而不断的够优化用户体验,

6、利用有意义的的方法划分产品类型

就像你通过内容来细分目的,为了更好追求从而更好的分析/识别业务上产品的配置便于作的扩展分析。

7、跨平台的整合数据

网站分析数据不应该被交易数据所替代,整合不同的数据源用于理解的分析或者记录的信息的区别。从记录的信息中得出结果,二者并不相等,信息并表示结论。

8、更贴近你的客户

许多在报告中呈现的专业术语与科学术语似乎与商业股东的利益没有明显的相关。转变报告的内容表达从而更好走向你的“听众”,让他们更好的理解报告。

9、为每一个推测建议目标并检验这些预测

一个好的网站分析师通过假设、以及从数据中发现的规则来对未来的趋势做出预测,基于对于整个市场的趋势做出研判。一个伟大的网站分析师可以给猜测一个合适的解释,从而可以为下一步月度、季度、年度去评估这些预测的目标。

10、把商业驱动与细分&指标联系在一起

您的业务主要集中在积极的收购重点产品?开始分割你的数据,包括关键的发现,围绕该焦点。

你报告的听众是否持续深入的进一步你的用户服务行为,而不是仅仅把焦点集中的新用户服务、潜在客户的细分上。与业务相一致,以及注意各类细节,从而让你的分析你的听众愿意接受分析,并保持开放。

总结

虽然很少人可以完全掌握并使用这些要点,然后对于是作为艺术与技术结合的网站分析师来说,我们应该都要知道每一项细分都影响商业价值的实现。

]]>
国外值得关注的十三家大数据与分析公司
//www.otias-ub.com/archives/545085.html Sun, 11 Dec 2016 09:59:42 +0000 //www.otias-ub.com/?p=545085
许多专注于大数据与分析方面的初创公司这些天都获得了融资,这些公司在协助企业整理互联网上那些似乎无尽的数据池方面作出了贡献,本文总结了其中13家,以今年融资金额不足2.5亿美元为界限。

超过2.5亿美元的13家

1、Alation

创建时间:2012年

总部位于:加州Redwood City

融资情况:A轮获900万美元融资,由Costanoa Capital及Data Collective领投。

专注领域:该公司的数据存取平台是为了方便跨公司的大量用户更简便地获取信息而设计。公司的骨干力量来自甲骨文、苹果、谷歌与微软,提供部署在本地与虚拟私有云之上的服务,致力于协助数据分析师在Hadoop与其他商店中同步、优化数据,并确保数据受到管控。据称公司客户包括eBay与Square公司。

1481450271-6780-vhrMibLVMicYMicqNVksD50aUGVw

2、Aviso
创建时间:2012年

总部位于:加州Menlo Park市

融资情况:B轮融资1500万美元,由Scale Venture Partners与Next World Capital领投,总融资达2300万美元。

专注领域:基于数据科学的预测分析软件,专为销售团队提供,包括最新发布的Aviso Insights for Salesforce在内。联合创始人兼CEO K.V. Rao曾创建过提供订阅服务的商业公司Zuora,并在WebEx公司工作过;而联合创始人兼CTO Andrew Abrahams则在摩根大通(JPMorgan Chase)担任过量化研究与模型监督的负责人。20年前,两人在美国国家超级电脑应用中心(National Center for Supercomputing Applications,NCSA)相遇。

1481450271-2783-uDicqnHY3GQPtmWibx3EN7icLiaQ

3、Birst
创建时间:2004年

总部位于:San Francisco

融资情况:1.56亿美元,包括6500万美元——三月由Wellington Management领投。

专注领域:为遵循法规的敏感企业提供基于云计算的商业智能与分析服务,并为终端用户提供自助式的数据访问服务。公司是由Siebel分析团队的几位前负责人创建的,在经营了一段时间之后已经拥有了上万名客户,并成功地跻身于IBM和Oracle等大公司的竞争公司之列。现已与一些大公司建立了合作关系,AWS及SAP的HANA内存数据库都可以运行Birst的软件。

1481450271-9612-n63rF2ZuklER5rdK2AHicJrPkV5w

4、BlueData
创建时间:2012年

总部位于:Mountain View

融资情况:3900万美元,包括C轮2000万美元的融资——八月由Intel Capital领投。

专注领域:创始团队来自VMware公司,他们研发的EPIC软件平台使得用户可以加快虚拟本地Hadoop或者Spark集群的速度,让大数据科学家们在访问大数据及其应用时更为便捷。(在热门的应用容器类初创公司那篇文中也列举过这家公司)

1481450271-3709-Y0BsfOGfaOJD9cNleGtHlJcISvgw

5、Datameer
创建时间:2009年

总部位于:San Francisco

融资情况:7600万美元,包括E轮4000万美元的融资,由ST Telemedia领投。

专注领域:Hadoop的大数据分析应用,让员工得以对数据化与非数据化结构进行分析并进行可视化修改。其客户包括英国电信公司与花旗银行。

1481450271-4908-5pTPoKx5zZzLMAGSJtIrUDabTW0w

6、Deep Information Sciences
创建时间:2010年

总部位于:Boston

融资情况:1800万美元,包括一轮四月期间800万的融资,由Sigma Prime Ventures及Stage 1 Ventures领投。

专注领域:公司数据库的存储引擎采用了机器学习与预测算法,使得MySQL数据库可以处理企业规模的大数据。公司CTO Thomas Hazel在数据库与分布式系统领域有着丰富的经验。

1481450271-6879-1e3icg7Gr0tYz5S9BOSLUoUKIn9w

7、Maana
创建时间:2012年

总部位于:Palo Alto

融资情况:1400万美元,包括A轮1100万的融资——五月由Chevron Technology Ventures及Intel Capital领投。

专注领域:语义搜索引擎:从多个源头抓取大数据,并提供业务线应用程序用户能够使用的信息。该公司在六月份宣布其平台将使用Apache Spark技术。联合创始人Donald Thompson在创建Maana公司前,曾在微软从事顶端工程与架构工作(包括Bing搜索引擎的工作)长达15年之久。

1481450272-3461-SVCLOVCpOhrPf1n9icicD9HUHwQw

N
8
RapidMiner

创建时间:2007年

总部位于:麻省Cambridge

融资情况:2000万美元,包括B轮1500万融资,由Ascent Venture Partners领投。

专注领域:该公司2007年在德国成立,创始人是Ingo Mierswa,公司为商业分析与数据科学家提供以开源为基础的预测分析平台,可部署在本地或云上,最近更新了新的安全性与工作流功能。曾在Tibco担任执行副总裁Peter Lee于6月接任了公司的CEO。

1481450272-8430-bLzuPI1BCRpiaaB63pVPhFLDK94Q

9、Reltio
创建时间:2011年

总部位于:加州Redwood Shores

融资情况:A轮融资1000万美元——三月由Crosslink Capital与.406 Ventures领投。

专注领域:创始团队均来自Informatica与Siperian的主数据管理(MDM)团队,公司为销售、市场、法规遵从及其他用户提供数据驱动的应用程序,以及基于云的主数据管理平台。公司宣称其产品打破了类似CRM与ERP这样应用程序之间的壁垒,方便商业用户直接访问与控制数据。

1481450272-7641-YFNEQ3so2vxc4mWqfyVnxMckkpTw

10、Sensai
创建时间:2014年

总部位于:Palo Alto

融资情况:90万的种子基金,来自包括Andreessen Horowitz与Formation8在内的投资人。

专注领域:非结构化数据平台,使用Sensai的服务可以量化、分析文本信息内容,比如从新文章与监管文件中抽取内容进行量化与分析。公司最初主要服务像UBS这样的大型金融公司,当然其早期客户中也有Siemens这样的科技巨头。Sensai的两名联合创始人均来自众筹公司Rally.org。

1481450272-9822-ysib6NdGcGhqddUmwehKZYx0mgMA

11、Spare5
创建时间:2014年

总部位于:Seattle

融资情况:1325万美元,包含A轮1000万的融资,由Foundry Group、New Enterprise Associates与Madrona Venture Group领投。

专注领域:一款iPhone应用,让企业找到愿意用业余时间通过清理大数据赚点小钱的智能手机用户(或称“Fives”)。他们的想法是,单独的计算能力不能指望大数据分析。应用会发放各种小任务给手机用户:从整理SEO所需的图片标签,到进行用户调查。

1481450272-9800-TlerLCr9071feubzhkI5xNCQiaKw

12、Treasure Data
创建时间:2011年

总部位于:Mountain View

融资情况:2300万美元,包括B轮1500万的融资——1月由Scale Venture Partners领投。

专注领域:提供简化收集、存储与分析数据的云服务,数据来源包括移动应用、物联网设备、云应用或其他信息来源。根据该公司的说法,这个Hadoop的替代平台与服务每年处理的事件多达22万亿,该公司除了硅谷总部外在日本和韩国也设有分部。

1481450272-3585-PIoVDSCVYicWEbSCn5lJxgGibkmg

13、Looker
创建时间:2012年

总部位于:Santa Cruz

融资情况:4800万美元,包括B轮3000万美元的融资,三月由 Meritech领投。

专注领域:基于网络的商业智能平台,提供对数据库或云数据的访问。公司开创了一种名为LookML的建模语言,通过该语言分析师可以创建接口,让终端用户用在dashboard中,或者用来深入挖掘分析数据。公司的创始人兼CTO Lloyd Tabb曾是网景公司的首席工程师,从事过浏览器与通讯工具的研发工作。观察者声称Etsy、Uber及雅虎都是其客户。

1481450273-6900-zhCPRgDEklzc8UEpfYE4QYjnA0Qg

]]>
谷歌分析工具是如何毁了市场营销的?
//www.otias-ub.com/archives/507613.html Tue, 16 Aug 2016 14:03:22 +0000 //www.otias-ub.com/?p=507613 美国Tech Crunch博主、营销专家塞缪尔·斯科特(Samuel Scott)8月7日撰文,指出Google Analytics(谷歌分析)工具误导网络营销从业者,并分析Google Analytics误导网络营销的具体方式。

以下为文章全文:

那些生活在高科技世界里,并把“社会化媒体营销”、“Facebook营销”以及“内容营销”这种词语挂在嘴边的营销人员,其实并不真正地理解营销策略、营销渠道与营销内容之间的基本区别。而Google Analytics(谷歌分析)工具就是应当为此负责的罪魁祸首。

自Google Analytics于2005年11月发布问世以来,已有十余年之久,如今有太多的技术营销者忽视了策略与渠道之间的区别。他们热衷于利润比传统渠道还低的数字渠道,还认为投资回报率就是直接衡量收益的唯一有效工具。

然而并非如此。

从来没有过 “电视营销”的说法

试想这是在上个世纪90年代,我打算试着与某些看《老友记》(Friends) 的电视观众产生联结,那么根据当时传统推销组合的五种策略,有三种可供我选择:

1、广告投放

2、公开宣传(以产品植入的方式)

3、直接营销(以直接反应的广告宣传片形式)

我可以在《老友记》播出一集的期间插播一则广告;也可以付钱给NBC(美国全国广播公司),包下剧中的咖啡店来举办一场活动,在某一集给我的产品来个特写;我还可以请《老友记》的演员出演我的广告宣传片,在某一集播出之后立马投放这一则广告。诸如此类的方法还有不少。

但如今上述的几条没有一条能称得上是“电视营销”,因为“电视营销”算不上是一种“行为”。“电视”是一种营销渠道,而非一种营销策略。倘若我选择在电视上投放广告,那么“广告投放”就是策略,广告本身是内容,“电视”就是我传送这则广告的渠道。

同样地,“Facebook营销”、“社会化媒体营销”与“内容营销”都不是“行为”。“Facebook”是一个营销渠道,“社会化媒体”是一种营销渠道的集合,“内容”是一种战略而非策略。“内容”是策略执行过程中的产物,如广告投放、SEO(搜索引擎优化)与公开宣传。接下来列出两个例子。

如果一个技术营销人员拍摄了一段录像视频,并把它通过Facebook散播出去,那么他的行为中包含了这些部分:

1、策略=广告投放(传统营销组合中的一种)

2、内容=录像视频本身

3、渠道=Facebook

如果某个人撰写了一则文字材料,希望在谷歌搜索结果中排名靠前,那么他的行为包含了这些部分:

1、策略=SEO(这一策略或许需要添加到新兴营销组合的涵义中)

2、内容=发布的博文

3、渠道=公司博客/谷歌搜索结果

这一点有何重要性呢?因为我们所使用的这些措辞折射出我们对自己的营销方式构成的臆断,而不妥当的臆断充其量只会引导出不妥当的营销方式,最坏的情况莫过于制造垃圾邮件。这就是我所相信的,马克·里特森近期发布在《市场营销周刊》(Marketing Week)个人专栏的文章引起了诸多争议,他认为市场营销人员需要配备真正意义上的营销资质。

毕竟,有太多的线上营销人员并不了解基本的规则,比如我至此提到过的那几种,——我想这大概就是里特森想表达的意思。正是Google Analytics的引入才导致人们形成今天这些糟糕的“想当然”的观念,还有“电视营销”这种不恰当的措辞。

传统营销分析板块

营销活动常常涉及到撰写文字信息、将信息插入一则内容以及通过某个渠道将这则内容传送给某个受众群体。

如我之前在反响热烈的科技博客TechCrunch专栏中探讨的那样,科技社会中有过多的营销人员并不理解基本的市场术语和实施方法,整个营销过程都不会脱离营销组合(“营销(promotion)”是产品营销的4P战略中的一种)的五个“板块”策略框架:直接营销、广告投放、促销、个人销售与公开宣传。

在市场分析软件公司Moz的网站上指导整合传统与线上营销的漫长过程中,我描述了每一个“板块”的利弊以及最佳实施方法:

1471356130-3536-1470992414589

当营销人员为策划活动进行头脑风暴的时候,他们通常按顺序提出以下问题:

1、 我们的受众与目标分别是什么?

2、 对受众来说,他们最想看到的信息是什么?

3、 根据我们的目标,营销组合之中的哪些策略(包括广告投放、直接营销、促销、直接销售与公开宣传)是我们应当采用以传达信息的?

4、 最适用于这种策略以联结上受众的线上与/或线下渠道有哪些?

5、 我们应当创造什么样的营销宣传品和创意并基于以上四个问题的答案进行传播?

6、 基于使用与营销组合内的每一种策略相关的评估方法,我们如何评估营销结果?

策略、文字信息与营销宣传品比渠道更重要。

在此提供一个公开宣传的例子以作参考,设想有人使用了我在Moz网站上指导公开宣传的文章提及的战略,邀请了一名《纽约时报》的记者来报道他的公司。撰写完成的文章将出现在报纸上、网站上以及亚马逊Kindle上。文章将通过社会化媒体四处传播,被分享在网络论坛和新闻聚合站,等等。这就是为什么事实上并不存在“数据公关”这样的东西,一直就只有“公关”而已。最佳的公开宣传实施方法是让相关文章报道始终如一,不论这些报道会发布在怎样的渠道上。

再说说直接营销的例子,比方说有人撰写了一篇广告文案以形成直接反馈导向,同一篇文案在各种平台的投放通常会带来相似的投放效果,包括直邮、电邮、Facebook广告与谷歌关键词广告,因为浏览这些平台的受众,即人类的本质是不会改变的——虽然这种效果也受制于各平台具体的格式类型。

并没有所谓的“数字营销”和“传统营销”之分,只有营销——看看坎贝尔汤业集团就知道了,这个公司将所有的线下与线上职能都统合在了CMO(首席营销官)这一个职务下了。

Google Analytics工具改变了营销组合板块

网站技术调查公司W3TECHS的数据显示,谷歌工具占领了全部网站中的55%,还占领了83%的流量分析工具市场份额。那些网站之中,超过一半的网站将谷歌工具当成它们唯一的市场数据来源。

谷歌改变了营销行业。然而,谷歌工具的引入和普及却促使营销人员改变了他们关注的重点,将他们的注意力从营销策略引向了营销渠道(下图是从我过去担任咨询顾问时的一个老客户那儿拿到的截屏):

1471356129-9340-1470992504778

图中列出的默认渠道包括:自然搜索、直接功能、社交功能、引荐网址、付费搜索、电子邮件、(其它)、展示传统营销基于策略来分配传统营销组合之中的活动环节:直接营销、广告投放、个人推销、促销和公开宣传。Google Analytics工具则以全新的功能替代了这些“板块”:直接功能、自然搜索、社交功能、引荐网址、付费搜索、电子邮件与展示。

然而,这种观念的转变却将营销人员引向了不当的营销方式,因为几乎每一种策略都能通过任意一种渠道来实现,——何况,是策略而非渠道让最佳实施方法与投放效果产生了联系。

以“社会化媒体营销”为例,这个既模糊又无用的说法特指了某些渠道,却与任何具体的策略没有关系:

1、直接营销活动(被非常不准确地称呼为“广告投放活动”)从社会化媒体上某个特定的群体获取直接反馈,基于他们的人口特征以及他们的“口味”;

2、广告投放活动以某个具备曝光度的赞助商的名义,将付费的媒体内容发布在社会化媒体上,供广大受众浏览;

3、公开宣传活动通过获取或设立社会化媒体传播信息来实现社会曝光;

4、个人推销活动要求推销员通过社会化媒体联系潜在客户与主要受众;

5、促销活动在社会化媒体上到处发放优惠券、折扣券和优惠码以带动即时销售效应。

这五种营销行为中的每一种都可以被定义为“社交媒体营销”——但是,当一个专有名词的语义涵盖了所有事物,那么它其实空空如也,什么语义也不存在。在整体营销计划中,五种传统策略都拥有最佳实施方法,使用它们的最佳时机与最佳地点——以及最值得注意的使用禁忌。

“提问‘社会化媒体的投资回报率是什么’比‘电话机的投资回报率是什么’来得更加有意义。”

由于不使用也不清楚营销行业为了某些明确原因而使用的传统术语,营销人员只不过是在给自己和他们的活动制造损失罢了。

打个比方,就“社会功能”板块而言,假设现在某个人盯着Google Analytics工具,浏览分析结果的时候,他几乎不可能清晰地知道这些策略与活动的投放分别带来哪些效应与结果。同样地,这一点对出现在线上营销工具的几乎所有的板块来说,都是确实存在的。策略活动比传播渠道更加重要。渠道仅仅支配着营销宣传品的形态与营销内容,而这些都是整个策略活动中某个人创造出来的一部分。

提问“社会化媒体的投资回报率是什么”比“电话机的投资回报率是什么”来得更加有意义。是活动创造了投资回报率,而非渠道。但在Google Analytics工具以及任何其它营销平台将“社会化媒体”与其它渠道定义为各种“板块”后,它们随之就成了所谓的营销策略,自此人们就混淆了策略与渠道。

Google Analytics工具带来的积极作用是,我们可以掌握哪些渠道的投放效果最佳,而消极作用是,对于在那些渠道之中投放哪些具体详细的、整体性的策略和活动才能带来最佳效应,我们却所知甚少。

Google Analytics让所有人聚焦线上

Google Analytics不仅让营销人员陷入困惑之中,难以分辨策略与渠道之间的差异,同时也导致我们的行业以牺牲线下渠道为代价,不断地将目光聚焦数字渠道。

当然,Google Analytics可以成为一个非常有用的工具。由于基本版是免费的,无数科技创业公司使用这个平台。但这个平台的功能存在局限性,只能追踪线上渠道。例如,如果用户分析一则电视广告,分析结果中不会出现可直接与这则广告联系在一起的任何信息。

因此,人们现在对使用线上渠道存在一种下意识偏见,就像科技界的其他所有人一样。根据互联网广告局的统计数据,英国的数字广告开支从2003年的大约5亿英镑增至2014年的72亿英镑。我们对Google Analytics的依赖度越高,就会在更大程度上采用易于被Google Analytics追踪的营销策略,例如AdWords直接营销,而不是那些不易被追踪的策略。下文中,我会进行解释。

愤世嫉俗的人可能认为谷歌自始至终就有这种意图。毕竟,我们花在线上的时间越多——尤其是在通勤用的自驾驶汽车出现之后——这个搜索巨头的收入就越高。

但正如米奇·乔尔在推文中指出的那样,优先考虑线上渠道往往会给品牌推广带来负面效应,同时还会以牺牲营销质量为代价。乔尔的推文中说:“不过是租了次车,现在我所见之处就全是那个公司的广告了,到处都是。呸,这就是广告拦截器推广使用的原因。——米奇·乔尔(@mitchjoel)2016年4月14日。”

“广告非常人”(The Ad Contrarian)的博主鲍勃·霍夫曼曾这样描述这个行业:“线上营销并不拥有麦德逊大道的美学血统,而是像垃圾邮件直复营销那样俗不可耐,令人厌恶。”

无论选择什么渠道,直效营销都是最令人厌烦的营销方式。它使用垃圾邮件或者自动发送的垃圾邮件,目的是“培育消费者”,但这种方式让网民深恶痛绝。此外,直效营销还影响网民的社交网站使用体验。就在网民打算与家人和好友联系时,广告蹦出来,让人好不郁闷。网上冲浪时,相同的直效营销广告就像鬼魅一样跟随着你。

所谓的“自动营销平台”的崛起让很多人陷入兴奋之中,但人们应当意识到所有这些平台做的不过是发送和再次发送基于预先确定的时间表和工作流的直复营销材料。这种方式根本毫无创意可言,而创意恰恰是品牌塑造和产品销售的关键所在。

人们容忍线下广告和宣传活动,甚至会推崇那些鲜有的创意营销活动并牢记于心。但人们痛恨线上广告——直效营销基本上就是线上营销,只不过换了一个名字罢了——并且尽可能加以拦截。

由于借助富有侵略性的侵入式平台,促使人们选择拦截所有广告,致使线上广告业走向慢性自杀。

直接回报率最易测算

直效营销可能是最令人厌烦的营销方式,但这种方式的直接投资回报率最容易测算。下面,我举一个非常基本的假设例子:

我给1万个人发送目录/电邮/Facebook广告的成本是5000美元,直接带来100名新客户,他们的终生营收贡献可达到1.2万美元。

这种直复线上营销的效果很容易使用Google Analytics得出和浏览,但如果采用其他营销策略,结果将混乱不堪。

为了说明这一点,我以本公司的高科技营销活动举例。我是营销活动的演讲人,在内容营销大师(Content Marketing Masters)和MozCon等营销大会上发表演讲。在科技大会上,我的公司主管频繁讨论开源ELK Stack。

对于这些特定的营销活动,Google Analytics很难给出精确结果:

1、如果有人看到我们并将我们的品牌名称输入一个搜索引擎,这种访问会纳入Google Analytics的“自然搜索”(Organic Search)。

2、如果有人看到我们并将我们的品牌名称输入一个网络浏览器或者拿到我们的宣传册,一周后在5000英里(约合8050公里)以外的城市直接访问我们的网站,这种访问会显示为“直接”(Direct)。

3、如果有人看到我们,进行搜索并访问我们的Facebook页面,而后再访问我们的网站,这种访问被归入“社交媒体”(Social Media)。

4、如果一名记者在一场会议上与我们见面,而后撰写一篇有关我们的文章,这种流量被归入“推荐”(Referral)。

这有何意义呢?在很多情况下,使用Google Analytics不可能确定一场给定的宣传活动的具体效果。

Google Analytics等营销分析平台的缺陷在于,它们追踪流量源,但并不追踪流量产生的原因。在我的会议中,我们有4个来自同一营销活动的不同流量源。Google Analytics如何量化这一营销策略的效果?

如果有软件能够分离我们网站的直接、自然搜索、社交媒体和推荐流量,帮助我们了解这场营销会议或者其他任何营销策略的效果,我会立即够买这种平台。

典型的Google Analytics数据还存在其他很多问题。为了控制篇幅,我只给出相关链接,帮助读者了解有关这些问题的进一步信息:

1、玛吉·马莱克在科技博客网站Search Engine Land讨论“暗搜索”和“暗社交”流量。

2、Annielytics网站的安妮·库辛介绍如何通过创建自定义分组,来解决部分问题。

很多营销人员将Google Analytics数据视为数字圣杯,因为Google Analytics的应用程序界面被用于其他很多营销平台,相同的误导性“板块”也被用于其他网络分析软件。

过度关注直复指标

不管是对是错,创业公司都非常重视直复指标。这种指标在Google Analytics触发的“目标”和“事件”中显示。

前科技记者和电视剧集《硅谷》编剧丹·里昂在回忆录《破坏》(Disrupted)中描述他所在的营销软件公司HubSpot遭遇的不幸。书中,他这样描述他们的博客营销策略(74-75页):

“HubSpot前首席营销官的目标是获得潜在客户。如果我们的软件分析显示发布一篇不断重复“臭狗屎”这一粗口的博文的转化率最高,前首席营销官便会发这篇博文。”

我意识到大量炮制无价值内容似乎可带来一种合理的商业模式。这与雇请前《新闻周刊》科技编辑为你写文章完全是两回事。

当创业公司和其他公司利用直复指标——例如Google Analytics显示的直接销售、潜在客户或者下载量——作为首要或者唯一的成功指标时,这个问题就会出现。

以博客为例,博客已成为很多公司的重要沟通渠道之一,将营销和沟通策略整合需要让品牌推广和公关活动融入到这些策略。在里昂的例子中,一篇重复“臭狗屎”的博文可能产生最多潜在客户,但对公关和品牌推广却是一场灾难,而这些指标并不出现在Google Analytics中。

仅仅关注Google Analytics指标往往导致创业公司发布非信息性宣传材料,过度利用所谓的“点击诱饵”。点击诱饵可能产生更多流量,但在推广品牌方面效果甚微,同时还会带来其他负面影响。

对于将线上广告作为主要商业模式的网站来说——例如新闻网站——网页浏览量无疑是一个有用的指标,因为每一次浏览都会向服务器发出广告请求,提高广告曝光量。但对于一家将拥有更多客户作为目标的公司,点击诱饵虽然产生很多流量,但最终的转化率较低。

整合线上线下渠道

我曾在文章中指出营销人员和传播人员如何在一个充满无数可用的传统和数字渠道的世界开展工作。下面的流程图概述了我的流程:

1471356130-3207-1470992654139

我的总体理论是:细化目标人群,创建人物角色。敲定营销的4个要素——推广、产品、价格和地点(4P)。制定分配给混合营销战略(Promotion Mix)每部分权重的整体策略。选择最佳线上和线下渠道。制作市场宣传材料并让它们触及受众。测算效果。

但问题是,线上营销人员往往只吃自己的安利,忽视了传统渠道,同时又夸大现代渠道的效用。(我甚至没将业内的所有虚假线上广告算在内。)

还记得奥利奥的著名超级碗推文吗?里特森统计了所有数据并进行计算,结果发现只有不到1%的奥利奥目标市场看到了这条推文。这个例子证明社交媒体营销的效果不过如此。在来自霍夫曼的另一个例子中,百事可乐在将营销预算从电视转移到社交媒体之后失去了大量市场份额,足以跌落到第三位。

里特森指出答案并不总是社交媒体,霍夫曼更是直言社交媒体只是现代营销手段的一部分。但社交媒体顾问公司和代理商一直在说“社交媒体就是答案”,因为他们就是吃这碗饭的。数字视频平台也一再声称“电视正在走向死亡”,因为他们的成功就依赖于此,但电视从没有像今天这么受欢迎。

很少有人花时间进行研究,探寻事情的真相,只知道拾人牙慧,反刍数字营销回音室传出的东西。绝大多数人都在叫卖。广告顾问或者搜索引擎优化公司一再声称广告或搜索引擎优化是“一切问题的解决方案”。

兼容并蓄 双管齐下

作为一名内部营销人员,我拥有一项奢侈的待遇,不被强迫推崇一种给定的营销策略或者渠道。在我的职业生涯中,我没有任何偏见,竭尽所能推广我们的品牌和获取更多用户。绝大多数顾问公司和代理商只选择特定战略战术和渠道,因为他们的经验和专业知识比较单一。

我的第一份职业是记者,这同样也让我感到荣幸,可以运用过去的经验和技能,用批判和中立的眼光看待高科技营销行业,而后在TechCrunch和Moz的专栏分享我的想法。

在使用Google Analytics的商业网站中,有超过一半将Google Analytics作为唯一的营销分析工具。他们最终会发现自己的选择非常有限,将存在缺陷的指标用于错误的营销策略。

如果让自己局限于单一软件平台,不管是Google Analytics还是其他任何软件,这种情况便会出现。他们的整个世界观和业务流程都围绕这个平台展开,尽管存在局限性、缺陷和错误假设。

整个营销界都尝试回答这样一个存在缺陷的问题——我应该在我的网站上刊登怎样的内容才能获得最大流量和最多潜在客户?而实际上,他们真正要问的问题是:“在互联网还没有出现的时候,你是如何进行营销的?找到这个问题的答案同样有助于你开展线上营销。——塞缪尔·斯科特(@samueljscott)2015年8月25日。”

]]>
巧用心理学,高效优化网站转化率
//www.otias-ub.com/archives/464884.html Thu, 21 Apr 2016 16:18:18 +0000 //www.otias-ub.com/?p=464884

  想必你曾听说过心理学对优化网站转化率的作用,或许你深信不疑,或许你嗤之以鼻。在老外眼中,心理学和CMO(首席营销官)在很多方面都有共同点。一名优秀的CMO应当善于将心理学研究成果运用到营销工作中。可惜的是,大多数CMO止步于此。他们一方面知道心理学和CMO是绝配,两者相加能产生奇妙的化学反应,带来无限可能;另一方面在日常实施这些想法时,却又未能做出任何转变。其实,大多数CMO希望找到的是诀窍、技巧、策略、方法和过程,而不只是一些随机、盲目、对照式的交叉研究。他们的想法是:拜托,请直接给我们诀窍和技巧好吗!所以,这也是我们提供这篇文章的原因。我打算在这篇文章里告诉大家为什么心理学对CMO至关重要,以及如何通过心理学的力量,迅速实现对转化率的优化。接下来,就请跟我一起来解密奇妙的心理学吧!

为什么在优化转化率时,心理学意义重大?

问题一:心理学背后的价值究竟是什么?难道CMO不应该只关注A/B测试、测试结果、变量、分析和网站优化吗?当然可以,不过如果你想成为转化率优化高手,就必须要迈入心理学的大门。以下是这样做的原因。想要了解心理学对CMO的影响力,最有成效的方法是思考:CMO的目标是什么?企业开展营销的终极目的是帮助消费者做决策。比如,刺激他们购买——这就是付费转化。当然,在很多时候,一些初步策略性目标可能仅会涉及到如“订阅”或“免费下载”这样的决策。即便如此,CMO的最终目标是将用户带到决策前,并帮助他们做出决定。(如下图)

1461255406-7576-4ee06abb4cb593934106bfa53646

既然目标是做决策,那么作为CMO,我们必须清楚如何让用户做决策!这就是心理学的范畴啦!为什么?因为心理学就是和做决策有关。每个转化都反映了做决策的心理现象。

1461255406-7214-4935a43ab97f8fbe56c250ecb-th

为了最大程度优化这些决策,我们首先需要了解人类大脑是如何做决策的。我们需要了解心理学在决策方面的作用,来提高转化率,心理学的一个分支可以作为理论依据,该分支叫影响力心理学,又叫说服心理学。说服心理学是指“传播者试图通过在自由选择的氛围中传递信息,并以此说服他人改变对于某一问题的态度或行为”。这里的“信息”指的是我们整个网站内容,包括标题、CTA、颜色、布局和其他所有影响转化率的元素。

1461255406-7078-299684ae392b4c8ae8cd2931a-th

如果我们知道如何更好地说服别人,就能成为更优秀的CMO,就是这么简单。很多CMO将罗伯特·西奥迪尼(Robert Cialdini)写的《影响力》(Influence: The Psychology of Persuasion)这本书奉若经典。

1461255406-4643-92dc64882a5e04d2e02a24bb2-th

虽然西奥迪尼并非专门为CMO编写的这本书,但是它确实成为一些营销人员的转化率优化指南,而这些人都非常清楚心理学的威力。

心理学会告诉你,你的用户正在想什么、正在感受什么。

用户的想法(动机)和感受(情感)是决策的核心。事实上,你所做的任何决策都离不开你自身的情感。现在我们来看看人们在做决策时,大脑是如何运作的吧。在这过程中,理性因素和情感因素同时发挥了作用。(如下图)

1461255406-2703-e31c54030b11a2dff32d56253-th

即便你标榜自己是一个“完全理性”的人,在做决策时也难逃情感的间接影响。

1461255406-8729-2655306b4790bc0156e9304be766

这就是心理学厉害之处。它不仅会告诉你用户当前感受到的情绪如何,还能告诉你,这些情绪会对他们的决策产生何种影响。

心理学助你开发一套适用CMO的体系,无需耗时进行初步测试。

说服心理学最能明显体现心理学对转化率的影响。不过,心理学的另一个分支对转化优化的影响甚至更大。那就是启发式心理学。该分支并不广为人知,可能是因为启发式教学法这一说法听起来比较无趣,念起来也没那么朗朗上口,看上去一点都不酷。但是,它的重要性毋庸置疑。接下来我将展示它如何作用于转化率优化。启发式心理学是我们自己建立的思维规则,主要帮助我们在更短时间获得更大成果。以下几个方法可以帮助你更简单地理解启发式心理学为何物:

1461255407-2447-8d8514e6f9ad77c7adaceff43-th

看到这里,你可能不禁要问,这与转化率优化有什么关系呢?其实,当你打算创建一个着陆页的时候,你会遵循一系列规则。这些规则可能无法用文字逐条列出,但是你根据经验可知,需要有标题、图片、重点、CTA等。你是如何得知所有这些内容的呢?答案就是:启发式心理学。启发式心理学能为你建立一套独特的方法,能让你在优化网页时,决策过程大大精简。如果让你从第一步开始思考着陆页优化,你能想象那将是怎样的过程吗?首先你必须要决定是否用文本,还要考虑标题、图片,以及用文本CTA还是图形CTA……有成千上万的小决策需要你来决定。而启发式心理学能让你在顷刻之间快速做出所有决策,速度之快超出你的想象。当你的启发式心理学变得越发精准、日益具体和更富有经验,你也会在成为优秀转化率优化人员的道路上愈行愈远。一些著名的CMO分享了自己的启发式教学法。他们建立了一套已经定义好的公式,帮助他人实现网站优化。C=4m+3v+2(i-f)-2a其中:C=转化可能性m=用户动机(时间)v=明确价值定位(原因)i=行动激励(CTA)f=过程的摩擦因素a=输入信息的焦虑这种启发式心理学的影响力从何而来?当然,从心理学而来。

心理学主要关注用户,这是转化率优化的核心

为什么心理学是转化率优化的终极杀手锏?因为关注客户是重中之重!你应当做到:①理解他们。②与他们交流。③让他们满意。④激发他们的兴趣。⑤克服他们的偏见。⑥凭直觉找到他们的喜好。⑦了解不同颜色对他们的影响。⑧找到最有说服力的网页布局。⑨找到效果最佳的字体。⑩建立一种令人迫不及待的用户体验。· 使用能带来紧迫感的词语。· 找到效果最好的图片。· 找到用户最愿意填写的表单样式。其实,你为转化率优化所做的一切努力,并非要关注转化本身,而是要关注你需要转化的目标人群。

能看明白吗?

1461255407-3525-c1f5d4bb1879332f7faceaa13-th

说到底,你真正应当把握的是,客户心理。

我写这篇文章,并非要揭露客户心理不为人知的一面,而是想强调:转化优化其实是依靠心理学,理解并建立转化体验。总之,如果你妥善运用心理学力量,你将会成为一名成功的CMO。我想说的话已经说完了。不过很显然,我们现在还剩下一个问题。

你该如何运用心理学力量进行转化优化呢?

之前我所说的内容,全部是关于心理学为什么重要。现在我将告诉你,如何运用心理学优化转化率。我到底该如何通过仅仅数百字的文章,就教会你们使用几个世纪以来研究产生的心理学成果呢?那就是,为你们提供一个框架。

把你的用户研究个透。

一切的源头在于,针对你的用户:①了解他们。②研究他们。③和他们交谈。④理解他们。⑤问他们问题。⑥花时间和他们相处。⑦分析他们每一次的点击、暂停、滚动和跳出行为。很多人会习惯直接跳到理解用户的数据分析环节——分析网站跳出率,页面行为,个人信息等。我想告诫各位,千万不要被这种习惯所诱惑。

采访用户

我建议你在进行数据分析之前,开展更深层次的用户研究——找到具有代表性的用户——然后采访他们。

运用消费特征(心理图案法)。

另外,不要仅仅研究客户肖像里的个人资料,而是追踪更深层次和更具动机性的心理统计特征。

1461255407-3566-4831f46d1b37152ccfe986609-th

研究认知偏差。理解用户为什么采取他们认可的行动,对提高转化率会有重大意义。实现这一目标最有力的做法之一是研究用户的认知偏差。这听起来很无趣,但实际上非常引人入胜。尽可能多看多读。如果你想成为转化率优化方面的心理专家,唯一的方法是尽可能获取更多的信息。以下是我推荐的几个主题:①说服心理学②用户体验设计③客户或消费者心理学④认知偏差⑤色彩心理学为了简化这一过程,帮助大家尽快上手,这四篇文章可供参考:①看懂了营销心理学,你才能懂顾客的心思②如何运用色彩心理学来提高网站转化率

③提高销售额的10个心里触发点

④巧借势暧昧心里的“撒娇营销”

练习用“为什么”提问:利用启发式心理学和A/B测试回答问题。

科学家们总是不断问“为什么”。作为一名CMO,你也应当像心理科学家一样思考。除了提问“为什么”,你还应当努力寻找“为什么”的答案。①为什么用户会开始转化呢?②为什么我们要使用图片?③为什么我们要在这个页面使用标题?④为什么这个页面有7个表单字段?⑤为什么这个着陆页面会有表单?⑥为什么用户会填写这个表单呢?为什么,为什么,为什么?你可能会被自己弄得抓狂,但也可能因此获得无价的信息。在深挖这些问题的答案时,你可以通过两个心理学驱动过程进行:A/B测试和启发式心理学。

测试之前先做假设。

心理学的核心是先建立假设,这也是进行A/B测试的关键。无论你在何时建立A/B测试,都需要假设哪组会胜出。如果你不做出假设,那你所有的心理学训练都将付诸东流。

结论

最后,将你得到的结果加以运用。一旦你取得某些心理学研究成果,一定要记得加以运用。心理学和转化率优化息息相关。你越多应用心理学成果,就能越快进行转化率优化、提高,最终获利。其实,心理学并非索然无味的象牙塔研究。它正是我们CMO工作的核心。最后的最后,你能说说你是如何在转化率优化过程中运用心理学的吗?

注:本文内容由九枝兰团队翻译,转载请加上搜狐自媒体号:九枝兰或微信ID:jiuzhilan。对于不署名者,九枝兰将保留追究的权利。

原文作者:Neil Patel

译者:王悦@九枝兰

]]>
数据分析基础内容介绍 — 模型、工具、统计、挖掘与展现
//www.otias-ub.com/archives/417399.html Tue, 15 Dec 2015 14:59:54 +0000 //www.otias-ub.com/?p=417399 1010

1. 数据分析多层模型介绍

这个金字塔图像是数据分析的多层模型,从下往上一共有六层:148

底下第一层称为Data Sources 元数据层。

比如说在生产线上,在生产的数据库里面,各种各样的数据,可能是银行的业务数据,也可能是电信运营商在交换机里面采集下来的数据等等,然后这些生产的数据通过ETL,是英文 Extract-Transform-Load 的缩写,用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)至目的端的过程,通过这个过程,我们可以把需要的数据放到数据仓库里面,那这个数据仓库就是多层模型中的第二层。

数据仓库主要是给我们需要存放的数据提供一个物理基础,我们对数据进行分析,原材料都放在这个数据仓库里面,这几年以来,除了数据仓库这个概念,还兴起了数据集市这个概念,数据集市其实就是部门级的数据仓库,规模比较小一点的数据仓库。

再上面一层是Data Exploration,这层主要做统计分析的事情,比如我们算均值、标准差、方差、排序、求最小\大值、中位数、众数等等,这些统计学比较常用的指标,另外还有些SQL查询语句,总的来说主要是做一些目标比较明确,计算方法比较清楚的事情。

第四层是Data Mining数据挖掘层,数据挖掘与数据分析(统计分析)有什么区别呢,数据分析往往是统计量和算法比较清楚,数据挖掘往往是目标不是很清楚,在实现目标的过程中采用什么方法不能确定,所以数据挖掘比数据分析难度要高很多。

第五层是数据展现层,把数据分析和数据挖掘得出来的结果通过数据展现层的图表、报表把他展现出来,也可以称为数据可视化。

最后把这些图表、报表交给决策者,以这个为基础做一些决策。

2. 数据分析工具简介

常用的数据分析工具,包括一些厂商的数据库产品,包括IBM的DB2、甲骨文的Oracle数据库。这些厂商的数据库本身带有一些统计分析的包,里面有些标准的功能可以做数据分析工作,但用这些自带的数据分析工具功能相对不够专业。主要反映在缺乏标准的统计函数,比如做一个线性回归模型,需要写一大堆SQL语句,甚至要写一个plsql程序才能完成。但是在专业的统计软件只需要写一个简单的函数就可以完成。

227

目前最主流的统计软件有R、SAS、SPSS,R是一个免费的开源软件。

SAS大概是历史最悠久的统计软件,是一个商业软件,在60年代就诞生,在70年代以后逐渐商业化,发展到现在SAS已经成为国际标准。

SPSS也是一个历史悠久的统计软件,SPSS一开始是一个仿真软件,后来演变成一个统计软件,目前已经发展成为一个数据挖掘软件,目前被IBM收购,变成IBM旗下的一个产品,在社会学研究院领域有很多的应用。

其他的还有一些软件,比如说水晶报表(Crystal Reports),在做BI和报表非常擅长,另外如UCINET也是在社会学比较常用的软件,它可以画群体的网络图,社交关系图非常擅长。

3. 常用统计方法

使用统计方法,有目的地对收集到的数据进行分析处理,并且解读分析结果:

417

常用算法

515

4. 数据挖掘

数据挖掘是以查找隐藏在数据中的信息为目标的技术,是应用算法从大型数据库中提取知识的过程,这些算法确定信息项之间的隐性关联,并且向用户显示这些关联。

数据挖掘思想来源:假设检验,模式识别,人工智能,机器学习

常见数据挖掘任务:关联分析,聚类分析,孤立点分析等等

例:啤酒与尿布的故事

5. 展现层:报表与图形

展现层在数据分析中是一个很重要的组成部分,在大家的心目中数据分析软件只是读数据和算数据,结果算出来就OK了。但其实结果算出来以后对于数据分析还远没有结束,还需要把结果展现出来,有些时候可能结果的展现比计算花的时间还要多。

下图是一个比较老土的报表。

616

如果那这种报表给老板看,那体验效果肯定很差,其实人的特点对数字的感觉不敏感,如果你那一大堆数字组成的报表给老板看,老板肯定不是很高兴。

人对图形会比较敏感,所以在统计学里面通常有比较标准的图,如饼图、柱形图(垂直和水平)、虚线图、水泡图、鱼骨图、箱线图等等。

715

下面是一张在地图上展现数据的展现形式

813

下图是关于使用安卓手机的数据展现

912

根据信息图显示,Android先生的头发有47%的可能是黑色的,戴眼镜的几率为37%,有36%的可能是北美人,30%的可能脸上长雀斑。71%的时 间会穿T恤,下身穿牛仔裤的时间占了62%。工作只占了38%,玩游戏却占了62%,平均每个月会用掉582MB的数据流量。这种图称为信息图,在数据分析这个行业里面,是数据展现工作的主要组成部分。

 

]]>
10款值得收藏的网站数据实时分析工具
//www.otias-ub.com/archives/411027.html Sat, 28 Nov 2015 12:38:26 +0000 //www.otias-ub.com/?p=411027 网络分析工具可以帮助你收集、预估和分析网站的访问记录,对于网站优化、市场研究来说,是个非常实用的工具。

每一个网站开发者和所有者,想知道他的网站的完整的状态和访问信息,目前互联网中有很多分析工具,本文选取了10款最好的分析工具,可以为你提供实时访问数据。
1. Google Analytics

这是一个使用最广泛的访问统计分析工具,几周前,Google Analytics推出了一项新功能,可以提供实时报告。你可以看到你的网站中目前在线的访客数量,了解他们观看了哪些网页、他们通过哪个网站链接到你的网站、来自哪个国家等等。

1A2005R1-0

2. Clicky

与Google Analytics这种庞大的分析系统相比,Clicky相对比较简易,它在控制面板上描供了一系列统计数据,包括最近三天的访问量、最高的20个链接来源及最高20个关键字,虽说数据种类不多,但可直观的反映出当前站点的访问情况,而且UI也比较简洁清新。

1A2004341-1

3. Woopra

Woopra将实时统计带到了另一个层次,它能实时直播网站的访问数据,你甚至可以使用Woopra Chat部件与用户聊天。它还拥有先进的通知功能,可让你建立各类通知,如电子邮件、声音、弹出框等。

1A2003624-2

4. Chartbeat

这是针对新闻出版和其他类型网站的实时分析工具。针对电子商务网站的专业分析功能即将推出。它可以让你查看访问者如何与你的网站进行互动,这可以帮助你改善你的网站。

1A2002A6-3

5. GoSquared

它提供了所有常用的分析功能,并且还可以让你查看特定访客的数据。它集成了Olark,可以让你与访客进行聊天。

1A20020A-4

6. Mixpanel

该工具可以让你查看访客数据,并分析趋势,以及比较几天内的变化情况。

1A2005W3-5

7. Reinvigorate

它提供了所有常用的实时分析功能,可以让你直观地了解访客点击了哪些地方。你甚至可以查看注册用户的名称标签,这样你就可以跟踪他们对网站的使用情况了。

1A2003955-6

8. Piwik

这是一个开源的实时分析工具,你可以轻松下载并安装在自己的服务器上。

1A2004T1-7

9. ShinyStat

该网站提供了四种产品,其中包括一个有限制的免费分析产品,可用于个人和非营利网站。企业版拥有搜索引擎排名检测,可以帮助你跟踪和改善网站的排名。

1A2002a3-8

10. FoxMetrics

该工具提供了实时分析功能,基于事件和特征的概念,你还可以设置自定义事件。它可以收集与事件和特征匹配的数据,然后为你提供报告,这将有助于改善你的网站。

1A200O58-9

199IT大数据导航,汇集1000多款与数据相关的工具(http://hao.199it.com/ ),欢迎分享收藏!

]]>
如何通过统计分析工具做好APP的数据分析和运营
//www.otias-ub.com/archives/407481.html Fri, 20 Nov 2015 00:40:02 +0000 //www.otias-ub.com/?p=407481 数据分析,对于开发者和运营者都是十分重要的,漂亮的数据分析可以帮助在关键节点上线并推广应用,从而获得最大的利润。那么,该如何通过统计分析工具做好APP的数据分析和运营呢?

1 行业数据

51619433_1

行业数据对于一个APP来说,至关重要。了解行业数据,可以知道自己的APP在整个行业的水平,可以从新增用户、活跃用户、启动次数、使用时长等多个维度去对比自己产品与行业平均水平的差异以及自己产品的对应的指标在整个行业的排名,从而知道自己产品的不足之处。这种纵向的对比,会让自己的产品定位、发展方向更加清晰。

2评估渠道效果

51619433_2

在国内,获取用户的渠道是非常多的,如微博、微信、运营商商店、操作系统商店、应用商店、手机厂商预装、CPA广告、交叉推广、限时免费等等。看一个APP的数据,首先要知道用户从哪里来,哪里的用户质量最高,这样开发者就会面临一个选择和评估渠道的难问题。但是通过统计分析工具,开发者可以从多个维度的数据来对比不同渠道的效果,比如从新增用户、活跃用户、次日留存率、单次使用时长等角度对比不同来源的用户,这样就可以根据数据找到最适合自身的渠道,从而获得最好的推广效果。

3 用户分析

51619433_3

产品吸引到用户下载和使用之后,首先要知道的就是用户是谁。所以,我们需要详尽地了解到用户的设备终端类型、网络及运营商、地域的分布特征。这些数据可以帮助了解用户的属性,在产品改进以及产品推广中,就可以充分利用这些数据制定精准的策略。

 4 用户行为分析

51619433_4

在关注完用户的属性后,我们还要高度关注用户在应用内的行为,因为这些行为最终决定着产品所能够带来的价值。开发者可以通过设置自定义事件以及漏斗来关注应用内每一步的转化率,以及转化率对收入水平的影响。通过分析事件和漏斗数据,可以针对性的优化转化率低的步骤,切实提高整体转化水平。

5 产品受欢迎程度

在了解了用户的行为之后,我们应该看一下自己的产品是否足够受欢迎,这是一个应用保持生命力的根本。开发者可以从留存用户、用户参与度(使用时长、使用频率、访问页面、使用间隔)等维度评价用户粘度。进行数据对比分析的时候,要充分利用时间控件和渠道控件,可以对比不同时段不同渠道的用户粘度,了解运营推广手段对不同渠道的效果。

如果以上5点的数据都很漂亮,说明你的APP已经做得相当不错了。当然,如果你的APP还没有给你带来收入,那么你仍然有一段较长的路要走。

]]>
互联网人群画像和你所不知道的真相
//www.otias-ub.com/archives/387231.html Mon, 21 Sep 2015 10:24:09 +0000 //www.otias-ub.com/?p=387231

profiling-people

作为新时代互联网营销的关键部分,人群画像引起了诸多兴趣,近年颇为风靡。几乎所有的互联网广告供应商都不约而同的强调,他们有足够精确的人群画像数据,确保能够找到广告主真正的受众。但是事情果真如此吗?人群画像是否是一劳永逸的解决方案?本文尝试解答这些问题。

作者:宋星(网站分析在中国创始人,WAW中国创始人)

如果抛开所有灰色的因素,广告追求的唯一效果应该就是找到对的人。作为广告三要素(广告位置、创意、受众)中唯一不能事先确定的要素,人(即受众)变幻莫测,让无数广告人茶饭不香,彻夜难眠。

我们用尽一切手段找到对的人,例如,电视广告的露出非常讲究不同频道、节目和时点对于人群的覆盖;楼宇广告与楼盘和地理位置相关联,以便厘清不同人群的购买力;杂志上的广告则跟杂志对应的行业主题紧紧相连。这是不需要解释的逻辑。但是到了互联网上,这个逻辑面临挑战,因为互联网这个虚拟的世界与现实世界相比,实在是大大不同。

这个不同在于,与传统世界相比,互联网是一个更能够“监视”每一个人的地方。每一个人,他在互联网(无论是桌面还是移动端)上的很多痕迹都会被各种或明或暗的机构或个人记录存储,然后被用于各种其他的目的。这些痕迹是什么?后面会仔细介绍。

这些目的中最重要的之一是用于广告,既然我们能够监视个体,理论上我们就能知道他(或她)是谁,然后判断他是不是“对的人”,如果是,我们就会在他下一次出现在网络世界中的时候,让我们的广告出现在他眼前,或是直接“骚扰”他。这种方法的效果比传统广告投放的效果肯定会好太多。TV-audience

因此,互联网上的广告投放可以脱离于广告载体本身,而直接针对每一个具体的人。传统广告,是先考虑广告载体(电视频道或节目、杂志内容、地址或楼盘等)来反推受众大概是什么类型的人,然后放一个大家看到的都一模一样的广告(而且载体的物理条件也已经限制了,不可能让每个人看到的广告不一样);互联网广告则完全可以通过你在互联网上的多种痕迹知道你是什么样的人,广告的内容和创意可以根据你的具体情况来进行安排,而不需要根据网站上的内容(或在手机APP的类型)来放一个所有来这个网站的人都看到的一模一样的广告。

这个逻辑简单而诱人,而且已经几乎是彻底的改变了互联网广告的版图。如果你足够细心,你会发现现在互联网上很多广告跟你在网上的某些行为发生了关联,例如你浏览了某宝商品之后,会发现很多页面都有类似商品的广告出现了。几乎所有的传统互联网广告公司都将自己拥有准确的人群定向能力作为卖点,以强化人们对其效果的信心。基于互联网网民个人信息识别进行针对性广告投放的专门公司也突然激增,到2015年有近百家出现。专门“监视”并且描绘互联网每个个人的第三方公司也开始出现,2015年也超过十家,且增速迅猛。运营商、互联网巨头也开始对外界提供部分的他们自有的用户数据。而对互联网世界中不同人群进行类型识别和描绘的工作,也有了更简洁的说法——人群画像,或是用户画像。

data-apparel-vendors

人群画像突然成为互联网营销不可或缺的金字招牌。这个金字招牌的究竟是什么?与之相关的说法,哪些可靠,哪些不靠谱?我希望在一系列文章中把这些问题弄清楚。

人群画像的经典构成要素

人群画像从字面理解,是把人群的情况用数据的方式描绘出来。人群画像和个体画像并不完全相同。千万不要混为一谈。

给个体画像,指描述不同个人的过程。在广告行业中,描述个体所用的方法被称为“打标签”,和电子商务中给商品打标签很类似——商品上的标签包含商品唯一的身份识别SKU,以及名称、价格、产地、生产日期、保质期、原材料等信息。而给个人打标签,也是把这个人的信息以标准化的方式组织存储起来,并附着在这个人的唯一身份标识上。这里多说一句,互联网上对于人的唯一身份标记手段包括cookie(主要是PC端),或者是IMEI、IDFA等(主要是移动端)。如果一个人在互联网世界中没有一个唯一身份标识,那么对这个人的画像就无从谈起,因为谁知道谁是谁?所以,人群画像的最基本前提是对人的唯一身份的标记。

人群画像与个体画像有强关联,人群画像必须基于对个体的画像,但却高于个体的画像,体现为人群作为一个集群的整体特征。人群是个体的集合,对什么人群进行画像是根据广告营销的目标受众(target audience)或者细分目标受众(audience segmentation)为对象进行的。例如,iPod生产商的人群画像显然是针对听音乐感兴趣的人,NB运动鞋厂则想对运动时尚人群画像。

人群画像与个体画像相似之处在于,两者都是对人的描述。但人群的描述需要归纳人群所呈现出的共性,而非多样性特征。可是,就像没有任何两个人是一模一样的,对个体的画像也不可能一样,当每个不同的人集合成群体,就需要用一定的方法寻找他们的共性,并构建这些共性与营销策略上的逻辑相关性。

人群画像的经典构成要素,也就由此产生。它包括三个非常关键的组成部分:个体的标识,个体的画像(即打标签)以及对人群共性的抽象。第一个是一切的前提,第二个是基础,第三个是对前者的组合、抽象、分析和加以利用。

structure-of-profiling

下面及后续的文章我们将逐一详细看看这三个组成部分究竟有何玄机。

唯一身份标识

在互联网世界中匿名“旅行”是一个人的基本权利(至少部分是),这给追踪一个人的行动带来了麻烦。既然不能实名,那么我们至少要给他们起一个名字。

这个名字跟真实世界中的名字很不同。首先,这个名字是一串没有什么意义的随机字符,其次,这个名字的存在可能连当事人自己都不知道。

比如说,你去了一个网站,管你注册登录与否,这个网站都会给你安一个名字,当你下次来的时候,哪怕你继续不登录,这个网站也会知道你来了。这个东西太普遍了,以至于现在几乎所有的网站都使用这个东西,它的名字叫cookie。

即使是同一个人,每个网站也都给这个人不同的cookie命名,这很容易理解,因为每个网站有自己的命名规则。所以,唯一身份标识是相对的,对于同一个网站,不同的人,应该有唯一的识别,但这个人去了别的网站,理论上就是别人的事情了,这个人会被别的网站起上别的cookie命名,而且是其他网站根本无从知晓的。这就引起了一些问题,我们下面不久就会讲。

随着移动端的发展,唯一身份标识用cookie就不好用了,因为移动端上APP用量巨大,而cookie必须随着网站存在,APP没有这东西。不过,没有cookie没关系,移动端有别的东西来标识人。在移动端,唯一身份标识最常用的是手机的IMEI号码,或者IDFA(苹果手机对人的识别号),或者其他很多别的ID。各种ID中的一些类别,理论上具有与手机硬件捆绑的唯一性(手机不同,号码不同,而且手机不变,号码不变),比如前面的IMEI和IDFA(IMEI和IDFA实际上都可以被修改,但可以认为很接近与手机绑定),不会根据手机中装的APP或者上的网站的不同而发生变化,因此这类识别号比cookie看起来更好。

imei_meid

那么,现实世界中,这些唯一身份标识好用吗?

有人说,现实是个大坑,我很想反驳这个观点,但似乎真实世界真的在强化自己的“大坑”。所谓知易行难,我们知道这些东西好,但未必能用的好。我们继续往下看。

PC上的唯一身份标识

首先看看PC上的cookie。在PC中,每个网站只能建立自己的cookie,那么一个网友到了别的网站去,这个网站就看不到他了。对于网友而言,这个事情很好,他不会担心别人知道了他去了“苍老师”的网站。但是对于做广告的营销人而言,这个可是大大的不好。因为不同网站对人的标识不同,会造成无法追踪一个人浏览不同网站的行为,也就无法判断这个人的喜好是什么,画像的基础也就不存在了。为了解决这个问题,一些广告公司想了一个办法,让在不同的网站上访问的同一个人,享有同一个cookie,这个cookie不属于网站,而属于这个广告公司。简单讲,就是这个广告公司给这个人起了一个名字,然后让这个到哪个网站上,都仍然有这个名字,这时就能判断这个人看了哪些网站了。这种cookie叫做第三方cookie,而最初的那种cookie叫第一方cookie。第三方cookie是个好东西,能够跨越不同的网站识别同一个人。而只有实现了跨越不同的网站识别同一个人,才能给每个个人进行画像的前提。

看起来好像问题解决了,可是,忽然有一天,我们发现cookie这东西越来越不靠谱。原因在于“隐私保护”!人们不喜欢cookie,谁乐意被一个第三方在你不知情的情况下跟踪你的网络行为呢?这个问题,对于第三方cookie尤其如此。因为第一方cookie毕竟只能限制在一个网站内,而第三方cookie则有更大的工作范围。欧洲人抗议最凶,于是欧洲立法要求网站使用cookie时,都要在网站弹出窗口警示访问者,并且要征得用户同意才能保存这个人的cookie。中国虽然没有什么立法,但是老百姓也不知道cookie是干啥的,反正可能有害的那就一定有害,于是很多能够禁用或者清除cookie的浏览器出现了,拥趸众多。Cookie开始越来越不受待见,由于频繁的清除和禁止,标识同一个人的cookie的平均生命周期越来越短,现在只有30天左右,而第三方cookie则更加受到限制,很多连建立的机会都没有。

cookie-retention

有取代cookie的更好的方法吗?在PC端,替代方法有很多,但真正说能取代的,对不起,还真是木有。比如,有人说,用电脑的MAC(网卡硬件编号)来识别就是很好的办法啊!但是这个东西没这么简单,第一,你凭什么技术能识别这个?第二,识别这个是法律禁止的!还有人说,用Flash cookie(Adobe公司Flash的唯一用户识别信息),这个方法还不是照样被浏览器禁用,而且Flash越来越为人所诟病,支持它的网站也在减少。

还有人用另外一种技术方法,似乎可以一定程度上提升cookie的存活期。方法是这样:利用一种被称为“钩子算法”的计算机程序,能够关联同一个人的老cookie(cookie被清除前)和新cookie(老cookie被清除后又被赋予的新cookie,理论上这两个cookie已经完全不同了),从而延续一个cookie的生命周期。不过这个方法的致命性在于精确性,对于数以百万计的cookie而言,每做一次“钩子”勾连都是只有一定的准确性,误判难免发生。即使每一次钩子的准确性都有90%,那么做五次之后,准确率也就不到一半了。

这些方法都不能根本上解决cookie生命周期逐渐变短这个现实。如果只是对互联网用户进行短时间的标识,cookie还是可用的,但越是需要长时间的对于人的识别,cookie的准确性就越低。

所以,PC上的识别,很多人不得已想很多办法去追踪硬件号码,但这个方法是不合法的,而且追踪之后也不能直接用于广告投放上。人群画像,理论上不应该基于PC的硬件识别号。如果这方法不能用,那么只能接受不完美的cookie去进行短期的人群识别使用。

现在,你应该明白,如果有广告商跟你讲,我们持续数月甚至数年积累同一群人PC上的行为数据,本身就是一个不靠谱的忽悠。这方面,只有大的有账号体系的互联网媒体,才做得到。

前一回我们讲了互联网人群画像的构成要素的结构、PC端用户唯一身份识别的理想状况和真正的现实,在这一回中,我们开始讲Mobile端用户和跨终端(跨屏)的唯一身份识别问题,同样是理想和现实并存的故事。:)

Mobile端的唯一身份标识

Mobile上的唯一身份标识看起来比PC上要好,因为谁也不能轻易干掉自己手机的IMEI号码,也没有几个人知道怎么样在苹果手机中清除IDFA。所以在mobile端的唯一身份标识应该既简单又美好。

但其实不然。

Mobile环境的复杂度比PC有过之而无不及。首先,mobile上用户对网站和APP的使用大约各站半壁江山。光这一点就比PC痛苦万分了。但是,为了让你更能够了解mobile上到底发生了什么,我们先假设两种最简单的情况:mobile上只有网站的情况和mobile上支持APP的情况。

假如这个世界上所有的mobile都只支持网站,而不支持APP,那么我们可以基本上把mobile当做PC,用cookie来解决这个问题。不过,就算到了mobile上,cookie本身的短板还是一切照旧。不过,你会说,mobile上不是有IMEI或IDFA号码吗?难道不能弥补cookie的短板吗?可惜的是,mobile上的网站对人的唯一身份标识不能用这些跟手机捆绑的识别号码——无论对网站做何种技术改造,都不能让网站获得这些ID。所以,如果mobile只支持网站,那么你可以认为它就跟前面讲的PC的情况没太多差别。

假设这个世界上所有的mobile都支持APP呢?那会是另外一种景象。前面讲过,APP不能用cookie,但APP的追踪却可以用IMEI或者IDFA等。不过,它们会好用吗?

How-to-Verify-iPhone-IMEI-300x283

先看IMEI,IMEI一定准确吗?如果这个世界上不存在水货机、翻新机,而全部是经过工信部认证批准的通信设备的话,那么IMEI是最靠谱的。但我们在中国,水货泛滥,翻新机也很多,这些来路不明的手机的IMEI就有可能是人为修改的。所以很多手机共用一个IMEI号码,或IMEI号码都是0的情况就很多了。这种情况造成IMEI的唯一身份的识别率未必高于cookie。另外,IMEI是机器硬件的编码,这些硬件编码都涉及到硬件安全性和隐私问题,因此使用它们不能明目张胆。

替代IMEI的方案是一个被称为OpenUDID,这是被各广告平台广泛使用的开源方案,但随着AppStore开始拒绝接受使用UDID的应用,导致OpenUDID无法被不同应用共享相同的值,注定了上面提到的这些ID们不得不退出历史的舞台。

需要提醒的一点是,IMEI这种跟手机硬件绑定的识别符,只能在安卓手机上起效,苹果手机iOS系统通通把它们封锁了,作为唯一身份标识是没指望了,除非是越狱后的iPhone。

不过苹果没有把所有的路都堵绝,它关闭了所有的门,但是“良心发现”(事实上是不得已而为之)开了一个小窗,这个小窗就是IDFA。IDFA是苹果手机独有的用户唯一身份标识ID。这个东西能够实现对APP上用户的唯一标识。我们有救了吗?

IDFA-Evolution

好一点,但是只能用于识别自己开发的APP的唯一用户,别人开发的APP用户的IDFA,你就完全没法知道了。因为IDFA不像前面讲的第三方cookie,可以由一个广告公司所掌握,而IDFA是完全被苹果公司掌握的。进行人群画像的时候,对于用户唯一身份标识的服务商几乎都不是APP开发商,而几乎全部是第三方(广告公司或者第三方数据公司),因此只能通过跟众多APP开发商合作才能获得多个APP中同一个用户的IDFA,也才能给同一个用户进行画像。这基本上不是技术问题,而是纯商业问题了。商业问题的难度在于,跟一家两家合作容易,但是跟一百家两百家合作,而且还是“与虎谋皮”(拿别人这么机密的数据信息),难度太大了。毕竟你不是BAT这样在市场支配地位的厂商。

phone-security  所以,对用户进行画像,安卓手机要好于苹果手机,原因就在于苹果的封闭性,第三方的生存空间很窄小。

上面这些都还不是最麻烦的问题。

工程师们告诉我,移动端最大的麻烦是终端的极端多样性,硬件、操作系统、软件等等,全部是碎片化的,而利用了各种不同的人的标识手段,相互之间也没法互通互联,所以,移动端的唯一身份识真的很难。

可是,这还只是在我们假设的最简单的两种情况下!

现实世界中,mobile既支持网站,又支持APP,同一个人基本上都既会用mobile,又会用APP,我们能够实现跨mobile和APP的唯一用户识别,并在这个基础上做人群画像吗?

技术方法目前没办法。虽然有一些变通的方法,比如设置一个APP和网站通用的ID系统,或者需要同一个用户先用APP,然后又用网站才能实现一个功能什么的,但这些变通的方法只能在很小的局部范围内使用,完全不是通用解决方法。这离我们需要的人群画像的对所有网民的唯一身份标识还相距甚远。

所以,移动端同样不存在准确的唯一身份标识,这意味着我们并不拥有全局性的上帝视角,无法记录任一用户使用mobile上的全部网站和APP的相关信息,或者退一步,不说全部,想知道大部分网站和APP的相关信息都很难获得。甚至,即使是仅仅想知道这些网站的URL和APP的名字都不那么可能。

跨设备的唯一身份识别

终于讲到了跨设备的唯一身份识别,估计你已经等不及了。这个领域可是曾经被热炒过一阵,但用在人群画像中似乎并没有听闻什么案例,后来似乎有些“不了了之”。原因何在?

原来,既然在一个mobile设备内,想要实现一个人在同一个设备上跨APP和网站的识别都没有全局性的通用解决方案,那么一个人使用多个设备就更没有全局解决方案了。你早上用手机、中午用PC、晚上用iPad访问互联网,然后让一个广告商(或者一个第三方服务商)知道是同一个人在使用这些设备,难,真是太难了。

rohit-cross-devices-infographic

部分互联网服务提供商(过去它们常常是一些媒体)具有跨设备唯一身份识别能力,比如,它们拥有强账号体系。所谓强账号体系,是指无论你在PC上还是手机上使用它们的服务或内容的时候,都需要登录自己的账号。这意味着它们“先天”就能知道你是同一个人。

另外还有一些服务商,它们可以通过判断不同设备经常同时出现在某一个IP号段的现象来判断这些设备是不是属于同一个人。这个方法很可行,因为无论是APP还是网站,获取设备所处的IP的难度并不大,这样就可以在没有强账号体系的情况下,判断这些设备是否属于同一个人了。如果算法得到,数据也充分,这种方法的识别率随时间流逝,可以变得相当精准。当然,我指的相当精准是能够有超过30%的识别率,80%以上,利用这种方法基本上不太可能。

如果没有强账号,也没有技术方法,那么最后一种跨设备的唯一身份识别就是通过一些营销手段来实现。比如,要在手机上扫码(比如获得优惠券),然后在PC上实现某个功能什么的(比如完成购物)。这听起来够折腾的,但是确实比完全没辙强。当然,这种跨设备的唯一身份识别的范围那就是极小极小了,因此不具备人群画像所需要具备的普遍性。

device.hop_.illustration

但问题在于,如果你希望得到某个人(或者是某群人)的画像,你不太可能只依靠某一个互联网服务提供商就能完成。因为这个人(或者这群人)的互联网使用行为一定不会囿于这一个服务提供商的范围内,而是遍际于互联网的各处——他们一会儿用百度搜索点什么,一会儿用腾讯QQ聊聊天,一会儿用淘宝买点东西——没有任何第三方可以同时获得同一个用户在不同设备上使用各种互联网服务的数据。即使可能,难度也极端巨大。

所以,我们希望的用全网用户数据来给人群画像那根本不可能,所有的人群画像,都只能基于局部的数据。而实现跨设备识别唯一身份,除了少数服务商之外,基本上都只能停留在口头上。这跟数据处理能力,或者什么大数据毛线关系都没有,再牛逼的数据能力也没用,这就是现实世界的事实。

好了,下面我自己总结了一下PC和Mobile端各种用户身份识别方式的优缺点,并不定量,所以仅大家参考:

各种方式识别唯一身份的优点:

ID-pros

点击上图看大图

各种方式识别唯一身份的缺点:

ID-cons

点击上图看大图

在下一回中,我们将继续互联网营销人群画像的探索。下一步,将针对人群画像的第二个构成要素——“个体画像的标签”进行深入探讨。敬请期待!

作者:宋星。作者系网站分析在中国创始人,WAW中国创始人

来源:网站分析在中国

]]>
推倒网站跟踪的时代已经到来
//www.otias-ub.com/archives/386995.html Sun, 20 Sep 2015 14:33:49 +0000 //www.otias-ub.com/?p=386995 QQ20150920-2

我们正在见证互联网发展中的一个分水岭——在苹果推出内容拦截器后,我们看待和理解我们网上的用户的方式将发生深刻的改变。

这看上去并没有多么重要。虽然广告拦截器在桌面浏览器上存在了很多年,但类似谷歌分析的产品仍然成为了测量和监测网站的行业标准。但这些都即将改变——个人产品和分类将因为移动版 Safari 上的一个小小的技术转变而受到很大影响,有自己的网站的机构也将必须适应这一转变,否则就会在竞争中处于劣势。

为什么改变会在现在发生呢?简单地说,这是因为网站跟踪的遗留系统已经无法工作了。由于现有的广告拦截器,它已经不能准确地捕捉用户在网站上的活动了,移动端内容拦截器的加入会进一步影响它收集到的数据的准确性。它无法在单页面网站应用程序上工作,是因为它是基于页面加载而构建的。出于相同的原因,它更无法捕捉移动应用上的活动,因为移动应用中 90%的动作都不是页面加载,而且移动应用的多堆栈数据通常集成化较低。不过,遗留系统最大的缺陷是把数据藏起来,即把关于你的客户的关键数据放在一个无法访问的地方,只有使用费用高昂且脆弱的 API 集成才能集成数据及进行自动操作。

移动内容拦截器是对遗留系统的致命一击。相比桌面广告拦截器,它对用户更有吸引力——节省网络带宽和更快的页面加载对移动端非常重要。防止收集隐私信息只不过是一个附带的功能。当用智能手机使用互联网的趋势已经无法阻挡时,如果很难收集 iOS 用户的信息——这些用户在网上花的钱和时间最多,将影响数据的准确性,让数据变得不可靠。

这些变化不是一蹴而就的。但是,安卓也会步 iOS 的后尘,采用类似的技术,而且,当用户熟悉这种技术后,他们将更有可能使用桌面拦截器。甚至连浏览器也有可能内置这种技术。

受影响的 不只是发布者

这种技术将深刻影响数字广告和归因,进而会影响发布者和其他依靠广告盈利的公司。但这仅仅是开始。

让我们检查一下任何电商或 B2B 网站,看看它们所有的 cookie 和请求(通常是通过谷歌跟踪代码管理器发出的)。这些网站(以及各种跟踪代码管理器),连同所有与它们合作的创意机构和市场营销人员,将受到巨大影响。而那些在这种平台上进行销售的公司将受到更大的影响——那么,电商公司将如何可靠地重新定位用户呢?

在移动端减少网络带宽占用以及清理大量繁琐的东西是值得追求的目标。

想触及那些最精通科技的用户将变得更加困难;对广告网络的逆向选择实际上会越来越频繁。衰落的归因模式将降低对投资回报率的信心,让广告项目——甚至是任何营销项目都更难有把握地进行量化,也更缺乏具体的合理性。

除数字广告和归因之外,Optimizely 之类的前端的网站测试框架也将受到影响,这是因为 Optimizely 是加载测试偏差和以异步方式发送数据的 JavaScript 片段。如果你的 A/B 测试只考虑了较少使用移动端、不那么精通科技的人群,结果会怎样?测试结果仍然有效、可操作吗?

从最基本的层面看,理解网上的用户行为将变得更加困难。试图将谷歌分析中的数据与内部系统中的数据相结合的分析人员已经知道两者间几乎总存在明显的分歧,而第三方系统扣留的数据越多,分歧就越严重。没有合适的数据对很多产品和营销团队来说就像双目失明一样——他们不知道在他们的用户那里究竟发生了什么,也无法对其采取明智的应对措施。

接下来该怎么做?负担将会转移

网站追踪的未来很好理解,但要承认它却很难;我们不能再依赖第三方 cookie 和 JavaScript 片段了。负担从用户的浏览器上转移回了我们自己的网站服务器上,而且这个转移会让网站的堆栈变得更复杂。但是,这个转移中却暗含着一个绝佳的机会,能让我们统一我们的数据,改进我们理解用户的方式;那些最有远见的团队将从转移的努力中收获成果。

新的内容拦截器将时常阻止用户的浏览器向谷歌或 Optimizely 发送请求,但不可能阻止发送给来源的请求(正如我们所知道的,如果阻止,则会破坏任何类似 AJAX 的东西,并会破坏网页)。因此,合理的解决方案是,依赖向第三方域名发送异步请求的解决方案应该发布服务端库。你将把 PHP 或 Ruby 库连同你的 JavaScript 片段一起粘贴到你的服务器上;JavaScript 会把请求发回你自己的服务器上,然后你的服务器会以 REST 形式与这些第三方服务进行通信。

就像移动应用的生态系统产生了更多工作量以及混乱和变化一样,网站分析上的转变不会那么容易。

但这么做有一些根本性的问题。第一,只有精通技术的开发者能有把握地调整服务器端代码。对大多数网站管理者而言,他们会依赖他们的主机或 WordPress 插件来替他们完成这项工作。最终,在部署这些解决方案时,这将产生更多的冲突和延迟,降低它们的吸引力。精通技术的开发者会产生这样的疑问:“如果我已经在部署客户端和服务端的代码,为什么还要使用第三方系统?”开源的分析解决方案将得到推动,而且更多机构将选择把更多分析和信息工作交给其内部完成。

另一个问题是可扩展性。现在大部分的网页属性都被优化为提供页面,而不是处理分析数据流。新的服务端解决方案必须简单、可靠、有内聚力。如果我们不考虑性能就增加大量请求和像素,就像现在的情况一样,那么我们最终将冲垮我们自己的服务器,增加成本和潜在的延迟。成功的解决方案会把前端数据与服务端处理器在一个单一、精心设计的管道上结合起来,然后把数据从服务器导出到数据仓库(和第三方服务)中,可以是批量导出。

在这种转变中,很多机构将不会采取行动,并将依靠越来越糟糕的有缺陷的数据。数据是无济于事的,而偏见会导致糟糕的信息和决策。对开发人员、分析人员和营销人员来说,这将是一段混乱的时期,而复杂的团队中则可能产生分歧,出现一部分人采用新工具、另一部分人依然固守旧工具的情况。

是时候进行革新了

虽然混乱,但如果能超越内容拦截的问题,解决与网站追踪有关的更深层次的问题——把前端数据与多堆栈内部数据相结合,不以页面加载为中心、而是以网页和应用上的事件和会话衡量网站使用体验,并为更多机构实现第一方、特有的数据,那么这一转变将开启重要的市场机遇,将现有的参与者重新洗牌。

公司在营销和产品上的投资需要行之有效的解决方案,新工具将演化以填补这一空白——而且,由于新工具越来越复杂,具有深层次测量的专业技能的新开发人员和分析人员将涌现出来,并会非常吃香。

理想的解决方案是什么样的?鉴于前端和和后端的堆栈都多种多样,系统需要变得非常灵活。对于情况如何发展,第三方错误追踪指出了一个令人兴奋的方向。Bugsnag 之类的服务几乎每种语言都有库,这些库能在服务器层运行,并能以 REST 方式与流数据就错误和异常进行交互。分析也可以以同样的方式进行。

不过,希望机构能利用这一机遇收回他们对其数据的所有权,并且开源工具能得到推动,帮助流数据进入像 Redshift 这样的第一方数据仓库,与内部数据结合,被更灵活地使用。整个社区应该联合起来,为 Web 2.0 应用程序规定一种合理的通用模式。Looker 之类的第三方 BI 服务应该建立在这种专有数据之上,而不是像谷歌分析现在所做的那样把这些数据藏在无法访问的地方。

如果这些都能实现,我们就是用一个简单但残缺的网站分析系统换来了一个能够带来更深刻的洞见的更加丰富、更加复杂的系统。这需要大量的投资和更多的专业技能,但回报将是更好的信息,以及最终更好的产品、更好的用户体验和更出色的商业成果。

最终, 这 将 对 用户 非常有益

与某些人声称的内容拦截器是苹果促使更多人使用本地新闻阅读器的秘密诡计正相反,这一改变至少是对用户非常有益的。在移动端减少网络带宽占用以及清理大量繁琐的东西是值得追求的目标。如上所述,这些带宽中的一部分无疑将被转移到来源上,但总体而言,Safari 移动用户的体验应该会更好(而且最终当我们把整个互联网都清理干净后,其他所有用户的体验都会更好)。

有自己的网站的机构将必须适应这一转变,否则就会在竞争中处于劣势。

这一改变还有隐私上的考虑——移除第三方 cookie 将能减少那些与我们已经从购物车里删除的商品有关、在网上到哪都能见到的令人尴尬的广告。但总体而言,对网上隐私的影响可能有限,因为这些公司有别的方法分享数据——其中最重要的就是仅通过分享邮件列表分享数据。通过定制受众定位,Facebook 已经使这一方法成了主流。通用 ID 和 IP 和解将被更广泛地使用,对营销人员和内容平台将变得更为重要。

这对互联网也非常有益

通过使我们转换为使用移动端、移动应用,以及从 Safari 开始对我们如何测量、跟踪、定位的现状发起挑战,苹果迫使我们对互联网进行反思。就像移动应用的生态系统产生了更多工作量以及混乱和变化一样,网站分析上的转变不会那么容易。但它也会产生大量的机会和新的赢家。它会为在这个生态系统中更好、更灵活地分析和理解用户和产品的机制敞开大门。它将促使我们变得更好——更集成、意图更清晰、更睿智。

是时候了。

题图来自:JAMBRO/SHUTTERSTOCK

The Web-Tracking Tipping Point

贾斯汀·克劳斯(Justin Krause)是 Asana 的商业智能和网页开发团队的负责人。

 

]]>
如何对互联网企业做基本面分析?
//www.otias-ub.com/archives/359924.html Mon, 29 Jun 2015 14:10:09 +0000 //www.otias-ub.com/?p=359924 如何对互联网企业做基本面分析?

对于如何对最近火热的TMT产业进行估值和分析的问题,在此推荐大家看看下面这则短文,该文由德克萨斯大学会计学博士 长江商学院会计学助理教授 张维宁 撰写。

首先,讨论一下互联网生态的问题,每天大家都看到很多关于互联网生态的观点和评论,我今天跟大家分享一些我所理解的互联网生态的内在逻辑。

以交易为核心▼

首先,如何达成“交易”是整个生态的核心。换言之,所有的生态活动应该最终指向交易。2013年,这个观点争论挺大的,当时很多人都认为,互联网是流量为王,以流量为核心。但现在认可我这个观点的人越来越多了。

那么,哪些是交易呢?在我的理论框架中广告不属于交易。我认为,交易可分为这三大类:实物交易、服务交易和金融交易。金融虽然也是服务的一种,但是因为金融业的盈利模式和风险控制和一般的服务很不一样,并且受到严格监管,所以我把它单列出来。

实物交易也包括两种形式:一种是线下交易,比如一家汽车制造厂商,找新浪做广告,然后指向线下卖车交易;另一种我们谈论更多的、跟互联网有关的方式是电商。

服务也分线上和线下。现已盈利的线上服务主要有两种,一种是游戏,另一种是交友或者是婚恋。线下服务就是现在最火的O2O服务。

9ad7368ea9e87327f71439d880659d13

而实现交易有一个巨大的壁垒,就是信息。交易本身附带着大量的信息,信息的丰裕凸显出注意力的价值。为了达成特定交易,就需要获得用户的注意力,就必须通过“导流”,所以,信息的导流对于交易的最终达成至关重要。

就像一个水库的导流,导流首先要有水库,然后要有渠道。信息的导流也是一样的,既要有“人群”,还要有“渠道”。

以人群为基础▼

人群有四种分类:

全人群,即所有人都要使用。比如谷歌在评价新项目的时候,会依据“牙刷原则”,即公司做出来的产品,能够让全世界一半的人每天使用两次。这意味着,Google将自己产品定位于全人群。

基于社交工具的聚合人群,比如我们通过微博、微信朋友圈,以及各种各样的微信群分享内容来导流。

3

线上社区,就是用户根据自身兴趣或者特点,而形成的各种线上社区。

4

线下社区。我们家小区里好多的朋友,就是通过微信经常组织一些活动,形成线下社区。了解了不同的人群之后,我们就要考虑通过哪些渠道将这些人群导向交易。

以渠道为纽带▼

渠道有三种方式:

1

用户主动模式,是指用户自己主动去寻找信息,也就是“搜索模式”。百度和谷歌都是成功的通过全人群的搜索导向交易的商业模式。

用户被动模式,就是交易信息并不是用户有意识想要的,而是不经意间被推送的。最传统用户被动模式的就是广告。另一种用户被动模式是“导购”。现在出现了大量的垂直导购网站,最火的比如母婴系列导购网站,就是通过向妈妈们推荐给小孩和妈妈自身需要的产品,将流量导给电商,从而收取佣金或广告费。

(1)导购模式先将线上线下的人群进行纵横的分类。可以依据人所处的不同生命阶段来将人群进行垂直分类;也可以对人群进行横向分类,比如说爱好旅游的人群、打高尔夫球的人群。无论是纵向还是横向,做线上社区都需要对人群进行重度细分。

(2)然后形成渠道内容。有三种内容形成的方式:UGC(User-generatedContent, 用户生成内容),这是大量传统社区使用的方式;PGC(Professional-generatedContent,达人推荐内容),这种方式是以达人为主导,比如说穷游网;但我我认为未来一定会走到DGC(Data-generatedContent,数字匹配内容)模式,通过人群信息的采集来匹配平台自由数据库,以生成用户所需内容。

3

用户互动平台。它通过用户参与来形成一个广泛互动的交流平台,连接人群端和交易端。这是传统制造业能成功升级的关键所在。通过打造一个用户互动参与的平台,将人群需求与生产能力连接起来,打通从人群到交易的整个过程。虽然目前已出现了一些企业级的互动平台,如小米,但非常可惜的是,市场仍然缺乏一个平台级应用,一个可以适用于各类公司及场景、可以定制的用户互动参与平台。

基本运行机制▼

我们下面进一步来说明人群、渠道和交易这三者之间的运行机制。一般来说,一个交易是从人群的需求开始,通过渠道的信息导引,最终到交易端的交易完成,我们把这个过程称为从信息到交易的交易促成机制。

另外,在交易完成之后,交易信息、渠道信息及其交易体验会返回来影响人群端的行为,这个过程叫做信息反馈机制。在这两个机制的共同作用下,会形成大量的数据,在数据层形成人群、渠道和交易端的有机融合。

关键与趋势▼

面对人群端、渠道端、交易端的众多应用,如何评价是否是一个好的应用,处于不同环节应用的成功关键是什么?我认为,做人群的产品一定要实现“高频”,做渠道的追求“精准”,做交易场景的追求“便捷”。目前中国的互联网企业中已有这样的基因代表:人群端的基因代表是腾讯,渠道端的基因代表是百度,交易端是阿里。BAT各占一头,他们把自己的环节经营好了,就能做到的千亿级以上的公司。

如何做好这些不同类型的应用?做人群端的,关键是要懂得人性,做渠道端的关键认识到数据的重要性,做交易端的关键是设计用户友好的场景来促成交易和支付。

各端应用的收入模式是什么?人群端主要是靠广告及增值服务,渠道主要是靠广告、佣金和导流费用,只有交易端能够形成利润。我们再进一步分析就会发现,在整个生态里面,如果没有交易环节,整个生态就没有收入。而在人群端和渠道端实现的收入,本质上说都是交易利润分配的。换句话说,在交易端能够赚1元钱,才可能有机会分给渠道2角钱,分给人群3角钱,但如果没有在交易端赚的1元,前面环节是无法获得收入的,整个生态就会崩溃。这就是为什么我说所有的产品最终必须指向交易的原因。

fae4a8e120e33e7a398efff73a1a3aae

未来做人群的,最核心的就是要了解用户的模糊需求,即使用户不主动提出需求,但是公司仍然能知道。例如通过人群画像、通过数据采集的各种方式,能够分辨出用户的模糊需求,然后在渠道端把不同人群的信息给融合起来,达到数据链匹配,最终导向柔性生产。我觉得这是未来的一个大方向。

现在很多人都说以后若没有技术,估计很难创业了。我觉得大家都有创业机会,做人群的人,未必需要有很多技术,但一定是有情怀的人,比如文青就是很有情怀的一类人;但如果做渠道和数据,最好是工程师,最好懂技术;而做交易的可能是个商人,有商人的特质。

比如BAT,做微信的张小龙确实是一个很有情怀的人,李彦宏就是一个工程师。马云肯定是一个商人,能细致地考虑并安排好各个方面的利益关系。所以,大家都有机会,只不过要挑适合你们做的事情。

“互联网+”下的产业链整合▼

刚才我讲的是一个二维层面的状况,未来我们需要从立体的角度来考虑这个问题,就是不仅从一个简单的端,而是从一个层面来考虑。

a4a52c3d1118b86dee2f0fcfd6e2cdb9

在人群层,我们最重要的考虑是,做的产品能多大程度聚合社群。在全人群的空间里面,每个人或者人群都是一个信息采集点,这个人不仅是指自然人,也可以是公司,是法人。这些人和人群会有大量的行为和信息,我们需要把他们聚合在某一个社群里面。

举个简单例子,许多人都喜欢旅游,我们有没有办法把这些喜欢旅游的人给聚合在一起?这就需要有一帮有情怀的人,通过一些讲故事的方法,将这样的社群聚合并构建好。在有了社群后,我们就可以采集到各种各样的信息,并进行数据画像,然后这些信息就会归结到渠道层,以进一步进行大数据的融合。

大数据融合的关键是,在这个社群,或许只能采集到一部分信息。而另一个社群里,也许能采集到另一部分信息,这两部分信息一叠加起来就可能是一个很有价值的数据点,就可以拿来促成交易了。在数据层融合了很多大数据之后,就可以指向下面的很多具体交易。

有了大数据融合的支持,未来的产业链整合可能完全不同于传统方法。以前产业链的整合都是这么做的:比如说我是卖轮胎的,为了把轮胎做好,我就去买一个橡胶厂,这就是纵向的业务整合。另一种整合是比如我在深圳做超市的,看到东莞也有做超市的,就把它合并了,这种是横向的业务链条整合。

而未来可能未必如此。在未来,也许会将卖汽车、卖豪宅、卖高端的医疗产品,这三个原本非常不相关的业务放在一个集团里面。因为当这个集团掌握了大量高净值人群的核心数据,就可以通过这个数据点来映射可以由这个数据点所涵盖的各种业务,以此进行产业链整合。这不再是以前所说的业务之间的协同效应,而是要进一步考虑数据层映射下来的数据“融合效应”和“溢出效应”。

所谓溢出效应是指,我卖豪车的可能有一堆高净值人群的数据,我有这堆数据之后,下一步的扩展不仅仅是开更多的4S店,我还有可能会买一家高端医院,专门来服务这些人群。并且我知道他们有什么样的需求,还可以跟房地产商合作,根据这些人的具体偏好来做设计产品。

所以在未来,产业链整合的制高点其实是数据归结点的控制。你控制了多少数据,就意味着你可以整合多少产业链。所以,信息采集点的铺设就成为了一个非常重要的关键。现在,我们数据采集点的铺设做得还不够好,但其实这也给大家留下了巨大的创业空间。大家可以想想,如果有一个好办法,能采集不同的信息,并且聚集起来,这绝对是一门好生意,会吸引到很多投资。

根本原则▼

讲完了互联网生态基本情况,我们可以总结出一个评估公司价值的根本原则:站在哪里,朝哪个方向,离什么交易最近。

“站在哪里”是指,所做的是人群端,渠道端,还是交易端。公司是站在什么细分市场里面做什么样的事情。

“朝哪个方向”是指朝向哪个具体的交易,应该跟谁合作才能够让交易能够最快的促成。

“离什么交易”是指所朝向的交易的市场规模。我们要看所指向的交易是十亿的市场规模,还是万亿的市场规模。还要判断这个交易是高毛利还是低毛利,是一个很累的交易还是一个很简单的交易。所以离什么样的交易最近非常重要。

“最近”是一个关键词,我们在互联网思维里面,经常会听到“唯快不破”,“唯快不破”以前更多谈的是速度上的迭代。但什么是最快的,直线是最快的。所以,我想说的是如何能够以最快的速度实现闭环,就是要找了一个好的方式,离所需要的交易最近。

互联网平台公司财务报表分析▼

基于我们以上对互联网生态的理解,如何提升我们的财务分析能力呢?我举几个例子,这是2013年年报,这是最新的季报。去哪儿去年亏了1.9个亿,今年一个季度就亏了4.2个亿。优酷、京东、微博也是巨亏。很不幸,我们很多互联网公司都亏损,那该怎么看?是公司盈利能力不行,还是公司其实不错,但我们的财务信息有重大缺陷,没办法去体现它的价值?如果是后一个原因,我们就改变和提高我们的方法,发掘公司价值。

网络效应▼

传统的许多行业是线性关系。但互联网平台公司是另一种形式,存在网络效应。平台公司通常有超过两边的市场。举一个双边市场的例子,比如淘宝就连接了卖家和买家。

网络效应是指某一个单位增加,会引起其它单位的增加。举个例子,比如微信,越多人用微信,就有更多的人会使用,这就是一种“同边网络效应”。另外还有一种网络效应,当买家越多,就会有更多的卖家出现,接着就会有更多的买家,这种被称为“跨边网络效应”。无论是同边网络效应,还是跨边网络效应,都是一家互联网公司最重要的价值所在。

财务目标▼

有了对互联网平台的一点基本知识后,我们来谈一下财务分析。首先谈财务目标。一家公司一定是有财务目标的,互联网公司和传统公司的财务目标有极大的不同。比如我要投资做一家发廊或小卖铺,第一句话我就会问,什么时候回本?什么时候开始赚钱?传统行业追求的是“短期赢利”。

互联网公司不一样,互联网追求的是“我要活着”。因为在每一个细分领域,往往不会有超过两家公司,“赢家通吃”。传统市场就好多了,能允许多方共同分享。如空调就有格力、长虹、奥克斯等等。既然财务目标不一样,那么我们做财务分析也就不一样,对于一家公司估值的方式也不一致了。

以“去哪儿”为例▼

接下来我来讲互联网平台公司财务分析的具体方法。我们以“去哪儿”公司为例,这个公司的盈利情况很差,其财报显示,2011年亏损了4100万,2012年亏损7500百万,2013年是亏损1.5个亿,就是说这家公司亏的越来越多。

“收入结构”决定赢利模式▼

我们第一步是看收入结构,收入结构决定赢利模式。去哪儿最大的一块叫P4P收入,即用户每点击一次去哪儿网的点击,去哪儿就会收取旅游服务提供商一定比例的费用。所以本质上,去哪儿是一个广告公司,它就是导流量的。刚有同学跟我说它跟携程很像,我们再看携程,携程赚的是酒店预订和机票预订,它赚的是佣金。去哪儿卖的是广告,携程赚的是佣金,这显然是不一样的。

去哪儿把这种模式称为比价搜索平台,来收取点击服务费,这跟百度很像。携程实际上是把线下的旅行社搬到了线上了,将原来要线下填单子或者靠打电话订机票的服务方式,改变为线上买机票订旅馆,所以携程仍然是以传统的旅行社模式来赚钱。所以我们不分析这个结构的话,有可能以为他们是一样的,其实他们的内核是完全不同的。

2e786fc9e0a36f64f3cebbff4421f8a9

“成本结构”决定平台延展性▼

我们第二步是看成本结构,成本结构决定平台延展性。成本包括固定成本和变动成本,如果固定成本比较高,那就意味着平台的延展性比较好,收入越增长,毛利率就越高。简单点说,我如果投了一笔钱进去,再也不需要投钱,那么我多卖一个人,我的平均成本就会更低一点,毛利率就更高一点。平台延展性对一家公司能够持续,并且对某些不可预料的爆发点能作出快速反应,有决定意义。

77e54bb222bd96adfb3cce67bf53492a

从图7看出,优酷的收入在2011年到2012年收入增加了100%,但宽带成本增加了61.5%,所以宽带成本的固定性很强,而内容成本增加了203.3%,所以内容成本的变动性很强。进一步讲,如果我们要给优酷提建议,那很重要的一条就是变动成本增速远高于收入增速。如果你们去一家公司做尽调,要把固定成本和变动成本分析清楚,看它的平台延展性怎么样。总成本一定,固定成本比例越高的话,延展性就越好。

调整毛利率▼

会计有一个重要原则叫配比原则,就是收入和成本要匹配,若公司一年发生100万的收入,要弄清楚需要多少成本以匹配。但是互联网平台公司和传统公司的成本配比是不一样的,我们对毛利的概念就要去拓展一下。一家互联网公司为了达成交易,引流是一件非常重要的事情。也就是说你的用户数量和收入往往是和你的营销费用紧密相关的。如果哪一天营销费用下降了,用户数也跟着下降,根据配比原则,由于是用营销费用来驱动收入,那么营销费用就应该进入毛利率的计算中。传统的毛利率计算方法是收入减去成本,除以收入,我们发展出了一个指标叫做“调整后毛利”,即收入在减去成本后,还要再减去营销费用,除以收入。

7529117e43401ffc85d669fab172eb35

我们来对比去哪儿和携程(见图8)。去哪儿的调整前毛利率在80%以上,高于携程的毛利率。但调整后发现,携程的毛利率都在在50%以上,而去哪儿只有30%多,从这个指标我们可以看出去哪儿较携程要差一些。这说明去哪儿需要大量的流量购买来实现交易,而携程整体竞争力更高。

网络效应的计量▼

我们可以通过三个指标来计算网络效应。

1

单位活跃用户价值(营业收入/活跃用户总数):它体现的是单位活跃用户带来的收入,网络效益越好的话,它用户价值就应该越高。

2

用户活跃度(活跃用户数/用户总数):体现的是总用户中活跃用户所占的比率,如果是一个好的平台,这个指标肯定要更高一些。

单位营销效果(用户总数/(营业成本+营销费用)):就是我每花一块钱能带来几个用户。在极端情况下,我什么钱都不用花,用户就纷纷而来,我们把这种流量叫做自然流量,不然的话我就要购买流量,就要做营销了。我们要拿用户总数除以我们所有的投入,即营销费用加上营业成本。

分解模型▼

我自己做了一个指标,现在也有越来越多人在用,叫做“投入毛利率”(调整后毛利/(营业成本+营销费用))。资产负债表在互联网公司不好用,因为它每有一块钱都要用掉,用掉了还不能确认为别的资产。比方说现在投了500万进来,我这500万拿来买车了,我就有500万资产,但我用来招了一堆人来写代码,我就1分钱资产都剩不下,但我确实投了500万。因为它最终形成的资产可能非常的小,但投入可能非常的大,所以资产负债表就不好用了。因此,我们在考虑一家公司实际的经营业绩的时候,应该考虑它是投入多少,投入能带来多少毛利。所以我发展出了“投入毛利率”的概念,而不是资产负债表的资产或者所有者权益。

800075b43b849639c71ee1894ba861f9

见图9,投入毛利率可以分解成四个指标,它等于调整后毛利率,乘以单位活跃用户价值,乘以用户活跃度,乘以单位营销效果。

297be4b58c225f2af67d098c132157c2

见图10,根据去哪儿2010年到2013年的数据,调整后毛利率从44.8%现在提升到了2013年的53%,这好像跟我们一开始看财务报表的感觉不太一样,我们之前看到的财务情况是越来越差。但其实我们分析越来越差的原因是加大研发,还有一部分股权溢价之后记录到了管理费用,后者是一次性的。在我们进行调整后,发现其实这家公司的状况是越来越好了。所以研究公司,用什么角度来看,是非常重要的一个问题。

在将这个调整后毛利率分解后,我们发现去哪儿最重要的改进是单位活跃用户价值提升了。2010年的时候,单位活跃用户才花9.8元,2013年花了14.6元,这个很好。但是单位营销效果越来越差了。2010年的时候花1元钱还能带来0.84个人,2013年我只能带来一个0.52个人,这说明该行业竞争越来越激烈,流量越来越贵了。

下一个问题,我们是否可以根据上述分析来给去哪儿提一个建议?我个人觉得,其实去哪儿稍微提高用户活跃度是不是比较简单,我个人不太喜欢去哪儿,我觉得第一是客服确实太差,第二是里面报价太混乱,所以很多人用完一次就不用了。去哪儿如果能够将用户留住,将用户活跃度提升30%,那么利润就会提升50%,那多好了。

一个好的财务分析方法,第一能够用一种新的角度看一家公司的报表;第二,我们是要发现他公司价值增长的原因在哪;第三,为公司进一步发展提出建议。

调整研发费用▼

此外研发费用也是一个问题。财务会计有一个缺陷,为什么买一辆车可以说是资产,但找人写代码就是费用?这种道理在互联网的时代里是站不住脚的。我们要考虑,能不能用某种财务报表分析的方法将支出的研发费用调整为资产?根据多年的会计、金融的研究,大家都觉得研发费用应先资本化,后费用化。我们先把过去三年所有的研发费用资本化,然后再摊销,其实更符合公司价值。

50359a6f88a8769fa8879de0310ee7aa

见图11,数据显示去哪儿原来2010年亏损了4100百万,2012年亏损7500百万,2013年是亏损1.5个亿。但如果我们调整了去哪儿研发费用后发现,2012年公司其实是赢利1190万,2013年就亏了3000万左右。这个亏损主要是因为公司2013年上市,高管手上所持有的股份溢价,计入了管理费用而造成的。这家公司并没有想象中的那么差,并非如我们之前所说的每一年都亏损,并且亏损越来越大。

公司在生态圈中的地位▼

从财务报表中,我们还可以分析出公司在生态圈中所处的地位。如果公司在生态圈里是有话语权的,最简单的是公司能欠别人钱,别人不欠公司钱。如果别人谁都能欠公司的钱,公司什么钱都收不回来,那确实没有江湖地位。公司的应收账款比较小,其话语权就比较大;若应付账款比较小,则话语权就比较小。

90ab63e5a9abacf86e7ea5ca8c8231b5

2012年,去哪儿无法预收别人的钱;但是携程每做1元钱生意,就要预收3分钱,有预收款说明很不错。2013年,去哪儿做1元钱生意,别人会拖欠它2角钱,携程则预收别人9分钱。去哪儿基本不拖欠别人的钱,但2012年携程每做1元钱的生意就能拖欠别人0.12元,2013年可以拖欠别人0.23元。总体来说,携程在整个生态圈里的话语权是要高于去哪儿。

我们小结一下:第一,去哪儿大量的流量都是买来的,调整后的毛利率是远低于携程的。第二,通过应收应付的分析,去哪儿在生态圈里面的话语权也很差。

投资与平台布局▼

我们再进一步分析公司的投资与平台布局。通过从年报中看到一家公司的子公司和关联方情况,从而了解其平台布局。我们可以分析出它的子公司和关联方是提供流量还是提供收入。

去哪儿的子公司都是提供技术和广告服务的,能带来收入,但不能带来流量。像去哪儿这样的公司,是别人实现交易的通道,它肯定要找一个流量靠山。财报显示,它最大的关联方就是百度,其51%的流量都来自于百度,并且百度收购了它大量的股票,还经常对其提供低息借款。我们由此分析出,去哪儿在整个产业布局的战略很明确,公司通过建立一堆收入型的、小环的子公司,为本公司提供收入,然后再去找一个关联方——百度来提供流量。可以看出,去哪儿的整体战略目标就是做别的大流量平台(百度)的一环。

一个评估公司价值的根本原则:站在哪里,朝哪个方向,离什么交易最近。“站在哪里”是指,所做的是人群端,渠道端,还是交易端。“朝哪个方向”是指朝向哪个具体的交易,应该跟谁合作才能够让交易能够最快的促成。“离什么交易”是指所朝向的交易的市场规模。“最近”是如何能够以最快的速度实现闭环。

文章来源于伦敦交易员。

]]>
数据统计工具与常用的核心数据指标
//www.otias-ub.com/archives/359564.html Sun, 28 Jun 2015 17:07:47 +0000 //www.otias-ub.com/?p=359564 数据统计工具:百度统计
900

百度统计思维导图

百度统计是一个强大的网站数据统计和分析工具,从六大维度进行分析——趋势分析、来源分析、页面分析、访客分析、定制分析、优化分析,帮助网站优化、用户定位、营销推广,打通网站与用户的完美锲合。

800

百度统计价值价值维度

趋势分析,可以了解到网站的基本状态、用户活跃度;

访客分析、自定义变量,可以了解到网站的访客构成和各类属性,帮助我们明确用户的定位;

页面分析、转化路径、事件跟踪,可以了解到用户操作行为,帮助我们合理安排页面布局、页面层次,优化网站设计,提高转化;

来源分析、优化分析、指定广告跟踪,可以了解到网站的营销推广状态,监控各种网络媒介推广效果,优化SEO。

适用于web的数据统计工具:

国外:GA 、Clicky、W3Counter、Woopra、W3Perl 、Piwik、TraceWatch、Snoop、goingup、JAWStats、Crazyegg

国内: 百度统计、CNZZ、国双统计、51la、量子统计、小艾统计、科捷统计、好耶iDigger 、gostats

外部分析工具:Alexa 、IUT、adplanner、quantcast

适用于APP的数据统计工具:

国外:Flurry,google analytics mobile,Mixpanel

国内:友盟,机锋统计,TalkingData,百度移动统计,CNZZ移动数据平台,imofan

开源:cobub

网站的后台也可以进行一些基本的数据统计,比如注册数、会员数、互动数等。

常用的核心数据指标

除了上述思维导图中提到的数据指标外,还包括根据思维导图中的数据指标延伸出的活跃度、流失率、留存率等。

活跃度:

主要衡量产品的粘性、用户的稳定性以及核心用户的规模,观察产品在线的周期性变化。

AU(Active Users)活跃用户:用户登陆产品记为一次登录

DAUDaily Active Users)日活跃用户:每日登陆过的用户数一般从后台抓取

WAUWeekly Active Users)周活跃用户:七天内登陆过的用户数

MAUMonthly Active Users)月活跃用户:30天内登陆过的用户数

AT(Daily Avg. Online Time)日均使用时长:活跃用户平均每日在线时长

AT=日总在线时长 / DAU

DNUDaily New Users)每日注册并登陆的用户数:直接从后台抓取即可

PCU(Peak Concurrent Users)最高同时在线用户人数:统计周期内,同一时点(通常精确至分)的最高在线人数

ACU(Average Concurrent Users)平均同时在线用户人数:统计周期内,每个时点(通常精确到分)的平均在线人数

ACU=DAU * AT / 时间精度

EC(Engagement Count)用户登录频率:统计周期内平均每用户登录的总次数

根据统计周期不同,通常每日登录频率统计的是登录次数;周及月的登录频率统计的是登录天次(一天登录多次记为一次)

对于不同产品,活跃度的标准不一样,可以根据需要细分定位——轻度用户、中度用户、重度用户、忠诚用户等。

流失、留存:

观察流失用户的状态、流失前行为来判断产品可能存在的问题。

ULR(Users Leave Rate)用户流失率:统计当日登录过产品的用户,但在随后N日内未登录的用户数/统计日DAU

日流失率:统计当日登陆过产品的用户,次日未登陆的用户数/统计日DAU

周流失率:统计当周登陆过产品,之后下一周未登陆的用户数/WAU

月流失率:统计当月登陆过产品,下一月未登陆的用户数/MAU

OSUR(One Session User Rate)一次会话用户占比:新登录用户中只有一次会话的用户占比,主要衡量新用户的质量

DRR(Daily Retention Rate)日留存率:统计当日登录过产品的用户,在之后N日内至少登录一次的用户数/统计日DAU

WRR(Weekly Retention Rate)周留存率:统计当周登录过产品的用户,且下一周至少登录一次的用户数/WAU

MRR(Monthly Retention Rate)月留存率:统计当月登录过产品的用户,且下一月至少登录一次的用户数/MAU

次日留存率:统计当日登录过产品的用户,次日依旧登录的用户数/统计日DAU

回归率:曾经流失,重新登录产品的用户数占流失用户的比例

回归用户:曾经流失,重新登录产品的用户数

流失用户池:过去一段时间内流失的用户数

回归率 = 回归用户 / 流失用户池

收益:

产品盈利能力的综合评价。

PUR(Pay User Rate)付费比率:统计周期内,付费账号数占活跃账号数的比例,一般以自然月或自然周为单位进行统计

广度,更多的人付费

PUR = APA / AU

APA(Active Payment Account)活跃付费账用户数:统计周期内,成功付费的用户数

APA = AU * PUR

ARPU(Average Revenue Per User)平均每用户收入:统计周期内,活跃用户对产品产生的平均收入

ARPU = Revenue / AU

ARPU = ARPPU * PUR

ARPPU (Average Revenue Per Paying User)平均每付费用户收入:统计周期内,付费用户对产品产生的平均收入

深度,付更多的钱

ARPPU = Revenue / APA

LTV(Lift Time Value)生命周期价值:平均一个新增用户在其生命周期内(第一次登录到最后一次登录),为该产品创造的收入总计

LTV_N : 统计周期内,一批新增用户在其首次登入后N天内产生的累计收入/ NU(新用户)

用于衡量渠道导入用户的回本周期,回本率=LTV_N/CPL(导入成本)

以上数据可以根据需要进行拆解、合并,比如流失付费用户数、回归付费用户数、新增付费用户数、新增活跃用户数等等。

同时,不同的产品类型,需要关注的数据指标也不一样,道生万物。

推荐:大数据工具导航 (http://hao.199it.com)

via:甜心

]]>
大数据下网站数据分析应用
//www.otias-ub.com/archives/359531.html Sun, 28 Jun 2015 16:23:27 +0000 //www.otias-ub.com/?p=359531 115

37

43

53

63

72

83

92

102

116

1242

134

 

]]>
页面停留时间和网站停留时间详解
//www.otias-ub.com/archives/292594.html Mon, 17 Nov 2014 15:53:43 +0000 //www.otias-ub.com/?p=292594 一、页面停留时间与网站停留时间是如何计算出来的?

假设用户访问了网站的主页(Home)。分析工具将这个访问者标记为一个Visit,接着这个访问者又浏览了另外两个页面(Page2和Page3),然后他离开了你的网站。如下图所示:

我们想要知道的是:

  • Tp = 花费在一个页面上的时间
  • Ts = 花费在这网站上的总时间

假如这个用户从10:00开始访问网站:

对于Page2而言,访问时间是10:05-10:01,即4分钟。

接着访问者来到了Page3页面,他发现改页面无法满足他的需求或是他要找的内容已在Page3页面找到。那么接下来就是离开。

那么,这个访问者到底在Page3停留了多长时间呢?由于不知道用户在Page3具体的离开时间,我们也就无法计算访问者到底在Page3上停留了多长时间。因此,网站分析程序不知道访问者花在网站最后一个页面上的时间是多少。

下图表示各个页面网站分析工具统计的访问时间:

  • Tp (Home) = 1 分钟
  • Tp (Page2) = 4 分钟
  • Tp (Page3) = N/A
  • Ts = 5 分钟。

从上面的数据中很容易的看出这样的数据并不合理,因为你不知道访问者花在最后一个页面上的时间是多少,因此网站分析工具给你的时间统计一般都会少于用户实际在网站上停留的时间。

网站停留时间的准确性与跳出率和退出率有关。跳出率和退出率越大,平均停留时间越不准确。

二、页面停留时间或是网站停留时间有什么用?

如果把页面停留时间和网站停留时间单纯的拿出来看,那么意义不是很大,主要原因有以下方面:

  1. 这些指标是战术层面的,我们无法认识到这些数据对公司的业绩的影响。单纯的页面停留时间或网站停留时间并不能反映到具体的营收。
  2. 这些指标需要很多的推断,简单的逻辑是这些数据越大越好,这些数据无法直接推断出某夜页面是好是坏。
  3. 这些指标主要是短期数据,随着互联网的发展,依照会话来度量指标现在远远不能满足需求,长期的访客行为,顾客生命周期等可能更加能反映问题。

不同的停留时间需要用不同的逻辑去判断。下面就开看看淘宝的例子:

网站 平均访问页数 平均访问时间 转化率
淘宝 30 30分钟 10%
淘宝商城 10 10分钟 2%

出现上述不同数据的主要原因有:淘宝就像超市,访客没有明确的目标,进了超市但是最终会买点什么,淘宝商城更像商场,去商场的用户多半是带着明确的目标去的,他们直奔目标,快速搜索,快速的购物,快速的离开。

从用户行为的维度看,淘宝的用户在淘宝和淘宝商城有着不同的购物行为,就像相同的人在商城和超市的举止言行肯定不同,所以淘宝商城的页面风格更加简洁,服务更标准化,商家更优质化。

同样的,作为旅游预订类网站,来到网站的用户基本上都有很明确的预订需求,我们需要做的是如何让用户在最短的时间内找到适合的产品。

三、页面停留时间和网站停留时间数据如何应用?

1、判断页面用户体验

从页面停留时间的计算方法中我们知道不可能用户在离开前在页面上停留多长时间,即页面停留时间是在有后续行为的情况下计算出来的,对已这部分数据先期可用的,就是把每套页面的停留时间统计出来,判断用户停留高或者低的主要原因,比如:用户在搜索结果页停留时间长了,是不是搜索结果不能满足用户需求,用户在列表页停留时间长了,是不是我们的列表页筛选做的还不够人性化,在产品终页停留长了是不是因为终页内容展示过多或者用户没有找到他想要的内容等。

2、访客再营销

记录网站停留时间较长,但是最后没有下单的用户,对这些用户进行再营销,由此产生的问题是,用户只有在登录的情况下我们才能获取到用户ID,记录下用户ID以后还需通过程序分析,需要给该用户推荐什么样的内容。可行性不是很高。

3、主动弹出客服弹出框或优惠信息

当用户在特定页面停留过长时,弹出客服框。主动与访客接触。解决访客疑惑。促使访客下单。但是此部分用户体验会不太好,可以学习下新浪微博的那种在页面顶部的提示功能。

4、当转化目标来用

在没有下单流程的网站,可以使用页面或者网站停留时间来作为完成一个目标,继而计算目标转化率,比如哪些主要以电话作为目标的网站,如果有N多的人(比例要大)到达终页没有下单,直接打电话预订,就可以使用停留时间来作为目标。

]]>
Radware:研究显示图像优化不佳影响用户网站体验
//www.otias-ub.com/archives/288199.html Mon, 10 Nov 2014 19:09:14 +0000 //www.otias-ub.com/?p=288199 infographic-progressive-image-rendering-and-the-user-experience-good-or-evil-1-638

日前,Radware发布了一份经过验证的数据,证实Web页面未经有效优化的图像会对用户体验产生明显可衡量的影响。

Radware委托神经科学研究领导者NeuroStrata对三种不同的图像渲染进行了测试。通过面部分析软件,捕捉250多位参与者在被要求可以依据文字或视觉提示完成任务时,对Web页面上三种随机选择的图像格式的实时反应。NeuroStrata还调查了测试者对网站图像的态度和期望。

此次调查研究的结果包括以下主要内容:

•95%以上的网站所使用的默认图像格式并不能实现最佳用户满意度。

•65%的测试参与者对过长的图像加载时间不满意。

•51%的测试参与者要等待大部分或全部页面图像加载完成后再进行页面交互。

•50%的测试参与者认为图像加载方式会影响到他们的Web浏览体验。

典型的Web页面通常会使用到上述研究中用到的三种图像格式中的两种——标准的无损GIF文件和渐进式JPEG文件。测试中用到的第三种图像文件采用一种最新开发的格式,是一种尚未公开的专利渲染技术格式。报告中显示,与测试所使用的另外两种图像格式相比,这种全新的渲染技术显然更受青睐。

Radware Web性能专家Tammy Everts表示:“人类十分注重视觉体验。图像可以紧紧抓住大家的注意力,唤起人们的反应并维持情感投入。由于图像在典型Web页面中占据了50%以上的比重,这项研究证明在网站中更快的呈现图像会对用户体验产生直接而重要的影响。”

Mindlab International主席David Lewis-Hodgson博士表示:“由于我们生活在视觉时代,网站图片的加载速度往往就成为了重要问题。研究表明,面对网站上不间断的复杂信息流,消费者可能会感到精神疲劳。而当图像分成两阶段呈现时——这是渐进式JPEG文件中用到的方法——消费者不得不更加费力地去理解显示的内容是什么,这反过来增加了访客的不满程度。”

在最新发表的题为“渐进式图像渲染:是好还是坏”的报告中,Radware描述了三种图像渲染技术的哪项技术可以最有效调动消费者反应。这份内容详实的报告可以帮助网站运营者改善网站设计和性能,进而提升用户体验。

]]>
电商网站分析实践(下)
//www.otias-ub.com/archives/268893.html Sun, 24 Aug 2014 14:41:18 +0000 //www.otias-ub.com/?p=268893 第三部分 如何吸引用户购买更多的产品

许多营销人员和网站分析师通常止步于跟踪和分析用户的目标转化数据,但实际上我们可以做的事情还有很多。

ecommerce-part-3

以下是一些我们可以进行深入分析的内容:

1、分析客户持续的互动行为

我们要学会区分哪些是增长性的指标,哪些是参与度的指标。我们来看一下这样的一个场景:

假如我们在不断地获得更多新客户,从网站的转化与互动数据来看,网站的表现似乎不错,因为这些购买了产品的新客户可能会在他们的第一次访问过程中与网站的互动特别多,他们可能会浏览很多产品页面,添加了多个产品到购物车中,并最终购买了产品。如果我们只是关注用户和网站之间的总体互动次数,那么我们可能会认为我们正做着正确的事,网站的表现相当不错,但实际上网站的问题可能已经是相当严重。

比如,客户有可能在完成第一次购买后再也不会回访和购买产品,导致这种结果的原因有很多,比如客户可能不满意已购买的产品,或是对于我们的服务也有意见,但这些客户不一定会把问题和意见反馈给我们。

大量的新客户数据掩盖了这些一次性客户缺乏后期互动(二次购买)的问题。

这里提供一个可用的解决方案:

根据客户的购买日期(把购买日期设置为可分组的维度或属性)对客户进行分组。把在三月份购买商品客户作为一个群组,在八月份购买商品的客户作为另一个群组,依此类推。我们对不同的群组的客户进行分析,随着时间推移,每个客户群组与网站的互动情况有什么不同。例如,我们可以从数据中发现,在十二月份进行购买的客户会比在六月份购物的客户和网站的互动更多,带来的销售也更多,我们就可以深入分析其原因并提出优化方案。

2、基于购买次数分析客户的互动行为(客户终身价值)

高水平的网站运营人员或分析师能够基于客户的忠诚度(购买频率)对用户的行为展开深入分析。在这里我们会应用到细分分析,我们可以根据客户的购买次数对他们进行分组。有过3次购买行为的用户将组成一个群组,而有过7次购买行为的用户将组成另一个群组,依此类推,分析他们与网站的互动行为。

现在,我们可以看到每个群组的用户他们的表现是什么样的,比如:其中哪些营销活动带来了更多的二次购买?哪些用户会较为积极地在社交网站上分享我们的产品?而对于那些已购买了过不下三次的忠诚客户,他们的邮件点击率是多少?

3、基于购买花费分析客户的互动行为

我们都希望网站可以有更多的挥金如土的大客户!但是,从长远来看,我们怎么知道我们的访客的真正价值,他们对我们的业务做出了多少贡献呢?同样,如果我们的工作重点就是衡量纯粹的转化,那么我们真的不需要分析得太深入。但是,如果我们的工作重点是衡量客户的终生价值,分析谁才是真正给我们带来更多销售的人,我们就需要从不同的角度来分析我们的数据。

我们在这里可以把基于他们的订单价值把客户人口统计分为三个不同的组:大额订单客户,中额订单客户和小额订单客户,这样我们就能知道随着时间的推移哪些客户可以给我们带来更多的销售额。

通过观察这三个用户群的数据,我们就可以确认给我们带来较多大客户的流量渠道有哪些,或者我们可以从中发现大部分的出手阔绰的订单多属于一次性的购买,要获得这类客户的成本相当高。我们可能还发现,那些中额订单客户和小额订单客户,不仅有很好的留存率,他们在后期还会转变成大客户。

充分挖掘出我们最喜欢的消费人群的更多信息:他们来自哪里,他们在网站上会有哪些行为。了解他们来自哪里,我们就可以调整和优化营销预算,以吸引更多此类的用户。而了解这些客户与网站的交互方式,我们就可以更新和优化内容以满足他们的需求。

4、基于客户的性别和年龄分析他们的在线行为

不同人口特征的用户的购买行为也会有着明显的差异,我们可以基于客户的性别和年龄分析他们的在线行为。

方法一,根据网站分析系统中的人口统计信息的数据进行细分分析;

方法二,根据后台的用户填写的信息设置的性别与年龄的维度作细分分析。

5、基于客户的访问意图分析他们的互动行为

访问目的的细分是网站分析中非常重要的分析方法。如果我们不知道是谁访问了网站,他们为什么会访问我们的网站,那么我们也就不能精确地评估与优化我们的在线商城的表现。不同于之前所说的访问者类型的细分,行为或访问意图的细分分析需要使用到一些复杂的工具和技术。

比如,访问访问我们的网站可能是因为以下的一种或多种原因:

• 购买礼品

• 购买服装

• 退货

• 检查订单状态

• 检查礼品卡余额

• 查看最近的实体店

• 查找客服电话号码

• 搜索公司招聘信息

我们可以根据这些具体的行为,给用户添加上相应的标识,从而可以对用户进行细分分析和优化。

via:analyticskey

]]>
电商网站分析实践(中)
//www.otias-ub.com/archives/266785.html //www.otias-ub.com/archives/266785.html#comments Sun, 17 Aug 2014 16:44:21 +0000 //www.otias-ub.com/?p=266785 第二部分:从产品放入购物车到订单达成

用户已选择好了产品并放入到购物车中,这时我们的任务就是保证用户购买支付的流程可以尽量流畅,使得尽量多的用户可以到达订单达成的页面。理解结账转化漏斗中的用户行为非常重要。为什么有些用户从转化漏斗中离开,为什么有些用户删除了购物车中的产品,或为什么有些用户在他们的原来的购物列表中增加了更多的产品,如能从数据中找出这些问题的答案,就可以有针对性地对购物的流程做出更好的优化。

与在产品详情页上收集的微转化的数据有所不同,这一部分是关于订单达成的宏观转化。我们从中可以了解购买流程中的用户行为和体验等内容。

这一部分的KPI和度量包括但不限于:

• 购物车放弃率

• 转化率

• 转化时间

• 平均订单价值

• 相关产品销售表现

• 产品关联性(哪些产品一起购买)

• 付款方式

• 运输方式

• 礼品登记

• 促销优惠券

1、转化率

转换率是一个最基本的、最重要的电子商务指标。这个指标很好地表示了电商网站的转化效率。这是一个简单易懂的指标。例如,有100次来自广告的访问,其中有三次达成了转化,转化率即为3%。不过也要注意的是,有些网站的客单价差别很大,如果某段时间低价值的订单数较多也可以提升网站的转化率但可能对于网站的意义并不是那么大。在Google Analytics中,订单转换率(电子商务转化率)是一个标准的指标,几乎在所有的报告都可以找到它,不过前提是你已在订单达成页面上配置好了电子商务跟踪。

1-conversion-rate

2、支付流程中每个步骤的转化与放弃率

支付流程的渠道转化报告可用于评估用户结账流程各个环节的转化情况。如果用户在结账时放弃付款,则可能是因为结账流程过于复杂。例如,如果有大量用户在结账时要求他们必须先登录的时候离开,那么我们不妨考虑添加一个选项,以便让用户以访客的身份结账,某知名电商网站在增加这个选项后订单转化率提升了23%。或允许访客使用他们已有的QQ或微博帐号登录,从而为那些不愿创建新帐号的用户创造更友好的购物体验。

0-conversion-funnel

3、转化所用时间

关注这个KPI的网站运营人员并不多,然而,这是一个非常重要的KPI,网站分析师可以基于这个KPI数据和用户的访问行为精确地优化转化渠道。

转化所用时间可定义为, “以某个定义好的事件触发时间作为起点,以完成购买或目标的时间点为终点,中间所需要耗费的时间段即为转化所用时间。 ”

在这个专题中,这里有两类转化所用时间。第一类为“微转化所用时间”,这是用户进入网站到添加第一个产品进入购物车所需的时间。第二类为“宏转化所用时间”,它代表了用户从进入网站到完成购买所耗的时间。

4、购物车里的商品删除动作

我们会监控有多少商品被放入了购物车,同样,我们也要监控在购买完成之前有多少商品被用户从购物车中删除掉。如果你发现了有很多特定的商品在加入购物车后再被用户删除掉,这可能是由于产品的定价出现了问题,这时候我们需要考虑是否要重新定价,我们可以面向这部分用户投放再营销的广告给他们提供产品折扣或发送促销邮件,以促使这些用户完成被删除商品的购买。除了这个原因外,也有可能是因为产品的引导或推荐机制存在问题,不同的问题需要使用不同的优化解决方案。

 2-delete-product

5、优惠券和促销代码

在购物车页面是否应该显示促销代码输入框,在电商行业仍存在较大的分歧。反对方的意见是:因为这个输入框有可能会使购物车放弃率增加,如果用户手头上没有促销代码但他们又期望可以用更少的钱购买商品,这样他们可能会离开网站去搜索可用的促销代码,并因此而分心而再也不会回到网站上。

3-coupon

在购物车页面上显示促销代码的输入框是否会对网站的销售产生负面的影响,最好还是通过数据去进行验证。我们可以思考和验证以下问题:如果购物车页面上没有促销代码输入框,用户的放弃率是否会有明显的变动?哪些促销代码产生了较多的销售?对于应用了优惠券和未使用优惠券的订单,它们对应的收入比例和平均订单价值又是什么样的?

6、付款方式

电商网站都提供了在线支付的付款方式,网站提供的付款方式是否灵活对于最后的转化率和平均订单价值有着巨大的影响。跟踪付款方式将有助于我们了解以下信息:使用银联卡与使用支付宝的用户他们之间的支付行为是否有差别?使用招行卡的用户是否比使用农行卡的用户愿意花更多的钱购物?是否使用礼品卡或者购物奖励积分的用户会购买更多的商品?

4-pay-method

via:analyticskey

]]>
//www.otias-ub.com/archives/266785.html/feed 2
电商网站分析实践(上)
//www.otias-ub.com/archives/266771.html //www.otias-ub.com/archives/266771.html#comments Sun, 17 Aug 2014 16:41:13 +0000 //www.otias-ub.com/?p=266771 给网站带来流量并不是一件容易的事,而在用户到达网站后如何吸引用户与网站发生互动更是一个艰难的挑战。如何建立一个用户喜欢的并能持续回访的一个站点?所有的网站营销人员都想知道答案,但这并没有一个通用的解决方案。

无论你是一个大型电商网站的CEO还是一个小型电商网站的老板,我们对于自己的网上商城都有着类似的期望:把访客转换成客户,然后把这些客户变成回头客,并引导他们去宣传你的品牌从而带来更多的客户。通过收集访客与网站之间的接触点数据,深入挖掘网站访客的在线行为和购买习惯数据,我们可以确认网站的KPI指标。虽然每个电商网站都有着自己特有的商业模式和目标受众,但对于大多数电商公司来说,很多电商KPI都是通用的。通常衡量电商网站是否成功的一些KPI包括产品类别和产品页面的曝光量、社交媒体分享数、产品购买的数量和销售额等等。

在这个专题中,我们将介绍一个完整的通用的电子商务报告分析方案,这涉及了如何提升产品页面的效率,以及如何使用跟踪到指标帮助做出具体决策,从而优化产品页面和电子商务渠道的转化率。

第一部分:从查看产品到把产品加进购物车

产品详情页面的访客互动行为的分析对于网站优化确认投资回报率非常关键。这是理解我们的访客的真正价值及其行为的重要一步。任何和产品页面的互动比如将产品添加到购物车都可以认为是一种微转化,而微转化是宏转化(如订单)的先决条件,并很可能会带来更多的收益。

add-to-cart

衡量用户与产品详情页面的互动程度的度量包括但不限于:

     产品页面基本数据

     产品的评级和评论

     社交媒体分享

     添加到购物车

     未能加入购物车

     内容深度

     页面停留时间

     点选产品图片、放大查看产品细节(增加的内容)

1、产品页面的基本数据

如果只是孤立地查看产品详情页面的浏览量,这样的分析也是不完整的,我们很难从中获取到价值。了解更多关于产品详情页面的数据可以帮忙我们回答以下问题,如:

     产品详情页面作为着陆页的访问次数为多少?

     哪些产品容易令游客跳出或离开网站?

     哪些产品的浏览最多?

     哪些产品线有着更多的社交媒体分享?

     哪些产品种类有着最高的转化率?

     哪些产品的收入最高?

     在男性产品和女性产品的各类产品线中,哪些产品线可以成为我们重点投资的对象?

以vancl.com为例,它主要销售的是服装、鞋类、内衣配饰等等,面向的用户群体分为男性、妇女和孩子,所有产品详情页面都会归属到特定的类别中。

 1-product-page

2、产品评级和评论

许多在线用户在购买产品时都很看重产品的评论。甚至很多情况下很多线下的用户在进入实体店购买产品前也会先在线查询产品的评级和评论。

2-product-grade

有效地倾听用户的反馈,并把反馈的信息与和其他网站数据整合起来,我们可以获取到关于产品详情页面的表现及其对整个购买流程的影响的全景图像。

3、页面社交行为

在过去的十年中,社交媒体在企业中已得到了越来越广泛的使用。但在大多数情况下,社交媒体活动的数据是与其他的网站数据相隔离的,从而导致企业无法对客户进行最准确和最详细的画像。

很多电商网站已经配置了社交媒体插件,通过跟踪产品详细信息页面上的社交媒体分享按钮,我们可以知道:哪一部分访问者更愿意分享我们的产品?他们分享出去的内容带回了多少流量?哪条产品线的内容被分享得最多?我们需要重点投入的社交媒体网络是哪一些?

3-social-share

4、放入购物车

这是在产品详情页上的最重要的用户交互。如果用户不添加商品到购物车,则不会产生后边的购买行为。跟踪用户与这个按钮的交互是必须的。分析工具不会自动跟踪的加入购物车按钮的点击,除非点击该按钮的进入的是唯一的URL或按钮本身添加了跟踪代码标识。如果你的网站“放入购物车”按钮没有链接到一个唯一的页面,而是像凡客的页面那样点击时弹出一个小窗体引导用户继续购物或进入结账,那么在点击时需要触发一个事件或一个虚拟页面以记录用户点击了按钮。

5、放入购物车失败

例如,凡客网站上有些产品在放入购物车之前需要先选择颜色、尺寸和数量。当用户未选择好这些项目就点击“放入购物车”按钮,即会弹出操作错误的提示信息如“请选择您要购买的商品尺码”。这有可能导致用户放弃购买。建议可添加事件跟踪把这一块的数据跟踪起来,从而可以深入分析用户放弃购买的原因。

4-add-to-cart-failed

6、切换产品图片和放大查看产品图片动作

可能很多人对于这些个动作的并不怎么关注,但这些动作的数据也可以反映出用户进入产品页面后对产品的感兴趣程度。当然部分产品的放大查看次数的比例较高(远高于平均水平),也有可能反映出小图的展示情况不好因此用户必须得查看大图。

5-zoom-in-product-details

via:analyticskey

]]>
//www.otias-ub.com/archives/266771.html/feed 1
2014年8月俄罗斯网络购物类网站Top5流量分析
//www.otias-ub.com/archives/264436.html Fri, 08 Aug 2014 16:06:57 +0000 //www.otias-ub.com/?p=264436 article-0-0B6CE48F00000578-631_634x407

一.俄罗斯Shopping类网站排名(前10位)

分类:购物(Shopping) · 地区:俄罗斯(Russia Federation)
排名Rank 域名Domain 分类Category
1 aliexpress.com Shopping
2 market.yandex.ru Consumer_Electronics
3 ebay.com Shopping
4 ulmart.ru Consumer_Electronics
5 wildberries.ru Clothing
6 dns-shop.ru Consumer_Electronics
7 ozon.ru General_Merchandise
8 citilink.ru General_Merchandise
9 mvideo.ru Consumer_Electronics
10 lamoda.ru Clothing

二.俄罗斯Shopping类网站流量

1.Aliexpress.com

全球速卖通是阿里巴巴旗下唯一面向全球市场打造的在线交易平台,被广大卖家称为国际版“淘宝”。

像淘宝一样,把宝贝编辑成在线信息,通过速卖通平台,发布到海外。类似国内的发货流程,通过国际快递,将宝贝运输到买家手上就这样,轻轻松松,与220多个国家和地区的买家达成交易,赚取美金。但由于多国为保护本国电商,限制或禁止本国人员跨境网购,目前俄罗斯,阿根廷已实施相应政策。

(1)总流量

截止到2014年6月,Aliexpress.com在购物类网站排名第4,用户访问量705万/天,平均停留时间为7:48,平均停留页数为9.28,跳出率为50.19%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
俄罗斯 16.02% 12:47 14.88 28.98%
美国 14.33% 6:29 7.44 46.35%
巴西 9.69% 7:43 7.64 56.81%
乌克兰 3.85% 9:05 10.52 41.33%
西班牙 2.95% 8:16 9.51 48.93%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 27.45% 2.44% 38.96% 18.88% 2.50% 9.77%

2.Market.yandex.ru

Yandex Market(Yandex市场)是俄罗斯搜索巨头Yandex旗下的一家购物网站产品查询和对比的集合类网站,用户可以查询各类产品在不同购物网站上的价格及评价,以便进行比较,从而选出最适合自己的一款产品。

2002年底,Yandex虚拟购物服务Yandex.Market,截止到2014年6月,Market.yandex.ru在消费电子类购物网站排名第2,仅次于百思买(besybuy.com)。下面我们来看一下Market.yandex.ru的流量分布和具体情况。

(1)总流量

截止到2014年6月,Market.yandex.ru在消费电子类购物网站排名第2,用户访问量190万/天,平均停留时间为7:11,平均停留页数为8.24,跳出率为30.51%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
俄罗斯 94.76% 7:19 8.37 29.62%
美国 1.66% 6:12 6.81 32.12%
德国 0.49% 6:05 6.30 38.24%
乌克兰 0.37% 5:42 5.40 49.72%
英国 0.36% 7:06 7.48 30.32%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 18.36% 0.40% 59.85% 20.88% 0.51% 0.00%

3.Ebay.com

eBay(EBAY,中文电子湾、亿贝、易贝)是一个管理可让全球民众上网买卖物品的线上拍卖及购物网站。ebay于1995年9月4日由Pierre Omidyar以Auctionweb的名称创立于加利福尼亚州圣荷西。

截止到2014年6月,Ebay.com在购物网站排名第

(1)总流量

截止到2014年6月,Ebay.com在购物类网站排名第2,用户访问量2470万/天,平均停留时间为9:56,平均停留页数为11.01,跳出率为28.24%。

(2)各国流量占比(2013年7月-2014年6月,前5)

2

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 45.81% 2.52% 22.92% 26.39% 1.96% 0.41%

4.Ulmart.ru

Ulmart成立于2008年,第一年运营就在网络销售方面达到了1亿美元的进账,在2011年使这个数字翻了倍。创业初期Ulmart主营电脑及电子产品,但当前其售卖的品类已经扩张至工具、动力设备以及玩具。目前,现在电脑及电子产品仅占销售额的六成。

Ulmart以惊人的发展速度在成长,但这与它对于物流配送的重视息息相关。Ulmart的用户可以在物流中心免费领取自己的订单,而半数的消费者都会这么做。同时,消费者还能够选择将订单免费运送至Ulmart在郊区的任一站点。

(1)总流量

截止到2014年6月,Ulmart.ru在消费电子类购物网站排名第7,用户访问量43万/天,平均停留时间为8:11,平均停留页数为11.26,跳出率为28.88%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
俄罗斯 97.74% 8:18 11.99 28.27%
乌克兰 0.88% 1:46 2.97 64.52%
白俄罗斯 0.41% 8:45 4.14 55.24%
哈萨克斯坦 0.19% 2:34 3.69 53.12%
美国 0.14% 8:34 11.45 30.07%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 40.03% 1.39% 31.66% 24.05% 1.85% 1.02%

5.Wildberries.ru

Wildberries于2006年成立于莫斯科,是俄罗斯本土领先的鞋服及饰品在线销售平台。其主营品类包括时尚女装、时尚男装、童装及时尚鞋类,提供全国免运费快递服务,也是俄罗斯第一家提供无条件免费送货的电商。

(1)总流量

截止到2014年6月,Wildberries.ru在服饰类购物网站排名第9,用户访问量47万/天,平均停留时间为8:22,平均停留页数为11.85,跳出率为40.03%。

(2)各国流量占比(2013年7月-2014年6月,前5)

3

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 22.13% 8.76% 38.34% 24.87% 1.68% 4.23%

]]>
2014年8月美国网络购物网站Top5流量分析
//www.otias-ub.com/archives/264433.html Fri, 08 Aug 2014 15:58:49 +0000 //www.otias-ub.com/?p=264433 stock-footage-pretty-ethnic-girls-online-tablet-shopping-kitchen-counter-african-american-asian-chinese

一.美国Shopping类网站排名(前10位)

分类:购物(Shopping) · 地区:美国(United States)
排名Rank 域名Domain 分类Category
1 Amazon.com General_Merchandise
2 Ebay.vom Shopping
3 walmart.com General_Merchandise
4 Bestbuy.com Consumer_Electronics
5 target.com Shopping
6 Etsy.com Shopping
7 homedepot.com Home_and_Garden
8 Aliexpress.com Shopping
9 groupon.com Coupons
10 macys.com General_Merchandise

在这10家网站中,其中有5家电商平台,4家在线电商,1家团购网站。今天我们着重介绍电商平台和团购网站的数据。

二.美国Shopping类电商平台流量

1.Amazon.com

亚马逊公司(Amazon,简称亚马逊;NASDAQ:AMZN),是美国最大的一家网络电子商务公司,位于华盛顿州的西雅图。它是网络上最早开始经营电子商务的公司之一,亚马逊成立于1995年,一开始只经营网络的书籍销售业务,现在则扩及了范围相当广的其他产品,已成为全球商品品种最多的网上零售商和全球第2大互联网公司。

(1)总流量

截止到2014年6月,Amazon.com在购物类网站排名第1,用户访问量3360万/天,平均停留时间为7:03,平均停留页数为7.36,跳出率为35.73%

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 72.69% 7:52 9.63 27.01%
加拿大 2.58% 4:43 5.87 41.39%
英国 2.44% 3:32 4.20 47.40%
澳大利亚 1.25% 5:21 6.17 40.18%
印度 1.18% 4:31 4.13 51.92%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 45.17% 2.04% 23.40% 25.31% 3.51% 0.57%

2.Ebay.com

eBay(EBAY,中文电子湾、亿贝、易贝)是一个管理可让全球民众上网买卖物品的线上拍卖及购物网站。ebay于1995年9月4日由Pierre Omidyar以Auctionweb的名称创立于加利福尼亚州圣荷西。

(1)总流量

截止到2014年6月,Ebay.com在购物类网站排名第2,用户访问量2470万/天,平均停留时间为9:56,平均停留页数为11.01,跳出率为28.24%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 65.85% 11:09 11.47 21.38%
俄罗斯 3.36% 10:31 13.13 25.36%
加拿大 3.22% 7:27 8.50 32.73%
英国 2.92% 4:07 4.53 45.49%
澳大利亚 1.56% 6:57 7.80 32.60%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 45.81% 2.52% 22.92% 26.39% 1.96% 0.41%

3.Bestbuy.com(美国国内Shopping类排位第4)

百思买集团(Best Buy),是全球最大家用电器和电子产品零售集团。在2000财政年度,公司推出了首个网上购物网站。[回复092,查看bestbuy.com完整流量分析报告]

(1)总流量

截止到2014年6月,besybuy.com在消费电子类购物网站排名第1,用户访问量255万/天,平均停留时间为5:33,平均停留页数为6.78,跳出率为27.73%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 90.61% 5:42 7.56 23.82%
加拿大 2.22% 2:56 3.98 46.57%
墨西哥 0.83% 7:15 8.87 27.70%
巴西 0.64% 7:02 7.65 26.00%
印度 0.60% 3:21 3.88 47.78%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 37.84% 2.81% 19.30% 37.92% 1.66% 0.46%

4.Etsy.com(美国国内Shopping类排位第6)

Etsy是美国一个在线销售手工工艺品的零售平台,于 2005 年 6 月 18 日上线,网站集聚了 一大批极富影响力和号召力的手工艺术品设计师。

(1)总流量

截止到2014年6月,Etsy.com在购物类网站排名第21,用户访问量215万/天,平均停留时间为8:07,平均停留页数为10.41,跳出率为31.15%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 67.72% 8:38 12.41 26.79%
英国 6.04% 7:22 10.36 30.63%
加拿大 4.91% 7:48 12.09 29.88%
澳大利亚 3.06% 8:11 12.35 28.91%
法国 1.54% 7:12 10.03 36.24%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 35.69% 2.81% 23.26% 25.49% 12.55% 0.19%

5.Aliexpress.com(美国国内Shopping类排位第8)

全球速卖通是阿里巴巴旗下唯一面向全球市场打造的在线交易平台,被广大卖家称为国际版“淘宝”。

像淘宝一样,把宝贝编辑成在线信息,通过速卖通平台,发布到海外。类似国内的发货流程,通过国际快递,将宝贝运输到买家手上就这样,轻轻松松,与220多个国家和地区的买家达成交易,赚取美金。但由于多国为保护本国电商,限制或禁止本国人员跨境网购,目前俄罗斯,阿根廷已实施相应政策。

(1)总流量

截止到2014年6月,Aliexpress.com在购物类网站排名第4,用户访问量705万/天,平均停留时间为7:48,平均停留页数为9.28,跳出率为50.19%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
俄罗斯 16.02% 12:47 14.88 28.98%
美国 14.33% 6:29 7.44 46.35%
巴西 9.69% 7:43 7.64 56.81%
乌克兰 3.85% 9:05 10.52 41.33%
西班牙 2.95% 8:16 9.51 48.93%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 27.45% 2.44% 38.96% 18.88% 2.50% 9.77%

6.Groupon.com(美国国内Shopping类排位第9)

Groupon最早成立于2008年11月,以网友团购为经营卖点。其独特之处在于:每天只推一款折扣产品、每人每天限拍一次、折扣品一定是服务类型的、服务有地域性、线下销售团队规模远超线上团队。除了以.com为后缀的英文站,Groupon还有法语、德语、俄语等不同语种的网站。

(1)总流量

截止到2014年6月,Groupon.com在团购类网站排名第1,用户访问量150万/天,平均停留时间为4:28,平均停留页数为4.44,跳出率为38.97%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 89.88% 4:44 5.00 36.35%
加拿大 6.91% 4:00 4.58 39.32%
英国 0.46% 2:27 3.18 49.16%
印度 0.35% 416 3.84 48.73%
澳大利亚 0.15% 2:51 3.40 45.80%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 49.64% 14.96% 16.00% 16.63% 2.86% 0.41%

]]>
2014年8月德国电子商务网站Top10流量分析
//www.otias-ub.com/archives/264430.html Fri, 08 Aug 2014 15:54:33 +0000 //www.otias-ub.com/?p=264430 fly_flag_germany_wallpaper_hd

一.德国Shopping类网站排名(前10位)

1.Ebay.de(拍卖)

2.Amazon.de(百货)

3.Otto.de(购物)

4.Zalando.de(服饰)

5.Idealo.de(购物)

6.Hm.com(服饰)

7.Ikea.com(家居)

8.Amazon.com(百货)

9.Ebay.com(购物)

10.Mediamarkt.de(消费电子)

二.德国Shopping类网站流量

1.Ebay.de(电商平台)

eBay是全球最大的国际贸易电子商务平台,Ebay德国(ebay.de)系Ebay在德国设立的分站点。

2014年1月中旬起,卖家在eBay德国 ( eBay.de )、eBay奥地利 ( eBay.at ) 或eBay瑞士 ( eBay.ch )站点刊登高价值物品时,如果物品所在地在欧洲之外,平台将按照新规则对卖家行为进行规范。eBay表示,高价值物品的定义是单价高于或等于22欧元(不含物流费)的物品。在新规则下,卖家必须选用优质物流供应商作为运送选项方案,且仅限DHL、Fedex、TNT、UPS和EMS。此外,卖家还必须在德国站提供退货服务,并加入依从德国法律的退货政策。

(1)总流量

截止到2014年6月,Ebay.de在拍卖类(auctions)购物网站排名第1,用户访问量535万/天,平均停留时间为14:02,平均停留页数为15.12,跳出率为16.63%。

(2)各国流量占比(2013年7月-2014年6月,前5)

国家 百分比 时间 页数 跳出率
德国 82.67% 14:27 15.95 15.64%
奥地利 1.93% 8:53 10.11 30.79%
瑞士 1.65% 8:33 10.75 31.14%
美国 1.51% 9:26 9.79 29.03%
荷兰 1.28% 10:21 13.46 18.92%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 51.82% 1.56% 21.50% 22.01% 2.81% 0.31%

2.Amazon.de(电商平台)

亚马逊公司(Amazon.com),是美国最大的一家网络电子商务公司,位于华盛顿州的西雅图。亚马逊德国(amazon.de)是亚马逊公司在德国设立的站点。

(1)总流量

截止到2014年6月,Amazon.de在百货类购物网站排名第5,用户访问量515万/天,平均停留时间为7:43,平均停留页数为8.82,跳出率为31.43%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
德国 78.63% 7:45 7.90 31.61%
奥地利 6.65% 8:45 11.57 25.06%
瑞士 2.62% 5:20 7.24 38.66%
美国 2.26% 5:42 6.36 36.95%
荷兰 1.32% 6:36 9.37 26.31%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 51.60% 0.99% 16.17% 26.26% 4.60% 0.38%

3.Otto.de(电商独立网站)

奥托集团(Otto Group)来自德国领先的电子商务解决方案及服务的提供商,在全球综合B2C排名中,仅次于亚马逊排在第二位,同时也是全球最大在线服装、服饰和生活用品零售渠道商。

(1)总流量

截止到2014年6月,Otto.de在购物类网站排名第123,用户访问量47万/天,平均停留时间为8:06,平均停留页数为12.48,跳出率为29.53%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
德国 90.31% 8:16 12.46 28.61%
奥地利 2.09% 3:21 4.94 52.83%
瑞士 1.16% 3:02 5.29 51.35%
波兰 1.12% 1:33 2.91 64.71%
美国 0.61% 8:27 11.05 26.68%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 33.95% 1.69% 30.57% 30.10% 1.06% 2.63%

4.Zalando.de(电商独立网站)

Zalando是德国最大的服装网,在德国享有一定的信誉,是德国的领军销售商,在英国、法国、荷兰、意大利也设有分机构。网站汇集了几乎所有的世界品牌服装,包括儿童服装,还有品牌包、鞋帽、手表、饰品、钱包等,时常还推出10欧元或者20%优惠劵。

(1)总流量

截止到2014年6月,Zalando.de在服饰类购物网站排名第19,用户访问量34万/天,平均停留时间为8:00,平均停留页数为13.28,跳出率为25.38%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
德国 90.41% 8:09 11.38 24.39%
瑞士 1.74% 3:40 5.84 47.88%
奥地利 1.60% 4:44 7.32 44.66%
美国 0.81% 6:52 9.01 33.33%
波兰 0.77% 1:39 2.80 67.96%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 36.46% 1.14% 22.56% 34.81% 2.18% 2.86%

5.Idealo.de(价格对比网站)

Idealo创立于2000年,是一家提供商品价格比较服务的网站,公司总部位于德国柏林。

(1)总流量

截止到2014年6月,Idealo.de在购物类网站排名第195,用户访问量49万/天,平均停留时间为3:28,平均停留页数为3.54,跳出率为46.91%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
德国 86.47% 3:30 3.50 46.49%
瑞士 2.25% 2:33 2.92 51.85%
奥地利 2.10% 2:43 3.12 50.28%
荷兰 1.10% 2:57 3.48 45.55%
美国 0.90% 3:54 3.79 43.67%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 14.64% 0.08% 7.33% 77.76% 0.08% 0.11%

6.Hm.com(电商独立网站)

H&M,Hennes&MauritzAB的简称,由ErlingPersson于1947年在瑞典创立,主要经营销售服装和化妆品。目前,H&M的发展惊人,拥有超过3000 家专卖店,足迹遍布 28 个国家。德国是他的最大市场,其次是瑞典和英国。

(1)总流量

截止到2014年6月,Hm.com在服饰类网站排名第1,用户访问量120万/天,平均停留时间为8:15,平均停留页数为17.04,跳出率为10.98%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 23.65% 7:00 16.24 13.33%
德国 12.08% 10:59 24.77 8.33%
英国 9.43% 7:29 14.68 11.30%
荷兰 9.37% 8:58 21.69 8.22%
法国 4.89% 6:46 10.10 11.13%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 33.98% 2.15% 16.88% 42.30% 4.52% 0.17%

7.ikea.com(电商独立网站)

宜家家居(IKEA)于1943年创建于瑞典,瑞典宜家集团已成为全球最大的家具家居用品商家,销售主要包括座椅/沙发系列,办公用品,卧室系列,厨房系列,照明系列,纺织品,炊具系列,房屋储藏系列,儿童产品系列等约10,000个产品。

(1)总流量

截止到2014年6月,Hm.com在Furniture类购物网站中的排名第1,用户访问量235万/天,平均停留时间为8:39,平均停留页数为13.62,跳出率为17.95%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 22.51% 7:36 13.35 16.25%
英国 7.56% 8:24 12.94 15.83%
德国 7.44% 8:37 13.56 17.12%
法国 6.68% 8:27 12.12 13.97%
俄罗斯 6.49% 9:34 16.10 20.54%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 32.99% 1.06% 18.47% 45.19% 1.98% 0.32%

8.Amazon.com(电商平台)

亚马逊公司(Amazon,简称亚马逊;NASDAQ:AMZN),是美国最大的一家网络电子商务公司,位于华盛顿州的西雅图。它是网络上最早开始经营电子商务的公司之一,亚马逊成立于1995年,一开始只经营网络的书籍销售业务,现在则扩及了范围相当广的其他产品,已成为全球商品品种最多的网上零售商和全球第2大互联网公司。

(1)总流量

截止到2014年6月,Amazon.com在购物类网站排名第1,用户访问量3360万/天,平均停留时间为7:03,平均停留页数为7.36,跳出率为35.73%

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 72.69% 7:52 9.63 27.01%
加拿大 2.58% 4:43 5.87 41.39%
英国 2.44% 3:32 4.20 47.40%
澳大利亚 1.25% 5:21 6.17 40.18%
印度 1.18% 4:31 4.13 51.92%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 45.17% 2.04% 23.40% 25.31% 3.51% 0.57%

9.Ebay.com(电商平台)

eBay(EBAY,中文电子湾、亿贝、易贝)是一个管理可让全球民众上网买卖物品的线上拍卖及购物网站。ebay于1995年9月4日由Pierre Omidyar以Auctionweb的名称创立于加利福尼亚州圣荷西。

(1)总流量

截止到2014年6月,Ebay.com在购物类网站排名第2,用户访问量2470万/天,平均停留时间为9:56,平均停留页数为11.01,跳出率为28.24%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
美国 65.85% 11:09 11.47 21.38%
俄罗斯 3.36% 10:31 13.13 25.36%
加拿大 3.22% 7:27 8.50 32.73%
英国 2.92% 4:07 4.53 45.49%
澳大利亚 1.56% 6:57 7.80 32.60%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 45.81% 2.52% 22.92% 26.39% 1.96% 0.41%

10.Mediamarkt.de(电商独立网站)

全球第二大家电零售巨头,欧洲最大电器连锁店-美地亚(Media Markt)。

(1)总流量

截止到2014年6月,mediamarkt.de在消费电子类购物网站排名第34,用户访问量23万/天,平均停留时间为5:25,平均停留页数为6.16,跳出率为26.43%。

(2)各国流量占比(2013年7月-2014年6月,前5)

Country Percent Time Pages Bounce Rate
德国 90.04% 5:30 6.26 25.66%
荷兰 1.43% 4:14 5.64 22.69%
奥地利 1.25% 2:58 3.93 48.68%
瑞士 1.11% 2:54 4.15 47.92%
波兰 0.75% 1:37 2.58 68.67%

(3)各渠道流量占比

渠道 直接访问 邮件 引荐 搜索 社交 广告
占比 29.70% 0.33% 18.46% 48.72% 1.69% 1.10%

]]>
Overstock:美国最大折扣网站流量分析
//www.otias-ub.com/archives/264392.html Fri, 08 Aug 2014 15:39:42 +0000 //www.otias-ub.com/?p=264392  Overstock.com是美国知名在线购物网站,成立于1999年,总部设于美国犹他州盐湖城,经销各类商品,包括名牌时尚时装、珠宝、电器、家用百货、影音产品等。2013.6-2014.5Overstock.com的平均日访问量达到85W,该网站在百货品类位列第22名,下面我们来看一下该网站流量分布和具体情况。

 一.Overstock.com网站概况

Overstock.com是美国知名在线购物网站,成立于1999年,总部设于美国犹他州盐湖城,经销各类商品,包括名牌时尚时装、珠宝、电器、家用百货、影音产品等。

公司使用overstock.com(美国) 以及其短域名o.co(国际)的平台来销售产品,同时公司架设了o.info网站, 用来作为产品点评和提供购买指导的网站。此外,公司还有汽车(年盈利1百万美元左右,是”对于公司的主要业务和顾客的需求都有益的副业务”)、旅游(和priceline网站相连, 基本盈亏平衡)、保险(基本盈亏平衡)、B2B等业务。

二.Overstock.com流量数据

1.总流量

2014年5月份的总体流量:平均64W/day的访问量,平均停留时间为5-6分钟,平均浏览页面数为5-6,网站跳出率为37%

下图为2013.6-2014.5Overstock.com总体流量变化图

o.co_overview_total_daily

在2013.6-2014.5期间overstock.com的流量渠道占比:直接访问流量占比29%,搜索流量占比44%,引荐流量占比20%,其他流量占比7%;主要流量来源为美国。

o.co_Traffic_Sources_year

下图为2013.6-2014.5各渠道流量占比趋势图

o.co_traffic volumes2.国家流量比例

overstock.com的国家流量目前覆盖190个国家,主要流量来源为美国。

o.co_geography

3.域名搜索

目前overstock.com的域名搜索占搜索流量比重的7%,为网站贡献了平均2.2W/day的流量。

o.co_search_terms_month4.各渠道对比

2014年5月份各渠道占比如下图:

o.co_Traffic_Sources_month其中直接访问流量占比25%,搜索流量占比49%,引荐流量占比23%,其他流量占比3%

5.搜索渠道

2014年5月overstock.com的搜索渠道流量占比49%,搜索渠道平均每天为网站贡献了31.4万的流量

o.co_search_total下图为2014.5搜索渠道流量分布情况,其中自然搜索流量占比84%,付费搜索流量占比16%;常规搜索占比94%,图片搜索占比<6%

o.co_search_keywords_month

6.社交渠道

目前社交渠道流量占总流量比重的1%,社交渠道平均每天为网站贡献了6.4K的流量

o.co_social_total

下图↓为2013.6-2014.5间社交渠道流量构成,涉及7854个社交页面,其中Facebook占比62%,Reddit占比21%,Pinterest占比11%,Youtube占比4%,其他社交渠道占比2%。

o.co_social_referring visits_year

下图↓为5月份社交渠道的流量构成,涉及602个社交页面,其中Facebook占比53%,Pinterest占比32%,Reddit占比6%,Youtube占比4%,其他社交渠道占比2%。

o.co_social_referring visits_month

其中Facebook和Pinterest在社交渠道占比增加,Reddit占比减少,其他社交渠道占比保持稳定。

7.引荐流量

5月份的引荐流量占比23%,平均为网站贡献了15W/day的流量。

下图↓为2013.6-2014.5间引荐流量的流量变化图

o.co_referrals_totalo.co_referrals_domains_month由上图,我们可以知道overstock.com的最近引荐流量主要来自:

bizrate.com(购物比较搜索引擎,提供各个卖场的同类产品价格比较、产品评价以及商家评级)

polyvore.com(时尚搭配网站)

houzz.com(家装购物网站,设计师分享装修案例与装修技巧)

ebay.com(易趣网

amazon.com(亚马逊美国站)

Apartmenttherapy.com(家装类博客网站)

来源:比邻互动

]]>
网站细分分析的十个要点
//www.otias-ub.com/archives/250250.html Mon, 30 Jun 2014 16:26:27 +0000 //www.otias-ub.com/?p=250250

image-adobetargetupdate-2013

作为艺术与技术结合的网站分析师,不能仅依靠关键指标或者依赖于一个很炫的仪表盘。而真正的价值体现在于不断的细分网站用户,从而更好的分析用户,为他们提供个性化的服务进而实现其商业价值。

本文提供了10点细分的建议,让你的数据直接变成有价值的信息。

1、一滤、二组、三细分

虽然网站(流量)分析的数据量是海量(译者注:UV超过10万UV/天的网站网站日志、订单数据、商品数据、会员数据等每天产生的数据一般都是以G为单位原始数据。),但往往也会很容易导致一些错误的结论(译者注:大数据量意味数据内容多,但如果对于数据的收集过程或者数据本身是否有偏/不足不了解,就很容易在分析的时候做出的决定是错的)。由于JS代码的执行是在客户端(浏览器加载网页的过程中),所以有很多固有的错误是无法避免的,除非你对这些数据进行过滤处理。另外,如果不对数据进行细分,那么往往top10与TOP50列表内容各个时间段都并不太会有太大改变(译者注:对于一个流量相对稳定的公司来说,排名前面几位的一般变化不大。所以分析时候,最好看每个大类下面的TOP50,更容易发现一些数据的异常)。

2、细分客户类型

常规的用户类型:新访者、潜在用户(多次访问过访问,但没有注册)、会员、联盟客户、公司员工。不同类型的用户访问网站的行业差异性很大。会员的行为与潜在用户可能完全不一样(译者注:因为不同类型的用户来网站的目的是不一样的,会员来购买可能注是为了购买某种商品,而潜在用户可能只是来看看或者进行比比价)。会员有时候会让转化率这个指标出现虚高,往往公司内部员工的转化率会比较高。

3、对渠道类型进行划时代

渠道类型主要分为:付费与自然流量;付费媒体与免费媒体,内部与外部广告,以及联盟。很多网站分析工具提供的基本的流量细分报告,但如果没有另外再加入跟踪代码,可能很难超越的三种基本类型。

一些关键流量渠道细分必须考虑加入一些代码包括:如果一些社会化渠道来源(一些人分析你网站的内容的转贴或者发贴),自有社会化媒体的渠道(像在youtube或者facebook上官方主页之类;付费或者自然搜索;自然的引用链接(像别的网站转载你的内容然后会加上原文链接),一般网站链接的交换。否则这些渠道的流量跟踪可能会无法统计。

4、仔细检查自然流量加的代码

许多网站的自然流量往往是不可信因为加入的代码往往质量很差。请仔细检验你的邮箱、社会媒体、重定位或者手机流量的监测代码是否准备且完全正确的,这样才能对更准备去判断是否统计的自然输入是真的直接输入。

5、通过意向对内容进行细分

网站的用户可以分为:研究、购买、重复购买、谈判、推荐。不对的人对于内容的印象是不一样的,所以利用这些相同的内容定位命名为你的网站分析报告。随着时间的推移,通过构建一个好的购买流程漏斗:包括:研究、游客,购买,交易和/或更新,从而不断的够优化用户体验。

6、利用有意义的的方法划分产品类型

就像你通过内容来细分目的,为了更好追求从而更好的分析/识别业务上产品的配置便于作的扩展分析。

7、跨平台的整合数据

网站分析数据不应该被交易数据所替代,整合不同的数据源用于理解的分析或者记录的信息的区别。从记录的信息中得出结果,二者并不相等,信息并表示结论。

8、更贴近你的客户

许多在报告中呈现的专业术语与科学术语似乎与商业股东的利益没有明显的相关。转变报告的内容表达从而更好走向你的“听众”,让他们更好的理解报告。

9、为每一个推测建议目标并检验这些预测

一个好的网站分析师通过假设、以及从数据中发现的规则来对未来的趋势做出预测,基于对于整个市场的趋势做出研判。一个伟大的网站分析师可以给猜测一个合适的解释,从而可以为下一步月度、季度、年度去评估这些预测的目标。

10、把商业驱动与细分&指标联系在一起

您的业务主要集中在积极的收购重点产品?开始分割你的数据,包括关键的发现,围绕该焦点。

你报告的听众是否持续深入的进一步你的用户服务行为,而不是仅仅把焦点集中的新用户服务、潜在客户的细分上。与业务相一致,以及注意各类细节,从而让你的分析你的听众愿意接受分析,并保持开放

总结

虽然很少人可以完全掌握并使用这些要点,然后对于是作为艺术与技术结合的网站分析师来说,我们应该都要知道每一项细分都影响商业价值的实现。

via: 数据分析

]]>
降低网站跳出率21种方法
//www.otias-ub.com/archives/237870.html Mon, 09 Jun 2014 10:14:16 +0000 //www.otias-ub.com/?p=237870 Bounce-Rate-300x199

高跳出率可以反映出一些问题,而这些问题通常分为以下两类:

    • 你的页面内容与用户的访问需要不匹配
    • 你的页面内容很好地满足了用户的需求

大多数网站的跳出率过高往往是因为第一类问题,但第二类问题同样也会导致同样的跳出率结果,细想一下:如果用户进入网站,发现你提供的内容正是他们所期待的,页面内容很好地回答他们的问题或解决他们的问题,那他们也就没必要停留更长的时间,或者需要查看其他的页面。

假设你的网站是一个类似于“百度知道”的网站,可以基于用户的问题提供具体而简单的答案,目的是方便那些有着类似的问题的用户可以快速找到答案,如果这个网站的内容质量足够好,那么它往往有着较高的跳出率。用户进入网站页面,得到他们所需要的答案,然后转身离开,他们的访问深度较浅但回访频率相对较高。

很多网站运营的朋友都希望用户在网站停留更多的时间,多一些页面点击,查看更多的内容,并尽可能达成目标转化。在这种情况下高跳出率是目标转化的杀手,而更长的停留时间和浏览深度是网站成功的关键。减少那些流量较高的页面的跳出率,这意味着有更多的访客与你的网站有进一步的互动,也就有更大的机会可以达成目标转化。

以下是一些可以减少跳出率的优化建议。这些建议并不是绝对有效的,因不同的网站而异,但总的来讲,这些都是值得我们考虑的方法。

1. 直观的导航、清晰的布局

如果网站不能为用户提供明确而清晰的菜单导航有页面布局,用户进入页面后将无从下手,无法找到他们想要的东西,从而无奈地离开。一些分析工具如Crazy Egg可以提供直观的页面热区图,让我们以可视化的方法了解用户在页面上的点击情况并优化内容引导。

2. 差劲的设计让人难以容忍

设计并不是仅仅关于图片的设计;设计包含了整个的用户体验。网站上图像的展示和可用的功能都必须是有吸引力的。为你的目标受众设计网站。网站设计的优劣影响着用户对于你的业务和服务质量的认识。

3. 页面加载速度

这不仅是一个影响页面的搜索引擎排名的因素,这还是一个直接的影响用户体验的因素。如果一个页面打开需要多达10秒,这必将增加你的页面跳出率和降低你的目标转换率。

4. 网站在移动端的访问正常吗

我们先不苛求网站对移动端设备友好,但要求网站至少在移动端(包括手机和平板)是可用的。此外,移动可用性包含的并不只是设计的兼容性和内容的可访问性,在许多情况下,我们提供的内容必须是简单明确的,以方便人们在使用屏幕较小的设备时也能快速查看并理解。

5. 网站在各个浏览器中是否都兼容

分别查看各个浏览器流量的跳出率数据,检查不同浏览器的跳出率是否相近。如果有某个浏览器的跳出率过高,那有可能是因为网站在该浏览器中存在兼容性问题,那这个就要安排排查一下。浏览器兼容性问题是网站上线前就应该作检查的,但部分公司对于网站的上线并无明确的测试流程。

6. 减少无关的关键字的推广

检查网站上是否存在一些高跳出率的且带来较多流量的关键字,分析这些关键字是否与网站的主题相关。如果关键字与网站主题关系不大,即应减少这类关键字的优化与推广,因为这些关键字流量并不会对于你的网站业务有明显帮助。

7. 根据用户的访问意图作优化

分析用户的访问意图,这是进行内容设计的一个很好的灵感来源。根据用户所使用的关键字,优化着陆页面的内容,从而为他们提供更好的体验以满足他们的预期。这通常用于付费搜索和显示广告的优化,当广告文案和着陆网页的内容不匹配时必然会导致跳出率较高,我们必须要保证内容与用户的意图(搜索关键字)的一致性,才能获得较低的跳出率和较高的转化率。

8. 根据优先级排版内容

网页上的目标转化的引导或内容要点是否清晰?用户能否立即获得他们所期望的信息?

9. 内容分组

根据不同的类别对内容进行分组,把同一主题或关联的内容放在一起,以吸引用户查看更多的页面。除了有分组的内容栏目外,在文章页面右边栏或底部也应推荐同类相关的内容。

10. 增加内容分类菜单和标签

如果网页不能提供相关的内容或直观的导航,那么网站也就错过了获取大量浏览量和成为一个粘性资源的机会。相关的内容归为一个类别或一个标签属性后,把类别或标签菜单展示给用户,这样用户在访问过程中就可以方便地查看更多相关的内容,网站也就变得更有吸引力。

11. 少用广告弹窗

广告弹窗容易惹恼用户。在某些特定的情况下广告弹窗可以给用户提供他们需要的东西,但通常情况下在用户浏览内容时弹出广告窗口会破坏了他们的访问体验。

12. 延迟加载更多的内容

熟悉瀑布流网页的朋友都知道,我们在打开这类的页面时,刚开始加载的内容并不多,当我们向下拖动才能查看更多的内容,而新的内容出来的速度也非常快。如果网页的内容较多,整体内容全部加载完成时所需时间较长,那我们就可以采用延迟加载的方式。这是基于加载速度和用户体验所做的优化方案。

13. 色彩对比

网页上需要有不同的颜色以形成对比。不同颜色之间的对比可以使一个死板的页面变成一个活泼的页面。为不同的内容模板设置不同的色块,可方便用户在页面上快速找到他们想要的内容。

14. 醒目的广告语

如果要引导用户重点关注某些内容,可以考虑在页面上设置醒目的广告语。广告语应突出网站的意义,放置在网站上显眼的位置(如页眉或侧边栏的顶部)。

15. 避免分散用户的注意力

有些网页在打开时会自动播放音频和视频,这些行为可能并不符合用户的预期,破坏了用户的访问体验。减少各种不必要的干扰,不仅带来更低的跳出率,通常也会大大提高你的转化率。

16. 增加内部搜索引擎

搜索框实际上是对于网站导航的一个补充,当用户不能通过菜单导航找到他想要的内容时可以选择搜索框,但搜索框不能喧宾夺主从而忽略了对导航菜单的优化。网络用户已经习惯了使用站内搜索来查找他们想要的内容,可充分利用好站内搜索以提高用户的访问体验。如果用户进入网站未看到他想的内容,但网站上又缺少搜索功能,用户无奈之下有可能选择离开。另外,站内搜索引擎的性能也是需要关注的点。

17. 在新窗口打开外部链接

这是一个简单的却容易被忽略的概念。导出链接建议在新窗口打开,而不是在原窗口打开并覆盖掉你的网页,这样用户在浏览了打开的内容后还有可能回到你的网站上查看更多的内容。

18. 提供有用的404页

404页面的产生是无可避免的,但我们可以尽量把这个页面做得友好一些并能提供一些有用的引导 。

  • 可参考Google网站管理员工具中的“增强型404页面”,当产生404页面时,可以为用户提供一个智能搜索框和一个最相关的链接地址。
  • 如果不想使用增强型404页面的功能,可在页面上配置一个搜索框并增加一些重要的内容和栏目链接。
  • 如果都不想使用以上的方案,可以在页面添加一些幽默的图片或提示。

19. 内容尽量简单易懂

过于复杂的内容会吓走用户。这一点很重要,但意识到这一点的人并不多。

20. 对过长的文章进行分割

同样,若打开的页面内容太多,也会让用户望而却步,网络上的用户尤其是移动端的用户通常没有很好的耐性去完成长文章的阅读,但我们可以把文章作分页,或是分割成一个系列主题中多篇较短的章节,这样出来的效果将明显好许多。

21. 留意广告位置的流量跳出率

如果你的网站有投放展示广告,可关注一下不同的广告位带过来的流量转化率情况。你可以发现哪些是效果较好的广告位,哪些是效果不同的广告位,从而可以优化你的广告投放策略。

]]>
Fred Wilson:互联网/移动互联网应用的漏斗定律
//www.otias-ub.com/archives/236995.html //www.otias-ub.com/archives/236995.html#comments Sun, 08 Jun 2014 07:45:18 +0000 //www.otias-ub.com/?p=236995

两年前,VC投资者Fred Wilson在他的博客里提出了一个互联网/移动互联网应用的漏斗定律: 30/10/10

  • 30%的注册用户或下载应用的人会每月使用服务
  • 10%的注册用户或下载应用的人会每天使用服务
  • 实时服务的最大并发用户数是日活跃用户的10%

这是作者通过在投资过程中,参考了大量应用的数据总结出来的,主要来自社交网络应用、社交移动应用、游戏、音乐服务以及其他的互联网/移动互联网服务 ,有一定的通用性。我们可以按照通常的数据指标换个说法,一个正常的应用,应该要做到:

  • 月活跃度30%
  • 日活跃度10%
  • 最大并发数1%

也就是说,通过各种渠道和手段将用户吸引进来以后,产品要做到至少让1/3的人能留下来,而留下来的用户中,至少有1/3的人成为忠实用户。最后一条看起来像是给运维工程师评估系统用的,我给它做了个推论,也可以换成业务的转换率,比如对电子商务来说可以是成交转化率,每天的成交用户要做到日活跃用户的10%,也就是总用户数的1%。

当然,因为是比率,在具体的计算时还涉及到分母的数字如何取舍的问题。对于互联网应用,使用注册用户数是准确的;但对于移动互联网应用,下载数的可参考意义并不大,一方面渠道众多,另外一方面下载数很容易被刷,App开发者很难拿到准确的下载数据。所以对于App,可参考的分母应该使用累计用户数(至少启动过一次App的才算是用户)。

 

]]>
//www.otias-ub.com/archives/236995.html/feed 2
网站数据分析:数据仓库相关的问题(三)
//www.otias-ub.com/archives/236756.html Sat, 07 Jun 2014 15:32:43 +0000 //www.otias-ub.com/?p=236756      data-warehouse

       之前的文章——网站数据分析的一些问题2中主要整理了BI相关的问题,这篇文章主要想整理一些数据仓库相关的问题。因为最近重新在看一些数据仓库的资料和书籍,想把之前以及当前遇到的主要问题提出来(博客中有关数据仓库的相关内容请参阅网站数据仓库这个目录),同时自己也对数据仓库方面的知识进行下重新的整理和认识,而且很久没有在博客发新的文章了,不能让自己过于懒散了。

  之前看过Inmon的《构建数据仓库》和《DW 2.0》,而另外一位数据仓库大师Kimball的《数据仓库生命周期工具箱》一直没有时间阅读,最近才有时间看完了大部分,就迫不及待想写点东西了。其实数据仓库领域普遍认为Inmon和Kimball的理论是对立的,两者在构建数据仓库上方向性的差异一直争论不休,谁也无法说服谁到底哪种方法更好。我的Evernote的笔记里面不知什么时候从哪里摘录过来了对两者观点的概括性描述,非常简洁明了而一针见血:

  Inmon vs Kimball

  Kimball – Let everybody build what they want when they want it, we’ll integrate it all when and if we need to. (BOTTOM-UP APPROACH)

  Pros: fast to build, quick ROI, nimble

  Cons: harder to maintain as an enterprise resource, often redundant, often difficult to integrate data marts

  Inmon – Don’t do anything until you’ve designed everything. (TOP-DOWN APPROACH)

  Pros: easy to maitain, tightly integrated

  Cons: takes way too long to deliver first projects, rigid

  其实看了《数据仓库生命周期工具箱》之后,发现两者的观点没有那么大的本质性差异,可能随着数据仓库的不断发展,两者在整体的架构上慢慢趋同。基本上,构建统一的企业级数据仓库的方向是一致的,而Inmon偏向于从底层的数据集成出发,而Kimball则趋向于从上层的需求角度出发,这可能跟两者从事的项目和所处的位置有关。

  有了上面这段高质量的概括,第一个问题——你更偏向于以何种方式搭建数据仓库(BOTTOM-UP or TOP-DOWN),分别有什么优劣势?——其实就不用问了,所以下面主要提几个在实际中可能经常遇到或者需要想清楚的问题:

  Q1、数据仓库的技术解决方案有哪些,这些解决方案的优势在哪,瓶颈在哪?

  随着数据仓库的不断发展和成熟,“大数据”概念的风靡,有越来越多的相关产品出来,最常见的技术解决方案包括hadoop和hive,oracle,mysql的infobright,greenplum及nosql,或者多个结合使用。

  其实归纳起来就两类:一是用传统RDBMS为主导的数据库管理数据,oracle、mysql等都是基于传统的关系型数据库,优势就是有更严谨的数据结构,关系型数据库对数据的管理更加规范,数据处理过程中可能出现的非人为误差极小,而且标准的SQL接口使数据获取的成本较低,数据的查询和获取更加灵活和高效;但劣势也很明显,对海量数据的处理和存储的能力不足,当数据量达到一定程度的时候就会出现明显的瓶颈。而是基于文本的分布式处理引擎,hadoop、greenplum和nosql都是基于文本数据的处理和存储,优势是强大的数据处理能力,分布式的架构支持并行计算,并且具备超强的扩展延伸能力;劣势就是上层接口不方便,因此Hadoop上层的hive和greenplum上层的postgreSQL都是为了解决数据接口的问题,并且数据的查询和获取很难做到实时响应,灵活性不足。

  Q2、数据仓库是否就应该保存聚合数据,细节数据不应该放入数据仓库?

  其实这个问题基本已经达成共识,如果是构建企业级的数据仓库,那么对细节数据的集成和存储是必不可少的,但现实中还是存在很多直接从外部数据源计算聚合之后导入数据仓库的实例。如果对数据仓库只是轻量级的应用,仅存放聚合数据也无可厚非,毕竟没人规定数据仓库一定要是怎么样的,最终的目的无非就是满足对数据的支持和需求。

  但对于企业的长期发展来看,数据仓库中存放细节数据有两方面的好处:一方面从技术层面,数据仓库存储细节数据可以释放前台数据库的查询压力,同时对于文本类数据和外部文档类数据入库之后管理更加规范,数据仓库保留历史和不可变更的特性可以让信息不被丢失;另一方面就是从数据的使用上,数据仓库让数据的获取和使用更加简便,集成细节数据让大量的文本型数据可查询,可关联,而面向主题的设计让数据的展现和分析更有方向性和目的性,而且细节数据是支持数据分析和数据挖掘应用所必不可少的。所以,如果数据仓库要不断地催生出更大的价值,细节数据的存储是必不可少的。

  Q3、你会把数据仓库分为几层,每层的数据作用是什么?

  没有标准答案,根据数据仓库中数据的复杂性和对数据使用的需求程度,数据仓库可以有不用的层级划分。

  我一般会把数据仓库划成三层:最底层的细节数据,管理策略是优化存储,一般存储导入的原始数据,便于进行向上的统计汇总,因为数据量较大所以需要优化存储;中间层是多维模型,管理策略是优化结构和查询,面向主题的多维模型的设计,需要满足OLAP和数据查询的多样需求,同时保证查询的便捷性,关键在与维表的设计和维度的选择及组合,事实表需要关注存储和索引的优化;最上层是展现数据,管理策略是优化效率,一般会存放每天需要展现的汇总报表,或者根据多维模型拼装的视图,展现层的数据需要以最快的速度展现出来,一般用于BI平台的Dashboard和报表。

  Q4、数据仓库搭建中最繁杂的事情是什么,最容易缺失的是哪一块?

  一直觉得数据仓库的核心不在于数据集成,当然数据集成是数据仓库实现价值的前提,数据仓库真正的价值体现在数据的有效应用,数据源于业务反作用于业务。而搭建数据仓库的核心在于数据仓库的架构和数据模型的设计,怎么权衡数据的存储和数据获取效率之间的矛盾是数据仓库管理上的难点,这个难点任何数据仓库都会存在,而大数据增大了这种权衡中的难度。而数据的集成和数据质量控制是数据仓库搭建中最繁杂的事情,尤其是数据清洗的过程,我之前也写过几篇数据质量控制的文章,但现实中这个过程还要复杂得多,而且为了上层数据产出的准确性和有效性,这项工作又不得不做,而且要做得尽量细致。

  搭建数据仓库中最容易缺失的就是对元数据的管理,很少有数据仓库团队具备完整的元数据,当然搭建数据仓库的工程师本身就是活的元数据,但无论是为了用数据的人还是数据仓库自身的团队着想,元数据都不可或缺。一方面元数据为数据需求方提供了完整的数据仓库使用文档,帮助他们能自主地快速获取数据,另一方面数据仓库团队成员可以从日常的数据解释中解脱出来,无论是对后期的不断迭代更新和维护还是培训新的员工,都非常有好处,元数据可以让数据仓库的应用和维护更加高效。

]]>
网站数据分析:商业智能(二)
//www.otias-ub.com/archives/236752.html //www.otias-ub.com/archives/236752.html#comments Sat, 07 Jun 2014 15:03:00 +0000 //www.otias-ub.com/?p=236752
Business_Intelligence

  BI(Business Intelligence,商业智能),先看一下维基百科上面对BI的定义:

  Business intelligence (BI) is defined as the ability for an organization to take all its capabilities and convert them into knowledge.

  BI提供大量有价值的信息引导企业寻找新的发展机遇,当企业认识到潜在的机遇并成功地实施相应战略决策的时候,BI就能帮助企业在市场建立竞争优势并维持企业持续地发展。BI时常跟决策支持系统(Decision Support System, DSS)联系在一起,其实BI最主要的目标就是实现对企业的决策支持。

  下面就探讨几个BI方面的问题:

  Q1、BI与数据仓库(DW)之间的关系是怎么样的?(知乎)

  首先可以明确的是BI的重点在于对数据的应用上,让数据变成有价值的信息,而所有的基础数据基本都是来源于数据仓库。

  BI有两个方向的定义:广义的BI是包含数据仓库的,广义的BI包括数据的获取、处理、储存,到之后的分析、挖掘、展现变成有价值信息的整个过程,组成了一套完整的系统,当然在这个系统中数据仓库担当着从数据获取之后的处理和存储的职责,是基础组成部分;狭义的BI仅仅包括上层的数据应用,包括数据的展现、分析、挖掘等,所以不包括数据仓库。

  因为BI的定义更侧重于数据应用,而随着数据量的不大扩大,数据仓库更多地被作为一项独立的技术被抽离出来,所以当前BI和数据仓库的定义更倾向于分离,整个系统被叫做“DW/BI”的解决方案。

  Q2、BI系统主要是为了帮助企业解决什么样的问题?(知乎)

  BI最初的目标就是优化企业的决策支持,实现从数据到有价值的信息的转化,辅助企业商业战略和决策的制定。所以BI的最终目标是获取商业的Insight。

  BI首先实现的是企业数据的透明化,原始的数据报表就是为了从数据的角度定量地掌握企业的运营状态,有了数据的支撑,很多决策的制定就会有了参考依据。随着商业和信息技术的不断发展,BI不再仅仅停留在报表的领域,数据除了展现以外被更多地用于商业分析,而商业分析的基础组成就是统计、预测和优化,这些对企业的运营决策起到了更加关键的作用。但随着信息膨胀,数据量的剧增,BI也不断面临挑战,我们需要花更多的成本去处理和存储数据,需要花更多的精力去分析和应用数据。我之前写过BI应用中的三大矛盾这篇文章,因为有段时间了,很多地方的看法可能有了变化,但这3个矛盾相信依然还是存在。

  所以,最终还是要把握BI的输出是有价值的信息,无论中间的处理方式是查询、报表,还是分析、挖掘,最终要得出的是有价值的结论。

  Q3、目前BI的应用或组件主要有哪些?(知乎)

  这里简单地归纳了一下,可能会有遗漏,希望大家能够在评论中补充。这里仅仅包括狭义BI中基于数据应用层面的一些功能,数据仓库的数据处理方面的应用不在这里罗列。

  首先是报表、图表和Dashboard,目前的报表和图表除了更加丰富以外,跟传统报表还有一个关键的区别就是可交互性。目前的报表基本都提供简单的数据筛选、排序等功能,Dashboard的出现实现了按需整合报表和图表的功能。

  再则是OLAP,OLAP一度被当做BI的核心功能,不得不承认OLAP是分析数据最有效的手段,尤其是基于多个维度多个层面的分析,这些是一两张报表图表所无法做到的。OLAP一般都是基于已经设计成型的多维模型以及存放多维模型的数据集市(Data Mart),数据集市和OLAP跟业务层面有着很多关联,这个使数据集市跟底层的数据仓库有了区分。

  然后是数据的查询和分析,有时基于既定的模型的OLAP无法满足分析的需求,所以就有了数据查询的需求,一般直接查询数据仓库的细节数据;BI中的Ad-hoc Query则是对既定多维模型的灵活查询,可以自由组合维度和度量。

  最后是报表的发布和数据预警,这都是属于BI平台的推送功能,一般可以通过邮件订阅的形式定期把组合的报表推送给相关的人员,而通过预警的设定,可以监控数据的变化趋势,掌握数据可能出现的异常。

  另外BI还有很多新奇的功能,如基于GIS的地图数据、基于Flash实现的动态图表及对数据挖掘功能的集成等。

  Q4、BI中的多维数据模型和OLAP的实用价值在哪?(知乎)

  之前有关于多维数据模型和OLAP的介绍,可以参考数据仓库的多维数据模型和数据立方体与OLAP这两篇文章中的内容。

  其实多维数据模型和OLAP最主要的是解决了如何有效地观察数据的问题,传统关系模型很难直接对数据进行观察分析,而多维模型为数据观察者提供了清晰的视角,就如平常我们从多个角度看待事物一样,多维模型维度的设计就很好地提供了这些角度的选择。而OLAP的几个操作形式正是体现了“分析”这个词本身的含义,从总体到细节,结合多个维度的交叉分析,让我们具备了对整个数据集进行全景观测的能力。

  OLAP最关键的技术除了多维模型设计还有就是预计算(Precomputation),或者叫预聚合,预计算解决了数据快速获取的问题,基于一定的规则或者算法对数据集进行预计算之后,OLAP的操作性能可能得到有效地提升,从而使对大量数据的快速灵活的分析操作成为可能。

  Q5、目前市场上主流的BI产品主要有哪些?(知乎)

  市场上主要的商业BI产品包括IBM的Cognos,另外IBM有自己的DB2可以建立数据仓库,在2010年收购SPSS之后,让其在数据分析和数据挖掘的领域也更加具有竞争力、SAP的Business Objects(BO),另外SAP有BW(Business Information Warehouse),作为传统的ERP方案提供商在数据集成方面有独特的优势、Oracle的BI(企业级的叫BIEE,Oracle Business Intelligence Enterprise Edition),Oracle借助其强大的关系型数据库建立数据仓库有独特的优势。这3大商业BI都属于整合型的BI,再加上微软借助Sql Server数据库提供的SSIS、SSAS和SSRS也是属于整合型的BI解决方案。另外也有独立的BI公司,如SAS,传统优势在数据挖掘领域、Micro Strategy的BI解决方案、开源强大的BI系统Pentaho(之前几年还有很多开源的BI系统,但因为BI在技术上有一定的门槛和成本,所以目前很多开源BI 都会包括开源版本和商业版本,Pentaho也不例外),国内也有用友的BQ软件也是属于BI产品。

  归纳一下就是目前的BI产品主要以商业产品为主,而且整套的BI产品一般都是重量级的,在购买、部署和使用上都需要一定的成本投入。

 

]]>
//www.otias-ub.com/archives/236752.html/feed 2
网站数据分析:重点不在数据在于分析(一)
//www.otias-ub.com/archives/236748.html Sat, 07 Jun 2014 14:57:18 +0000 //www.otias-ub.com/?p=236748
questions-1

  从事数据仓库和数据分析相关的工作也有段时间了,其实很多问题一直萦绕在脑中,有些甚至已经困扰相当长的一段时间,自己也在不断学习和工作的过程中寻找各种解决方案或者不断优化和替换之前的方案。这些问题从宏观层面到细节层面,很多问题其实没有绝对完美的解决方案,我们只能一步一步地摸索,不断寻找更优的方案以其让问题能够更好高效地得到解决,但每个人掌握的知识有限,所以无论怎么样每个人对问题的看法都会存在局限性;同时因为每个人的知识背景和经历的差异性,对各种问题又会触发各种不同的见解,所以通过集思广益往往能够得到让人眼前一亮的结论。

  先说说博客,无论怎么样我的博客只是想做些记录和总结,只是表述一些个人的观点,我想每个人在学习工作中总会有所积累,有自己在专业领域的一些收获,每个人公平地享有相同的时间,每个人学到的掌握的都是有限的,没有孰强孰弱之分,差别只在于愿不愿意将其分享出来;博客中整理的内容,可能有些人认为不适合公开,毕竟有些东西还有些实用价值,但必须看到的是目前互联网发展速度太快了,我之前发的文章等半年之后回去看就会发现当时自己的想法并不成熟,如果在现阶段可能不会完全按照上面的思路去实现了,知识的更新和积累让我们不断选择更优的方法,不断改进和升级自身的知识体系,更何况很多东西在一个业务体系下适用,到另外的体系下就不适用了,聪明的人不会完全照搬照抄原方法,而是寻找最合适的方法,或者使用更灵活变通的方式去使用方法,所以也不必担心技能被“偷学”,因为只会模仿的人不知道怎么用好这些方法,而足够聪明的人到哪里都能学到适合自己的方法,在这个信息膨胀的环境下无法阻止他们的“偷学”。

  其实博客最大的收获还是通过博客认识了很多朋友,尤其是网站分析领域的,相当一部分也有自己的博客,大家互相交流学到了很多东西,有些东西是互补并相互促进的,这些朋友都是乐意分享自己想法的人,每个人都有各自领域的专业和强项,这样反而使我听到和学到了很多耳目一新的东西,受益匪浅。所以如果你有时间写写博客,那么得到的收获绝对要比你觉得可能会失去的多得多。

  既然我在博客里面已经写了很多,所以这里想换一个角色,我想通过几篇文章把之前遇到的诸多问题罗列出来,希望大家能够不吝提出自己的看法和解决方案。其实我更希望在博客的评论中看到更多不同的看法或者通过文章的思路扩展衍生出在其他方向上有价值的应用。另外,知乎真的是一个非常棒的知识分享和学习的平台,潜藏了很多的大牛,我会把整理的每个问题都贴到知乎上面,这样可以收集到更多牛人的看法,希望大家在知乎上有认识相关领域的大牛的可以积极地进行邀请。

  这篇是第一篇,想重点罗列一些跟网站数据分析行业和数据分析师相关的问题。

  Q1、 你因何会选择网站分析或互联网数据分析这个行业,你认为这个行业的价值何在,发展前景如何?(知乎)

  我的答案:互联网是一个阳光行业,而数据分析本身又是一个非常有意思的工作,很多时候,它就像是一个侦探从细枝末节的线索中寻找那个唯一的真相,如果你喜欢这种探秘的感觉,那么你同样会喜欢上网站数据分析这个行业。

  其实我之前在《网站分析的应用和价值》这篇文章中介绍过网站数据分析的价值(这里不引用链接了,大家可以搜一下),简单地说就是“系统地帮助网站实现更加高效的运营”。

  互联网数据量的快速膨胀,急需对数据进行系统化的处理和分析,以便快速地发现信息,转化价值,所以就目前来看,无论是国外的发展趋势,还是国内对这个行业的需求都是快速增长的,发展前景是比较乐观的。

  Q2、 作为网站的数据分析师,你完成的最有成就感的事情是什么,感到最纠结的事情又是什么?(知乎)

  我的答案:最有成就感的事情就是用数据实现价值,无论是通过数据排查问题进而解决问题,还是通过数据分析应用优化网站产品,其实都是创造价值的过程。

  最纠结的事情其实不是整日需要维护和验证数据的一致性、准确性,数据时常会存在诸多细节上的问题,因为这些基本是必然存在的,无论在哪个公司,网站从事何种业务,技术或者数据的环境如何,数据的问题还是无所不在,而保证数据质量本身就是数据分析师最基础的工作,也是开展分析的前提和基础。

  我最纠结的还是在于数据的需求和应用,如果与数据的需求方在数据的理解上达不成一致,那么很多数据需求就会存在反复的调整变动,期间就会做很多重复的工作或者无用功,甚至有些时候数据分析师大费周章地提取的一份数据在需求方那里只是用几秒钟扫视一遍,没有产生任何的价值,这也是令数据分析师最伤感的事情。所以数据分析始终要从获取最终insight的角度出发,如果数据需求中无法说明获取数据是为了试图得出何种insight,那么这个需求基本就没有实现的必要了。

  Q3、 作为网站的数据分析师,你日常工作中最常做的是什么,需要与哪些同事交流,一般会用到哪些工具?(知乎)

  我的答案:数据分析师的日常工作很简单,就是数据处理和观察报表,而且这两块工作会占用每天的大部分时间。如果每天能够准时提供准确的报表,及时地反馈数据异常,那么你已经是一个合格的数据分析师了。

  数据分析师要接触的部门会比较多,可以是任何有数据需求的部门,运营、产品、市场、销售、客服……甚至是各层级的BOSS。

  同样,数据分析师日常使用的工具其实也非常简单,估计在90%的时间都在使用数据库的SQL、Excel或者PPT,当然视每个公司的情况会有差异。所以如果你听到某位数据分析师说他天天在研究什么什么样的高级分析方法或者高深的数据算法,天天在使用R、SPSS、SAS,那么不排除有装X的嫌疑。

  Q4、 在你刚刚步入网站数据分析的工作,或者你曾经新到一个公司或者网站从事数据分析师的工作,你是如何着手开始你的新工作的,你觉得你需要了解哪些东西,会从哪些方面优先开始学习?(知乎)

  我的答案:“业务 => 网站或产品 => 数据处理流程 => 指标和报表”,我的基本流程就是这样的,当然这个也不绝对是前后的顺序,可以是同时结合着看的。

  数据分析的重点不在于数据而在于分析,分析针对的是业务,所以业务是首要了解的东西,就像一个人做事情,首先要明确的是要做的是什么事情;然后是网站或产品,它是实现业务的媒介,就像是做事情时使用的工作或方法;数据的处理流程包括了数据的获取、处理和存储模型,它是记录信息,可以看做是日记,记录了一个人做事情的整个流程;指标和报表就是为了将一个人做事情的整个流程复述出来,把握重点同时又不失关键细节,所以必须要了解指标的统计规则和报表的展现方式,以便更好地突显重点,了解省略的细节,让复述贴近事实。

  很明显,当你了解了这个人在做什么事情之后再去阅读这个人在做事情时记录的信息或听取复述要远比你直接通过复述内容或者阅读记录信息来猜测这个人在做什么事情来得高效得多。

 

]]>
网站分析中常见的流量变化原因
//www.otias-ub.com/archives/232716.html Wed, 28 May 2014 16:47:35 +0000 //www.otias-ub.com/?p=232716  本篇文章我们将讨论网站流量变化背后的原因。这次我们将深入到各个细分流量中,如:直接流量,付费搜索品牌词等等。针对每一组细分流量背后可能的原因进行分析。下面我们就开始逐一列举分析。

  一、直接流量

  直接流量通常是指访问者直接输入网址或从收藏夹中访问网站的流量,但在现实中情况要复杂的多,所有无法获得引荐来源的流量都被归为直接流量,例如:来自聊天工具QQ,MSN的流量,或者来自邮件客户端的流量都会因为没有来源信息而被归为直接流量。了解了直接流量的组成后,我们来分析下可能引起直接流量变化4种原因。

  1品牌广告

  品牌广告是造成直接流量变化的第一个原因。所谓品牌广告,我的理解就是除了网站名称或网址外啥信息也没有的那种。

  场景分析:品牌广告最直接的目的就是让用户记住并访问网站,如果网址简洁又好记的话,用户会直接记住网站地址访问网站。这就造成了直接流量的增长。而如果网址较长那么用户会记住网站名称或某个slogan然后通过搜索引擎访问网站,这与直接访问无关,是我们后面要介绍的内容。

  2热点事件

  热点事件是造成直接流量变化的第二个原因。这里的热点事件既包括正面事件也包括负面事件。无论是网站自己制造的病毒营销还是因某个失误被网友发现并放大。当网站因为热点事件被广泛关注时,流量肯定也会随之增长。

  场景分析:热点事件引起直接流量变化的理由很简单,想一下我们平时都是如何获得这类信息的,又是如何将这些信息分享给朋友的。是的,聊天工具QQ或者MSN。当我们在QQ群里看到带有链接的信息,并点击访问时。这次访问将被记录为了直接流量。

  3内部访问

  内部访问是造成直接流量变化的第三个原因。内部访问是指网站或公司内部人员访问网站产生的流量。通常网站都会屏蔽掉来自内部IP的访问量,但如何没有屏蔽或者因为某种原因无法屏蔽时,内部访问就成了影响直接流量的主要原因了。

  场景分析:网站或公司内部员工会如何访问自己的网站?去搜索引擎搜公司名称?去找网站广告点进来?他们一定是直接输入网址访问网站,最差也是把网站放在收藏夹里然后点击访问的。大部分浏览器都有网站提醒功能,并且内部员工每天都需要频繁的访问网站,所以直接输入网站域名首字母,然后选择网址访问已经是最方便的一种方法了。所以,内部员工的访问量大部分都属于直接流量。

  这里要特别说明下,如果你网站的内部员工数量少,不会对流量和指标造成太大影响,但如果员工数量众多,那么一定会对直接流量造成明显的影响。

  4营销活动

  营销活动是造成直接流量变化的第四个原因。营销活动包括各类的专题,抽奖,打折促销活动。营销活动最主要的影响并不体现在直接流量上,但如果活动本身影响力较大,那么肯定会对直接流量造成影响。方法和热点事件对直接流量的影响类似。

  场景分析:我们可以把营销活动理解为另一类的热点事件。好友之间在聊天工具上分享打折促销信息,点击访问的流量将被记录为直接流量。甚至有些网站在活动推广时会专门雇用兼职在群里发布消息或链接。所以营销活动同样也会造成直接流量的变化。

  二、付费搜索流量

  付费搜索流量是指通过在搜索引擎购买关键词及对搜索结果广告位进行竞价的方式,从搜索引擎获得的流量。简单的说就是SEM流量。例如:百度竞价排名流量,Google AdWords流量等等。付费搜索引擎流量与其他流量比较,变化相对较小,可控制性较强。下面我们来分析下可能引起付费搜索引擎流量变化的几种原因。本文中介绍的付费搜索引擎流量不包含搜索引擎内容网络部分的流量。

  1匹配方式

  更改关键词的匹配方式是影响付费搜索流量的第一个原因。通常关键词都会有三种匹配模式,精确匹配,词组匹配和广泛匹配模式。不同的匹配模式决定了广告在搜索结果中被展现的数量,从而进一步影响到了关键词为网站带来的流量。当我们调整一广告系列关键词的匹配模式时,比如会对流量造成影响。

  场景分析:在其他因素不变的情况下,我们将关键词“网站分析”由精确匹配调整为广泛匹配,这时候当访问者搜索“北京网站分析”,“网站分析笔记”这些词的时候都会触发“网站分析”这个关键词。而更多的展现量通常也将为网站带来更多的流量。

  2出价策略

  出价策略是影响付费搜索流量的第二个原因。忽略掉质量度的因素,出价策略直接影响广告的展现次数及排名。广告在搜索结果的不同位置(左侧或是右侧,第一名或者是第三名)获得的点击量都是有差别的。调整关键词的出价将会直接影响广告的位置,从而影响关键词获得的流量。

  场景分析:在其他因素不变的情况下,调整关键词的出价将影响广告在搜索结果中的竞争力,降低广告在搜索结果中的排名,甚至影响广告的展示。这种情况下广告获得的点击量和流量都将减少。而反之亦然。

  3修改创意

  付费搜索引擎广告的创意是指标题和描述中的内容,这也是影响付费搜索流量的第三个原因。广告创意影响的不是广告位置和展现次数,而是广告的点击率。而相同展现量的情况下点击率高的广告也将获得更多的流量。

  场景分析:访问者在搜索引擎中如何选择结果呢?依靠搜索结果中的描述。而对于广告,这些描述就是创意。与访问者搜索内容相关度越高的创意,越能获得访问者的点击。而不断的优化创意提高点击率又是SEM永无止境的一个优化方向。所以,当我们修改了关键词的创意时就会影响广告的点击率,从而造成付费搜索流量的变化。

  4投放时间

  调整广告投放时间是影响付费搜索流量的第四个原因。工作日8小时投放与7*24小时投放的关键词,在流量上会有很大差别。投放时间直接影响广告的展现次数,进而影响广告的点击以及为网站带来的流量。

  场景分析:通常情况下,除了凌晨2点—早上8点。其他时间都是访问者搜索的活跃时间。而广告投放时间的长短和时间段选择会直接影响网站获得的流量。当我们调整广告在搜索引擎的展现时间段时,就一定也会影响付费搜索带来的流量。

  5竞争对手

  竞争对手是影响付费搜索流量的第五个原因。和前面三个原因相比,竞争对手影响的方面比较多,并且也比较复杂。竞争对手对于付费搜索关键词的匹配方式,出价策略,创意修改和投放时间的调整都可能会影响到我们付费搜索的流量。

  场景分析:当我们与竞争对手购买同一关键词时,出价策略往往会决定双方广告的排名。双方的广告创意会争夺访客的眼球。而匹配方式投放时间的调整也可能使双方在更多的匹配关键词和时间段内展开流量的竞争。造成付费搜索流量的变化。

  6关键词数量

  购买关键词的数量是影响付费搜索流量的第六个原因,这与前面提到的匹配模式类似。新增加的关键词可以为网站带来更多的流量。但这只在一定范围内有效,当关键词对访客覆盖到一定范围时,新增加的关键词对流量的影响就微乎其微了。除了关键词的数量之外,关键词的质量也会对流量造成影响。扩展搜索量较高的关键词也会影响流量变化。

  场景分析:和调整创意一样,扩词也是付费搜索引擎优化的一个方向。为了吸引更多的流量,需要为广告增加更多的展现机会。SEM们经常会使用各种方法来扩充自己的词库,例如:获取竞争对手关键词,寻找访问者真实搜索关键词,参考站内搜索关键词,等等。每当扩展出一批新词进行测试时,都会或多或少的影响付费搜索带来的流量。

  7投放地域

  投放地域是影响付费搜索流量的第七个原因,也是最简单的一个原因。地域对流量有限制作用。当一个地域的流量增长到一定程度时就无法再增加了。增加投放地域也就意味着增加了新的访问群体。同样也就意味着流量的增长。

  场景分析:选择单独针对北京和同时选择北京上海两地投放广告的效果一定是不一样的。新增的地域范围会带来新的访客,新的流量。

  A付费搜索品牌词流量

  付费品牌词是付费搜索流量的一个子集,这类关键词通常是网站名称,网站域名或者是品牌名称,以及这些名称的扩展,缩写,谐音或者错别字等。对于我的博客,品牌词就是“蓝鲸网站分析”。这类关键词我们统一归为网站的品牌关键词。对于付费品牌关键词流量的变化,除了前面介绍的影响付费搜索流量变化的原因外,还有一些特定原因。这些原因造成付费流量中的品牌关键词。

  1品牌广告

  品牌广告是影响付费搜索品牌词的第一个原因。在分析直接流量时我们就说过,品牌广告会同时影响直接流量和搜索流量。而当品牌广告中网站域名不容易记忆的情况下,对品牌关键词的影响就会更大一些。

  场景分析:访问者通常都很懒,也很依赖搜索引擎。如果广告中网站的域名不够简单。他们更愿意去记网站的中文名称。然后再通过搜索引擎访问网站。这就造成了品牌词流量的增长。

  2软文,新闻

  软文,新闻是影响付费搜索品牌词变化的第二个原因。软文和新闻是网站主动发起的营销活动,这类活动对访问者的覆盖范围较大。而如果软文或新闻稿写的好的话,还会吸引访问者继续下一步行动,通过搜索引擎搜索文章中的网站名称访问网站。

  场景分析:通常在软文和新闻稿中都不能加入链接。但为了推广的目的都会有网站或公司的名称。访问者在软文中无法找到网站入口,所以只能从搜索引擎中搜索网站名称。这样就会造成来自付费搜索的品牌词流量变化。

  B付费非品牌词流量

  付费非品牌词是付费搜索流量的另一个子集,付费非品牌词的定义很简单,去除付费品牌词剩下的就是付费非品牌词。付费非品牌词中可能还包含很多类别子集,例如:商品的名称词,类别词,商品属性词等等。每一个子集的关键词都有各自的特点和规律。这里,我们不再做细分,只将这些词都看做非品牌词来分析。

  1竞争对手

  竞争对手是影响付费非品牌词的第一个原因。和影响付费搜索流量中的原因类似,当我们购买的非品牌词中出现了新的竞争对手,或者是这类竞争对手也购买了和我们相同的词时,就会影响付费非品牌词的流量。这里有朋友可能会问,竞争对手不也会影响品牌词吗?是的,但通常品牌词我们可以通过品牌保护来阻止竞争对手,并且搜索品牌词的访问者有更强的目的性。所以影响相对较小。

  场景分析:当竞争对手调整非品牌词的匹配方式,扩词的时候,就会与我们现有的关键词产生重合,当我们查看发生变动的非品牌词时可能会发现,竞争对手的广告就出现在我们广告的前面。这种情况下,竞争对手就会对我们的非品牌词流量造成影响。

  2热点事件

  热点事件是影响付费非品牌词的第二个原因。这里的热点事件与前面造成直接流量变化的热点事件不同。多是针对网站中某类内容或商品的热点事件。这种热点事件发生时,不是针对网站,而是针对某类特定的内容或商品。而此时如果网站购买了相关的关键词,就会造成非品牌词流量的变化。

  场景分析:当某本图书变为畅销书时,访问者会直接搜索图书的名称而不会去搜索某个网站的名称。而如果此时你也购买了这本图书的关键词,那么就会对付费非品牌词造成影响,而不会影响付费品牌词的流量。

  三、自然搜索流量(SEO流量)

  自然搜索流量是指来自搜索引擎的非付费流量,也可以理解为SEO流量。因为现在几乎所有的网站都很在对自然搜索流量进行优化,所以自然搜索流量也变的不那么自然了。网站通过对关键词,页面结构,内容撰写,链接与锚点的调整等手段,可以影响自然搜索流量的变化。 下面我们来分析下影响自然搜索流量变化的几个原因。

  1网站收录量

  网站页面被搜索引擎的收录数量是影响自然搜索流量的第一个原因。收录量的多少会影响网站获得的流量。但这里有一个二八原则。大部分页面的收录量变化不会对网站流量造成显著变化。通常只有很少一部分关键页面的变化才会对流量造成影响。但即使这样网站收录量变化仍然是我们需要关注的一个原因。

  场景分析:当网站在搜索引擎的收录量发生变化时,我们看到最直观的变化就是关键词的数量变化,带来流量的关键词数量变少了,但流量本身的波动可能并不大。而当收录量开始增加时也同样如此。收录量作为获得搜索流量的一个门槛,短期不会对流量造成明显影响,但长期来看还是需要我们关注的。

  2标题描述优化

  标题和描述的优化是影响自然搜索流量的第二个原因。这和SEM的创意优化很像,都是通过对搜索结果中标题和描述内容的优化来吸引访客眼球,通过提高点击率来增加流量。与SEM不同的是,自然搜索中对标题和描述的修改没有SEM那么立竿见影。往往会有一定时间的延迟。

  场景分析:这里的情况和SEM的创意优化很像。不同的是我们通过修改页面中的meta标签来调整网站在搜索结果中的呈现。单一页面标题和描述的修改同样不会立刻带来流量的显著变化,因为一个词带来的总流量是有限的。但当我们统一修改某一频道或一类页面的标题和描述模板时,肯定会对网站流量造成影响。

  3排名与外链

  排名与外链是影响自然搜索流量的第三个原因。也是最主要的两个原因。排名的变化直接影响流量的变化。第一页与第二页的流量有着天壤之别。而外链则是影响排名最主要的一个因素。排名对流量的影响是即时的,外链对流量的影响是长远的。

  场景分析:网站关键词排名下降意味着什么,我想不用说大家也都知道。这也是为什么SEO们要努力将关键词做到第一页甚至前三名的原因。访客从上致下浏览网页,没有好的排名就意味着访客在没有看到你之前就离开了。外链则是影响排名最主要的因素。当看到SEO的外链专员开始广泛交换和购买外链时,我们应该在流量日记里记录下来。并在未来开始关注流量的变化。

  4竞争对手

  有人的地方就有江湖,有流量的地方就有竞争。对于自然搜索流量也一样。热门搜索关键词是每个网站都关注的地方。在我们不断优化网站,购买外链,提高排名时,竞争对手也没有闲着。所以,竞争对手的动作和优化策略也是影响自然搜索流量变化的第四个原因。

  场景分析:当我们搜索关键词时,会向后看到第几页?多半都会在第一页解决问题。所以,当我们的关键词被竞争对手挤出第一页时,流量也一定会发生显著的变化。对于流量下降明显的热门关键词对半我们要对比下排名的历史记录。

  5网站内部调整

  什么是网站内部调整?最简单的介绍就是改版。对于搜索引擎来说,改版是网站最大也是最混乱的一次内部调整。搜索引擎需要重新来认识这个网站的结构和内容。所以,网站内部调整是影响自然搜索流量的第五个原因。

  场景分析:每次改版对于SEO来说都是痛苦的,因为他意味着太多的改变。对于搜索引擎也是一样。搜索引擎需要重新收录新页面,这个过程会同时影响到前面介绍的收录量,标题和描述优化,和排名。

  6服务器状态

  服务器状态是影响自然搜索流量的第六个原因。网站的所有页面都保持在服务器里,如果服务器在蜘蛛访问运行不稳定,或者直接宕机。那么一定会影响搜索引擎对页面的收录。并且进一步影响排名或流量。

  场景分析:我们会经常访问一个不稳定的网站吗?不会的。蜘蛛也一样。当服务器状态不稳定时,蜘蛛就会停止对网站的抓取。并且对于搜索引擎来说,为了保证访客的搜索体验,也不会给一个不稳定的网站很高的排名。而收录,排名都讲直接影响网站的流量。

  7 SEM策略

  SEM策略是影响自然搜索流量的第七个原因。SEM策略也会影响SEO的流量变化吗?是的。在搜索引擎流量中,SEM流量和SEO流量有着密不可分的联系。他们既有相同的变化趋势,也会相互争夺流量。

  场景分析:对于同一个关键词,SEM广告的排名一定会高于SEO的排名。这种情况下,SEM的广告就会抢走本来属于SEO的流量。造成SEO的流量减少。而当SEM停止投放这个关键词时,SEO的流量又会增长。

  A自然搜索品牌词流量

  自然搜索品牌词是自然搜索流量的一个子集,自然搜索品牌词与付费搜索品牌词的定义是一样的,这里我们也建议两者使用统一的标准。便于两者的对比和分析。

  1 SEM品牌词策略

  SEM品牌词策略直接影响SEO品牌词的流量变化。对于真正的品牌词我们也许不用购买。但对于品牌词的扩展,错别字和缩写等等情况。则必须使用SEM来获得好的排名。所以一旦我们对这些词进行竞价,就会影响SEO品牌词的流量。

  场景分析:此处场景与SEM策略类似。

  2品牌广告

  品牌广告在这里也会影响SEO品牌词。情形和付费搜索品牌词类似。访客通过搜索引擎寻找网站时,不会100%的点击付费广告,同样也会点击下面的自然搜索结果。而且这也是最自然的一种情况。所以,强大的品牌广告除了会影响直接流量,付费搜索品牌词之外,还会影响到自然搜索品牌词。

  场景分析:此处场景与付费搜索品牌词类似。

  3软文,新闻

  软文,新闻同样也会造成SEO品牌词的流量变化。与付费搜索品牌词一样。访问者在软文中找不到网站入口时,会通过搜索引擎搜索网站名称或品牌词。在搜索结果中访客也会同时点击自然搜索结果。造成SEO品牌词流量变化。

  场景分析:此处场景与付费搜索流量中的软文,新闻类似。

  B自然搜索非品牌词流量

  自然搜索非品牌词是自然搜索流量的另一个子集,排除自然搜索品牌词,剩下的就是自然搜索非品牌词,与付费搜索非品牌词一样,自然搜索非品牌词也包括很多的子集。并且这些子集要多于付费搜索非品牌词的子集。而且更加广泛,更加没有规律。这里,我们将这些子集都归为非品牌词来统一分析。

  1竞争对手

  竞争对手在非品牌词上的变化是造成自然流量流量变化的一个原因。情形和自然搜索品牌词类似。这里我认为付费搜索非品牌词对自然搜索非品牌词的影响要小于品牌词的情况。但实际情况远比想的要复杂的多。

  场景分析:此处场景与自然搜索品牌词类似。

  2热点事件

  与付费非品牌词类似,热点事件也是造成自然搜索非品牌词变化的第二个原因。访问者在搜索特定关键词时,可能会点击付费结果,也可能点击自然搜索结果。所以,当有热点事件发生时,针对的付费与免费的关键词都应该会有变化。

  场景分析:此处场景与付费搜索流量非品牌词的热点事件类似。

  四、引荐流量

  引荐流量是指除搜索引擎之外其网站带来的流量,通常这类流量都是免费的。通过交换链接,或者互换广告位,或其他合作方式获得的流量。引荐流量也会随链接形式,链接位置,等因素发生变化。下面我们分析下常见的几种影响引荐流量的原因。

  1引荐网站自身流量变化

  引荐网站自身的流量变化是造成流量变化的第一个原因。引荐网站自身的流量大小决定了我们可以从该网站上获得的流量。如果一个网站每天只有几千次访问,那么再大再吸引人的广告也不会获得更多的点击。

  场景分析:因引荐网站自身流量变化造成的引荐流量变化,是一个长期的过程。一个网站很难在数周内蹿红。所以,如果发现来自某网站的流量逐步增高,并且质量变化不大。而我们又没有在该网站上增加或修改引荐链接的方式。那么就应该关注下该网站自身的流量变化。

  2引荐链接形式变化

  引荐链接的形式是造成引荐流量变化的第二个原因。同样在一个网站中,文字链接和图片链接获得的关注和点击量是不一样的。所以,改变引荐网站上的链接形式也会造成引荐流量的变化。

  场景分析:在引荐网站报告中,Google Analytics可以告诉我们每个引荐页面带来的流量。如果引荐网站整体变化不大,但某个引荐页面流量有变化。就需要我们检查这个页面的链接形式了。

  3所在频道及位置变化

  引荐链接所在的频道及页面位置变化是造成引荐流量变化的第三个原因。同一个网站中,首页和内页获得的流量相差巨大。同一页面的首屏和底部获得的点击也相差很多。所以,改变链接所在的页面及页面位置也会影响引荐流量的变化。

  场景分析:和引荐链接形式类似,通过Google Analytics的引荐页面报告我们可以获得每个页面带来的准确流量。当这些页面的流量发生变化,或者是出现了新的流量来源时,我们都需要检查链接在网站及页面中的位置变化。

  4锚点文字及内容变化

  最后一个影响引荐网站流量的原因是链接锚点文字或图片内容的变化。这里指的不是文字链变为图片链接。而是通过更改文字链的描述,或更改图片的颜色,内容造成的引荐网站流量变化。

  场景分析:更改文字描述和广告颜色会提高引荐流量吗?是的。但可能不会很多。这要根据引荐网站的具体情况来分析。但访问者总是会对颜色鲜艳,文字诱人的链接感兴趣。和前面分析链接形式和所在位置一样,当某个页面的引荐链接流量发生变化时,检查他们的图片或文字内容。

  本篇文章到这里结束了,不过我们对流量变化的原因分析并没有结束。本篇文章只列举了网站中最常见的几种流量类型。不同的网站还会包含更多不同的流量分类,例如:campaign流量,EDM流量,SNS流量,线下活动流量,专题活动流量等等。这些流量类别的变化原因我们将在以后的文章中继续分析。

]]>
明天的数字营销分析工具(2)
//www.otias-ub.com/archives/231753.html Tue, 27 May 2014 04:16:50 +0000 //www.otias-ub.com/?p=231753
Baidu
或者前面还好点,但如果我们要实现哪怕一点点高级的功能,基本都需要对代码动或大或小的“手术”。]]>
     工具三:HeapAnalytics

  HeapAnalytics是另外一个很具有前瞻性的解决方案。这个工具非常符合我在上集中说的“去技术化”特征。

  我们都知道,做网站分析,有两个大部分的事情要做,一个是做Tracking(监测),另外一个是做(Analysis)分析。Tracking这块,如果只是把一个工具提供的基本代码原封不动的丢到</body>或者</head>前面还好点,但如果我们要实现哪怕一点点高级的功能,基本都需要对代码动或大或小的“手术”。对于Google Analytics而言,做event tracking(事件追踪)或者是自定义变量(custom viarables)对于不懂前端技术的朋友来说,就不怎么简单了。而更复杂的监测则更望尘莫及。

  HeapAnalytics的一大特异之处是,让我们任何完全不懂技术的“普通人”,也能够轻而易举的监测到任何我们想监测的东西。

  HeapAnalytics的方法是,它提供了一个所见即所得的追踪方式——HeapAnalytics在它的监测配置页面中,直接引用了你的页面,然后,你的鼠标移动到页面的任何可交互位置,都会有一个红框把该交互元素框取下来。这时,如果你点击,就等于告诉了HeapAnalytics说,“我想监测这里”,于是HeapAnalytics让你把这个想监测的地方起一个名字,然后它就会开始帮你监测这个地方。是不是追踪设置非常简单?下图中所示的,就是当我把鼠标停留在搜索框的位置时,HeapAnalytics的监测确认红框也框下了这个互动元素。一旦我确定这个地方需要监测,并且提交给HeapAnalytics,它就会忠实记录这个搜索框被激活的次数加上搜索发生的次数。如果你想单独记录搜索框被激活的次数,或者点击放大镜图标的次数,只需要把鼠标移动到相应位置即可。

Heap

  不过,不仅如此。这个工具另一个让人印象深刻的地方是,即使你自己没有定义页面上的任何元素,当你鼠标在它的监测设置页面上点击下去的时候,它会立即告诉你这个地方曾经被点击的次数。如下图所示:

heap2

  既然抓图抓到了这个网站的页面,我就顺便做一下介绍。这个网站是我和好多个对大数据有特别爱好的朋友一起做的,我们的宗旨是翻译一些觉得有趣的海外的关于大数据的信息,然后完全完整原汁原味的呈现给大家。其中有很多不错的内容,所以,如果大家对大数据感兴趣,又想知道国外的counterparts是怎么看待大数据的,不妨支持这个网站,谢谢!链接是:世界大数据观察。

  关于HeapAnalytics我就说到这里,因为是完全免费的,大家自己去尝试就好了。它并不是一个全面的工具,但它确实是一个很好的event tracking的解决方案。

工具四:Ensighten

  这些工具统一属于一个大的范畴,即tag manager工具。这一类工具要解决的问题很明确,即降低各种加之在页面上的追踪代码和互联网营销工具代码的管理复杂度。一个简单的场景可以让大家理解它们的用途。如果我们的一个网站上,放置了Google Analytics(GA)的代码,大家都知道它的代码是可以根据需要进行定制的,如果某一天,你觉得必须要对页面上GA的代码进行修改了,你会怎么做?通常的流程是,你需要拿着新的代码,告诉你的前端工程师,请他们帮忙放上代码,并且测试代码的可靠性,然后才能正式上线启用。这个流程对于一个稍微复杂一点的企业,就不是那么简单了,至少分析师需要向前端工程师求情,然后再等待执行排期。或许,等你刚刚改好了这个代码,新的代码修改需要又出现了,你不得不又找工程师帮忙——我相信你已经不得不请他吃饭以确保他能心平气和的帮你的忙了。

  问题是,我们要应付的还不只是一个GA的代码,还有很多其他监测的代码,比如我们在第一集提到的那些工具,比如Miapex的代码,或者流行的Adobe Analytics工具神马的。而且,我们还不只是会在页面上放置监测代码,我们还会放上很多营销工具的代码,例如做targeting,retarting,还有RTB的代码——页面上塞满了各种代码,我们每次要做修改,都要让技术同事忙活一番,而且还存在着各种可能没能事先预知的危险。所以,这绝对不是可以轻视的事情。

  Ensighten、TrackingFirst以及Google Tag Manager是解决这类问题的工具。原理很简单,把所有的代码都不要再直接放到页面上了,而是统一集中到第三方的服务器上的一个.js文件中,页面上只放一段代码,用于调用这个外部的.js文件。一旦调用发生,这个文件中的所有的代码就能在页面中发挥功能,就如同这些代码直接被写在了页面中一样。关于调用外部.js文件,对于前端技术同事来说就跟1+1=2一样直白。如果你对此不是很了解,直接问问技术同事即可。利用这个方式,当你需要对任何第三方代码进行修改时,就完全不必要再麻烦技术同事折腾页面了,你只需要修改这个外部的.js文件即可,而且修改之后,立即生效。

  我特别提及了Ensighten的原因是,它确实是我认为的目前业界最好的tag manager,而且风头正劲。收购了它的竞争对手TagMan之后,它在这个领域的市场占有率可能也是最大的。这个公司不仅仅提供面向web的代码管理方案,它也做event tagging的管理(对用于做事件追踪的代码进行管理),以及对mobile app tracking的代码(相当程度上我认为是sdk的library)进行管理等。完整的解决方案让这个供应商显得更有竞争力。

  Google的Tag Manager怎么样呢?没问题,免费而且稳定。它与Ensighten的竞争关系类似于Google Analytics和Omniture的竞争关系,各有各的市场吧。

tagmgr_before

图:没有Tag Management的情况下管理页面的各种监测代码真是非常麻烦的事情(图片来自于工具:TraceAd)

tagmgr_after

图:有了Tag Management,代码管理简简单单!(图片来自于工具:TraceAd)

  另一个值得关注的地方是tag manager向app监测领域的延伸,即监测sdk管理工具。原理与上面一样,各种sdk不再直接添加到app中,而是统一放到一个云端,这个云端生成一个“总的”sdk包,包含各种供应商的sdk,然后把这个总的sdk发给各个app。这样app中的sdk需要做修改或升级,同样不需要再对app本身进行迭代。这个领域同样具有很大的前景。

  Ensighten这一类工具的生意机会在哪里?我觉得太大了。它们真的很聪明,自己并不需要做一个特别的分析工具,或者不需要做一个营销工具什么的,就能通过其他的分析工具或营销工具服务商,迅速铺满各种终端。如果它们在自己的.js文件或者sdk中加上一点点实现自己功能的东西——比如监测点什么——理论上会比任何一家营销工具能够覆盖的终端都要多。所以,他们实际上可以控制最多的数据源。当然,数据源就是钱,你懂的。

  当然,我会说,帮助人们减少tagging的难度和成本,也是一种典型的去技术化。我期待在不远的未来,所有的tracking和tagging都能不依赖于网站的前后端技术人员,这一定是迟早的事情。

工具五:Dundas和Sweetspot Intelligence

  我一直在强调去技术化。数据不能被好好利用的原因,是人人都知道它是一个极为深奥且需要累积大量知识和技术才能被利用的东西。如同一个坚果,我们需要打碎它外部坚硬的果壳才能品尝到鲜美的果实,但单这果壳就让人望而却步。所以数据的未来一定在去技术化,要让普通人像浏览网页一样轻松地浏览数据,像操作手机一样便利地操作数据。

  数据如何才能更简单的被人们浏览和操作?业界一般有两种方法,这些方法都在数据的呈现层,也就是人机界面这个层次来体现。一种方法,是通过infographics的方式(就是我们看到的那些图配数的狂拽炫酷屌炸天的数据图),另一种方法,则是通过dashboard。两种方法当然都是当今最热门的领域之一——数据可视化(Data Visualization)的最重要组成部分。而数据可视化的目的和价值,当然就是去技术化。在日常工作中,在对商业活动的指导频率和强度上,dashboard都要比infographics重要的多。所以,在这个部分工具五中,我提到的两个工具:Dundas和Sweetspot都是在dashboard领域有专门作为的。

  在e-Summit的这次会议中,有好几场专门关于dashboard的演讲,其中一场甚至是key note speech,说明美国人对这个领域的重视。这不奇怪,因为几乎所有利用数据的企业和部门,大家都更乐意于浏览更加友好的dashboard,而不是直接跳到细节报告本身。所以用户友好是dashboard的第一个重要的特征。Dashboard的第二个特征,则是它必须能够被定制化,毕竟不同企业和部分的业务不同,关心的事情肯定不一样。Dashboard的最后一个特征,是绝对尽量简明扼要的展现关键信息和细节。展现关键信息好办,展现细节就不容易了,因为一旦有了细节,就会跟简明扼要这个宗旨相矛盾。因此如何把握二者的平衡,是做dashboard中非常艺术的领域。

  Dundas和Sweetspot这两个工具都是dashboard的专业供应商。他们的商业模式都很明确:你给我原材料,我帮你来料加工,然后出了成品你付给我钱。原材料包括两个:企业的业务目标和关键环节,以及与这些目标和环节相关的全部数据。这两家公司,包括其他的RJMetrics等公司,并没有特别大的不同。他们提供的服务包括:给你dashboard的生成工具(云端的或者local host的)你自己利用自己的数据制作dashboard,或是由这些服务商提供更为傻瓜的“去技术化”的服务直接利用客户的数据,按照客户的业务需求,把dashboards做出来,给客户使用。有一些,例如Sweetspot,还可以做一些数据的挖掘,将挖掘的结果也呈现在dashbaords中。而Dundas则有较好的dashboard的互动能力,例如,在dashboard的某一个reportlet(子报告)中点击一个柱状图中的柱子或是趋势图中的一根线,就会展现出这根柱子或者这根线的更细节的数据图表。另外,大家也都提供针对不同行业的标准dashboard解决方案。

dundas

  有朋友会问,Dashboards和网站分析工具中一个一个具体的报告谁更有价值?我认为它们都极为重要,体现了不同价值。Dashboards的核心在于以最“美妙”的方式展示所有的关键指标(KPI),而具体的reports则给你所有的过程和细节。你在dashboards上能够快速发现让你快乐的和让你担心的,但如果需要刨根问底,则需要具体的看reports。

  不过,我也相信,随着我们去技术化的深入,我们如何展示数据,一定会发生革命性的变化,dashboards最终能够取代所有的reports,或者用更符合真实的说法,是reports本身,也会dashboard化。Dashboards不再仅仅只是展示KPI,在它的主界面上一定可以通过快速交互的方式,让你直接在dashboards展示报告的细节,如同Dundas的网站视频中给我们演示的那样。更酷的工具才有未来。

工具六:Lytics

  这个系列的最后一个工具,是Lytics。

lytics

  Lytics这个工具做什么,用他们自己的话说,是“a customer data platform for customer-centric digital marketing”,就是帮助广告主(用户)实现以顾客为中心的数字化营销的顾客数据平台。理论上,这个工具帮助用户解决几个方面的问题:

1. 收集理论上与每个顾客相关的数据:Mobile上的用户行为数据、互联网上的浏览数据、在线购物数据、客服支持或CRM数据、社交媒体上的数据等等等等。

2. 把这些数据附着在具体的一个一个的顾客身上。当然,前提是能够识别唯一顾客。

3. 整合这些数据,然后形成每一个顾客的画像(profile),然后让营销部门和顾客关系部门利用顾客的画像信息进行有针对性的营销或服务。

  这个工具目前仍然在内测和小圈子beta阶段,这一解决方案的背后,顺应了广告主对于管理自己顾客(customer)和潜在顾客(target audience)的强烈需求。的确,我们一方面希望能够迅速了解他们的方方面面,另一方面则希望在了解他们的基础上分析他们的需求,并立即着手与他们发生互动。这意味着我们不再盲目、被动,而是瞅准机会为合适的对象传达合意的消息。

  与传统的CRM工具的差异在哪里?我认为是能够获取和整合的用户数据大大扩展了。传统的CRM只能记录已经成为自己客户的有限的数据(购物和与你直接发生互动的那些数据),但Lytics之类的方案,则不仅仅只是盯着已经成为你的客户的那些,还有你希望通过各种营销手段“打击”到的目标受众(潜在顾客),并且,数据的内容拓展到了整个互联网中他们的行为和静态信息(如社会属性),而不要求一定与你发生直接的交互。

  Lytics做的如何?我尚未试用。不过这类工具其实已经不鲜见,DMP(Data Management Platform)要做的事情是完全类似的,只不过它们更偏向外部营销,以及输出给DSP或者Ad Exchange,而较少人为进行分析和挖掘。Lytics则提供reporting,分析以及人工的数据挖掘和数据可视化(利用Tableau之类的工具)。

  这些工具,其实已经不是明天的工具了,它们已经在支配今天。

  介绍到这个工具,关于明天的数字营销分析工具也就差不多写完了。可能还有很多我没有写到的。比如,NetConcepts的胡力同学邀请我写一些ClickTale的,但是因为其实跟Miapex的解决方案比较类似,我就不重复写了。感兴趣的同学可以看胡力同学亲自搭建的介绍Clicktale的网站:http://cro.netconcepts.cn/clicktale。最后,如果大家有觉得很棒很酷的工具,也可以告诉我,我也很乐意学习之后,跟大家做介绍。

via:http://www.chinawebanalytics.cn/emetrics-summit-review-2/

]]>
明天的数字营销分析工具
//www.otias-ub.com/archives/231698.html //www.otias-ub.com/archives/231698.html#comments Tue, 27 May 2014 03:45:15 +0000 //www.otias-ub.com/?p=231698    3月17,3月18日两天,很有幸的参加了在美国旧金山举办的eMetrics Summit会议,会议很多收获。本来,因为过去在犹他州工作的关系,也眼见了Omniture和业界的很多与国内不同之处,但这一次旧金山会议的所见所闻仍颇多震撼。

  首先的感受是,美国一定比中国领先十年吗?一言以蔽之,这么说太绝对,在技术上,美国未必真的比我们领先那么多,世界是平的,中国研究技术的开发者和大牛也不少,因此这个领域美国人或许确实领先,但领先十年的代际差距,倒还不至于。

  但是,大环境的领先,却可能不是十年那么简单,甚至用时间去衡量都不恰当,因为美国的市场环境和专业环境迥异,所以美国能玩的,中国恐怕永远玩不了,也不会去玩;反之,中国也会创造出一些适应国内环境的玩法。

  先不说中国怎样,单说美国有一个环境即与我们这里不同,数字营销分析工具方面,无论什么样的创新,只要能够解决某一领域的问题,满足某些方面的需求,那么一定会有客户愿意掏钱购买。因此,美国人更乐意于不断创新,发现解决问题的办法,不断改善现有技术,然后在市场上贩卖,获得收益。新东西不怕被人抄袭?美国也有抄袭别人的,就算是别人的专利,其实还是可以绕道实现同样的效果,但程度就要小多了,原因很简单,文化不容,被人瞧不起。这就好像在美国道路上开车,你要是真的不让行人先行,可能也不能把你怎么样,但路上一定有人对你竖中指,你不愿受这个鄙视,所以乖乖停着让人。但在中国,停止线前停一下等一下斑马线上的行人,后面的车就一定要猛按喇叭催了,文化不同。这种文化的不同,使美国市场上的数字营销分析工具远远多于中国,而且创新性强,远甚中国。

  这篇文章,我想写写他们在工具方面的进展,名字叫明天的工具,我想,这方面美国的今天,是中国的明天。

明天的工具关注什么

  现在讨论最多的新问题新现象,肯定会成为工具的趋势,美国人在会上关注些什么呢?

1. 以用户(客户)为中心的监测和分析

  这是一个大家都已经看到的趋势,Google Analytics更新成Universal Analytics之后的一个最显著的点,就是把过去以visit为核心的监测,进化为以visitor为核心的监测。我们已经不可能满足于只是知道一个访问session过程中发生了什么,我们想要知道在访问者(用户)的生命周期内发生了什么,并且用更大的尺度观察、分析以及优化。这拓宽了我们的视野,我们可以做微观的调整(利用既有的visit的方法论),也可以进一步知道做宏观的分析(利用新的以用户为中心的方法论)。这对优化我们的策略具有决定性的意义。

  当然,以用户为中心的监测和分析不是仅仅从visit进化到了visitor这么简单,它还包括其他的要素,这些要素是:唯一访问者(唯一用户)的识别,多样化的数据源,统一平台基础上的数据整合。我们接着看这些。

2. 唯一访问者的识别

  老美对这一块的关注主要在于跨设备的追踪上,我在上一篇文章中也有专门讲到。所以讲到跨设备追踪的分会场演讲中,人满为患。不过令我相当失望的是,在这个演讲中使用的跨设备追踪方法不是我期望的高大上的大数据方法,或者是fingerprint方法,而是老老实实用了UID的方法。但它至少说明了一个问题,在美国,UID方法解决跨设备追踪是完全可以使用的,一方面用户确实在几乎所有自己的设备中都登录了自己的Google账号,另外一方面,大多数的网络或者服务,也都要求用户注册登录之后才能享用。这样UID方法反而成了广覆盖。我们现在在中国也很关心这个领域,只是没看到真正经得起检验的解决方案。

3. 多样化的数据源

  Google Analytics更新成Universal Analytics的另外一个原因,是它开始兼容各种数据来源的数据,因此,分析不一定只是onsite(自己的网站),也不只是online(互联网),它也可以包容其他系统的数据,例如CRM,ERP;甚至可以包容offline的数据,它希望做到如它名字所说的“统一”(universal的一个意思即是统一)。

  既然我们要真正了解用户,以用户为中心,那么我们当然要尽可能获取与用户相关的所有数据。

  线上数据,各种IT系统的数据就不说了,有趣的是,老美们想尽办法想把offline(传统世界)的东西也数据化,然后搬进Universal Analytics或者相类似的工具中。就像下面这张图所示,各种传感器的数据(哈哈,有没有朋友知道Raspberry Pi或者Arduino?现在老火了)都可以输入到Universal Analytics中。还有人把商店里面布满传感器,捕捉客户的行为,这些传感器的数据,又全部传送给了线上工具,例如传给了Universal Analytics。再考虑到优惠券,二维码什么的,统统都可以输入到这个平台中,想象空间一下子大起来,O2O实际上很容易就打通了。不少老美们天天都在琢磨这个,有意思。

sensors

  多样化的数据源,对用户的理解当然会深透很多,不过组织数据然后加以分析就成为一个问题了,所以自然而然,新的需求又提出来,即一个能够整合各种数据的统一的监测和分析平台。其实Universal Analytics就是这样的平台,但它不是唯一的,而且也不是走得最远的。

4. 统一平台基础上的数据整合

  这样一个平台并非是Google Analytics最先想到的,也不是它最先做的。在听这个会议的一个分会场,Intuit(一个业界巨牛的会计税务软件公司,quickbooks和turbotax就是他们的产品)的数字营销经理分享了他们的案例,即使用Omniture和CRM作为数据源,然后将数据输入到他们自己的BI中做整合,并且通过这个方法实现两个系统的打通,将CRM对用户的管理,延伸到网站上。可见,就算业界没有解决方案,企业自己已经搭建解决方案了,毕竟满足业务需要是第一位的。

  不过,现在这样的工具也多了起来,在这个会议上,有一些工具上就提供这样的服务,后面我也会讲到。

5. 去技术化

  去技术化的核心是牛逼的技术。什么意思呢,就是让不懂技术的人也能轻松驾驭技术,让懂技术的人能够更好地管理技术。使用方式傻瓜,功能极为强大的意思。美国人在usability(使用体验)上的追求还是很到位的,很多工具都尽可能考虑如何让技术以人为本。有不少“明天的”工具,已经开始在这样做了。我们后面会介绍。

  这五点,美国的新数字营销分析工具都有cover。

明天的工具介绍

  好了,前面打了那么多伏笔,就是想让大家了解一下为什么这些工具在美国是趋势,因为有需求嘛。那么我们来看一下这些工具都在做什么,它们为什么反映了明天。

工具一:Miapex

  我要把这个工具作为第一个介绍的原因,是因为这是第一款从中国走向美国的工具!大家可能没有听过它的名字,事实上,创业团队在中国,但市场几乎全部在海外。这个工具满足我前面所讲的两条:去技术化,以及以用户为中心的监测与分析

  说它是去技术化的,体现在两方面:更傻瓜智能化的使用体验,以及更准确强悍的热图功能。

  使用体验方面,相对于Google Analytics,细分和过滤功能设计的相对更加简单,在所有的报告和度量旁,都可以直接做数据过滤;内容编组方面,非常傻瓜,既有高级的利用RegEx的方式,也有为了毫无技术素养的朋友设计的“一点技术含量都没有的”手动输入一个一个页面名称的方法,当然还有介于这些最傻瓜和最高级功能之间的各种方法。目的是为了让每一个人都能上手用。用他们CEO Robin的说法,“这个工具要让普通的市场人员都能够非常轻松自如的使用,如果工具只能让技术同事使用,那么它的价值就必然大打折扣。”

  这个工具更加令人印象深刻的是热图功能,事实上它的热图功能拥有与实际上最好工具抗衡的能力。例如,它的热图能够表现出那些复杂的互动关系,比如JavaScript,多层级的菜单系统,或是激活输入框的点击——页面上所有元素的互动,都可以被追踪到,并且以合适的方式表示出来,例如我的博客的搜索框,还有右侧的“订阅到鲜果”都是特殊元素互动,前者是输入框,后者是我的网站利用JavaScript的外部引用,这个工具仍然能够记录相应的点击数量。

home_screen

  不过,这个只是Miapex热图强悍功能的一部分。另外一个让我非常有感的功能是,这个工具带有非常容易实现的热图细分对比功能。这个功能很有作用,例如,我想比较不同流量来源的用户在页面上的互动情况,立即就可以在同一个报告页面上展示出来。在下图中,默认状态下,报告页面显示的是点击热图和注意力热图。

homepage_2

图:默认热图:点击图和注意力图

  但如果你要作上面我所说的比较,点击“比较”按钮之后,两个图随即变成你要比较的细分之后的热图。下图左图是直接流量的点击热图,而右边则是搜索引擎流量的点击热图。

heatmap_compare

图:不同流量来源的热图对比

  另一方面,这个工具也为移动设备做了优化。移动设备的竖屏热图和横屏热图被分别捕捉下来。

portrait_landscape

图:mobile横向阅读和纵向阅读时候的热图也能够自动区分开来

  热图的另外一些功能——例如一个页面上不同链接用了一个URL的情况,也是可以自动区分开的。另外据说热图的点击还原报告采用了自动校准系统,以充分消除不同浏览器分辨率造成的点击定位不准确的问题。

  该工具还体现了非常多的用心的细节,包括帮助同一个页面不同尾参的情况下,选择保留尾参或者去掉尾参进行合并的功能等,这些都是为了尽最大可能,让不熟悉技术配置的市场人员能够轻松驾驭。

  在以用户为中心的分析上这个工具也不遗余力,下图展示了一些细节——不同用户的生命周期内的行为以及各种类别人群(VIP客户,活跃顾客,一般顾客及潜在顾客)的典型特征,以及这些类别人群的典型行为及来源。在这个功能中,流量多少不再是核心,相反,用户的行为、特征以及生命周期表现成为核心度量,供广告主判断它的用户(客户)的属性。

usercenter

  尽管这个工具没有在国内推广,但在美国已经有相当不错的口碑,而在日本则以PTEngine这个品牌攻城略地,据说已经是日本市场上最大的移动web监测工具提供商。完全可以称得上是中国人的骄傲。

工具二:Ghostery

  Ghostery跟我上面讲的Miapex并不是一类工具,它的商业模式和功能不是分析工具,而是服务于监测实施。它属于我前面说的去技术化的工具。

  Ghostery的功能很简单,他们自己是这样介绍的:

  “当今的网站,没有几家不放几个第三方监测代码在其上做各种事情的。这些代码有的做监测,有的帮助做广告,有的做营销(例如实现retargetting),有的做widgets……,有些网站有放了超过十种甚至几十种别人的监测代码,这些代码偷偷记录我们的行为数据,而普通网站访问者根本无从得知。”

  看看下面的梅西百货的网站,就用了十多种各种第三方监测。

macy's

  “我们要改变这个状况,让你自己拥有决定哪些第三方监测可以‘监视’你,哪些不能‘监视’你的权力。”

  “Ghostery”实际上是一个插件,用了它之后,你可以自己决定让网站中的哪些第三方监测生效,哪些失效。方法很简单,在Ghostery帮你列出来的所有第三方监测中,关闭你不喜欢的即可。他声称帮助用户管理和控制自己的隐私。这个提法深受欢迎。

ghostery

  Ghostery的另外一个作用,是帮网站主了解自己的网站到底被多少监测软件占领了,并且可以迅速排查哪些有用,哪些早已不应该存在在页面上。

  不过,Ghostery并不仅仅只是这点功能,它实际上想要做的商业模式是2B的。由于超过数十万用户使用这个工具,他们成功的让自己成为了一个安装广泛的toolbar。现在,浏览器上有了它的toolbar,于是这个公司开始为企业提供这些公司网站在客户端的表现情况,而且还能够捕捉到很多的用户的数据。这个想法真是有够绝的。看起来跟我们国家的360杀毒一脉相承,杀毒不是目的,搞到数据和流量才是目的。

  记住这家企业:Ghostery,国内完全可以快速翻版。

via:http://www.chinawebanalytics.cn/emetrics-summit-review/

]]>
//www.otias-ub.com/archives/231698.html/feed 1
酒店网站如何打造最具说服力的销售页面?
//www.otias-ub.com/archives/230798.html //www.otias-ub.com/archives/230798.html#comments Sun, 25 May 2014 17:05:21 +0000 //www.otias-ub.com/?p=230798         在Booking.com上打开任何一个酒店详情页面,一幅巨大而醒目的酒店照片便会立刻映入眼帘。

  在我看来,大幅的酒店照片、便捷的导航按钮以及能够展示酒店的各式图片是吸引用户进行预订的制胜法宝。

  提示

  不要忽视了图片的重要性,它能够为用户带来更丰富和更具感情色彩的体验。

  你需要在登陆页面上测试不同类型图片对转化率带来的影响。

  • 带有真实人物的照片是否能够将用户与网站所提供的服务连接起来?

  • 什么类型的图片能够让用户产生更加情绪化的反应?

  • 如果要使用人物的图像,那什么样的身体语言能够提升转化率呢?

  酒店简介

  访问酒店页面时,你总能找到有关该酒店的简介,这个版块能让你立刻掌握有价值并且具备说服力的相关信息。

  这些信息包含酒店有哪些热门设施、酒店哪方面的服务更受好评,以及酒店附近有什么有趣的景点。

  提示

  在用户最常访问的三至五个登陆页面或网站的顶部区域总结出该页面的内容重点以及提供哪些优惠项目。

  思考一下,如果我们能让每个用户记住页面上的三样东西,你希望他们能记住些什么?

  图片上的点评信息

  当然,消费者评分和点评的作用不可小觑,它们也是所有商业引导策略的重要组成部分。让用户查看酒店评分并提供查看点评的链接是非常有必要的。

  Booking.com采用的是10分制,其页面上关于评分等级的描述(比如极好、良好、优秀等)、该酒店获得的点评数量以及一小段旅行者点评等内容都集中在一个版块里,并不会过多地吸引用户的注意力(毕竟页面上有大幅图片)。

  将点评信息配以淡化的背景显示在图片顶部的方法也是可取的,我很少在其他网站上看到类似的处理方式。

  提示

  如果你的产品或服务获得了评分和点评,那么请考虑以下两个问题:

  1. 你在用户预订的哪个阶段为他们提供这些点评信息?

  2.这些评分和点评信息是否醒目?

  测试发现,酒店不应该在让用户了解过往消费者对自己的评价这一点上有所顾虑。同时,你还可以考虑让消费者点评在页面上滚动显示,如此一来,用户就不用特地跳转到点评页面去查看。

  加分项:提供点评人的姓名和位置信息,让用户能够查看类似人群做出的点评。

  Booking.com将点评信息按照旅行者的类型进行了分组,其中包括家庭、情侣、单人等类别,并提供点评人的姓名和位置,向用户展示了更为透明的参考信息。

  展示酒店及整体体验的图集

  以我在Booking.com上的预订经验来看,该网站在酒店详情页面展示的图片不仅尺寸大,类型和内容也非常丰富和全面。

  这些图集不光为酒店本身打了广告,也对入住体验和某些当地特色进行了宣传。我相信,如果在图片方面下足功夫,为用户带来更加丰富的浏览体验,就一定可以提升网站的转化率,尤其是那些能够提供大量图片的酒店。

  最近,我们参与了一项对某家多渠道零售网站进行的用户研究,以下引用研究中的一句话:

  你需要在自己的网站上尽可能多地提供产品图片,这样能够让用户对你的产品产生好感,让他们感觉自己就像在商店里挑选实际的产品一样。

  提示

  你还要测试利用图集展示产品和服务对转化率产生的效果,思考该如何让用户尽可能地了解自己的产品和服务,带给他们身临其境的消费体验

  简单的图片切换方式

  像上文提到的那样,Booking.com意识到了鼓励用户浏览酒店图片的重要性,并确保用户在刚开始查看酒店详情页面的时候就能够迅速掌握切换图片的方法。

  这一点看似微不足道,实际上却十分重要。当光标从页面中的大图上划过时(这样的可能性很大,因为如果用户想要查看页面下方内容的话,光标就会不可避免地划过图片),图片的右下角就会出现向左和向右的翻页箭头。

  在用户行为测试中常有网站使用这种巧妙的动作功能,并屡试不爽,因为用户往往会好奇刚才一闪而过的是什么,从而进行查看。

  此外,很多网站都不再使用小圆点来切换图片,尤其是主页上轮播的幻灯片。

  提示

  如果你的网站上提供多幅图像供用户自行点击切换的话,那么你就要想办法让他们意识到这一点。

  简单的动作功能或者淡入/淡出的自动切换方式也不失为良好的解决之道。但切记,不要只用一排小点来让用户自行点击切换。

  在重要内容中重复卖点信息

  用户在哪个页面看到酒店的独特卖点或被导航去何处其实并不重要,重要的是你要保证它们的能见度,Booking.com就很好地把握住了在酒店详情页反复显示卖点信息的机会。

  注意,这些卖点信息位于价格信息之后,酒店设施信息之前。卖点信息在页面上的位置可能会影响其能见度。同时,某些卖点信息是与用户正在预定的酒店的直接相关的,记得在这些信息之前加上打钩的图标以强调它们是正面信息。

  提示

  找出用户在预订过程中重点浏览的主要页面,列出最能令你的目标客户产生共鸣的独特卖点,查看你是在何时通过怎样的方式来将这些信息传达给用户的。

  如果是为了测试页面加入独特卖点和价值主张信息之后的效果,那么你大可不必担心网站的某些主要页面变得过长。同时也要记得测试主要页面上放置独特卖点信息的最佳位置。

  给用户打一剂强心针

  另一个非常关键的细节隐藏在用户选择想要预订的房间的过程中。当光标移动到预订按钮上时,按钮的颜色会发生小小的变化,同时你还会在其下方看到您获得了最优惠的价格!这样的文字信息(这些信息是红色的,我认为颜色方面还有待测试)。除此之外,该处还会进一步提供预订优惠信息。

  正是这些看似微不足道的小细节驱使用户完成预订,并认为自己获得了优惠的价格,如他们在网站上开始搜索酒店时所期望的那样。

  提示

  用户想要与你的网站进行互动时,给予他们简单的反馈,但要注意反馈的方式。无论如何,你的目的是要鼓励他们在你的网站上完成整个预订过程。

  浏览该产品的用户还查看了……

  零售业最常使用的社会认同策略之一就是推荐用户浏览过的其他产品。

  Booking.com在酒店详情页面底部也提供了这样一个版块,利用小小的空间来插入一些特别的、具有说服力的内容。

  试想,你可以根据用户的选择提供星级、酒店简介、最近预订信息、点评分数、点评数量和总价格等信息,这样的内容无疑对用户有着巨大的吸引力。

  一切都像为用户量身定制一样,Booking.com带给我的感觉是,它的确在帮助我找到合适、优惠的酒店。(我打赌这家网站还运用了智能的推荐系统,最终能够有助于提升每个用户的价值。)

  提示

  确定你正在购买或准备购买的哪些数据能够用来推销你提供的其他产品和服务,这一点也十分重要。

  确认完毕后,进行用户研究来找出对每个产品或服务最重要和最具影响力的信息,这样的信息能够引起潜在消费者的共鸣。

  万事具备后,你就可以开始选择想要呈现在浏览该产品的用户还查看了……版块中的信息。

  拓展问题

  • 你认为还有哪些网站有称得上世界上最具说服力的销售页面

  • 使用劝导技术的度在哪里?你认为Booking.com是否过度劝导人们在其网站上进行预订?

via:traveldaily

]]>
//www.otias-ub.com/archives/230798.html/feed 73
聚焦用户的追踪与分析——跨屏追踪
//www.otias-ub.com/archives/230508.html //www.otias-ub.com/archives/230508.html#comments Sat, 24 May 2014 09:40:11 +0000 //www.otias-ub.com/?p=230508 随着移动互联网的高速增长,在多屏幕时代跨屏追踪成为网站分析中的一个热门话题,同时也成为了网站分析师不容忽视的问题。在Google Analytics升级为Universal Analytics时带来的主要变化之一就是支持跨屏幕,跨设备的访客追踪。而Adobe Omniture和Webtrekk这些商业级网站分析工具也都开始支持多屏幕之间的访客聚焦分析。跨屏分析似乎已经成为了网站分析工具的标准配置。

1,我们为什么需要跨屏追踪?

在开始谈论跨屏分析的重要性和价值之前,我们先来简单的回顾一些背景信息。这就是我们的网站分析工具是如何来定义,区分和计算唯一身份访问者?下面我们逐一来回顾下这些基础知识。

访问者定义

网站分析工具依靠IP或Cookie来定义访问者。一个IP地址或一个Cookie就代表一个访问者。早期的日志分析工具依靠IP地址,但由于存在多个人公用一个IP地址的情况,例如网吧,或者学校机房等等。因此现在大部分的网站分析工具都是以Cookie来定义访问者。Cookie是存储在访问者浏览器中的一个文本文件,用来记录访问者的身份信息。当然也有一些分析工具可以进行定制,当访问者浏览器禁用Cookie时通过IP地址继续定义并追踪访问者。

访问者区分

用于定义访问者的Cookie中有一串唯一的数字,这串唯一的数字就是访问者的ID。访问者ID会在访问者每次访问网站或浏览页面时跟随其他指标一起返回网站分析工具的服务器。网站分析工具通过这串Cookie中的唯一数字ID来区分访问者的身份。如果发现多条日志中的访问者ID都相同,则判断这些访问或页面浏览行为来自同一个访问者。

唯一身份访问者的计算方法

网站分析工具对于访问者采取排重的计算方法。换句话来说网站分析工具提供的是唯一身份访问者数据。以下三个测试可以说明网站分析工具是如何对访问者进行排重计算的。

测试1,按时间维度对访问者进行排重。

将一周内网站访问者的数据按天分别取出进行汇总,并与网站分析工具提供的一周汇总访问者数据进行对比,你会发现以天作为维度的访问者汇总数据要大于以周作为维度的访问者数据。原因很简单,一个访问者连续一周7天都访问了你的网站。这时以天作为维度,每一天中这个访问者都是唯一的。按天汇总的访问者数据为7。而以周作为维度,在这7天中只有1个唯一访问者,到访过网站7次。从数据准确性的角度考虑,排重后的访问者数据更为准确。

测试2,按来源维度对访问者进行排重。

按来源维度对访问者进行排除与前面按时间维度进行排除的例子相似,将不同来源维度的访问者数据分布取出进行汇总,并与同一个时间段的网站访问者数据进行对比,你会发现按来源汇总的访问者数据要大于网站的访问者数据。因为同一个访问者在一段时间内可能会通过多个不同的渠道或媒体到访你的网站。如果仅从渠道或媒体维度来看,这个访问者是唯一的。但扩大视角从网站的维度来看,无论访问者的来源渠道有几个,唯一身份的访问者都只有1个。

测试3,按内容或页面对访问者进行排重。

除了按时间和来源对访问者进行排重以外,还有一个在数据统计中最容易被误解的方法,就是按网站的页面对访问者进行排重。这类排重的方法与前面的两类测试非常相似,只不过将时间维度和来源维度替换为了网站页面。因此,如果你将访问每一页或每个频道的访问者单独取出并进行汇总,那么这个数据会明显大于网站维度下的访问者数量。因为一个访问者可能看过多个频道或页面,从每个频道或页面的维度来说,这个访问者都是唯一的,但从网站这个更高一级的维度看来,只有一个唯一的访问者。

啰嗦到这里你可能已经发现了,为了保证唯一身份访问者的数据准确,网站分析工具会从整个网站的维度对访问者进行排重计算。而这一切的前提都是网站分析工具能够在不同维度下识别并区分出这个访问者。但在实际的访问场景中,有一些维度网站分析工具没有办法进行排重操作。例如不同的浏览器,和不同的终端设备。因为网站分析工具赖以定义访问者的ID存储在Cookie中,而Cookie是基于浏览器端的。换句话说就是访问者在不同的浏览器或设备中会拥有不同的访问者ID。这就导致了网站分析工具没有办法在浏览器和设备维度下对访问者进行排重。

从技术和指标计算的角度来看,跨屏追踪的这个新功能的主要作用就是用来在不同浏览器及设备间精确定义和识别访问者,并对访问者进行跨屏幕,跨设备的识别和排重。使我们获得的唯一身份访问者数据更加精确。

2,跨屏追踪的原理与实施方法

目前大部分网站分析工具实现跨屏追踪的原理大致相同,都是通过访问者的唯一身份标识在不同的设备间定义和识别访问者。然后在服务器端按照唯一身份对访问者使用的设备,访问行为进行排除和汇总处理。但在跨屏追踪中,这个唯一身份标识不再来自于Cookie中的访问者ID。而是依赖于访问者在网站中的唯一身份标识。换句话说,网站分析工具把跨屏幕跨设备识别用户唯一身份的工作交给了网站。而这个唯一身份标识,通常也就是访问者的登陆账号。当访问者在网站中完成登陆操作后,就会以此作为访问者的唯一身份ID。

uv1

以Universal Analytics为例,如果要对访问者进行跨屏追踪,需要在全局代码中添加一行代码用于获取这个访问者在网站中的唯一身份ID。并将这个ID返回给Google分析服务器。进行后续的排重和汇总处理。

1
ga('set', '&uid', '访问者唯一身份标识');

我们以bluewhale_test作为访问者唯一身份标识为例。这段代码在你的页面全局代码中应该是下面的样子。

1
2
3
4
5
6
7
8
9
10
11
<script>
  (function(i,s,o,g,r,a,m){i['GoogleAnalyticsObject']=r;i[r]=i[r]||function(){
  (i[r].q=i[r].q||[]).push(arguments)},i[r].l=1*new Date();a=s.createElement(o),
  m=s.getElementsByTagName(o)[0];a.async=1;a.src=g;m.parentNode.insertBefore(a,m)
  })(window,document,'script','//www.otias-ub.com/analytics.js','ga');
  ga('create', 'UA-12347890-11', 'bluewhale.cc');
  ga('set', '&uid', 'bluewhale_test');
  ga('send', 'pageview');
</script>

当代码被执行,我们可以发现和验证两件事情,第一,访问者被成功的赋予了唯一身份标识后,我们可以在返回数据中看到本次的访问和页面浏览行为属于用户bluewhale_test。第二,这个访问者唯一身份标识并没有存储在Cookie中,而是直接发送到Google分析的服务器。

uv2

当这个访问者在其他设备登陆网站时,我们也将同样为他赋予bluewhale_test的标识。这样在服务器端我们就可以对这个访问者进行识别,并将他在不同设备间的访问行为进行归并计算,以实现跨越屏幕和终端的访问者追踪。但这里有个问题,就是访问者必须完成登陆操作才可以被标识。如果访问者仅仅到访网站而没有完成登陆操作呢?这里我们介绍跨屏追踪的一个加强版,webtrekk中以唯一身份ID+cookie的标识方法来解决未登录的用户标记问题。

3,Webtrekk增强版跨屏追踪

当一个访问者在网站进行了注册或者登陆操作,那么webtrekk系统会将访问者的用户名作为唯一身份访问者ID对访问者进行标识。这和之前介绍的方法和流程没有区别。但webtrekk在后台还会做一件事情,就是将当前访问者的唯一身份ID与他cookie中的访问者ID进行关联。那么在不删除Cookie的情况下,下次这位访问者到访网站时无论是否进行登陆操作,webtrekk都能再次识别出他,并且将他与之前的历史行为进行关联。

uv3

上面的图表清晰展示了这个过程。当这名访客登录后,webtrekk将cookie中的访问者ID与URM的唯一身份ID进行关联。URM唯一身份ID用来识别用户,基于cookie的不同访问者客ID就会赋予到唯一身份ID中。如果任何一个唯一身份ID发送到Webtrekk,相关的cookie访问者ID也会添加到其中。URM唯一身份ID只在第一次关联(绿色箭头)的时候用到。之后,关联机制便独立于URM唯一身份ID(灰色箭头)。这样当访问者不再进行登陆操作时,我们也能根据之前建立起来的关联关系对访问者进行识别。

4,跨屏报告概览及指标的变化

使用跨屏追踪功能后,我们可以在网站分析工具的报告中看到更精确的访问者数据和访问者在不同终端设备间的使用路径。下面我们分别以Universal Analytics的跨设备报告和webtrekk的跨屏报告为例,来看下工具是如何计算访问者数量和呈现终端设备路径的。

第一个是Universal Analytics跨设备报告中的设备路径报告。在这个报告中我们可以看到两个重要的信息。第一个信息是设备路径。这里显示了访问者先后分别通过两个不同的设备访问网站,分别是Desktop和Mobile。第二个信息是用户数和会话数。在没有使用跨屏追踪功能时,会被记录为两个访问者和3次会话。而在使用跨屏追踪后,通过跨设备排除只显示了1个用户和三次会话。数据更加准确。

uv4

第二个是Webtrekk的跨屏报告。通过这个报告我们可以发现每一个唯一身份访问者在不同时间中对不同设备的使用情况和顺序。这比之前Universal Analytics报告中的提供的内容要更加丰富和详细。

uv5

5,跨屏追踪从业务上解决了哪些问题?

前面我们一直都在从技术角度介绍跨屏追踪功能的作用。但他最大的价值还是体现在业务层面。下面我们分别从网站主,网站分析工具和广告主三个不同的角色出发,来看下跨屏追踪在业务上解决了哪些问题。

网站主角色:,

uv6

从网站主的角度来看,跨屏追踪最大的价值是可以精准的定位和追踪人的数据,而不是浏览器的数据。访问者的数据不再是割裂在不同浏览器和设备间的数据孤岛。我们可以有效的将访问者在不同设备间的访问行为进行关联,并获得完整的访问行为和设备路径。

网站分析工具角度:

从网站分析工具角度来看,跨屏追踪非常有希望摆脱依赖Cookie来定位和获取访问者数据。Cookie一直都是网站分析工具获取访问者行为中的重要一环,但这一环又是如此的脆弱。访问者,浏览器,和各种插件都会对Cookie以及数据的准确性造成影响。而现在,网站分析工具已经在改变方法,减少对Cookie的依赖,将大部分的数据记录和匹配工作转移到服务器端来进行。目前唯一还需要用Cookie来记录的就是访问者的身份ID。而通过跨屏追踪功能的普及,大部分访问者都会被网站进行标记。这将大大减少Cookie被删除造成的数据准确性问题。

广告主角度:

最后,还需要从广告主角度来看一下跨屏追踪的价值。我们不知道网站分析工具所获得的数据和信息是否会被用于精准广告投放。但从广告主角度来看,更精准的唯一身份访问者以及跨设备的长期访问历史行为数据对于精准广告投放来说确实是非常有价值的。

—【转自“蓝鲸网站分析博客”】

 

]]>
//www.otias-ub.com/archives/230508.html/feed 1
Expedia Media:2014年1月、2月英国游客移动应用调查
//www.otias-ub.com/archives/230207.html //www.otias-ub.com/archives/230207.html#comments Fri, 23 May 2014 13:49:25 +0000 //www.otias-ub.com/?p=230207         手机在英国消费者搜索和订购旅行中扮演着越来越重要的作用。

        最近由EMS委托comScore实施,研究显示驴友是一群精通和积极使用手机的人,他们在旅行中利用多种信息设备和信息源。

        根据MMX多平台观点,研究发现2014年一月期间,三分之二的英国游客从手机获取信息,包括66%的地接或游轮,53%的在线旅游公司,和53%的宾馆和渡假村这前三项。

usage

        进一步分析设备应用显示手机和平板用于旅游高峰出现在晚上八点到凌晨,但是驴友使用私人电脑的高峰是在下午,从中午到下午5点。

time

        了解消费者出行通过什么平台了解信息给营销人员提供了促销的方向。

]]>
//www.otias-ub.com/archives/230207.html/feed 2
网页数据分析 vs 移动数据分析:有何不同
//www.otias-ub.com/archives/230179.html Fri, 23 May 2014 12:45:51 +0000 //www.otias-ub.com/?p=230179 一篇Web Analytics vs. Mobile Analytics: What’s the Difference?的文章,在我evernote里躺了几个月,最近几天刚好项目节奏不太忙,回顾了下我evernote里的很多待读文章,顺便也边读边翻译了下以便加深学习效果。

但是实际上翻译到一半我就有点后悔了,翻译实在不是一件轻松的事情,有些段落自己读起来觉得挺懂的,但是若要翻译成通顺的人类能够读懂的句子着实不容易,更不要说雅、达的终极要求了。但是还是强迫自己完成了“处女翻”,对于某些自己也无法接受的蹩脚的翻译,我保留了原文,希望朋友们能够帮忙指导。

注:

1. 下文中当提到App时,作者有时叫做App,有时又叫做mobile apps,有时又叫成mobile application, 在翻译时,我有时保留原文App,有时翻译成移动应用,有时又叫做移动应用程序,后来干脆简化之,一律称为App。

2. 文中使用了大量的术语,比如SDK, JavaScript,Cookie , 这些术语也经常出现,就不再进行转译了。如果对术语本身有问题的,可以用google百度一下。

web_vs_mobile_analytics

 

人们日益依赖于移动设备通过移动浏览器以及app与企业进行交互。一份最近的研究表明目前来自移动设备的流量占据了互联网流量的15%。在2012年12月,平板设备的销量首次超越了pc电脑以及笔记本。可预期的是,在2013年年底时,每周将会有接近20亿的app被下载。

如果你现在还不够重视来自你的来自移动设备的流量,你的前景堪忧啊。如果你现在是移动数据分析的新手或者刚刚入门,了解下传统网页数据分析与新兴的移动领域的数据分析之间的区别,将对你非常有帮助。

移动数据分析横跨移动网页以及移动应用(app)

移动数据分析一般被分成移动网页分析以及移动app分析。移动网页是指人们通过他们的智能手机或平板上的移动浏览器来访问在线的网页内容。很多公司会为这类用户提供指向一个专门为移动设备定制的站点(比较典型的是一个类似于m.example.com的子域名),或者,使用响应式设计(responsive design )让目前的网页内容在不同的设备和电脑的分辨率上实现自适应。当某些企业认识到无论他们的移动网页或主站都无法很好地服务平板用户时,他们也在开始提供平板专用的站点。

mobile_options

 

刚开始时,很多智能手机不支持javaScript或者cookies. 但当前大多数流行的移动设备已经对此提供支持了。所以本质上,移动网页测量网页表现的页面打点方式与传统网页是类似的——只有几点注意事项。

  •  移动网络因为不同地域和不同的运营商技术(3G, 4G/LTE)而在数据连接速度上差异很大。面向缺乏耐心的移动用户,移动网站需要轻量化以及访问快速,来保证可以快速地装载。因为JavaScript会导致移动网站性能降低,所以,基于JavaScript的打点需要根据移动设备来进行优化。
  • 存在若干个移动特有的维度/报告,如设备名称、设备类型、移动浏览器以及运营商网络等。这些报告被不同设备的用户标示切断了。移动设备相比电脑而言,用来标示用户的字符串(用户代理标志符:http://www.ua123.net/WhatAgent.htm)更加多样化。做为对比,对于台式电脑,你只需要关心两个操作系统以及少数几个定期更新的网页浏览器。但是在移动环境中,存在一个非常广泛的操作系统((iOS, Android, Windows, Blackberry, 等)以及不同设备类型的移动浏览器。移动分析服务商经常会用设备库服务来查找新设备所使用的浏览器标识符。但是如果设备商复用了已有的用户代理标识符,比如苹果iPad2和iPad mini就用来相同的用户代理标识符,那你就杯具了。
  • 存在若干个移动特有的维度/报告,如设备名称、设备类型、移动浏览器以及运营商网络等。这些报告被不同设备的用户标示切断了。移动设备相比电脑而言,用来标示用户的字符串(用户代理:http://www.ua123.net/WhatAgent.htm)更加多样化。做为对比,对于台式电脑,你只需要关心两个操作系统以及少数几个定期更新的网页浏览器。但是在移动环境中,存在一个非常广泛的操作系统((iOS, Android, Windows, Blackberry, 等)以及不同设备类型的移动浏览器。网站分析提供商往往会与设备库服务提供商合作去实现映射用户标示到不断更新的设备列表上。但是不幸的是,这个方法并非万无一失,如果制造商决定在不同的机型上使用已有的用户识别标记的话,比如最近的苹果公司的ipad2以及iPad mini 平板。
  • 如果被授权,移动网站可以充分利用HTML5挖掘到用户的GPS位置。移动网站可提供精确的GPS位置信息的能力远远超越了传统电脑访问者只能提供基于IP地址的地理信息预测。
  • 屏幕的尺寸以及分辨率对于网站分析是不陌生的,但是对于更小的、多样化的设备的分析重要性提升。屏幕的纵向和横向视图用户使用各种触摸以及划动手势而非鼠标的因素为移动数据分析增加了新的转折,这些是电脑领域不用关心的内容。

虽然移动网站主要依赖于JavaScript页面打点方式进行数据收集,App跟踪使用一个基于不同客户端的方法,更有利于捕捉本机应用程序的活动。网站分析服务提供商面向不同的移动平台,如iOS, Android, Windows, and Blackberry开发了软件开发工具包(SDK))。分析sdk提供一个有预先写好代码的程序包,开发者可以将这个包集成到自己的应用中。此sdk能够采集到应用相关的维度和度量。

该软件开发工具包(SDK)有助于简化测量过程,因为开发人员并不需要编写自己的跟踪代码。例如,为iOS平台开发的数据统计SDK将提供使用Objective C编写的代码以便使用到iPhone和iPad应用中。一旦app应用被集成并执行跟踪代码,当连接移动网络时,它将能够即时发送数据到数据采集服务器上。

analytics_sdk

除了使用SDK进行数据统计代码的集成外,移动app的监测也与mobile web及网站有着以下的不同:

  • 向page view说再见(页面浏览量,也即通常我们说的pv), 拥抱屏幕浏览(screen views)。App没有像网站一样的页面,但用户会与很多的屏幕(Screen)进行交互。你也将使用会话( session)替代访问(visit)。尽管存在这些显著的差异,基本上你将要理解同样的事情——使用(Usage)。了解每个特定屏幕的使用情况就像了解网站的内容有没有被顾客使用一样重要。
  • 对于移动设备,你不仅仅能够统计屏幕上出现的内容,因为移动应用分析可以触及到设备的很多内置功能,比如设备的加速仪,陀螺仪,GPS,以及存储容量。网站统计则局限于我们在浏览器中看到的内容以及很基本的关于电脑,IP地址以及访问来源等基本信息。移动应用统计提供了跟踪传统网站无法看到的用户交互行为类型能力。
  • 唯一身份用户(非访客)使用user ID来识别,而非使用Cookie。唯一的user ID相比Cookie来说更具弹性,因为后者较容易被删除。由于移动运营商合同关系,很多用户至少2年不会更换设备。另外,基于移动设备的私人特质,你更容易把移动设备上的用户行为当成一个用户的行为,而不像家庭公用的计算机上存在多个用户的操作。user ID可以跨版本不变,所以当用户升级版本时,你也不会丢失用户。若用户授权许可的情况下,唯一用户标记还可以跨app以及机型进行追踪。(With user authentication the same unique user can be recognized across multiple apps and devices.)
  • 移动app比网站有更短的用户会话(Session)时长(碎片时间)。通常,对于网站来讲,若没有任何操作超过30分钟就意味着一次会话(Session)的结束。然而,对于移动应用程序而言,因为较短的注意力集中时间,闲置30秒后即可被认为一次会话的结束。此外,当用户多任务操作时,某App被切换到后台闲置超过一定时长当用户再次返回该App时,会被标记为一次新的Session的开始。
  • 取决于App的设计,用户在使用App时未必需要连接移动网络。移动统计分析可以将离线情况下发生的交互行为数据进行存储,并带着时间戳信息一起录制下来,然后当用户连接移动网络时,再将这些数据上载到数据采集服务器上。

heidi注:通常,数据会先存储在应用的内存区域,但是因为内存区域是有限容量的,一般只会限定4-5k的空间,超过这个大小,数据会被传输到每个应用的存储区,进行离线存储。但是若用户很长时间不联网,这些数据不会无休止地进行增加,否则就占用了太多的存储空间。这种情况下,移动统计工具一般会制定一些策略,比如按数据的优先级或时间顺序进行历史数据的删除。存储区容量占用的大小以及删除策略依赖于每个工具的自定义。

  • App开发团队会不断地开发并升级新的版本。传统的网站上,用户所感受的体验可能是相同的,但是对于app而言,用户的体验与当前他所使用的版本密切相关。所以,在分析移动应用数据时,你可以分析到分布在不同的应用版本体验上的用户情况。
  • App更加注重群组分析,通过群组分析可以观测不同的用户群体随着时间变化在App中的留存或流失情况。根据观测每周新安装应用的用户情况,你可以评估App不同的升级对于用户留存及App整体表现如参与度及转化率的影响。

mobile_analytics_overview

 

001

这个表格简单总结了网站分析以及两种移动分析领域的异同。

除了这些关键的不同,移动应用分析从网站分析上继承了广为人知的测量实践。网站分析和移动分析虽然不是亲兄妹,也是关系非常亲近的表兄妹。

例如,对于用户参与度的衡量对于移动应用分析来说被特别强调——而在网页分析领域也是如此。当测量移动应用的效果时,用户下载应用只是第一步。企业想要知道他们的应用是如何吸引人,以及用户是否在定期使用。基于事件的跟踪可以让他们洞察用户与应用的不同功能如何交互。类似的,监测应用内的转化漏斗体现出来每个应用在驱动特定产出目标上效果如何。

广告活动跟踪是网站分析的另一支柱,在移动应用分析方面,它也已经浮出水面。举个例子,活动可以与Google Play 应用商店(安卓应用)绑定,然后你可以明白哪场活动和流量来源带来不错的应用下载(注意:iTunes商店目前不支持广告活动相关跟踪。)

只要你注意到了这些细微差异,移动分析代表了数字分析一个令人兴奋的,新的前沿。最后,对于大多数分析师来讲,跨渠道分析(App, 移动网页以及网页)终将到来。

via:heidixie.me

]]>
10个分析竞争对手网站的SEO策略
//www.otias-ub.com/archives/229814.html //www.otias-ub.com/archives/229814.html#comments Thu, 22 May 2014 15:59:59 +0000 //www.otias-ub.com/?p=229814

seo竞争对手分析一般可以由如下几个环节来展开:

1、whois信息:简单来说,whois就是一个用来查询域名是否已经被注册,以及注册域名的详细信息的数据库(如域名所有人、域名注册商、域名注册日期和过期日期等)。通过whois来实现对域名信息的查询。判断对手网站域名注册时间以及相关的域名的历史,我想大家都知道一个老的域名,一次注册几年的网站在搜索引擎中会有一个相对较高的权重这个道理吧!具体查询地址:http://whois.webmasterhome.cn/

2、PageRank:虽然网上越来越多的声音是pr对排名的作用在减小,PR已经不重要了,虽然现在通过301、url转发等手段可以劫持网站的pr值以获得较高的pr值,网页级别高有时候也同样不能说明你的网页与关键词相关,甚至有时候并不代表你的网页有多重要。不过星宇依然觉得网页pr还是很重要的因素,最起码起到了一个标准的衡量左右,zac前辈说得好:某种意义上它起着门槛的作用。也就是说这是个硬性的指标,就和那句老话一样,有总比没有好,pr虽然不是万能的,但是没pr万万不能,所以pr我们还是要做为一个参考标准的,也仅仅是参考~pr查询地址:http://pagerank.webmasterhome.cn/

3、各个搜索引擎上的收录情况:查询竞争对手网站在搜素引擎中的收录页面,和你网站定位相关的关键字词排名情况,以及具体网站的更新频率,包括网页更新时间,网站内容文章是否保持更新。记住如果你的竞争对手是个勤快的家伙,那么它是可怕的,为此必须要比他勤快20%,才有可能超越他,所以分析网站的收录问题尤为重要。至少可以知道对手网站有没有干过坏事,被搜索引擎强奸过。

4、竞争对手网站的内链和外链:搜索引擎面前排名算法机制中,链接可以比喻为投票。外部链接就是网站之间的互相投票,而内部链接则代表了网站内的各页面互相投票。外部链接的话就不多说了~地球人以及火星人都知道,不要告诉我你是新新人类!我们都知道外部链接可以提高网站权威、排名靠前,而内部链接主要是看网站的内部链接的结构是否合理,内部链接优化,就是在用户友好的基础上,不断往页面添加文字链接。一个好的网站应该是网站的权重四通八达的传递,这样页面之间的内部链接互相投票、互相传递权威度。外链的话主要是看数量和质量是否优质,再加上适当的导出链接即可~关于外链的百度一下N多,我就不献丑了,不过可以分享一下一个小贴士:那就是你做友情链接的时候可以顺着和你做友情的那个网站去找友情链接~这样就减少了工作时间,也更有效率一点~

5、网站分析:分析对手的网站的整体结构框架,页面设计是否符合用户体验,目录的深浅,网站各栏目内容相关性,图片有无加ALT标签,代码是否精简,栏目结构是否清晰,网站url是否静态化处理。关于url静态化谁都是知道目前的搜索引擎对html页面抓取速度较之asp和php等其他语言快~还有网站的域名是否易于品牌识别,空间是否稳定,打开速度快与否等网站基础原因~

6、网站内容的原创性:查看竞争对手的文章是否原创,基本就是复制文章的标题去百度查看是否抄袭。网站文章内容原创性在各大搜索引擎中对排名的影响越来越重要。

7、keywords、Title,description的写法:首先是关键词布局:一个网站的关键词布局得好的话,在排名上具有很大的优势,关键词布局包括keywords在各个页面的分布,keywords出现频率,keywords竞争难易度等因素,分析对手的标题的是否具有竞争优势,呵呵简单点说如果他的网站标题只是简单的一个公司名字的话,那恭喜你~你成功了一半了~最起码的标题和描述写法至少要组织得有意义,顺带融进一到两个主要关键词为佳!至于罗列的关键词有罗列的好处,单一的关键词有单一的好处,这个有时间星宇再细说一下网站的标题和描述以及关键词写法~

8、用户体验:何谓用户体验,简单点说就是让大多数访问你网站的群体在最短的时间内找到他们想要的东西,并接受它。八股文一点大概也就可以分为四点:1.品牌(branding)2.易用性(usability)3.功能性(functionality)4.内容(content)。通常星宇最直接的做法就是简单的查看竞争对手网站是否有产品搜索,站内搜索,在线客服,留言系统,资质荣誉证书,权威认证。网络使所有东西商品化,要赢得客户关键不是产品,而是用户体验,而用户体验从用户进入网站开始,就要布局好~给访客以信任权威的感觉~这些都是基本的企业seo用户体验的要求,其他多的就不多说了~

9、网站的口碑:和你的客户详谈+百度一下,初步了解一下你的竞争对手在业界的口碑,基础实力,网络营销的力度!

10、制定SEO实施计划:结合以上调研的结果,制定出一份针对竞争对手的seo优化项目计划~并在最短的时间内付诸实行~当然计划是死的~要随时保持机动性,灵活性~因为你的客户会请seo,并不代表竞争对手不会~所以要保持最竞争对手网站各方面的监察~

]]>
//www.otias-ub.com/archives/229814.html/feed 1
Radware:调查显示采用内容分发网络的在线零售商页面加载时间更慢
//www.otias-ub.com/archives/227295.html Sun, 18 May 2014 15:17:25 +0000 //www.otias-ub.com/?p=227295      slide-1-638

    全球领先的虚拟数据中心与云数据中心应用交付和应用安全解决方案提供商Radware® (NASDAQ: RDWR)公司发布了题为“行业现状:2014年春季电商页面速度与Web性能”的最新调查报告。

    该报告作为此次研究的重要部分。报告显示:尽管100强零售商网站中有75%的网站使用了内容分发网络(CDN),但是与没有采用CDN的零售网站相比,其网站主页的交互时间中位数足足多出了1秒。

    CDN可以将静态页面资源缓存在跨区域或全球范围内的分布式服务器上,从而使资源更靠近用户。理论上来说,这一Web性能解决方案可以减少主服务器接收、处理并交付请求的页面资源(图像、CSS文件等)的时间。

    Radware最新研究表明,采用CDN的网站交互时间(TTI)中位数为5.7秒,相比而言,没有启用CDN的网站TTI为4.7秒。

    Radware负责加速产品的副总裁Kent Alstad表示:“这一发现不应解读为对内容分发网络的否认。相反,这会让人们意识到,CDN只能解决性能问题的一个方面。当前,网页大小和复杂性日益增长,CDN并不能完全缓解这一增长趋势和复杂性。网站运营人员必须意识到页面本身带来的性能问题,解决这些性能问题还需要其它解决方案。”

    Alstad补充道:“1秒的交互延迟虽然看起来并不十分明显,但实际上它会对重要性能指标产生巨大的负面影响。我们先前有研究显示,1秒的延迟会增加8.3%的跳出率,减少9.3%的页面浏览量,甚至会减少2.1%的交易量,所有这些都会严重损害到在线零售商的利益。”

    Radware最新研究报告包括以下内容:

    1. 自2012年以来,网页平均加载时间减慢了47%

    现在,500强电商网站主页的加载时间中位数为10秒。而在2012年春季,加载时间中位数为6.8秒。也就是说,仅短短两年,页面加载时间就减慢了47%。页面变大和内容增多也是导致加载时间增加的原因之一:页面中平均包含99个资源,页面平均大小为1510KB。

    2. 页面交互时间中位数为5.4秒

    “交互时间”(TTI)是指页面的主要内容从加载到用户可用所需的时间。电商页面主要内容从加载到可用,用户平均需要等待5.4秒。多数的网上购物者在等待3秒的页面加载时间后会选择放弃该页面。

    3. 100强网站加载慢于500强网站

    与知名度不高的同行相比,知名网站的运营并没有好多少。100强电商网站的加载时间中位数为10.7秒,比500强网站的加载时间中位数高出7%。

    4. 多数网站没有利用最佳页面优化技术进行图像优化

    尽管图像是最大的性能挑战之一,也是最大的机遇之一,但是仍有34%的页面不能很好地实现图像压缩,76%的页面没有利用先进的图像渲染技术。而事实证明,这些技术中的每一个都可以更快地提供真实和感知性能。

    在本次“行业现状”调查报告中,Radware对美国500强零售商网站(这些网站由知名分析公司Alexa排名)的性能和页面构成进行了测试和追踪,以便充分了解这些主流电商网站的真实性能。同时,该报告也深入研究了如何满足正常浏览Internet的用户对网站性能的需求,并且为网站提供访问策略和最佳实践以大幅提升网站性能。

    Radware Web性能专家Tammy Everts表示:“无论在线零售商是否应用了CDN,不断增大的页面大小依然会导致性能问题。很多网站都没有利用最佳页面优化技术,例如图像优化或是在页面完成之前推迟不重要脚本的加载。网站运营人员可以实施这些补救措施,用以改善加载时间,更重要的是改善网上购物者的用户体验。”

    Radware“行业现状:2014年春季电商页面速度及Web性能”报告中提供了12个最佳页面优化实践,网站运营人员可以通过这些建议来解决性能难题。

]]>
如何分析电子商务网站的数据
//www.otias-ub.com/archives/225112.html //www.otias-ub.com/archives/225112.html#comments Tue, 13 May 2014 17:14:37 +0000 //www.otias-ub.com/?p=225112 一直都认为,电子商务的工具非常重要,但是使用工具的头脑也非常重要。为了能让电子商务网站的工具发挥价值,我们必须掌握一些电子商务网站的数据处理。我们拿到数据之后要做3项处理工作,分别是趋势、细分及转化,以下是3项处理工作,一起来看看。

看起来只不过是6种情况,但实际应用中则千变万化,而且能够告诉我们很多有价值的信息。有了这个图,按照这个思维模式进行操作,网站分析真的能够帮到生意。

举个例子,电子商务最关心的是商品的销售,核心在于商品本身。那么通过网站分析,利用细分的转化方法,我们能够知道本来或许没有察觉到的商品的一些特别属性。具体的做法是,把商品按照两个维度——商品被关注量(通过网站分析工具就能轻松获得)和商品的销售转化情况(即销量和关注量的比值,通过电子商务后台和网站分析工具能算出)进行细分。简单的计算之后,我们就可以得到一个下面的图:

得到这个图完全不需要复杂的数学计算,而且你只需要使用网站分析工具的一个度量——产品页面的Page View,就能得到这个图。但是这个图给我们带来的价值却是巨大的。

对于右上象限——高销售转化和高关注度的商品,当然,保持现状即可,甚至适当给它们来点儿促销,以进一步刺激销售。

对于右下象限——关注度不足,但是销售转化却好的商品,显然是一些潜在的盈利增长点。有了这个情况,你可以立即着手做两件事情:1. 立即研究它们为什么能有如此好的转化,是不是因为一些没有关注到的因素起到了作用——大家都知道这种情况是经常发生的;2. 立即给这些低关注度的商品更多的曝光机会,使他们能够升高关注度,进入明星产品(右上象限)之列。

对于左上象限——关注度高但销售转化不佳的商品,显然说明存在交易促成动力不足的问题,产品经理应该立即着手研究如何促成销售的转化——是购物车的问题,还是支付不方便,还是竞争对手的价格更具吸引力,还是促销优惠不够?等等等等。这个象限和前面那个象限(右下象限)一样,都是能大有作为的地方。

最后的这个左下角象限——是大家都不喜欢的,既没有人关注,销售情况也不理想。那么,看看有没有机会增加曝光,或者来点儿促销?要么,少进点儿货吧。如果是撇脂型的商品,就让它呆哪儿也无妨。

是不是有点儿意思了?其实只是这么简单的两个度量——Page View和销售量,就能告诉我们这么多策略性的东西。这就是转化和细分的力量。

如果我们再加上一个度量,就是图中圆饼的大小——商品价格,那么能够告诉我们的信息就更多了。图中,最左下角的商品价格最高,那么,是不是价格是让它沉沦的重要因素?——值得产品经理好好深挖一番。

]]>
//www.otias-ub.com/archives/225112.html/feed 2