【前言】

　　莫道我不迷惘，我比任何时候都更迷惘。上次说到游泳的例子，我得承认，在游泳的时候，各种“怪异的姿势”，往往不仅仅是因为冰冷的河水，更是因为水中难保没有漩涡湍流，水草拽脚，以及一群混乱游动的人群的相互制肘。或许这些人是推着一条往前行驶的船，但可惜，力气未必是朝同样的方向的。

　　这就是组织的困境。组织越大，力量反而未必越大。数据在这个组织中扮演什么样的角色呢？数据驱动的实现，需要什么样的组织结构，甚至，不仅仅是组织结构本身能够解决的？

　　希望我能和大家一起找到答案。

【正文】

　　人人都渴望数据，但这可能隐藏着陷阱。

　　拥有数据意味着什么？——Nothing。数据不等于信息，更不等于真相。数据在大多数情况下，要么是没有得到利用，要么就干脆是纯粹的误导！

　　人人都渴望数据，可没人尊重数据。矛盾吗？不，其实这幕天天上演。

　　我们怎么样才能真正建立起称得上“数据驱动”四个金字的电子商务组织？为什么数据驱动的组织那么困难？这个问题困扰了我很久，我几次演讲，有被听众问到这个问题，我都觉得没有给出很好的回答。今天，2011年12月31日，岁末，我想这个问题我不能再带到新的一年才去解决了。（文章开始于12月31日，但完成于1月21日，作者后注）

迷局1：决定数据驱动型组织形成的关键是什么？

　　数据驱动，这四个字中的“驱动”二字本质上直刺企业的核心。所谓驱动，即发号施令。没有发号施令，还驱动什么？因此数据驱动本质上，就是用数据来发号施令。

　　但发号施令的决策通常来自于三个不同的方式：感觉（guts），经验（experience）和认知（insights）。相对而言，由于感觉和经验虽然模糊却得来容易，因此决策者常常不由自主的利用这两种方式作出判断，从而很迅速地作出决定，发号施令。

　　显然，感觉和经验并非数据，虽然有时候人们也通过数据来形成感觉和经验，但更多时候人们倾向于选择那些与感觉和经验一致的数据进行研究和推导，而不愿相信那些与感觉和经验不相符合的数据。因此，感觉和经验，实际上是形成所谓数据驱动组织的最大障碍。

　　不过，请读者朋友们注意，我丝毫没有贬薄感觉和经验的意思。那些具有卓越感知和经验的操盘手，例如人人景仰的乔布斯，他们的感知和经验甚至可以凌驾一切之上，更何况在不太尊重数据的中国古代，还是涌现出相当多智勇双全，决策英明的英雄。而中国今天的商业智慧中绝对多的部分也是感觉和经验，绝非数据，这说明感觉和经验甚至是决定成败的。只是，我们今天的命题是数据驱动的组织，因此，我必须重申，如果一个组织确实依赖于感觉和经验，那么，数据驱动本身就并非一个重要的命题，在这个情况下，数据驱动与否根本就不会影响这个组织作出明智的决策。

　　另一个困难的地方在于，从组织架构的角度讲，数据并不是只拿给CEO看的。所以，有朋友问，CEO或者管理层的态度对推进数据驱动组织的形成，是否具有关键性的作用？我认为，如果CEO或者董事会，不认可数据驱动型的组织，数据驱动当然就无从谈起。但是，CEO或者管理层支持数据驱动型组织的建立，这一组织也未必能够真正建立起来。

　　我这么说可能并不会让你太吃惊。管理层可能有很多想做的事情，未必能够真正实现，或者未必能够按照原先的设想实现。数据的意义不在于仅仅提供给CEO一个报告或者参考，数据如果不渗透每一个执行层面，其意义会大打折扣。我认为，数据驱动的组织一定是宏观和微观的结合，即宏观层面上，要提供供管理层使用的策略型数据，不至让这个组织进退失措；微观层面上必须指导业务执行者的行动，让他们能够进行准确的选择，不用通过不断地“试错”才能知晓真正有用的下一步什么。宏观的确重要，但微观则更加致命，尤其是对电子商务组织而言。

　　电子商务组织需要快速的反应和高度强大的执行力，管理层发起的那些至上而下的推动，在真正推动起来的时候，往往已经错过了时机。电子商务组织的时机很多时候并非是管理层发现的，而来自执行层面的敏感的嗅觉，这些嗅觉在一些场合下甚至直接影响公司的成败；另一方面，无论管理层多么强悍的推动，所有最终的实现都必须依靠“下面的人”，因此，“下面的人”——他们是否能够实现管理层的想法，才真正决定这个组织的成败。

　　所以，回到我们上面的问题——就算CEO和管理层特别支持数据驱动型的组织，如果下面的执行者没有真正数据驱动的意识和需求，那么数据驱动型的组织也毫无实现的可能。

　　我的观点是——数据驱动型的组织能否实现，要看需求方。真正的需求方是执行团队。执行团队是依赖于感觉和经验，还是依赖于数据，这才是数据驱动型组织能否实现的关键。如果执行团队渴望数据，利用数据，依赖数据，这个组织的数据驱动文化就很容易实现，而跟CEO和管理层其实关系没那么大。CEO和管理层要做的，是建立这样的执行团队，而不是生硬地自上而下的推动所谓某种以前并不存在的数据驱动的文化。

　　从这个角度看，我们的电子商务企业中，大部分执行团队都或多或少需要数据，依赖的程度高低，便是这个企业数据化驱动程度的高低。不过，我想很多国内电子商务企业，执行团队应该都还是靠着感觉和经验吧！这便是数据驱动组织并非那么容易实现的根本原因。

　　因此，数据驱动型的电子商务组织，基础性的第一步，是要建立真正的来自执行层面对数据的旺盛需求。这个需求不是CEO或者管理团队有一天忽然觉得数据无比重要而风风火火要求下来的政令，而是发自自然的，如同人们食色性也的需求。没有这样的需求，无论电子商务组织，还是任何其他组织，都不存在真正的所谓数据驱动。

迷局2：使能（enable）的误区

　　现在，假设我们的电子商务组织的执行团队是一群真正欣赏数据的人，数据驱动型的组织是否就实现了？

　　仍然很难。

　　在封闭系统内，有需求未必就会有供给。你欣赏iPhone5，但你没这个能力自己做一个；你渴求数据，但未必你能通过自己的力量获得。

　　所以，希望建立数据驱动文化的组织，一开始都把视线集中在建立能力上（当然，你要记住，如同我在迷局1中所写，首先是建立需求，而非建立能力）。

　　构建能力被称为“使能（enable）”，让这个组织能提供数据，有多种办法，但最常见的想法，是我们下面的这个图所展示的解决方式：

图1：经典数据组织架构——hub模式 

　　数据部门是个hub，这群人解决一个组织大部分的数据需求。当业务部门需要数据的时候，他们提交需求给数据部门，然后数据部门开始抽取、运算和分析，把数据和结果返回给业务部门。

　　唉，说实话，这真是一种笨办法，这使我想起了过去无所不包无所不揽的计划经济。我相信这个方法的初衷是好的，这么建立数据能力有如下几个动因：

1. 显然，这个方法能够让CEO或者管理层非常牢固的控制数据。数据比较安全——至少看上去是那样。
2. 数据部门可以集中起来工作，这似乎对做数据的同事是不错的一点。
3. 节省人力，组织看起来规划清晰。不用在各处安插做数据做分析的人，确实省下一大笔人力和管理成本。
4. 相对简单的数据系统。因为数据部门管理数据，诸如权限之类的系统设计，可能就不是那么重要了，反正人来提供数据报表即可。该给哪些部门，不给哪些部门，人工去每次划分确定就好了。数据的模型——也没那么重要，人去分析就行了，不需要太高的自动化，也不需要太强大的BI。

引申阅读：网站流量数据无秘密

　　将数据部门作为hub的一个重要原因，是因为希望数据能够被放在一个“保险箱内”从而“确保”了数据的安全。

　　但这个想法多少有一点“一厢情愿”，我一直相信，网站流量其实无秘密。

　　例如，想要知道一个网站的流量并不复杂，有太多的工具，免费的，付费的，还可以用我之前说的对比法：《如何获知陌生网站的流量？》。

　　如果足够细心，甚至也能参透一个电子商务网站大致的销量和销售额。

　　毕竟，电子商务网站本身就有很多信息可以透露给你。例如，商品消费的数量是可以查到的，而如果参考购买者做出评论的时间（在各个时间段发出评论数量的比例），则几乎可以确定一段时间内某个商品或者全部商品的销售量。

　　销售量和客单价之间简单的关系——做出销售额不算困难。

　　有销售量，又有流量，你能把转化率也估计出来。

　　还有，流量渠道也不困难。很多工具都能告诉你一个网站的主要流量来源是什么，例如Hitwise。

　　不仅如此，每一个电商网站都因为要与各种市场营销第三方企业合作，而被布上了各种代码。这些代码无时无刻不在透露着这个网站相关的流量和销售信息。对他们而言，一个网站就像被X光反复扫描一样。除非你不跟他们做任何合作，否则这些数据总还是要被第三方知道，而且签署所谓的NDA协议，也不过是“防君子不防小人”。

　　其实，我认为，电子商务网站真正的数据秘密，是那些运营的细节。当然，还包括财务数据、商品的进货价格等等。但流量无秘密，用不着太紧张。

　　但前面说过，这是一种笨办法，如果这样规划数据部门，可能会产生一些意想不到的结果。最可能产生的结局是：数据部门会——疯掉？

　　这不是耸人听闻，如果数据部门要负责所有业务部门的数据，得需要多少人呢？肯定超出你的想象。此外，业务部门肯定不会仅仅只是满足于数据被提供出来，他们希望数据快些，更快些，他们希望实时数据。手工作业，实时太难，追求速度就意味着大量的人力和脑力的消耗。

　　好吧，就算数据部门能够提供实时数据，又能怎么样呢？数据不是策略，数据总得再经过分析和处理。数据部门不了解业务，他们能分析好吗？如果不去做这些分析，那么业务部门还得自己去分析，实时性不仅得不到保证，数据部门的价值发挥也大打折扣。

　　这种组织方式下，数据部门的价值和定位都很容易被质疑，而且他们还会苦逼地干得没日没夜。

　　如果确实是这样一种组织方式，那么对数据部门的工作定义确实要非常谨慎。数据部门应该承担提供基础数据的工作，但他们没有职责，也不应该为业务层面提供战术性的分析，他们忙不过来，也必然缺乏业务概念。但这绝对不是任何一个真正“数据驱动组织”所应该具有的定义，这是“暴殄天物”的定义。

　　因为这些不完美，有一种更先进一点的方式去解决上面的一些问题，并且开始被大家注意，且有被神话的趋势。

　　这个方式，就是BI系统。

　　BI系统的本质是用来取代人手和人脑。这是一个好方法。把人从机械的工作中解放出来，提供给业务部门自动化的报表，而且还能承担一定的思考的工作，BI系统是一个伟大的发明。

图2：BI驱动的数据组织架构

　　这也是为什么，一个真正具有数据驱动文化的公司，必须要有一个确实好用的BI系统。或者，较浅浅层次的，得有一个自动化的报表系统。但是，据我所知，很多电子商务公司这个系统要么缺失，要么非常难以使用。

引申阅读：被神话的BI系统

　　BI被神话不奇怪。凡是人们不那么了解却又外表光鲜的事情，都容易被神话。:) （网站分析多少也被这么神话着。这并不是好事情。）

　　BI被神化的另一个原因，在于人们确实对友好聪明的数据系统抱有太多的期望。

　　在Gartner的一次调查中，超过80%的美国电子商务公司期待更好的BI系统。

　　但BI最大的问题是——机器终究是机器。

　　BI可以解决一些机械的工作，能够建立数据模型帮助人们快速得出一些结论。但跟业务相关的细节分析，BI能够帮你发现现象，但无法告诉你原因。（我觉得，网站分析工具，其实就是BI工具的一种，它一样能够非常sharp的帮你发现现象，但同样无法告诉你原因）

　　所有的答案，都需要人去寻找，去解答。

　　此外，BI系统的效用，本身也极大的依赖于人。

　　首先，BI系统的设计，必须与一个公司自身的业务相契合。人才能完成这个让BI与业务需求相契合和匹配的工作。

　　其次，BI系统的建模和规则，全部是人来完成的。

　　最后，前面说了，BI不可能给你答案，唯有人才能做到。

　　所以，BI被神化的地方在于，认为一个BI系统就解决问题是不可能的。或者说，一个BI系统，不是狭义的硬件软件系统，而是IT系统+BI团队的结合。人，占90%，或者，占99%。

　　尽管有被神话的趋势，但BI的意义重大，作为不可或缺的基础设施，若没有BI系统，或者连一个自动化的报表系统都没有，这个组织的数据驱动的文化很难建立。原因无他，若有需求而无供给，只会引发严重的饥荒。

迷局3：数据误读，比没有数据更可怕

　　无论是按照图1所示的hub模式，还是图2所示的有BI系统参与的hub模式。业务部门都面临着很大的风险。一方面，前面我们说了，hub本身存在资源和响应的矛盾。另一方面，数据误读比没有数据更可怕。

　　电子商务业务部门更强调业务能力，因此在数据的分析和解读上，能力相对较弱。与传统零售行业不同，传统零售的BI系统和分析团队往往经过了超过10年的进化，因此早已形成体系和一套具体的方法。电子商务虽然也属于零售业，但很显然，这些公司要年轻太多，让业务部门拿到数据后，自己去做分析和评估，是困难的。我最大的担忧，在于数据分析事实上容易变成一个粗暴简单并不断被“自以为是”的经验所干扰的工作。即使在做了很多的案例之后，我仍然认为，我没有哪一次没有被主观的感觉影响过判断，直到有更多的数据充实上下文才可能避免不客观的分析。而业务部门在拿到数据后，因为时间的压力和数据分析经验的缺乏，他们容易在短时间内得到结论，但误读数据，并进而造成这个结论背离事实的情况是时有发生的。而且，业务部门背负业绩压力，他们可能在一开始就主观上倾向于让自己不那么客观。

　　我曾在心里默念，对于数据应该常常怀着敬畏的心，因为简单粗暴适用于网络营销，但绝对不适用于营销分析。数据误读，我记得派代上有一位专家专门写了一个帖子探讨，我不能同意更多，甚至也有完全相似的例子。如果你只是那么一点点粗心，或延续了“简单粗暴”的办法，那些数据中给你揭示的细微的差别，你可能会忽略，而这些差别可能会让你得出完全不一样甚至是相反的结论。

　　例如下面的这个例子：

　　对于下面两个图的数据实际上是完全一样的，可是，两个图给你的心理上的感觉却是完全不同的。

图3：利润趋势（1）

图4：利润趋势（2）

　　尽管数据一样，但图3和图4用了不同的数据显示区间（Scaling）。由图3得出的结论，是利润在近期剧烈的波动，而图4的结论则是利润在近期平稳维持在低位。这两个结论并不能简单说明它们正确与否，取决于实际的商业环境。例如，如果你的生意平常一天是1000以上的利润，那么显然图4给你的结论更有参考意义，你应该探求为什么最近的生意几乎停滞了。

　　但是，如果你的生意一天的确最多不超过100的利润，那么图3更有价值。而且你可能会觉得，利润数据还不错，这几天还有明显的上涨的趋势。不过，或许你还是不能高兴的太早。下面这个图（图5）和图3在利润上的数值是完全一样的，不过增加了另一个数据项：收入（蓝色点）。

图5：利润和收入趋势

　　你可以看到尽管利润上升了，收入上升的趋势更为显著。这意味着，我们的利润增长并没有收入增长的快。或者换句话说，我们的投资回报率（ROI）下降了。因此利润虽然上涨，但完全不值得我们高兴。我们反而应该检讨，为什么效率降低了。

　　数据的误读很多时候并非是故意的，而是跟经验有关。这些经验在于两点，第一点，对于数据的运算和把握。例如，合理建模，合理的数据可视化（Data Visualization），以及对工具合理的应用。第二点，在于对于业务的准确把握——做到看数说话，与实际业务几无偏差。第二点是建立在第一点的基础上的。如果第一点出现了一些问题，或是没有技能，或是没有经验，第二点便会遭殃，即使对于业务有很好的感觉和清晰敏捷的头脑，也会为数据所累。

　　来看另一个真实的例子。

　　我的朋友Johnny，他在为在美国销售某一个商品而投放Google AdWords的广告。这个商品的利润额在2011年每个月的表现如下图所示：

图6：Johnny全年每月SEM投放利润情况

　　很显然这个商品的生意出了什么问题，有必要找出原因。

　　利润下降，要么是收入减少，要么是支出增加，要么是二者同时发生了。从支出上看，每个月的支出变化不大，而且实际上，当利润降低的那些月份，支出反而也是略有降低的。那么很明显，收入下降是造成利润下降的主要原因。收入为什么下降呢？

　　很快，他们找到了一个相当有说服力的数据关系：当SEM关键词的平均排名下降了之后，销售收入也非常明显的下滑。如图7所示。

图7：销售收入和关键词平均排名的关系

　　现在，假设一个情景：有一个非常非常缺乏经验的初级SEM专员，他很可能给出的结论是：利润降低，是因为收入降低，而收入降低，是因为关键词排名降低，因此我们需要提升关键词排名，以获得更多收入提升利润。

　　你当然相信这个结论是简单粗暴，并非反映事实。事实是，关键词排名升高，当然会获得更多的点击从而获得更多的销售额，但成本同时也会提高。所以，这个结论并不一定是正确的。于是，更有经验一些的SEM专员，会继续坐下来寻找下一个关系，如下图8所示。

图8：利润和关键词平均排名的关系

　　这个图简直是上一个图（图7）的翻版，只是一个是收入，一个是利润，数据的比例尺不同而已。看起来，利润和关键词平均排名的关系和收入与关键词排名的关系也非常一致。现在，我们可以放心大胆的得出结论——我们应该提升排名，以获得更多的利润！

　　于是他们提高了出价，提升了排名，并且在2012年1月份的这几天，得到了结果——利润不仅没有升高，反而更加下降了——甚至某些天是负的，尽管关键词的排名又重新回到了3位左右。

　　之前数据反映了某种似乎确定无疑的关系，但按照这种关系行事，并没有带来预期的结果。

　　我们必须承认，SEM投放是一个复杂的策略过程，并且因为瞬息万变的外部环境（竞争对手的出价），而造成最优化的出价方式总是动态的。

　　上面的例子，Johnny认为原因很简单，这个商品的关键词投放可能已经遇到了瓶颈，因为外部的环境发生了变化。Johnny查看了其他的数据（我们当然不能忽略其他数据的关系），例如，CPC（Cost Per Click）数据，Johnny发现在这12个月中，CPC的变化并不大。CPC没有明显变化，而排名在逐渐降低，说明竞争对手在不断增加出价，这样，相同的投入情况下，排名降低，收入减少，利润减少。如图9。

图9：CPC（出价）没有太大变化，但排名却一落千丈

　　可是，增加出价后，我们解决了一个问题，却带来了另外一个问题——出价增加，收入增加，同时成本也上升了。由于竞争环境的影响，要达到以前的排名，所出的价格甚至是之前价格的3、4倍。因此，虽然收入增加，但成本上升的更可怕，利润空间被压缩的非常厉害。

　　由于这个商品60%的销售都是由一个最主要的词（大词）带来（这是我之前没有揭示的一个线索），也许我们可以因此得出另一个结论：大词的ROI表现日益下滑，因此或许应该拓展其他的词，例如长尾词，从其他的竞争不大的词上找机会。

　　不过，从目前的情况看，这个商品的长尾词并没有多少流量，它仍然依赖于大词的表现。所以，我们认为，这个商品本身的市场环境已经发生了变化，高ROI的好日子过去了。现在的策略，是在微利的情况下生存，尽量更精细化更实时的优化，保证不亏损，并着手开发新的商品。

　　或许这个SEM的例子并不是一个非常典型的例子，因为SEM的分析仍然是相对结构化和流程化的。我们通过BI的建模完全可以自动化，但如果没有好的BI系统（事实上因为百度的原因，国内的SEM是很难真正的BI化的），那么这些工作需要人来完成，需要有经验的、相当数量的人来完成。SEM是数据分析的较为特殊的类别，相对而言，其他的运营分析，则更不具有预先的结构化和流程化，例如对EDM营销（或数据库营销）的研究，需要大量的测试；对一次campaign或是promotion的销售预测，需要很有经验的分析师；或是对于商品生命周期的研究，需要精通零售的数据挖掘专家。这些都不是运营简单粗暴能够实现的。

　　所以，人们渴求数据，尤其是运营部门。但人们却很容易面对数据变得焦虑和不信任。我常常会听到这样的反馈：“数据是错的！”——我相信永远没有他所希望的正确的数据。无论是数据误读，还是根本数据就是数据，从来没有转化成有价值的信息，都意味着反面的效果，甚至，还远不如根本就没有数据。

　　因此，数据驱动的企业文化的要件，除了对数据有渴求，除了对数据有“使能”，还需要对数据正确的解读。

　　我们需要从组织结构上保证数据能够被正确解读，或者至少是尽可能的被正确地解读。

反思：数据民主化和数据驱动型组织的架构

　　一个组织的自下而上都有数据驱动的需求（上面的需求部分），而且也有决心投入资源建立数据部门（上面的使能部分），那么剩下的就是如何正确的利用数据，准确的获得信息，并以最快的速度利用在运营和执行策略上。

　　在我们上面的“迷局2”和“迷局3”中，我提出了对于“集中化”数据组织的疑问。我相信这种数据组织是蕴含风险的，无论这种集中是人力资源的集中，还是数据自动化系统的集中。如果我们需要一种健康的数据驱动的企业组织，那么我们需要“数据民主化（Data Democratization）”。这个想法，来自于我之前工作的Adobe Omniture，也来自于凯文·凯利的《失控》，这些思想告诉我们，上帝创立世界，从没有让世界按照“中央控制”模式运行。自大爆炸以来（如果我们不考虑“虚时间”，那么我们可以认为大爆炸理论是合理的，当然，今天这个理论被进一步进化以帮助人们探求大爆炸之前有什么），上帝就只是给出了规则，而让万事自我发展，他并不插手。我也记得，当按照中央计划的生产和消费活动被举国执行时，只能在某些极端情况下暂时的运转良好，但当市场成为经济的核心构建的时候，一切变得自主而民主化，事情反而在混沌中有了自我秩序。

　　人体是最大的“民主化系统”。大脑的思维并不会指挥消化系统的工作，心跳的速度提升和变缓也是它自发完成的。心理学家告诉我们，大脑的主动意识甚至仅仅支配了人的行为的不到10%，潜意识却无时无刻不决定我们的行为。有些生物，例如蜜蜂，这些几乎连大脑都没有的生物却展现出高级群体特征，并通过特定手段传递相当复杂的信息（这些信息连人类都要进行复杂的描述才能实现），这些都不可能来源于一个集中化的“中央控制系统”的主动指令。

　　一个组织的数据驱动类似于人的神经系统。大脑负责核心的运转（关键执行）和高级的思维（战略），各系统（消化系统、循环系统……，各经营部门）根据机体的内在和外在环境变化自主运行，形成一个反应灵敏，步调协调的统一组织。因此，数据驱动组织，不仅仅依赖于中央思考部门（数据和策略部门），同样依赖于各运营部门自身的神经单位。

　　按照这样的思想，理想的数据驱动的组织分为三个层次：中央控制的战略层、拥有自己“神经”的运营层，以及实现这一切的基础设施层。

　　与这种模式相对的模式，则是集中化的模式——高层（例如一个集中的数据部门）拥有数据，然后指挥运营层的执行。这种模式难度太高。

　　可是我们在“迷局3”中说了，数据民主化之后，中层（运营层）如果没有数据正确解读的能力，可能比数据误读更可怕。因此，为实现数据驱动组织结构，数据民主化不仅仅只是让“数据本身”民主，也是让数据能力变得更加民主，即数据资源和数据分析资源的共同民主。

　　让数据分析师回归业务部门，而不是龟缩在数据部门中。

　　数据属于业务，数据分析师当然也属于业务。这是对他们最好的，也是对这个组织最好的。除此之外，还能有什么方式能够让他们发挥更大的效力呢？如下图所示，我们拆散数据部门的集中结构，让数据分析师分布到各个业务部门去。他们帮助业务部门运用数据系统、获取数据、处理数据，并与业务人员一起（结合实际业务）更直接更快捷地解读数据，并将结果直接应用于业务。这样，数据部门则只负责两块，即上面三角形结构中的最高层（竞争环境研究、全局性跨部门的策略研究、战略研究以及绩效跟踪）和最底层（数据仓库、报表和BI，以及对它们的维护）。中间的运营层面，应该是数据分析师和业务部门共同完成的。

　　这或许是最类似于人体组织的“民主化形式”——我们的大脑不是神经系统系统中唯一的器官，而能够进行“思考”的器官，也绝不仅仅只是大脑。

结论

　　我有些偏执的相信，数据驱动型的组织一定不是人们主观期望它实现就能实现的。这个组织需要自下而上的需求，尤其是那些真正干活的人，他们对于数据的需求，决定了这个组织数据文化的根基。如果他们确实有需求，那么我们应该确保这个公司有数据的输出和处理，以及确保对于数据的处理（解读）是正确的，且能够最快速度的直接应用于业务的需求。

　　我相信，自上而下并非数据驱动组织形成的要件。或者，更偏激点，数据驱动组织不是CEO或者董事会希望它能够实现就能够实现的。这其中一定包含历史原因、政治阻力以及人本身的情况。而人本身的情况，才是数据文化的核心，哦，不，应该说，是一切文化的核心。

题外

　　在圣诞季以及过年期间，我关闭了博客的评论系统，因为每天有数以百计甚至千计的垃圾回复。今天我重新打开这个功能。希望大家畅所欲言。最后，祝大家龙年大吉！身体健康，合家幸福！

　　他是爱德蒙·唐泰斯，是我的父亲，我母亲，我哥哥，是我的朋友，是我，也是你。——Evey

【前言】

　　先要答谢各位读者，现在一个月一篇文章已经远不如当初承诺的一星期一篇文章，但仍然有朋友苦苦等待，我很辜负你们的期待，真的很抱歉。过去，有些文章，是献给某些朋友的。今天，这篇文章也想献给一位素不相识的朋友，包括今天的每期一句，我不知道是不是这世界还会有light，还会有honesty，但因为他，我信一切会有，因为如果你真的不恐惧来这个世界这个国度，并且为这个浑浊黑暗带来一点点光亮，那么，你踏步前行的身后，便终可能全是光明。我们与你同在。

　　这篇文章接上回：电子商务关键数字优化（线上部分，上）（http://www.chinawebanalytics.cn/kpi_optimization_part1/）

【正文】

着手提升基础驱动因素

　　我们在前文中，把影响电子商务关键数字（KBR数字）的驱动因素区分为两类：基础驱动因素和非基础驱动因素。我们也强调了基础驱动因素的重要意义，在大干快上的时候，千万不要忽视了打牢基础。

　　提升基础驱动因素，看似抽象，例如我们上回中的例子——“转化率的基础驱动”——多少听起来有些拗口，但操作却是实在的，具体的。在上回中，我们把影响转化率的基础驱动归结为如下项目，这些项目（item）即是我们需要动手逐个优化的。而这些项目优化的结果好坏，当然对转化率的好坏起到至关重要的作用。

　　影响转化率的基础驱动因素如：

• 关键转化过程
• 导航（分类）
• 搜索
• 信任
• ……

　　非基础驱动因素如：

• 产品页面
• 登陆页面
• 活动和流量匹配程度
• 外部流量本身质量
• ……

案例：如何优化KBR之转化率（3）——关键转化过程优化

　　现在我们开始着手一项一项提升作为KBR的转化率的基础驱动因素。这没有什么神秘的，这些都是网站分析从业者的基本功，也是网站分析这门学科必学必用的内容。如果要编一本网站分析的教材，这些必然是占有这本教材的主体部分。

　　例如，对于关键转化过程，这是我们大家都很熟悉的，我们找出转化过程中不佳的环节，然后检视这个环节中哪里出现了问题，然后加以改进。

　　左图中是这样的一个转化过程，电子商务网站上一个产品的销售过程大致是这样的过程。产品页可能本身就是登陆页，但是更多的时候，访问者看到产品页之前会先浏览其他的页面，比如活动页面、首页或是商品的列表页等等，然后，某个页面上的某个陈列着的商品引发了购买者的兴趣，于是他们才会进入这个产品的具体说明页（产品页）。

　　我们都知道，在进入产品页直到最后完成支付的一系列环节中，任何一个环节出现问题，就会影响最终的转化。例如下图中所展示的某种问题：

　　这虽然不是典型的电子商务网站，但“毛病”是一致的，在两个虚线的方框内的转化是存在明显问题的。我们通过Google Analytics的预定义转化（Goal和Step）功能，或者Omniture SiteCatalyst的转化丢失报告（Fallout），这些问题能够很容易地被发现。知道问题在哪里，事情就多少好办一点，我们可以用数据做进一步的证明问题出现的原因，或者有时候只是猜测，然后再改进现有的毛病，并进行测试真正解决这些毛病（具体的这些步骤我们后面会详谈，这里不引申了）。

　　总之，这是一个很稀疏平常的方法论，我想如果有一本网站分析的教材，这应该是基本的方法论了。

　　不过，有时候，事情不是这么“完美”的。并不是所有的转化都有明显的毛病，如果每个环节的丢失率都比较均匀，没有明显的短板，你会怎么办？或者，换另外一种极端的情况——每个环节都存在明显的转化丢失，你应该怎么着手处理？

　　显然，优化是永无止境的，没有明显短板并不意味着不值得优化，而如果每个环节都存在明显的转化丢失，你肯定更会手忙脚乱。这时候，上面的方法论可能不适用了。事情总都是一步步解决的，你不可能同时对所有的环节都进行优化，因此现在有三种可供选择的方案，你会选择那种？

　　A. 你会先从转化的前端开始解决问题，然后逐步深入到转化的后端环节；

　　B. 你会先从转化的后端开始解决问题，然后往前推，解决转化前端出现的问题；

　　C. 你会决定——这玩意儿好不了了，破罐子破摔吧。

　　选项C当然是开玩笑，如果你真的在乎这个网站的话，你不会这么听之任之的。但有时候，我们确实存在恨铁不成钢的沮丧，而且确实有些网站只能回炉重造。

　　A和B，我们往往是按照A实践，但我会选择B。

　　这或许没有对错，但我更倾向于B。

　　原因在于，越深入到转化的后端，就越可能是“基础驱动因素”，而转化的前端，则更多时候，是“非基础驱动因素”。我同样认为，有时候，把前端解决好了，会有很直接快速的效益显现，但我还是固执地认为，后端就是更重要些。没有对错，只是我的感觉。

　　这个感觉来源于对问题定位和解决的难度会因为这个问题是出现在前端还是后端而不同。看看下面这个例子——我们对转化的前端和后端分别进行优化，前端我们优化登陆页二跳率，从40%升高到50%，后端我们优化支付转化率，从40%提升到50%。其他条件不变的情况下，这二者优化对整体转化提升的贡献是一样的。可是，往往我们的分析和技术团队资源是有限的，我们如何选择？

　　我倾向于选择优化支付转化率。有两个原因。第一个原因，很明确，支付转化率是基础驱动因素，它的好坏影响全局。而登陆页数量众多，而且登陆页是会不断发生变化的，并非是基础驱动因素。

　　第二个原因，是因为对前端的优化相对而言更困难。转化越靠前端，影响其转化的因素越多，越分散，解决起来越是费劲。比如，影响二跳率的因素涉及到页面的设计、call to action、用户导引、流量质量、商品吸引力等等，这些都不是很快很轻易能够解决的。当然，明显无知小白错误（例如不匹配之类）的除外。

　　影响整体转化率的另一个基础因素是转化结构。这一点我在几次演讲中都有提到，但没有听过我演讲的朋友可能并不熟悉。

　　如下面三个转化的结果图所示：

　　正常转化是左边的图，有泄漏点（如同我们上面讲的那个航口售票网站）是中间这个，而不正常结构的转化（最右边这个），则是在转化过程中，很奇怪的没有按照预订的转化路径，而是发生循环，或是“四处乱窜”。通过“全路径报告”（这个报告在Google Analytics中没有，但是Omniture SiteCatalytics提供），我们可以发现这类奇怪的转化结构。这种结构对转化效率有重大影响。下图中，第八条主要路径（Top 8路径）发生了循环，而且循环发生在购物转化过程中。

兴趣阅读：转化结构失误的真实案例

　　转化结构失误是否真的存在？答案是肯定的。一个真实的案例是某一家航空公司的电子客票销售过程中，发生了显著的流程循环。

　　我们看到，在用户选择好航班，点击下一步之后，超过40%的访问者又会回到上一步，即回到选择航班的页面。

　　这种状况的发生极为严重的影响了整体转化率，订票转化率低至不足3%，但这个网站的同行们却平均有接近10%的整体转化率。

　　发生这种现象的原因很快被找到，当用户在航班选择页面挑选好某个航班后，相应的价格并不会显示在这个页面中，而是需要你点击“check price”按钮，进入到下一个页面中，才能看到你刚才选择的航班的票价。这是一个显然不会让人愉快的设计，而这个设计，也显然造成了转化过程中的循环——当人们看到机票价格并不是自己期望价格的时候，不得不回到上一页去选择新的航班，然后再点击“check price”查看新的价格。总之，这样的设计真的是糟透了。

　　现在，这个网站已经改掉了这个设计。但最初的毛病，在今天却成为一个很好的反面案例。

案例：如何优化KBR之转化率（4）——导航优化

　　我们解决了关键转化过程的问题，现在我们开始关注第二个基础驱动因素：导航。

　　导航优化也是网站分析学科中必学的课程，而且这一块也相对有成熟的方法论。

　　对于导航，我们关注几件事情：

　　首先，导航被过多的使用并不意味着是一件好事。可能你的商品并不容易被人轻易地找到，或者，人们总是容易找不到自己想要的商品，而不断尝试通过导航解决问题。

　　其次，导航被很少使用也是不合理的，这意味着你的用户没有访问深度。

　　然后，导航区域本身的设置是否合理？是否有一些导航的入口根本不值得放在导航区域，而另外一些则应该添补进来？

　　对于第一、二个问题，我们如下解决：

• 导航利用率的评价

　　导航利用率用来衡量网站导航被整体使用的情况，并进而推算用户是否过度或者过少使用了导航。当然，我们看到的一般现象是过度使用导航。

　　导航利用率通过网站中导航的总点击密度来表现，公式为：，分母为什么要减去bounce掉的PV，原因在于我们衡量这个值只有对非bounce的visitor才是有意义的。有时为了简单起见，有时候我也用公式：，但这个公式的意义显然不是很精确，减去首页PV意味着摒弃了首页的影响，这在首页最为最主要的landing page的时候说得过去，但并不科学。

　　上面两个公式计算的结果，如果数字越大，表明导航区域被使用的概率就越高。一般而言，对于第一个公式，我认为这个比例不超过40%是合理的，如果超过这个数字，说明用户在导航中转来转去，并没有实现你希望他们去做的事情——找到他们喜欢的商品并购买它。

　　现在，你一定会提出一个问题——总PV和Bounce掉的PV是容易拿到的，但导航区域的点击数如何获得？我的方法很简单，对所有的导航位置的链接URL，均会加上一个参数后缀，以区别它是用作导航的链接。例如，某一个入口处于首页的导航区域，链接到销售Prada的专题页面上，这个入口链接本来是http://www.chinawebanalytics.cn/prada.html，但是，因为它处于导航位置，因此我为它增加一个专门的参数“?from=nav”，这个链接也因此变为http://www.chinawebanalytics.cn/prada.html?from=nav。在GA中，这个URL会被记为一个不同的页面，但并不影响用户使用网页。这样，导航区域的点击数量就被转化为导航入口被点击之后所打开的相应页面的PV数，这样这个值就能够比较准确的获得了。

　　当然，这个方法又引起了另一个问题，即同样页面因为增加了?from=这样的参数而造成了duplicate pages，从而影响SEO的权重。但这个问题实际上是很容易解决的。在robots.txt文档中添加Disallow: /*?*

　　可以屏蔽所有带动态参数的链接，如果只屏蔽带?from=的，Disallow: /*?from=*即可。感谢我的同事Jay Huang在这个领域的专业贡献。

　　对于第三个问题，我们常用的方法如下。

• 导航区域本身的合理性

　　导航区域的合理性指导航入口的设置是合理的。这些入口应该是用户常用，并且分类清晰，有逻辑性，更重要的，是用户能够轻易找到，且不会被随意忽视，起不到导航的作用。

　　下图显示了两个导航区域的用户点击情况。两个导航区域中，都有一些很少被点击的入口，尤其是上一个导航的help，contact us，agents等。而在下面的导航区域中，our trips，your booking又有太多的点击，甚至人们几乎就是冲着这两个入口来的。因此这些导航有优化的空间。

　　总体上，我们认为导航的点击不太可能平均分布，但是，如果有过于密集的点击入口，或者过少的点击入口，你应该考虑优化。过于密集，意味着这个页面上该路径或者该功能的进入方式太过单一，可以考虑增加一些辅助入口。过少的点击，意味着这个入口出现在导航区域中的价值值得重新掂量。

• 导航路径合理性

　　导航路径合理性也是对导航的重要的评价。方法直接，用网站分析工具的路径功能即可。好的导航功能有清晰的符合逻辑的路径，不好的导航则可能出现很多不符合预期的路径，以及出现更多的循环。不再赘述。

案例：如何优化KBR之转化率（5）——站内搜索

　　如果我们继续探寻优化转化率的足迹，我们在基础驱动因素的道路上将必然碰到站内搜索。站内搜索与导航对用户体验的影响本质上是相似的，对于部分电子商务网站，这种影响甚至是决定性的。

引申阅读：电子商务网站的用户体验不一致性

　　电子商务网站的类型不同，造成了电子商务必然对用户体验具有不同的作用。同样一个电子商务网站，对某一类用户有很好的用户体验，对另外一部分则不尽然。

　　进一步说，这是人类购物天性使然。

　　我们购物有两种情况，一种情况是带着某种明确的目的进行购买活动，另外一种则是随便逛逛之后的应激性购买。相对而言，男性更倾向于第一种情况，而女性则后者居多。

　　电子商务网站往往都是两者兼顾，但相对而言还是有所偏向。由于网站定位、品类和商品特点、面向的人群不同，电子商务网站仍可以区分为偏向于服务于明确目的的购买，和偏向于服务于兴趣激发的购买。

　　前者，例如改良前的京东商城，或者淘宝（你会发现在淘宝上随便逛逛真的很困难，你的购买欲不会提升）。后者例如走秀网。这两类电子商务网站，用户目的的不同，用户体验优化的要点也不一样。第一种情况，很显然搜索功能必须非常强大；第二种情况，导航和商品陈设则需要非常考究。当然，并不是说对第一种情况导航不重要或是第二种情况搜索不重要，但侧重确实是有不同的。

　　站内搜索的优化同样有固定的套路，在Avinash的第二本书《Web Analytics 2.0》中有详细阐述。我好像已经忘记了一些他的原文，所以我就讲我在实践中用到的。

　　我在很久之前那次拥挤的分享中专门做了如何通过站内搜索优化网站的内容，当时，我的观点很明确，没有任何用户行为比用户直接搜索关键词透露的信息更有价值。今天，这个观点仍然没有过时，尤其是在你资源有限无法跟用户直接对话的情况下。

　　对搜索的关注如我左图所示。

　　搜索利用率跟导航点击密度是相似的，公式也很简单：。搜索利用率高的网站，更偏向于目的购买型，搜索利用率低的网站，则可能属于兴趣应激购买型，或是——搜索实在做的太差了。

　　除了搜索利用率需要我们自己计算外，其他的几个关键点都可以通过网站分析工具直接获得。例如，对于高search bounce和refinement的搜索词，Google Analytics提供很不错的报告，如下所示：

　　而0搜索结果页面则更是非常重要的报告（这个报告Google Analytics似乎没有），在Omniture的SiteCatalyst工具中，有专门的报告提供：

　　在上面的报告中，搜索词“handicom”是返回0结果最多的，如果你是SONY，你一定会知道该怎么办了。如果我们挽救了这些搜索handicom的用户，而且满足了他们想要了解handycam的本意，那么我们的转化率一定会受益菲浅。

　　高搜索结果返回页面是那些承载着搜索结果期望的页面，这些页面是否能满足（或者至少是部分满足）搜索者的预期，也同样影响转化率。

　　例如，上面的报表中，对于handycam这个搜索词而言，用户更多会点击搜索结果中的首页。这意味着，首页最好要满足这些人的需求，否则他们可能认为，这个网站并不能让他们更多了解这个产品，更不用说让他们购买这个产品了。

　　上面的这些案例，只是想要说明如何在辨识出基础驱动因素之后，通过研究基础驱动因素的绩效来为改进和优化创造可能。我相信这些行动是意义的。不过，上面的这些案例都是分析，并不是优化建议本身，更不是带来的优化结果。在我们上面的KBR优化路径中，你还需要做其他一些重要的事情以保证你所采取的行动是卓有成效的。这些，我将在这个系列的最后一篇文章中阐述，包括如何通过测试寻找真正的优化方法，以及如何更高级的满足用户的转化预期。

　　好了，先写这么多，请大家提出建议和问题，期待大家的留言！

　　没有数字和分析，没有电子商务。

【前言】

　　从事电子商务的工作一段时间，发现自己对于数据的想法有了很多变化。过去，我们拿着国外的理论，然后站在河边的岸上，对河中游泳的人们指指点点。今天，当你也跳入河中，就是全然不同的感受。一方面河水冰冷刺骨，另一方面，也开始理解为什么曾经河中的人们用各种“怪异的姿势”奋力搏击。这一篇文章，是我在杭州参加车品觉老师《智论商道，西湖秋学》活动的演讲整理，也记录了我的“河中感受”。

【正文】

　　这是一个很大很难但也是每一个电商人都会问的问题——我该如何优化我业务中的关键数字。

　　我也面临这个问题——这个有数百种，不数万种各不同相同答案的问题。优化关键业务数字，没有固定的策略，因此也就没有固定的答案，但却并非无迹可循，而是有章有法的。甚至，这些方法事实上并不需要你去从头摸索，前人早已准备了众多滋养，只需你有心跟随即可。

　　既如此，就让我们先看看前人给我们这些滋养是什么。

关键的第一步

　　优化电子商务关键数字的第一步是什么？

　　说来好笑，这个问题的答案是——什么电子商务的关键数字？不过这可是个很严肃的答案，当然，也是一个很严肃的问题。

　　分析不是为了分析而分析，没有明确目的的分析，是“无病呻吟”。分析是需要消耗资源的，而且消耗的全部是“沉没资源”——时间，你不能把分析投入到本来不需要分析的领域去。因此，电子商务关键数字优化的第一步恰恰是识别关键数字是什么。

　　对于电子商务关键数字的识别，是起始于“KBR”的。KBR是我在Adobe Omniture的时候被洗脑的一个词，意思是Key Business Requirement。当然，这不过是人头马酒瓶装二锅头罢了。KBR没什么新意，不过点明了你的分析要从组织的关键业务需求开始。

　　但这个思想很重要，本质上，这个思维方法就是我们熟悉的“金字塔思维方法”——事情有一个根本的基点，一切最终要回到这个基点。我们在分析的时候，很多时候是被兴趣所指引，发现了麻雀去追麻雀，发现了兔子又去撵兔子，这是分析工作最初吸引新来者的很重要的原因——看起来一切都是非常新奇有趣的。可是商业分析，你不能浪费你的“沉没成本”，我们不为兴趣所指引，我们所做的一切都需要不断反问自己，是否是围绕着KBR进行的。

　　KBR意味着组织的“当务之急”。对于电子商务，尤其是国内的电子商务，业务上的当务之急是清晰而明确的——增加销售，降低成本。不过这不能算KBR，因为它太过于粗放，而且不够具体。但沿着这个方向，我们会发现大部分电子商务公司在增加销售和降低成本方面都根本上将聚焦于下面两个事情——量和率。

　　量，当然，归根结底是销售量，不过销售量显然决定于流量、注册量，以及转化率和回头率。因此，我们的思维是，要提升销售，我们需要提升流量和注册，并且提升转化和回头的机会。这和做一个线下商店的关键数字指标是类似的——人流量多少，多少人进店买了东西，又有多少人还回来。

　　说一点题外话。我认为国内的电子商务公司，因为它们本身所具有的“股票公司”的特性，利润率什么的，反而不是真正他们关心的。区分什么样的电子商务公司更在乎利润率的一个有趣指标是——他们是否获得了外部投资。当这些公司没有外部投资，维持在一个较小规模的时候，利润率是非常重要的；但当投资进入，扩大规模、挤死竞争对手成为主线的时候，利润率是一个可以牺牲甚至是必须牺牲的指标了。这很有趣，对消费者而言，当一家电商公司刚刚获得投资的时候，促销一定是很给力的，这时的商品值得购买。

　　当然，电子商务是否还有什么其他的关键数字，取决于这个公司自身的经营特点和业务特性，这里不再赘述。强调一点，我们关注方法本身，电子商务关键数字优化的第一步是真正识别你的业务的关键数字。KBR不建议是最大的那个放之四海而皆准的目标（例如Revenue），而应该是这个大目标之下，跟你的大目标达成真正关联的那几个可以清晰定量的目标（例如电子商务中的量和率）。你值得花一些时间找到真正的KBR。

建立优化路径

　　现在，你通过自己的思考或是“老板的指示”知道了KBR是什么。现在你该怎么办呢？

　　我们都知道，任何复杂的问题都可以遵循一定的方法解决，若没有解决，是因为没有找到方法。例如哥德巴赫猜想，人们并非是在寻找答案，而是在寻找方法。同样，KBR不能优化，并非是它不能优化，而是我们可能没有找到正确的方法，或是没有去正确执行这些方法。

　　下面是我的方法，你当然也可以建立你自己的方法。有效果的方法就是好方法，这里没有标准答案。

　　上图是我总结的KBR的优化路径。这个路径看起来文字众多，步骤繁琐，实际上思想非常简单。你也可以看我下面的文字描述，可能更容易理解：

　　定义KBR——分解影响KBR绩效的驱动因素——确定这些驱动因素中哪些是基础驱动因素，哪些是非基础驱动因素——尝试分析基础驱动因素并着手改进——同样，尝试分析非基础驱动因素并着手改进——测试你的这些改进是否有效并固定有效的改进（优化）——优化不可能是针对所有人群和兴趣的，所以最后你要在优化的基础上进行动态处理（定制化）。

　　还是够复杂的，再简单点，用白话！

　　定义KBR——分解影响KBR的那些破事儿——哪些破事儿更具全局影响力？哪些是局部的？——想办法搞定这些破事儿——真的搞定了吗？测试看看——靠谱的办法固定下来——不能用一种办法搞定，多几个办法针对不同情况！

　　我觉得KBR就是被这么搞定的。只是每个破折号后面的每一步体现了水平。网站分析甚至不是一个技术活，毕竟我们没搞什么高深的数学模型，但确实需要缜密的心思，丰富的经验，敏感的嗅觉，和不断尝试的勇气。

　　当然，你可能还是觉得，上面的这个模型（姑且厚颜无耻点把它称为模型），毕竟是一个非常抽象的东西，您可能还是没有太理解，什么是驱动因素？为什么有基础和非基础？测试如何做？又如何动态化定制化？一连串的问题，待我慢慢道来。

基础驱动因素和非基础驱动因素

　　驱动因素真TMD是一个拗口的词。驱动因素是一个西方词，不是老祖宗汉语，但我们不得不用它是因为现代科学和管理学都是人家西方人树立的，咱们中国人也只有成了西方人（加入了别人国家），才似乎有点建树。不过我们国家盖楼修路放卫星办运动会火车比速度行，也不算一无是处。

　　驱动因素是initiative的翻译，这个词是形容词，也可以作为名词。找不到更好的翻译，于是俺们国人就把它翻译成驱动因素了。

　　废话不多说，你理解它为影响因子也行（kao…，因子这个词也是人家，是factor的翻译，唉…），就是会影响KBR绩效的那些因素。例如，影响流量这个KBR的因素的驱动因素是资源多少（例如花钱多少）、营销活动的水准、SEO水平等等。这么说应该很好理解。

　　那么，什么是基础驱动因素和非基础驱动因素呢？这是我自己琢磨的，没理论根据，但我觉得好使。

　　所谓基础驱动因素，就是那些当你改变了它（优化了它）就会全局性长时间改变（优化）KBR的那些影响因子；

　　而非基础驱动因素，就是那些当你改变了它（优化了它）就会局部性一定时间内改变（优化）KBR的那些影响因子。

　　用咱们汉语说，基础驱动因素就是内功，非基础驱动因素则是招式。内功常在，招式则要过招时才发生。

　　现在可能你明白了一点我想说什么。不过，最好的方法是，我们举一个真正的KBR优化的例子，让我们看看上面的路径和驱动因素如何帮助我们优化KBR。

案例：如何优化KBR之转化率（1）——驱动因素的细分

　　转化率是我最喜欢谈的，因为对它的研究业界已经很多，但我们似乎总未破解它的迷局。

　　按照我们前面提到的KBR优化路径，我们要找到转化率这个KBR的驱动因素，并且要把基础驱动因素和非基础驱动因素区分开来。然后分别加以分析和优化。

　　我是这么分解的，如下图所示：

　　我影响转化率的基础驱动因素确定为：

• 关键转化过程
• 导航（分类）
• 搜索
• 信任
• ……

　　非基础驱动因素确定为：

• 产品页面
• 登陆页面
• 活动和流量匹配程度
• 外部流量本身质量
• ……

　　先来看看基础驱动因素的确定。关键转化过程，是老生常谈的了，就是在转换路径中各个关键环节。这些环节的某一个或多个做不好，对整体销售转化的影响都会非常大，也就是我们常说的木桶短板效应。导航和分类，本质上是对用户遍历或寻找商品逻辑的有效组织或再组织，不好的导航和分类，让用户没有在合适的位置找到合适的商品，扫兴而归，转化率受损。搜索，跟导航和分类是类似的，只是人们更容易对它产生更高期待，并更容易在期待落空后放弃。

　　这几个因素，都全局性的影响到转化率这一KBR。无论流量质量（人群价值）如何，无论你的活动页面有多么吸引人，这些因素做不好，转化率都会低下。因为这些因素是基础性的影响。而活动页面的吸引力则非基础性的，A活动的页面不好，那么在下一次B活动中加以改进，仍有机会，但关键转化路径中埋有惊人败笔，却不是活动设计本身能够挽救。

　　所以，我把它们作为基础性驱动因素。基础性驱动因素还有很多，限于篇幅不再冗举，朋友们不妨留言列举。

【闲来无事多读一点】

　　同转化率一样，回头率也有基础驱动因素和非基础驱动因素。在会场有朋友问起这个问题，引发了较长时间的讨论。

　　回头率的基础驱动因素往往是：

• 细分人群属性
• 细分人群消费行为
• 竞争商品
• 竞争价格
• 第一次消费体验
• 转化率（更高的转化率会促进回头率）
• ……

　　非基础驱动因素是：

• 市场及促销活动
• 精细化找回营销
• 外部市场环境（动态变化）
• ……

　　相对于转化率，回头率的衡量更具有难度，所受的影响因子也更多。优化它的基本方法必须经过人群的细分，按照消费行为、人群属性的细分，挖掘哪些属性、行为的人群的不同流失情况。以辨别流失倾向和人群的关系。另一种细分维度则是按商品品类细分的人群流失情况。哪类商品的购买者更容易发生流失。以辨别竞争商品和价格可能存在的问题。

　　转化率的非基础驱动因素则比较明显，它们都是局部性的，而且时限性相对较短。例如产品页面，产品页面的介绍对该产品的转化率影响很大，但并不影响其他产品，而且产品有明显的生命周期。登陆页面同样，它们会影响活动的转化效果，但只限于影响自己的活动。流量本身也是动态的，尽管流量永远存在，但却并不能保证每天的流量都能匹配landing page，或是保持持续的较高品质。

　　现在，你应该能够明白基础驱动因素和非基础驱动因素了。那么，我们这么划分的意义何在呢？

案例：如何优化KBR之转化率（2）——驱动因素细分意义何在

　　细分基础和非基础驱动因素的意义在于，你能够知道应该先从哪里下手。前文说过，分析是需要资源的，最重要的资源是时间，是沉没成本，你不太能够分析所有的因素，所以分析的艺术是抓住重点直切主题的艺术。

　　基础驱动和非基础驱动二者，在转化率这个电子商务的KBR上，体现出非常明显的没有抓住重点的趋势。原因无它，我们往往更重视非基础驱动因素而不愿直面基础驱动因素。招式易学，内功难练。

　　电子商务显现出非常明显的对活动的重视，对流量本身的重视，但却往往疏失关键的转化过程中是否存在明显短板，是否有更好的用户指引，并忽略建立初次和长时间的信任。这些都比不上修正下产品页面，给用户促销，以及产品页面的说服诱导见效快，所以理所应当的被放到次重要的位置上。

　　这是误区。内功练成，无招胜有招；招式搞定，却不过是空有花架子。基础驱动应该放到更高优先级上，至少它应该跟非基础驱动一并被关注和优化。

　　好了，这些都是浅显的道理，我就不多啰嗦了。限于时间的关系，我很难找到大段的时间跟大家分享。就先停笔到这里。未来也许某一天，我不会那么忙了，我停下来，能够跟朋友们更多分享。更多的内容，请期待这个文章的后半部分！

　　欢迎大家留言，想到什么就说什么！

• 活动时间：2011-08-07 14:00 至 18:00 (共4小时)
• 报名截止：2011年08月05日
• 活动地点：北京市 海淀区（中关村）中关村西区善缘街1号立方庭大厦3WCoffee
• 人数上限：60人
• 地图见下

活动详情：

　　主讲：CWA –宋星、Baidu -张涛

　　我自己就不介绍自己了。但需要隆重介绍涛哥。

　　张涛于2008年初加入百度，负责搜索引擎营销部的培训认证工作以及商业产品的接口，工作涉及推动百度商业产品支持SEM高端需求，建立行业知识体系和认证体系。在加盟百度前，曾经在蓝互动科技发展(北京)有限公司任SEM部门经理，哈里伯顿中国公司任市场经理。

　　涛哥讲的内容我还没有明确获知，我要讲的内容是如何利用WA的方法和SEM的分析需求结合，发现SEM的机会并且规避其中的风险。演讲大概30~40分钟，之后大家可以进行更多的互动。

　　活动是和“网络营销效果交流平台”合办的，这个平台的负责人小羽会组织这次活动。所以，有什么问题和建议就直接跟她联系好了。她的联系方式下面会公布。

活动议程：

• 13：30           签到
• 14：00           会议开始
• 14：00——14：05 主持人发言
• 14：05——15：10 嘉宾演讲 （baidu–张涛） 
• 15：10——15：30 互动讨论
• 15：30——16：30 嘉宾演讲 （  CWA–宋星）
• 16：30——17：30 互动讨论
• 17：30——18：00 合影留念（活动结束）

　　因为小羽是第一次组织这次活动，没有任何赞助和资金，所以场地费用希望大家能够帮她分担，每位报名的朋友需要50元的报名费。

• 报名条件：SEM从业人员最好，当然，也欢迎WA的爱好者。
• 报名方式：致电李羽 15001160997，或是给她发Email：liyu632(at)163.com
• 报名仍然是先到先得的方式。所以请大家踊跃报名哦！

　　到时见！

　　我将讲一讲自己在电子商务网站工作一段时间以来的心得，希望大家能有兴趣。当然，我的演讲时间可能不会太长，所以你最好准备一些问题，这样，就能在现场难倒我。

时间、地点

• 举办时间：2011年8月6日下午
• 报名人数限制：40人
• 聚会地点：北京朝阳区朝外大街昆泰国际大厦27层第三培训室

• 活动主题：分享目前最火热的行业内容：WA、SEM、EDM。除了我之外，有另外两位朋友分享。内容将围绕可以实现战略目标的实战战术进行。

具体安排

如何报名参加？

　　我们仅接受邮件报名。邮件标题格式为：某某报名参加 2011 Solomon Club 活动。邮件正文提交的信息如下：

· 真实姓名 * 该项必填

· 公司名称（网址） 担任职务 * 自由职业者可免填，或者只需填写网址。

· 手机号码 * 用于紧急会务通知。

· 参会目的 * 此项选填。我们可以根据您的意愿来对活动进行相关调整。

　　请将您的报名邮件发送至联系人苗洁的邮箱：catherinemiaojie(at)126.com，注意不要发给我。另外，请将邮件标题中的某某更换成自己的真实姓名。

参会费用设置说明

　　本次活动为免费参与，报名为前40名生效，按照时间顺序。超过40名，抱歉场地无法再容纳，我们会安排另外一次北京的聚会，也会在近期举办，敬请谅解。

【前言】

　　上一回讲到如何更好使用网站分析工具的五个原则，本期接着讲后五个原则。在上一回中，有一个朋友Liang同学在留言中提出了非常有高度的意见，绝对是高手。但我还是想说，我仍然保留我的意见。:)

　　为什么呢？如下原因：

基础和能力不是问题，但如何能够帮助夯实基础，培养能力，却是问题。

　　也许不远的未来我们网站分析的环境变了，专门做分析的网站分析师在中国普及，大家的基础和能力都很扎实，情况会不一样。

　　就我所见，我以前的一些澳洲客户，他们也用不好付费系统的许多功能，除非如我在前文所说，有很好的培训和咨询帮助。在中国，后二者难寻觅，而自己摸索——太难太难，要资料没资料，要经验没经验，要指导没指导。

　　所以，目力所及，拿在手里有牛X工具的，不少；用好的，稀少。

　　关于帮助形成思维体系的问题，Omniture的思维体系的第一步其实不在于前期完善的tag制作方案，这已经是懂了很多很多才能做好的事情了。Omniture的思维体系的第一步在于真正理解和辨清流量流（点击流）和业务流，以及在工具中对它们二者的原理和定义。这是Omniture和免费工具最大的不同。辨清这二者，才可能真正理解在实施中围绕它们所编织的如你所说的page name、hierachy（层级）、SAINT Classification、转化和其他自定义的event、prop和evar。而Page Name、Hierachy和SAINT Classification其实是Google Analytics也有的，没有付费工具那么灵活，但思维方式和工作的严谨细致程度其实相差不远。

　　正是因为Omniture或其他付费工具在这两个流上有不同的逻辑，所以在国内没有课本、没有培训、没有咨询的情况下，理解起来的难度就太大了。而且，仅仅是一个SAINT Classification工具，国内能理解能用好的太少，我当时给Intel、HP做，用这个，但Intel、HP自己是不懂的，那个时候我其实也没有真正理解。

　　是的，付费工具的公司有培训、有咨询、有方法论指导，但国内真正愿意付费购买的又很少。国内乐意花钱买实施，这个看得见摸得着，但不乐意花钱买培训和指导——他们问，这不是本来就包含在一起的吗？！而且买多少才能真正培训到位呢？就算花钱，培训是用汉语为母语的老师进行的吗？——不是人人都有这样的机会接受200个小时专门的汉语母语Omniture培训，这样的培训根本就不存在。英语？你可以，我可以，但对大多数朋友来说，还是有难度。如果连能够理解的途径和机会都没有，那就很难谈到培养思维体系了。这些是中国WA市场的真实情况，很多东西，就是花钱都做不到，做不好，跟国外其实完全不同。

　　Liang同学也谈到：“免费付费还是依据应用场景和预算投资回报来定为好。读者如果对于付费运行原理多些了解应该去除一些不应有的误会。”问题就在这儿，读者朋友如何去了解付费运行原理呢？如果他们没有机会去了解，或者只能被灌输个“一知半解”，那么这个工具还是不是“简单便捷的效率之选呢”？这也是我为什么不建议选择超出你能力范围的工具——除非你能确保这个工具的提供商或你的公司能够帮助你形成这个能力。

　　回到这个SAINT工具上。与SAINT相对应的工具，GA也有，叫UTM link tag，功能和使用都简单得多，能上手的朋友和公司就多了不少了，因为它不用上传，不用考虑为什么流量（PV，Visit）就是出不来，而是出来个instance（国内理解prop和evar不能correlation的可能除了少数几个高人，恐怕没了，能知道如何解决这个问题的，那就更寥寥无几）。免费工具只是流量流工具，严谨上肯定是输了付费的，却胜在这点脉络清晰、简单易用，而且有社群能够互相帮助，快速使用上手，对于大家快速切入网站分析是有很多益处的。至于这个方案是不是矮矮的天花板，根据不同的业务需求，情况真是不同。功能和能力有关，功能超级强大，使用者不懂用，没用啊。

基础工作不到位，思维体系是pillar of sand（用沙建起来的柱子）。

　　谈到思维体系的培养，就不能不再罗嗦下。我喜欢先易后难，因为我也是这么学过来的。我最早接触到的工具就是Omniture SiteCatalyst，之后才是GA。但坦率说，我学习入门，慢慢加深对网站分析的理解还是靠GA，SiteCatalyst则是在理解了GA的基础之上才慢慢理解了部分，而真正深入了解脉络则是在进入Adobe之后。原因很简单，Omniture的东西是要配置的，不同的客户配置不同，我那是用Omniture的客户少，因此看不到折工具的全景，没有那么大的视野，而且——没有培训，我的外国老板（他其实当时也是一知半解）教我，学起来那叫一个费劲。

　　而这位朋友谈到的“（对于GA等免费工具，）使用者基本上不需要前期的构思和铺陈，快速的进入导致的是之后的技巧难度加大，对于技术上要求不比付费工具低，与其让使用者和技术人员合作去在有限空间进行极限探索，不如给他们一个大的局去做更有效率的实施和应用。”这里可能有误解。国内的免费工具我不了解，但GA的实施一定要前期的构思和铺陈，肯定也是要和业务需求相结合的。在部署GA之前，页面前端的URL的抓取方法和变量的设置与配合就要开始规范了。如果没有前期的完整巧妙的布局，之后就不是技巧难度变大的问题，而是功能受限、分析受损的问题了。

　　同样，在部署的时候，GA也要考虑全局和局部，全局如profile的定义，过滤器的定义，Goal的设计等等；局部则是event的tracking，交易的tracking或是搜索的tracking，还要考虑全局和局部的关系，二者紧密联系。所以全局思维的锻炼是少不了的。只是我也承认，由于付费工具更强大灵活，所以要考虑的“全局”更大，难度更高。但付费工具也好，免费工具也好，在“全局”没有质的区别，区别是付费工具更强调对于业务有更深入细致的了解，从而能够把业务定义到工具的业务流监测中。我相信这正是这位朋友所强调的，这的确也是免费工具不能及的。

　　呵呵，这个讨论我额外添加了前提，所以有偷换概念之嫌。我想，Liang同学所说和我所说的可能并无对错。只不过条件不同，情况不同，就造成了方法和选择的差异。钱够，资源够，咱们甭谈什么免费了，那么多好的付费工具，来一个，把人顺便给我培养好。钱不够，资源少，问题就大了。

　　最后，把这位朋友的意见贴在这里，欢迎多多讨论。Liang同学的商榷，一下子激发了我很多思考，非常感谢。大家的视角不同，观点不同，你让我看到了另外的角度。

Liang said:

原则一二提及免费工具和收费工具的先后顺序，和博主有商榷。。。免费收费工具真有难易之分，对于能力有要求高下之分？从文中和实践都无法印证这一观点。
我们看看收费软件，以博主常说到的omniture对照GA而言:
1. 收费的功能强大并不表明就复杂，而是博主文中说到的空间增大应用天花板高了。举例来说，omniture的跟踪代码classification是商用的便利之选，工具提供商要在服务器运算能力方面支撑这一解决方案，商用是你花钱换来一个简单便捷的效率之选。。到底是一个如何花钱的问题。。是花钱让技术人员在矮矮的天花板下折腾找个解决方案，(通常结果依然犹豫免费本身的方案也不完善实用)，还是让技术人员的才智和解决问题能力发挥到更广阔的天地去。虽然，文中的没预算的情况下适的做法不错，却不能佐证应该先用免费，免费先行。这是一个花钱方法选择的问题。
2. 以omniture为代表的付费的方案更能够培养一个良好的思维体系，尤其对于初学者。tag类型分析工具如omniture确实不是一段代码立即上手，需要完善的前期tag制作方案，如page name的定义，层级的划分，都需要去铺垫，这需要的是对于全局的思维方式和细致的工作方法，但，这是基本的思维方式和能力要求，对于使用者来说一个基本的学习过程，技术难度而言也谈不上，实施上都需要技术人员参与。。尽管GA、百度统计易于上手，基本上他们采取的方法是把常用场景功能推送到主界面的设计逻辑，延展性限制在使用中逐渐显现。使用者基本上不需要前期的构思和铺陈，快速的进入导致的是之后的技巧难度加大，对于技术上要求不比付费工具低，与其让使用者和技术人员合作去在有限空间进行极限探索，不如给他们一个大的局去做更有效率的实施和应用。
免费付费还是依据应用场景和预算投资回报来定为好。读者如果对于付费运行原理多些了解应该去除一些不应有的误会。

　　这是我“博客史”上最长的前言了，再次感谢Liang同学的留言，你吹醒了这个博客被我弄得沉闷的氛围。

【正文】

原则六：选用一个工具之前，首先必须了解它的原理

　　有一些实际上是老生常谈了，但仍然有初入门径的朋友会问起，为什么我GA的数据跟日志的不一样。

　　讲一个真实的故事，我们的网站有一天感到服务器的压力很大，公司想知道是不是因为用户突然暴涨所致，或是有其他恶意的原因。

　　这是一个极为容易解决的问题。从GA上，我们能够轻易的看到“真实的人”，而不是机器访问的流量；而日志文件（log file），则能够捕获大部分机器人（蜘蛛爬虫）遍历网站的流量。因此，如果GA的数据暴涨，那么这是好事，服务器压力大，应该添加服务器了。可是，如果GA没有暴涨，而log file的数据暴涨，那么可能是某些恶意的网站数据采集软件在作恶，公司该要注意的是网络安全领域的问题。

　　所以，日志文件的分析工具（例如逆火软件，老版本的WebTrends，或是Piwik），跟页面标记监测分析工具（例如Google Analytics和Omniture SiteCatalyst）在监测原理上有根本性的差异。你可以读这两篇文章了解它们之间的差异：服务器日志法网站分析的原理及优缺点，页面标记法网站分析及数据捕获原理。

　　所以，不同原理的工具，收集数据的范围是不同的。

　　即使同为页面标记监测分析工具，它们的原理也是不同的，这同样造成数据差异。例如，GA的监测数据利用的是cookie，典型的GA的cookie是utma，utmb，utmc，utmz什么的（它们是什么意思，请看网站分析度量、意义以及不为人所知的（2））。而Omniture SiteCatalyst则是使用cookie和虚拟cookie的共同作用监测数据。SiteCatalyst的cookie比GA的cookie简单，只用来记录访问者的唯一识别编号，而这个编号对应的数据，则全部存放在数据库的虚拟cookie中。虚拟cookie实际上是数据库中的一张大表，记录了这个cookie编号用户访问网站的全部行为。

　　由于利用了虚拟cookie，因此，在用户的客户端不支持cookie的情况下，SiteCatalyst还是可以利用IP地址或client agent记录一个visitor，但GA在没有cookie支持时，就什么也不能做了。

　　因此，我们可以按照监测原理为常见网站分析工具分类，如下图所示：

　　由于监测原理的不同，工具的作用也就有很大不同。

　　想要做SEO，了解机器人扒取数据的原理，用日志工具；想要看鼠标轨迹和停留，用鼠标捕捉工具，例如ClickTale；要看人的行为，还是用页面标记工具。

引申阅读：不同工具，对于网站分析基础度量的定义也是不同的

　　监测原理的不同会影响不同工具收集数据的范围，同样，不同工具在定义基础度量的时候，也有差异。典型的差异是我在介绍bounce rate时候所提到的Google Analytics和Omniture SiteCatalyst（SC）之间的差异。对于GA，bounce rate是预置的基础度量，定义是single page view的访问；而在SC中，bounce rate则不是预置度量，你可以自定义它，一般用single page visit/visit定义。single page view和single page可有天壤之别，前者定义的bounce rate不把reload页面的情况计为bounce，因为页面reload，1个page view就变成2个，所以不再是bounce。而single page的定义则包含了reload的情况，因为无论你在一个页面上reload多少次，这个页面还是这个页面，仍然你只访问了一个页面，所以仍然是single page。所以SC的bounce rate一般比GA要略小大。

　　同样，对于visit的定义有各种不同；对于时间（time）的定义则更多不同了，这里不一一列举。虽然不同的定义得出的结果并不一定有很大差异，但了解一下无害处。

　　当然，我也认为，如果你不了解这些，也并不妨碍你做分析。但监测原理的不同，则是必须要了解的。

原则七：不要利用不同工具做一件事

　　我总觉得，用Google Analytics和Omniture SiteCatalyst监测网站每天visit的多少有些无聊。并不是说这两个工具更准确的问题，而是你永远说不清楚到底谁的数据更准确。

　　理论上，如果两个工具监测的大小不一致，那么它们至少在趋势上是一致的。也就是说，如果GA记录的昨天的visit比前天的大，那么SC的visit也应该是昨天大于前天。可是，天杀的，鬼知道为什么有时候它们连趋势都是不一样的。

　　你可以对GA多一分信任，但我说不好，毕竟有时候Google的服务被鬼使神差的阻断，让它看上去好像是自身营养不良不能提供靠谱的服务。你也可以多信任一点Omniture SiteCatalyst，但我也说不好，毕竟服务器也远在重洋之外（但听说年内香港就会有服务器，到时也许会有不同）。

　　所以，遗憾的讲，这里存在一个谁也说不清楚的盲区，当你的老板询问你为什么GA的数据和SC的数据不一样的时候，你永远也不能找到一个圆满的解释，除了骗他说你花钱买的SC更加可靠之外。

　　所以，为了监测某个相同的度量，如果你认准了一个，那么就一直认准它，如果你结识了新欢，就不要再想旧爱，也别玩儿藕断丝连脚踩两只船。并且，我的忠告是，不要再浪费时间想象为什么它们之间究竟发生了什么而造成了差异。

　　是的，重在分析，而不是数据本身。

　　这也是为什么Avinash总说，同时使用两种或以上的工具是不理想的。

原则八：利用多个工具的长处

　　但你是不是应该永远不同时用多种工具呢？

　　我不知道大师们怎么说，但是我当然不是。我不仅用多种工具，而且乐在其中。

　　我不会去用Google Analytics和Omniture SiteCatalyst比较visit，但我的确会用SC弥补GA没有路径监测的缺憾。（关于这一点，请看我之前的文章：Google Analytics的能与不能）

　　而且，当你花了钱用了ClickTale之后，你也会知道，GA的In-Page Analysis不是不好，但功能确实还不够强大。

　　百度统计？恩，这是颗国产的新星，不管怎样，百度、腾讯和阿里都是极为重视产品的，所以这个产品也不会太差，尤其是在你想要统计和分析凤巢投放的效果的时候。

　　你应该用多种工具，因为没有任何工具能八面玲珑，面面俱到。

引申阅读：在一个网站上使用多个工具时的注意事项

　　在一个网站上使用多个工具并不会带来什么麻烦，大多数情况下我们的网站访问者不会察觉出任何异样。

　　但在一个网站上使用多个工具时可能会对网站性能带来负面的影响，尤其是当某个工具的JavaScript运行发生问题响应缓慢时。所以，加入的代码一定要放到页面的最底端。

　　选择你认为真正有意义的工具，当你需要进行的分析结束后，你完全应该删除这些工具的监测代码。并不是所有的网站分析工具都如同基础分析工具GA或SiteCatalyst一样是从头到尾都需要的，事情总是有始有终。在这一点上，始乱就应该终弃。

原则九：善用复制和过滤——给你更多尝试和细分的机会

　　如果你用过GA，你不会对它的account和profile陌生。account由不同的GA记录号区分，例如UA-123456和UA-123457就会被放入不同account中。而一个account下可以容下很多个profile，每个profile对应一个报告。

　　例如，我想在我的这个网站www.chinawebanalytics.cn上做一些实验，但我又不想影响正常的数据监测。我可以用两个方法。

　　第一个方法是一个笨办法，即在页面上再新建一个GATC（Google Analytics Tracking Code），也就是我们在GA上生成的监测代码。这个代码一定跟最初的代码有不同的记录号，即UA-XXXXXXX不同。我不是很喜欢这个方法，因为GA本身提供了更好的方法。

　　第二个方法是在你原来的account中再复制一个profile，即把你已有的报告再复制一个一模一样的。这个新的报告，可以供你肆意玩乐啦。

　　如果你不了解如何进行这种操作，请看谷歌官方的帮助讲解：http://services.google.com/analytics/breeze/en/accounts_profiles/index.html

　　其实，很多工具存在类似Google的这种报告复制的机制。例如Omniture SiteCatalyst拥有report suite的定义，你可以定义多个report suite为你的一个网站服务，当然，收费也就会更贵一些。

　　一旦复制了一个一模一样的报告，你就可以对这个报告进行过滤操作。过滤实际上是一个不恰当的说法，应该说，是对这个报告的监测方式进行新的配置。

　　例如，我可以利用这个新的profile（report），加上一个地域的过滤，用于只监测从北京访问网站的客户。也可以加上一个过滤，只监测从搜索引擎导入的，且只以某一个页面为landing page的流量。

　　复制和过滤给你更多的尝试机会，和更灵活的细分功能，使用任何一个工具，你都需要了解这个工具的复制和过滤功能，它能让你的工作事半功倍。

　　详细了解GA的过滤，请看这篇文章：五个实用的Google Analytics过滤设置。

原则十：让需求指引你，而不是让工具指引你

　　最后一个原则，是我内心的呼声。

　　我不是一个Geek，所以，坦率讲，当新的网站分析工具出现的时候，我并不是焦急地盼望着更早一日试用。所以，在朋友问到GA V5的时候，我的感觉是：“哦，还不错，用户体验上有改进。”事实上，我认为除了multi-channel funnel和自定义高级群组也可以使用报告过滤功能外，V5的版本改进并不能称得上是革命性的。

　　我是一个懒人，所以总是信奉“enough is enough”。我是有了需求之后，再去选择工具，但我不是有了工具之后，才去理解它能够满足哪些需求。所以我很少在第一时间认真研究工具本身，除了在百度统计刚刚出来的时候，好奇研究了它。

　　不要为工具所累，是我认为使用工具的最重要原则。

　　如果你认为网站分析工具很复杂，那就大错特错了。网站分析工具，咳，说实话，都大同小异，那些模样越是fancy，功能越是让你眼花缭乱的报表，实际上使用的机会越少。我认为工具复杂性的提升并不在于本身学习成本的提升，学习不过是麻烦的最开始。真正的麻烦在于，工具复杂性提升意味着工具背后实施难度的增加，而我亲身的体验告诉我，在中国的电商环境中，想要找到一个特别可靠的团队去实施复杂的WA工具是非常困难的——除非你的团队既有好的前端IT，又有懂前端IT且了解网站分析工具的达人，还有对网站分析需求掌握到位的人。这不是那么容易的事情。

　　当然，我们不需要被吓唬住。我还是觉得（与Liang同学的观点有差异）一步步来是可能的，使用GA是一次免费的实习，你不仅仅是了解了网站分析工具和概念，更关键的，你通过运用这个工具了解了你的分析需求是什么，这才是非常关键的。当你知道这一点之后，你能够提出有价值的切合现实的商业问题，并且以这些问题为基础，选择真正能够解答这些问题的工具，这个时候你就不是盲目的。否则，工具的逻辑是工具的，让它牵着你的鼻子走，你很难找到北。

　　我的实践告诉我，这是相对小风险的一条路，或许对你也适用。

【题后】

　　好了，这个话题就聊到这里，欢迎大家继续拍砖，有问题也欢迎提出。最后，要向朋友们致意诚挚的歉意。我之前说的两个事情都没有兑现，一个是7月份的活动，一个是每周一篇博客。原因在于这个月又离开亲爱的祖国刚刚回来。

　　好消息是，8月6日和8月7日，各有一次活动，但都在北京，都是小规模的CWA聚会活动。8月6日的已经敲定了。具体报名规则和细节我稍后会在博客中通知，8月7日的活动我与组织者确定安排后也会通知大家。

　　新的一周开始了，也希望连续7天工作的我，今天能睡个早觉！晚安！

【重要通知】

通知一：CWA博客继续

　　有一段时间没有发布有营养的文章了，有朋友问是否还会有更新，当然有。在没有真正做电商之前，对于网站分析的理解是有限的。所以能有机会真正接触到这个业态极为复杂、分析需求极为发散、极需精耕细作的行业，感觉很兴奋。网站分析对于电子商务公司的作用最为直接显著，对于优化转化率尤其有大的作为。

　　可以期待的是，未来会有更多的文章关于如何网站分析优化你的电子商务，包括经验，想法和对未来的预期。我会继续努力保持每周一篇的速度为大家呈现第一手的报道。:)

通知二：北京CWA线下活动招募志愿者

　　上一次CWA因为人数过多而让大家挤在一起让我记忆犹新，一直觉得愧对大家。但这次在广州的CWA暨WAW活动极为成功，重新激发了我再来一次北京活动的兴趣。上次北京活动是我和几个同事帮忙组织的，有很多欠周到的地方，这次我觉得不能再“闭门造车”，我希望招募对此有兴趣的朋友，我们在7月份再一起做一次CWA的线下活动，可以确信的是，到时我能邀请到更多高手来跟大家做分享。

通知三：Avinash的Web Analytics 2.0中文版开始销售

　　由我的好朋友Dave Zheng（郑海平）和Gene Deng（邓天卓）联合翻译的Avinash的大作Web Analytics 2.0已经在“各大院线公映”了！如果大家有英文版，看看第400页有什么？中文版也有哦。;)

通知四：网站优化在中国博客开通

　　博客地址是：http://chinaweboptimization.com/。这是我的好朋友，Omniture大中华区资深技术实施顾问Michael Li的博客，他的博客将主要围绕如何通过网站分析优化网站编制。现在已经有了第一篇非常高质量的文章，请大家支持！Michael现在在美国学习的路上，昨天还收到他的短信问我要不要从美国带什么回来。什么也不需要，只需要带回来最新最好的“网站分析在美国”的知识和经验的分享。

【前言】

　　这篇文章来自于5月28日在广州CWA暨WAW会议上的演讲，当时的题目是《合理利用网站分析工具》。演讲30分钟，但涵盖了很多方面，所以有朋友偷偷跟我说没有听懂。这个话题可能需要2到3个小时才容易说清楚，于是，我认为必须开一个新的文章。

【正文】

　　网站分析工具是做网站分析的必备武器。从网站分析的历史被揭开的那一天起，网站分析就同工具无法分开。工具利用水平的高低，很大程度上决定了网站分析水平的高低。

　　但有一个天大的误区，那就是认为越好的工具越能帮助做出更好的网站分析。我用过可能是世界上最先进的工具，但我知道工具的先进和网站分析的先进完全是两回事。我深知如果你不按照下面的十个原则利用你的工具的话，任何一个工具都可能让你的分析破费周章。这就如同AK47是有力的杀敌武器，但枪口完全有可能对着你自己。

原则一：不要采用超出你的能力的工具

　　就目前我看到的情况来说，网站分析工具的功能强大程度和其复杂程度成正比。功能强大的背后，意味着更为灵活的定制化能力，而定制化只能由人完成的。好的定制化取决于三点：

1. 你对自己业务的清晰掌握；
2. 你对这个工具的清晰掌握；
3. 你对你的业务与网站表现之间关系的清晰掌握。

　　这三点，咳……，对于我们大多数朋友来说都是极高的要求。对我也一样，我不敢说我对业务有清晰的掌握，行业和公司内部的情况需要很多时间去了解和体会。这需要悟性。另一方面，对业务清晰了解的人，未必能深入了解工具。Business和Tech就如同两种不同的语言，要用左右大脑分别思考。我的朋友Lizzy Fan的老板Yi Shi （CEO of AVAZU）是这样的一个人，所以他极为成功，但这样的人太少了，总之我很难碰到。这之后你还要对你的业务与网站表现之间的关系有深入的理解，这同样不易。

　　我看到中国有很多企业采用了Omniture的旗舰分析工具SiteCatalyst，但实际上并没有发挥超于Google Analytics的能力，甚至还不如GA的能力。如果你只是使用简单的功能，那么确实GA在用户体验上可能更佳，甚至CNZZ或者百度统计已经足够。如果你做了定制化功能，你就必须要了解SiteCatalyst的流量流和业务流之间的逻辑，以及有这两种流所引发的traffic、event、prop和evar。这些，真不是那么容易。

　　我的建议是，如果你要使用更强大的工具，确保你比这个工具更强大。如果你自认为能力尚不足够，那么确保有强大的实施团队和顾问团队，保证你可以根据你的需求柔性的调整，否者，还是与你熟知的工具打交道。当然，你可以向Michael Li和我求助，但我们不能一直捆在你的业务上，因此更强大的工具，意味着你更应该保持谨慎。

记住，是你使用工具，而不是工具使用你。

原则二：免费工具没用好，付费工具会更困难

　　商用的付费的WA工具总是让我们内心涌起一阵悸动，这些“高不可攀”的工具，能有多么强大啊！于是，我们可能认为，免费工具“不好使”是工具的功能毕竟有限，我们用“付费工具”肯定会完全不同！

　　这个想法我基本不赞同。就像下面这个图——“我生不了孩子，是你们的错！”，但这是笑话，错不在工具，我的母亲讨厌我为错误“找客观原因”开脱。:D

　　免费工具没有用好，付费工具不仅不会帮到你，反而你会更加烦恼。

　　类似于Google Analytics或是百度统计这样的免费工具汇集了网站分析所需的一些最核心功能，并且体现了网站分析的很多核心思想。这些工具是伟大的。

　　你认为的工具“不好使”，可能真的只是因为你没有最大化的挖掘网站分析的潜力。

　　这方面，我的同事Travy是专家，她理解最大化“榨取”GA之类免费工具的意义。

　　“因为那个时候我们的公司不舍得花更多的钱，所以我们想尽一切办法利用GA”，Travy说。

　　这种利用让我大开眼界。坦率说，在此之前，我并不知道GA能够有如此变通的使用方法。这些方法都仅仅只是基于GA的一个方法，即_trackPageview()方法，我们默认的使用是不加参数的，可是如果你把各种参数——包括页面的Title，包括面包屑，包括页面URL中截取后翻译的信息加入进去，GA就增加了许多我们从前根本不认为它能够实现的功能。利用面包屑，GA甚至可以有一点点路径功能了！

　　同样，对于_gaq.push(['_trackTrans'])这个命令也可以挖掘的很深，你可以把更多商品的分类信息、价格以及按照你的要求总结的信息通过动态变量的方式传递给GA。GA对于商品的监测也能变得更强大。

　　我开始承认对于免费工具的能力，我认识的还不够。

　　当然，免费工具的能力是有限的，即使你再榨取，它总有碰到天花板的时候。但我的观点很明确，榨取这个工具能力的过程，是对网站监测实施深入理解和实践的过程。如果你愿意花时间在免费工具的压榨上，那么当你开始使用付费工具的时候，你会发现一切并不那么困难。但是，如果你在使用免费工具的时候不断埋怨，那么我可以想象你在付费工具使用时会有更多的埋怨。

　　因为我们再第一个原则中已经说了：你使用了超出你能力的工具。

　　从免费工具开始，压榨它，成就自己。:)

原则三：不要试图用WA工具准确监测交易

　　另一个误区在于人们总是相信付费的工具比免费工具更加准确。呃……，我基本不认为是这样。由于监测机制本身的原理，工具的准确和你理解的准确是不同的。

　　值得注意的是，常见付费工具和免费工具在流量监测的实现方法上几乎一样，所以二者之间不存在谁更准确的问题。而在监测交易数据上，毕竟不同于电子商务网站内部的ERP系统，网站分析工具是通过捕捉页面上的交易信息实现交易数据获取的，因此常常只是订单确认，或者支付确认的数据，但并不是最终成交的数据（COD交易的成功与否，以及用户退货撤单等情况是很难被网站分析工具监测的）。

　　能够准确监测交易的工具是你公司的ERP系统（或进销存系统），但WA工具很困难。

　　关于WA工具准确性问题，其实还有更多的内容，读读这篇文章——网站分析——我们的数据准确吗？，你就明白为什么我们不需要追求准确了。:)

引申阅读：如何“让”WA工具也能准确监测流量渠道的交易数据

　　WA工具的监测方式让它准确监测交易数据时很困难的，尽管Google Analytics和Omniture都能够通过设置实现撤单和逆向物流等收入的抵扣，但太麻烦，操作可行性不高。

　　但WA工具却可以几乎准确地“监测到”流量渠道的交易数据。

　　注意，我打了好几个引号，因为这并不是通过WA工具直接实现的。我们需要采用变通的方法让GA记录的流量渠道和这些渠道对应的交易数据准确对应起来。

　　方法有两种，两种方法都有一个前提，即你自己要有一个媒介销售管理系统（或类似的系统），能够利用给流量加标记的方法，捕捉到流量带来的销售。举个例子，如果这个系统的标记格式是?from=，那么我在我的博客上为走秀网投放的广告的链出URL就应该是http://www.xiu.com/?from=CWA，这个系统就能够识别CWA的流量带来的销售。这样的系统比比皆是，在电商网站普遍存在。

　　如果你有这个系统，那么恭喜你，你能够实现让流量渠道和对应销量准确匹配的目的。

　　一种方法是用GA的：让GA的UTM link tag能够识别你的系统设置的标记格式。如果看过《流量的秘密》，那么你就知道，utm_campaign, utm_medium等5个标记媒介属性的名称都是可以自定义的。你完全可以用from表示utm_campaign，那么上面的例子中，?from=CWA既能够被GA识别一个被称为CWA的campaign带来的流量，又能被你的媒介销售管理系统识别为从CWA来的流量，并把这些流量能够带来的销售都记录下来。

　　具体做法非常简单，只需要在实施GA代码的时候使用：。。。。

　　另外一种相对笨一点，就是让你自己的系统能够识别WA工具的流量来源标记，比如，本来你的系统是识别?from=的，现在你让你的技术动动手，改成识别?utm_content=，也完全可行，修改也非常简单。

　　这样做之后，你就发现你能得到一个非常准确的报表，如下：

　　Beautiful! 现在你可以准确地知道每个流量来源的转化率能有多少了！如果你有流量的获取费用数据，那么准确的ROI也就获得了！

原则四：再智能，也要重视手工

　　网站分析工具的趋势是更加智能化，例如各家都推出自己的很先进的热图功能。或者给出一些经过二次处理的建议数据。

　　我对智能化爱恨交加。

　　没有智能化，很多工作是无法想象的；但智能化有时会掩盖真相，且让人懒于思考。

　　例如热图，热图特别无法智能化的原因是，页面上有很多同样URL的链接入口，或者页面上的链接经常被更新（例如我们的电子商务网站）。这时候我处理的方式是对页面上所有重复URL链接入口和动态变化的链接，加上标识参数。然后手工统计。需要强大的执行力，不简单，但很准确。

　　你可能会说这会影响到SEO，但已经被我的同事Jay搞定，不是问题了。:)

　　不过这个方法不是很适用于GA，原因在于GA没有next page报告，因为GA没有路径功能。这一点太让人痛苦了。V5版本的GA也没有这个功能，异常失望。没有路径功能的GA，太残缺了。但有了Omniture SiteCatalyst或者Yahoo! Web Analytics，热图就能通过我上面说的手工的方法非常准确地做出。

　　重视手工的另一个原因是，不管多么精细的监测实施，都不可能尽善尽美。例如，我在广州做这个分享的时候，有一位朋友提问——如何才能很好的评估SEO的长尾效果？这个工作直接读取Google Analytics的报表是很难完成的，你只能想办法把所有的长尾organic keyword全部导出，然后利用自己的经验和智慧结合数据分析它们的规律。

　　如果你问我，我网站分析中使用的最多的工具是什么，我的答案不是Google Analytics，也不是Omniture的一众工具，而是Excel。很多时候，我其实不是特别关心Google Analytics和付费工具的异同，很多时候我都是在Excel中实现分析的，WA工具只不过是我分析所需的原材料而已。这也是为什么，商用网站分析工具必须保留并提供Raw Data（例如Omniture SiteCatalyst提供Data Warehouse功能）。

引申阅读：如何一次性导出2万条Google Analytics的数据？

　　利用Google Analytics普通的数据导出，你只能最多导出500条数据。

　　但是对于老版本的Google Analytics，你可以通过一个简单的方法导出任意数量的数据。

1. 点击上图中Export标签。

2. 右键点击CSV，然后拷贝它的链接地址。

3. 打开一个新的浏览器窗口，把刚才拷贝的链接地址输入进地址栏，但不要急于激活这个URL。

4. 在地址栏的URL后面再加上&limit=15000。你就可以导出15000条数据。你可以在等号后换任何一个数字。

　　这个方法对新版本的Google Analytics无效，新方法我还没找到。

原则五：WA工具无法满足你的所有刨根问底

　　一般意义上，WA工具是指Google Analytics、Omniture的SiteCatalyst这样的网站用户点击流工具（clickstream tool），这类工具能够告诉你what（现象），但一般很难告诉你what后面的why（原因）。

　　比如说，你通过Google Analytics的Top Content报告看到某一个页面的bounce rate很高，你就知道了一个很重要的现象——访问者通过这个页面进入你的网站时，第一印象不佳，没有进入其他页面就离开了你的网站。

　　但是什么原因造成这个现象呢？

　　如果是我，我会做下面的事情：

1. 查看页面是否是无链接page，或者是少链接的end page。

2. 如果不是，查看这个页面的流量来源都是哪里，如果主要是搜索引擎，那么恭喜你，你的问题比较容易解决；如果不是搜索引擎，而是直接流量为主，那么很遗憾，你的问题很难通过WA工具刨根问底了。

　　为什么呢？

　　原因在于，直接流量是一种让人喜爱有加却又“极为蛋疼”的流量。直接流量只告诉你一个信息——Google Analytics不知道这些流量来自于哪里！既然不知道他们从何而来，我就很难知道他们为什么对我的这个页面第一印象不佳。

　　对于WA工具，我们必须正确对待。它的最大优点，在于能够帮助我们通过数据发现那些我们没有察觉的现象（问题），也能够帮我们证明我们的改进是否能够带来更好的数据表现。但现象背后的原因，很多时候通过WA工具是做不到的，我们必须要引入其他的分析工具和方法。

　　这些分析工具包括：AB测试工具、调研工具、Pannel、眼动仪等等；方法则包罗万象——调研、可用性测试、德尔菲、用户追踪等等。

　　谈到这里，我想把WA工具的范围做一个延伸，我们常用的GA、SiteCatalyst、CNZZ或者百度统计，只不过是网站分析的点击流分析工具，网站分析工具应该有更大的包容范围。

　　好了，上篇就讲到这里。我很久没有开新的文章了，所以很期待朋友们留言。任何留言都欢迎，问题同样欢迎！

　　谢谢大家的耐心！想念大家！

　　温馨提示：非常抱歉的通知大家，因为报名太过踊跃，只是通知了一天，就已经超过了70人报名，所以我们不得不结束报名。本次活动的报名工作已经结束。相关的邮件确认函已于5月20日发送给成功报名的朋友。 活动名额已满，请不要再将款项汇过来，谢谢支持！如果没有来得及报名的朋友，我们会在近期召开下一次的广州或者深圳CWA活动。不用太遗憾哦！:)

下面是活动初步的安排：

• 主题：广州地区对网站分析（WA）和商务智能（BI）有兴趣的同行朋友聚会
• 时间：2011年5月28日（星期六）下午2:00PM-6:00PM
• 地点：广州（初定在寻觅咖啡厅，广州天河区体育西路26号）

具体的时间安排如下：

1） 2:00~3:30pm：

　　Keynotes：邀请嘉宾做关于以下主题的发言（可能部分话题会放到Panel中聊）

a.     WA在中国的现状和未来的发展；

b.     用什么样的方法学习WA；

c.      网站分析报告应该如何制作；

d.     如何选择网站分析工具；

e.     WA在企业中实施时碰到的主要挑战及应对之道。

　　具体各个嘉宾的发言话题晚一些更新给大家，敬请期待。

　　嘉宾包括：Sidney Song，吴宇铭，Kenneth Kwok，Cliff Wang（蓝鲸）以及Peter Pan。

2）3:30~4:30pm：

　　Panel：互动问答环节，由嘉宾解答现场的提问

3）4:30~6:00pm：

　　Mingle：相互认识环节，与会者自我介绍，及共同商讨今后广州地区的活动主题等

　　适合对象： 对网站分析、商务分析、电子商务有兴趣的朋友。

　　参与方式：报名参加，到场者每人收费50元（提供简单饮品及茶点）。限50个报名名额。

　　我和我的好朋友Peter Pan，会考虑在广州做一次CWA暨WAW的线下活动。时间初步定在5月中旬，地点待定。很期待在这个活动上跟朋友们分享一些内容，我期待跟大家互动，回答朋友们提出的问题。

　　不过我还是想了解朋友们对什么话题更感兴趣，因此下面是我们觉得大家会感兴趣的话题，请大家踊跃留言投票选择你更感兴趣的：

1. WA在中国的现状和未来的发展；

2. 用什么样的方法学习WA；

3. 网站分析报告应该如何制作；

4. 如何选择网站分析工具；

5. WA在企业中实施时碰到的主要挑战及应对之道；

6. WA的相关认证及推荐书籍、资料。

　　活动具体安排，晚一些会通知，请大家继续注意关注我的博客。

通知二：全新的CWA招聘频道

　　CWA的招聘频道（http://www.chinawa.org）已经全新改版！现在，如果您想发布招聘启事，不需要再经过我们帮忙上传了。直接点击右侧的“发布新职位”就能立即发布您所想要招聘的职位，而且不再需要我们审核。当然，如果发布我们国家的负责人同志们不喜欢的东西，我们会立即删除的。所以，为了我们共有的这块公共土地，请大家发布真正的招聘信息哦！

通知三：北京项目管理交流沙龙

　　我的好朋友晓东在北京将组织一次项目管理交流沙龙。时间是5月7日下午2点到5点。晓东是非常知名的项目管理专家，是万网的高级总监。除了晓东，还有另外一个牛人到场分享，所以非常值得期待！具体的安排见：http://event.t.sina.com.cn/event/117794

通知四：更严厉的垃圾评论甄别

　　目前太多带有外部URL（包括但不限于评论中提及的URL、评论者在留言时填入自己网址的URL）但毫无价值的回复评论在我的博客上，即博客主们所称的“撒尿”行为。我欣赏利用外链提高自己SEO排名的做法，但不喜欢在我这里获得外链，因此请朋友们在留言时不要留下自己的URL。目前我几乎每天都会删除大量的这种带有URL的评论置入垃圾评论bucket，未来可能对垃圾评论和疑似故意获取外链的评论零容忍。

　　最后，五一劳动节快要到了。Sidney预祝所有跟我一样辛勤劳动付出汗水的朋友们节日愉快！祝你们心想事成，到达你们期盼的目标！

　　想念大家，回北京再见！

　　通知一：请大家在加入CWA的QQ群（CWA三个新的QQ群：87963666, 82922176, 47686693）的时候，注意一定要填写加入理由为CWA爱好者。因为有很多垃圾号码加入，所以没有填入理由的都被拒绝了。我估计会误伤一些朋友，所以特此通知。

　　通知二：一个重要的招聘启示在CWA的招聘博客上，请点击这里。一个相当不错的机会，要独当一面，有挑战，但绝对有收获。请想致力于在真是商业环境中进行网站分析实战的朋友猛击。

　　通知三：我现在在深圳，可能会待一段时间，我想在深圳或者广州组织一次CWA的活动，请大家响应。晚一些我会通知大家具体我的计划，目前看，广州活动的可能性很大。

【前言】

　　接着上回书，我们接着说这个模型的第二部分，ISPT中的S。S不是大S也不是小S，也不是刚结婚的我的偶像Stephanie，而是我时时提到的Segmentation（细分）。偏激点儿讲，分析的本质就是Segmentation。我在很多博文和场合都提到了细分的重要性，这篇文章则对细分做一个“细分”。

【正文】

　　ISPT模型本质上是互联网营销分析的必使的几种武器。我觉得S是这些武器中最牛逼的。这种牛逼不是说它是原子弹，丢下来搞定一片，而是如同AK47一样，无论是kongbu份子还是CS玩家直到2011年的今天都还极为钟爱，并且其改装改制的型号至今还在我们这个世界人口最多的国家服役。这就叫牛逼，叫范儿！

　　Segmentation就有这种范儿。如果你做好了细分分析，网站分析你至少成功了一半。我特别钟爱细分，这也是我为什么觉得Google Analytics虽然有诸多不好但仍然是最棒的免费网站分析软件的原因——它对于细分有着近乎于偏执的重视。

　　上一回我们提到了ISPT中的“I”——整合，即Integration。介绍I的目的，是因为在I的前提下，我们可以实现“S”。如果你自信自己的“I”做的足够好，而且数据的粒度足够低（即细节度足够高），那么你可以着手进行细分。但在你动手前，你应该看看下面的内容。

细分不是目的！

　　细分虽然重要，但细分不是目的。所以，不要为做细分而做细分！很多朋友问我，“Sidney，请告诉我应该怎么做细分？”，或者“我这么细分你觉得可以吗？”之类的问题，我肯定会一时语塞，因为在我了解到你要做细分的目的之前，我也不知道你应该如何做细分，我真的不知道。

　　在做细分之前，你不应该把问题聚焦在我该如何做细分上，而应该放在我为什么应该做细分上。也就是说，你得要首先厘清细分背后的分析需求（或者说细分要解决的问题）是什么。

　　没有比这个更重要的了（当然，数据挖掘又是另外一个故事，暂时不在这个逻辑考虑之列）。

　　现在有一个问题：

我想知道为什么我的网站总是留不住用户？

　　我们可以做细分，把用户细分分为新访问者和老访问者。留不住用户，可能是新访问者这里出了问题，所以值得重点查看新访问者的行为和兴趣。也可以把用户按照来源进行细分，来观察是不是某些比较大的流量源不够踏实。当然，你还可以按照注册用户和非注册用户的方法来进行细分。解决这个开放问题，细分的方法有很多，但目的很明确。

　　但反过来，如果没有上面的问题，你只是漫无目的地直接进行新老访问者的细分，也许的确能发现点儿什么，也许不能，总体看这种方式并不一定完全没有收获，但的确是一种效率低下的方法。当你有很多时间，那么就碰碰运气吧，如果你没有那么多时间（毕竟时间是现代人真正的奢侈品），你应该做更有针对性的细分分析，即按照解决问题导向的细分分析。

　　细分不是目的，只是手段。无论做何种细分，都不要忘记了自己是为了什么商业分析需求而做。

细分要解决的常见商业问题

　　既然细分不是目的，商业问题才是目的，那通过细分要解决的常见商业问题有哪些呢？

　　这是一个开放式的问题，回答的难度不低，商业需求是千变万化的，因此商业问题毫无疑问也无穷无尽。但总体而言，我们想要把握规律，想要知道细分适合于解决哪些常见的商业需求的类别。以B2C电子商务网站为例，这些问题例如如下类型。

类型一：与网站用户体验相关的问题

1. 网站哪些页面受欢迎，哪些不受欢迎？

2. 页面上哪些内容受欢迎，哪些不受欢迎？

3. 哪些流程受欢迎，哪些不受？

4. 哪些表单填写用户更乐意填写，哪些不愿意？

5. 导航——什么样的导航靠谱？

6. ……

类型二：与流量数量和质量相关的问题

1. 哪里来的流量数量大，质量高？

2. 哪里来的流量性价比（ROI）高？

3. 哪里来的流量能够满足网站的一些特殊需求？

4. PPC流量应该如何优化？

5. 什么流量让人又爱又恨（食之无味、弃之可惜）？

6. ……

类型三：商品品类相关的问题

1. 哪些商品用户更关注；

2. 哪些商品用户更乐于购买；

3. 哪些商品更……还记得我的商品品类分析的四象限模型吗？

4. ……

类型四：用户行为相关的问题

1. 购买商品的用户体现出什么样的趋同行为？

2. 哪些用户用户将商品放入购物车却没有购买？

3. 注册用户展现出什么样的特征？

4. 在网站上停留了15分钟却没有将商品添加到购物车的访问者都干了些什么？

5. 从我的博客（www.chinawebanalytics.cn）到www.xiu.com的访问者，对这个网站感兴趣吗？

6. 哪些访问者更有忠诚度，哪些则更似冲动型购物者？

7. ……

类型五：跟客户端相关的问题

1. 网站应该支持什么浏览器，应该放弃什么浏览器？

2. 网站的页面应该多长为好？

3. 用JavaScript会不会造成一部分用户体验不佳？

4. ……

类型六：上面五种类型的再综合

1. 什么用户偏爱什么样的商品？

2. 什么来源的用户喜欢看哪一类型的页面？

3. 什么流量渠道带来了喜欢注册为用户的人群？

4. ……

　　这些问题，不做细分是无法解决的。而这些问题，似乎已经是网站分析需要解决的问题的全部。对于我自己而言，几乎所有的商业问题都需要用细分来解决。即使是为什么今天流量突然增高了这样常常都要面对的问题，也自然而然通过细分来解决。网站分析的艺术似乎就是细分的艺术。

细分的艺术在于制定规则

　　如果说网站分析的艺术是细分的艺术，那么细分的艺术在于建立规则。事实上，规则的建立体现了对于商业问题的快捷解答。因此，规则的定义必须针对网站本身的特点。

　　例如，在细分访问者参与程度的时候，对于你的网站而言，什么样的访问者才算是深度访问者呢？

　　我喜欢把访问者定义为轻度、中度和深度访问者。对于不同的网站，这一定义肯定是不同的。通常而言，访问者在网站上停留的时间是一个好的标准，例如停留时间少于5分钟的，可以算作轻度访问者，5~10分钟的，中度；10分钟以上，深度。但是，这个标准往往过于一刀切，我们还可以增加一些额外的规定，例如访问十分钟以上并且访问页面数至少达到3个且访问了至少1个产品详情页面的访问者才算深度访问者，因此这个规则变为：

　　深度访问者=time on site > 600 & PV/V > 3 & 1个或以上产品详情页面PV。

　　如何选取定义的标准，完全依赖于你的网站的特性，没有统一的标准。但我有一个喜欢利用的方法，即倒推法。

　　比如，我想知道在网站上停留时间超过多久的人，更有可能购买我们的商品。我们可以做一个细分，计算所有发生商品购买visit的平均time on site。也许是11.5分钟。我们可以认为，超过11.5分钟（690秒）停留的visit，更有可能发生购买。

　　我们还可以做另外一种细分，即最短网站停留时间为多少时，visit带来的order数量等于10%的总order数量。例如，我们发现停留时间小于140秒的visit带来的order数量约为总order数量的10%。因此我们可以认为用户完成一次购买行为最起码需要140秒钟。

　　了解了这两个时间，对于你区隔用户，就有很大的帮助。而这两个时间，在不同的电子商务网站上是非常不同的。我对这两个时间的定义是：平均购物时间和最短购物时间。

　　然后，你再利用最短购物时间和平均购物时间反求一段时间内的visit的数量，你可以发现这个波动趋势。如果流量没有发生明显变化，而最短购物时间的visit在减少，那说明人们越来越不倾向于“冲动购物”；如果平均购物时间之上的visit在增加，则说明人们进行购买决策所需要的时间也在增加，你应该考虑进行更好的说服，或是更多的促销。另外，比较各个时间段的visit所占的比例变化，也能说明类似的问题。

　　规则没有必要非常复杂狭窄，选取合理的粒度是重要的。研究在网站上PV/V刚好为131的访问者其实没有太大的意义，你可以把细分人群定义为PV/V>10的部分。如果你在利用工具做细分的时候，发现某个规则下的visit或者visitor比你预期的小很多，那么这个细分规则的制定可能存在问题。这是判断细分是否合理的一个很重要的线索，也是Google Analytcis的“细分群体”中有一个“测试”按钮的重要原因。记住，确定你的细分是否有效只能通过测试！在Omniture SiteCatalyst中，我们也进行测试，但没有Google Analytics的测试那么简单。方法是建立1天的细分规则，拿到数据没有问题后，再延展这个细分到更长的时间，原因在于1天的数据在SiteCatalyst中反馈很快，1个月的数据就需要一些时间抽取了。这即是我们内部所称的对于某一种解决方案而言的best practices。

真正有效的细分，不仅仅只是维度细分

　　细分规则作为细分艺术体现的另外一个原因，在于细分不是任意制定的，逻辑上成立的细分，实际上未必能够在工具上实现。真正有效的细分，必须依赖于有效地系统间数据整合。

　　举一个例子，我们知道Google Analytics能够很方便地通过UTM标签标识网站的流量来源，因此我们可以快速且较准确地得到不同来源的流量数量，但是GA的电子商务统计功能却不能非常准确地统计到这些流量实际带来的订单（order）和收入（GMV），而必须依赖电子商务企业内部的销售统计系统或ERP系统。但后者又未必能够按照GA的流量标识方法来统计数据。如何解决这个问题？我会在之后的文章中详细解答。

　　因此，如同我们在这个系列中的第一篇所讲到的，我们需要整合，没有整合，真正有效的细分无法实现。

　　事实上，刚才讲的问题，涉及到了细分的另一个操作要点，即细分不仅仅只是对于维度的细分，而且也是对于度量（metrics）的细分。显然，由于分析的需要，不同的维度往往会对应不同的度量。我在工作中，最常见的问题是，那些不能直接带来ROI的流量，我们是应该购买，还是不应该购买？很显然，虽然都是流量，但作用不同。对于部分流量，利用ROI来相关度量来衡量是有意义的，而对另外一些，则要采用其他的度量来剖析它们的非ROI价值。但所谓非ROI价值，当然最终还是能够转化为ROI的，只是相对间接，所以我们需要有不同的metrics来衡量。

细分对于工具的依赖

　　前面已经讲了，逻辑上成立的，工具未必能实现。所以细分对于工具非常依赖。Google Analytics的新的版本，在细分上似乎又有加强（我需要使用一段时间感受下），而Omniture的SiteCatalyst本身的细分比较复杂，需要用它的一个专门的细分工具Discover来实现，这个工具的细分和数据交叉的能力非常强。Google Analytics的高级细分功能我极为喜爱，这个工具因为受到Avinash的影响，对于细分非常重视。

　　不过，受制于工具的算法和服务器响应能力，全数据的实时细分对任何工具都是极大的挑战。相对而言，如果能够实现全数据的细分，这个工具一般难以实时；而实时细分，又只能选取抽样数据。所以工具对于细分的能力并非十全十美。

　　Google Analytics的细分工具实际上包括“高级细分”和“自定义报告”，高级细分是亮点。

　　Omniture SiteCatalyst的细分工具包括ASI Slot，Data Warehouse和VISTA。这些工具属于全数据细分，但实时性相对较弱。

　　Omniture Discover本身是一个细分工具，数据来源于SiteCatalyst，能够抽取一定时间段的全数据实现实时细分，但不能实现全部历史数据的实时细分。不过足够用了。

图：Omniture Discover的界面

常用的细分规则

　　最后，大家需要常用的细分规则吗？给我留言吧！并且，请留下你常用的细分规则！很久没有发新的文章，现在发这篇文章，有点儿紧张。希望大家能喜欢！谢谢！