回到北京几个月，我告诉自己应该做更多有意义的事情。从MRM到OMD到Adobe，然后在电子商务网站的各种经历，算是整个走了一遍甲乙丙方，该是时间总结了。

　　不仅仅是为了总结，更是为了传播所有的这些经验和经历，因此，除了自己的创业项目，我准备着手还做两件很久以前就想做的事情。第一件事情，梳理网站分析和网络营销分析的方法论和经验，以及值得回味的案例，制作成为PPT。第二件事情，如果时间允许，我想把这些内容整理成为一本书籍，完全原创。关于这件事情，有很多朋友在问，出版社也数次约稿，我都应承下来，但两三年间，我只能断断续续写了一本书的一部分，有四章多，但不甚满意，于是决定全部重新来过。这本书将聚焦于解决问题，而不再是聚焦于工具本身。关于这些内容，准备先以小规模培训的方式分享给大家。

培训一：网站分析中高阶培训（5月26日、5月27日）

　　我想要做完全聚焦于网站分析的培训已经很久了，但以前限于积累，心有余但力有不逮。但在朋友们的帮助下，现在可以尝试。这个培训是我的朋友晓东组织的，时间目前策划在5月26到5月27（周六周日）两天。面向对网站分析感兴趣，且有一定基础的学员。

　　内容上我正在精心策划，我将负责一天半的课程，内容将聚焦于方法——即为朋友们解答我们应该怎么做的问题，讲授方法则是方法+案例+互动的方式。我反复提到过，网站分析和网络营销分析是一门学科，因此我们有成熟的方法和手段，来进行分析和优化。我们应该在真实的商业环境下，掌握这些方法和手段。我承认这些方法手段理解起来都绝不困难，而且一旦掌握，必然是你会经常使用以解决一些你面对的实际问题的。现在，我们手头上能够应用的工具已经有很多（当然，最好的工具是什么，课上我会揭晓谜底，一定会让你吃惊。），但利用这些工具的效果，则依赖于你实际掌握的网站分析和网络营销的方法的好坏。另外半天的课程则是Google Analytics的高阶技能，是由另外一位实战经验丰富的老师主讲。

　　课程的安排是5月26日上午讲Google Analytics高阶，5月26日下午到5月27日全天则是我讲解方法和案例。

　　授课地点在北京，现场可容纳30个学员。如果您不能到场，或者现场名额已经全满，您还能选择通过技术手段进行远程学习，远程学习的学员最多30人。

　　与以往的分享不同，因为租用场地和设备等原因，主办方会收取一定的培训费用。如果您想了解具体的课程内容以及报名方法，请发给我email：sxwuda#gmail.com，我会转给主办方。请您在email中注名您的姓名和联系方式。

　　我这部分培训的部分主要内容见下：

培训二：电商用户行为分析与客户关系营销实战培训（5月24日到5月26日）

　　另一场培训是艾瑞组织的，更面向企业级用户。是我和周宏明老师主讲，周老师是台湾最资深的数据营销泰斗之一。我负责网络营销分析和网站分析的部分，周老师则聚焦在CRM和数据库营销。时间是5月24日到5月25日。内容初步定为下面的内容，目前正在定制教案，因此最终内容可能会略有一些变化。

　　如果想要报名，请给我发Email（sxwuda#gmail.com），标题请注明“艾瑞培训报名”，并留下您的姓名和联系方式（电话最好）。之后艾瑞的同事会跟您联系。

正在制作的课程内容截图：

　　下面是两个课程中的一些课件PPT的截图。目前大部分已经做完，正在精细化的阶段，希望最后呈现出来的内容大家能满意。

　　如果有想要询问或跟我沟通的，请给我留言，或者给我email：sxwuda#gmail.com。

　　最后，谢谢所有朋友们的关心和支持！

【每期一句】越强烈的网络效应，越接近成功。

【前言】这篇文章是应NetConcepts的邀请所做。很高兴能有机会与几年前一样，分析一个细分行业的兴衰。文中若有偏颇或不妥，敬请指出。

【正文】

　　在Facebook成功光芒的照耀下，社会化网络各种创新模式成为中国互联网创新的最主要阵地。今天，社会化购物网络平台蘑菇街、美丽说等成为我们最多谈论的新明星，我们拿它们与北美的超新星Pinterest相提并论。不过，尽管与Pinterest形式相似，它们神似吗？它们是否会有类似的成功轨迹？

　　从细分市场看，美国社会化购物分享网站聚焦于细分领域的并没有中国同行那么成功。例如聚焦女性服饰的playwho.com或聚焦服饰家具的svpply.com，规模和热度都还有限，可以说美国并没有真正意义上能与美丽说或者蘑菇街对应的网站。但不那么细分的市场，美国人却似乎更为热衷——Pinterest简直是一个杂货店，虽然女性访问者为主，但却更包罗万象；Fancy（thefancy.com）则不聚焦于女性，商品的范围更为广阔。在中国，并没有可以相提并论的特别成功的模仿者。

　　中美社会化购物网站的用户差异是另一个值得一提的领域。从用户数量上看，美丽说宣称上千万用户数量，与Pinterest相差无几，蘑菇街也有超过600万用户。但相近用户数量情况下，用户访问量差异却极为明显，从Alexa的数据看，Pinterest是中国同行的10倍左右。尽管Alexa的数据并非精确，这一巨大差异仍然表明若各网站宣称的用户数量准确的话，中美用户的活跃度差异将会极为显著，美国Pinterest用户体现出更强的粘性。

　　对于活跃的用户，我们观察中美网站上这部分用户的参与度。美丽说和蘑菇街在用户的网站参与程度（engagement）上与Pinterest几乎一致，甚至时而更高，且都远超普通的购物网站。但用户内容贡献程度则有不同，尽管与蘑菇街诞生时间相近，Fancy目前的用户量（50万）却远逊于蘑菇街（600万），不过，每天新增图文内容Fancy却超过4万（该数字是按照目前约1800万总图文量除以从其诞生到现在的约450天计算而来，但考虑到网站从诞生开始高速成长，现在每天新增内容可能至少是4万的数倍），而蘑菇街每天平均“上新”可能不超1万。若折算为人均内容贡献量，Fancy则更加“恐怖”，至少是中国同行的50倍。

　　Fancy或不是最好的对照网站，原因在于不排除Fancy继承了Thingd.com的商品数据库。Pinterest可以作为另一个参照系，它的日新增内容也超过4万，平均每个用户发布约3个图文内容，中国的对照网站的相应数据则是1个左右或不到。我们并不能就此认定美国用户具有更强大的分享意愿，但我们或许可以从中一窥美国普通人“更具分享精神”不是虚言。

　　如果认真研究一下蘑菇街或者美丽说的网站，我们可以发现用户内容贡献与美国情况确实截然不同。例如，蘑菇街的用户贡献情况是极为集中的，即极少量用户频繁贡献大量内容，而极大量用户只浏览不贡献内容。这或许解释了为什么中国社会化购物站平均用户贡献量偏低的原因。这一现象增加了蘑菇街等网站作为“媒体网站”的特征，却削弱了它们作为社会化网站的分量。

　　最为决定这些网站未来的是它们的盈利能力。从盈利模式上看，蘑菇街、美丽说主要依靠“淘宝客”的CPS分成。Pinterest和Fancy也是走CPS分成，本质上它们二者是大型affiliate，只是Pinterest借助Skimlinks实现订单追踪和收入，Fancy则据悉与商家直接连接，而不经过第三方链接服务或联盟。

　　一般认为，美国的affiliate市场是远大于中国，且更加成熟，因此affiliate本身获得稳定规模盈利的可能性更大，中国则相对疲弱。按照目前媒体公开的蘑菇街数据，以每个订单平均100元计算，每天它为淘宝贡献400万成交额，若按照2.5%的佣金率（这个佣金率高于淘宝客的平均佣金率），月收入大约为300万元，这一收入并不非常巨大。淘宝客联盟本身并不是“富矿”，而除了淘宝客之外，目前能够依托的affiliate平台几无二家，而自建联盟也肯定违背淘宝的意愿，因此增加流量变现将肯定是中国社会化购物网站需要运用更大智慧解决的问题。

　　美国的情况则相对乐观，CPS已经证明能够为一家affiliate撑起超过月收入300万美元的生意（例如完全依赖于CPS的retailmenot.com或savings.com，去年的月收入均超过300万美元），Pinterest和Fancy出现后，人们认为它们具有超越这一数字的潜力。

　　总体而言，中国的社会化购物网站更聚焦，活跃用户的参与度很高，而美国同行更倾向于建立“大平台”，用户活跃度也远超普通网站。美国社会化购物的流量更巨大，用户贡献程度更高，且更具盈利潜力。

【每期一句】：很多时候，快就是慢，慢就是快。——易观国际联合创始人，张鹰

【前言】：记不清有多少戴着耳机写文字的日子，但这样的日子自打我进入电商行业来，就完全打乱了。博客很少更新，微博甚至都很少撰写，而且几乎在各个QQ群上销声匿迹了。所以，当用很多变化甚至牺牲换来的一年的电子商务从业经历，就不仅仅是值得写点什么，更是必须要写点什么了。

【正文】：

　　毫无疑问，中国电子商务目前整体处于一个非常困难的时期。尤其是当唯品会上市这样在过去非常利好的消息，在今天却成为一句验证“流血”、“亏损”、“资金链”紧张的结语。这不得不让人心生喟叹，中国的电子商务，究竟怎么了？

中国不会有亚马逊

　　这个标题怕是会得罪很多人，也定会招致拍砖和鄙视。但我必须坚持我的想法，若有不妥，请海涵。

　　中国难有亚马逊，不是某一个（或几个）立志成为中国亚马逊的电商自己的问题，而是中国没有这样的大环境。就如同我们这里不会出现乔布斯，也不会出现Facebook或者Pinterest一样。这也不是想象力或者执行力的问题，而是偏执于快速成功神话加上资本推手作用下野蛮竞争的结果。

　　与美国的电子商务相比较，中国的电子商务更执迷于亚马逊发展路线，无论是大平台电商还是垂直品类电商——几乎不计成本地快速扩张、攻城略地，尽其所能尽快压垮对手，然后一家独大。

　　这个想法不错，但当大家的战略意图都是如此相似和明显的时候，就如同麻将牌局中的每一个人都打“七对”，最后最有可能的结局是“黄庄”，谁也和不了。

　　原因无他，我们不能忽视，中国的消费环境跟美国的消费环境有很大几个不同。

其一、消费者心态和忠诚度极为不同。

　　中国的消费者缺乏忠诚度，且品牌认知能力相对较弱，这让电商品牌难以快速积累。这一点也不能怪中国消费者，实在是有品牌积淀的电子商务网站没有几家，而有品牌积淀的，销售的又是必须通过价格维持忠诚度的同质化标准化商品。再加上互联网上的比价可不似在线下卖场中那么困难，所以哪里有便宜货，消费者就到哪里买，于是电子商务的拼斗，在今天看来，主战场仍然是价格战场。

　　是的，价格之外的其他用户体验也很重要。但我在实际中发现，没有什么用户体验能与价格相提并论。某些国外很重视的一些用户体验对中国电商而言，可能并非是最重要的。中国的消费者与北美消费者不同，前者恐怕是世界上最有耐心的顾客，他们愿意为更低的价格而忍受更多。一个基本习惯可以看出这种区别——从新浪开始，中国人就不介意看很长很长的页面，而美国人早就不耐烦了。所以，扯点闲话，那些要模仿美国那种简约类型的页面的做法，会赢得中国消费者的瞩目，但难以赢得他们的购买，Yoox曾经做了这些尝试，但今天大多数中国人都不知道他们的存在。

　　中国的电子商务购物者并非有钱人，销售奢侈品的网站的购物人群并非月薪过万的中高收入人群，反而是月薪四五千的普通工薪层，他们对价格的敏感一定要超过你我。所以，我也敢肯定，困扰京东的也是这种忠诚度问题。更好的用户体验有所帮助，但价格变化会招致更多敏感的神经。价格每增加10%，消费者会流失10%甚至更多，而你的购物体验好到一定程度，总会有极限。

　　相反，美国的电子商务消费者有些“被动忠诚”的意思，一方面是价格本身，美国的电商难以以持续低价维持自身（这个我后面会详细讲），即使成功的亚马逊，照样陷入低价低利润困境，所以主流电商不至于陷入持久价格战，低价倾销也不是他们的核心竞争力（但却基本是中国电商的核心竞争力）。而在价格不是唯一决定性因素的时候，用户体验和购物习惯就成为重要的锁定的因素。另一方面值得我们关注，美国有很多“百年老店”的电商网站，比如Sears、Kohl’s、Advance Auto Parts（www.advanceautoparts.com），或是在线下已经非常成功后又转向线上的品牌，比如Footlocker、Gravity Defyer，它们本身就意味着各个相当坚挺的购物人群。中国却无这样成功的垂直电商品牌。最后一个可能的原因在于物流。说来有意思，美国有更先进的物流体系，但美国消费者却不太愿意为物流买单。这跟国情有关，美国城市化发达，购物人群十分分散，而人工成本昂贵，物流费用比中国要高很多。这种情况增加了用户的转移成本，一定程度上降低了商品本身的价格敏感度，而客观增加了他们的忠诚度。这同时还产生了另外一个副作用——美国local电商比中国要更好更健康。

其二、我们很难变得“更轻”。

　　亚马逊的商品结构与国内的模仿者有很大的差异，而利润率最高的那些商品，与知识产权有关。2011年Q4财报显示，亚马逊的多媒体商品销售占全部销售额超过30%，但在中国这部分商品却很难实现大规模盈利，甚至无法实现大规模销售。因此，某种意义上，巨无霸亚马逊其实比它在中国的同侪要轻的多，但即使这样，在毛利率高达21%的情况下，这家巨无霸的2011年Q4净利润率也只有1%。未来，同样可以肯定，亚马逊会“变更轻”（且让我们期待它未来的几个收购），而且它的主要利润不会出自那些“更重”的实物商品。

　　一个数字似乎印证了这个观点，数字内容订阅是2011年美国增幅最大的在线零售产品类别，增幅高达26%，数字内容订阅是一个主要由数字内容下载组成的类别，内容包括音乐、电影、电视剧和电子书。受益于平板电脑和电子阅读器的普及，电子书下载量加速增加，数字内容订阅因而获得了强劲的增长动力。

图片来源：TechFrom 科技源

　　亚马逊的另一个“变轻”的领域在于物流。我们知道亚马逊是自建物流中心的，但亚马逊并不自营配送，而是由第三方配送如UPS、基华物流等规模化物流企业完成。对于美国电商，这是一个完全可靠的方式，物流中的关键环节——仓储和拣货，由自己控制，而供应链条的下端由专业化公司完成，高效率且更低成本。但复制到中国则几无可能。交通运输国情的差异加上配送行业本身的专业性，第三方配送难以实现美国同行的规模与高效的统一。因此，我们学习了亚马逊的自建物流中心，我们又不得不比亚马逊再迈进一步，自己建立配送力量。这使我们不得不为实现与亚马逊一样的高效率而付出更为高昂的代价。

　　所以，很可惜，在团购喧嚣过后，我们的电子商务并没有“轻量化”，京东的所有扩张都没有朝“更轻”方向发展，反而变得更重，这是追求规模化的必然。同样，当当也不是没有努力，但市场反响微弱，且当当这方面的战略路线完全不明确。这不是技术问题，不是所谓商业发展的初级阶段，这是国情决定的——我们的软性知识产品向来无法获得真正与其价值对应的收益，人们痛恨为此付费；我们的基础设施作为客观环境的存在，也增加了成本降低了效率。

其三、可扩展性尚有显著差距。

　　如果我们要在中国建立一个真正意义上的亚马逊，我们必须高度重视可扩展性。亚马逊的利润增长点已非传统的图书零售，而是在不断高度规模化基础上的可扩展性业务。显然，不遗余力乃至亏本销售Kindle系列产品是一个充满信心的赌博，在为赢得未来五年网络零售的制空权。同样，网店平台服务、物流中心、云计算等一系列投入，都为提升自身的可扩展性而存在，而这些战略性举动的背后我们都能看到极为明显的意图——向消费者提供更轻的未来商品以进一步扩大销售规模降低成本；向商业伙伴提供更具前瞻性和基础性的高质量服务而赢得锁定Business客户的机会并创造更多盈利突破。

　　尽管以零售起家，但零售已经不是亚马逊的生死线，亚马逊在增加自身扩展性的同时，扩展了盈利的可能。

　　反观中国，我们在复制亚马逊？我们复制了亚马逊的零售部分，可能也将复制亚马逊的销售规模，但除此之外，我们和亚马逊的相似之处寥寥，尤其是亚马逊的盈利突破口在中国都很难复制。这是国情的不同——知识产权和第三方服务在这个国家总是在夹缝中存在着，它们从来都很难把腰挺得很直。这意味着，亚马逊在很多年后净利润扭负为正，而我们则并不能按照亚马逊的轨迹预期我们自己。

　　你可以说，尽管与亚马逊颇不神似，但有一点共同之处在于，我至少获得了用户。是的，没错，可惜这些用户并非忠诚的用户，在中国，我们面对的是一群显然更为“势利”的消费者。你也可以说，我们可以挖掘这些用户别的价值！恩，这是有可能的，但现在还看不明朗，而且中国人在这方面似乎没有什么好办法（这与美国的情况截然相反）。

　　从目前的竞争环境看，中国不难出现超大规模的电子商务企业（事实上我们已经有了），但不敢说，我们这里能出现一个如亚马逊般成功的电子商务企业。

规模、盈利和开始蔓延的痛

　　亚马逊的神奇和中国1.4亿购物人群巨大的购买力催生了在中国创造电子商务奇迹的冲动。资本市场按捺不住，各种机构和资金粉墨登场，一时云蒸霞蔚，蔚为壮观。

　　从这时起，我们的电子商务之路开始偏离轨道。规模和盈利成为悖论，规模经济迅速变成“规模不经济”。

　　面对一些急于寻找机会的VC提出的关于电商盈利的问题，我只能笑答，当你知道一家电商的名字，说明它做的不小了，而当它做的不小了，它一定不会盈利了。这就是说，你知道名字的电商肯定都是不盈利的电商。哦，当然，当当除外，当当是非常正面的楷模。

　　面对高于30%的毛利率，还会亏损？电商企业并不见得只有很低的毛利率，但亏损与否，与毛利无关。B2C电子商务的本质是零售商务，理论上他们赚钱的唯一渠道是通过销售定价高于成本价的商品而获得利润。这样看来，卖的越多应该赚的越多，B2C电子商务应该存在规模经济。

　　但我们开始面临完全相反的情况。

　　B2C电子商务与传统的线下零售不同之处实在太多，这里有完全不一样的游戏规则。规模不经济的原因在于三个最大的问题。

问题一：小马拉大车。

　　别看B2C电子商务动不动融资千万美元，在互联网圈子里面让人艳羡，但在传统零售行业，千万美元可真不是什么大钱。电子商务归根结底跟传统零售本质是一样的，是做零售而不是做互联网，因此需要的投入可不是千万美元那么简单。

　　我们来算一笔账，假如有一家500人的电子商务企业，销售中低端的潮流服饰，毛利率30%，客单价200元，流量转化率2%。它融资1000万美元，这1000万美元能管多久？

　　首先，我们假设他们需要购买流量（这是废话，不购买流量电商怎么活，不是各个都像京东当当那么有名），按照0.5元一个真实的UV的价格（这种价格今天很难做到了），一个月假如他们购买200万UV，是100万元的花费。

　　然后，人工成本如何？500人，假设平均每人公司要付出的成本是一个月10000元（公司付出15000，员工拿到手上可能也就6000多），那么一个月的人工成本是500万元。

　　此外，我们认为这家公司运营和物流水平中等，各种费用加在一起（仓储、物流、IT基础设施等），一个月大约200万。

　　这样一个月的成本近800万人民币。请注意，我们没有计算买货需要花费的钱，我们这里甚至假设所有的商品都是代销而不是购销。

　　那么一个月它能赚多少钱呢？如果购买流量是200万，加上自然流量100万，一个月流量是300万，转化率2%，客单价200元，那么一个月销售是1200万，毛利是360万。

　　现在，看起来每个月的亏损将达到440万，1000万美元够他们亏十四五个月。还不错。

　　但既然融资来了，我不能跟以前一样保守，该要扩大规模。一旦扩大规模，情况立即发生变化。

　　通常情况是，这家500人的企业很可能扩张到1000人，品类扩张，毛利率下降到20%，客单价不变。假如转化率还是2%（其实通常流量增加转化率会下降），这1000万美元又能管多久？

　　他们仍然购买流量，但流量翻番，从200万UV买到400万UV，价格还是0.5元。成本200万/月。

　　人工成本现在变成1000万元。

　　人员增加，品类增加，各种管理、运营费用肯定增加，我们假设400万每月。

　　一个月成本近1600万元。

　　看看毛利。流量此时增加到500万，转化率2%，一个月销售10万单，销售额2000万元，毛利为400万元。我们可以看到，尽管人工增加了一倍，毛利并没有增加一倍——这种情况其实常见。人员的增加并不意味着立即能够带来质变，很多时候反而带来负效应，这里按下不表。

　　一个月的亏损变成1100万，六个月融资将耗光。

　　如果这家公司做的不错，毛利率并没有下降，那么亏损则是900万。假如转化率增加到3%，仍将亏损为700万，十个月左右也将耗光融资。

　　六个月或者十个月，都不是太长的时间，若再加上问题二将讨论的惊人的浪费，尽管有融资，电子商务公司仍然行走在悬崖边。

问题二：惊人的浪费。

　　上面的模型是理想化的，因为我们完全不考虑浪费。

　　但电子商务公司总是存在惊人的浪费。冗余人员的浪费只是一方面，因为销售预测或者决策的失误，品类或商品存在的浪费同样可怕。

　　我们都听说了凡客亿计的库存难以消化的传闻。勿论真假，这都并非个案，很多电子商务公司并非是完全代销或是赊销，而一旦购销，就总有消化不掉的库存。淘宝双11成就了不少电商，也让很多销售预测失当的电商压了无数货品在仓库中，这些货品或许要半年甚至一年才能逐步清掉，这意味着利润率的降低，管理成本的提高。此外，物流管理的复杂度也增加了浪费，错误送货，退换货造成的损失，都可能造成每月百万级的损失。

　　由于专业性的不足，电子商务公司在成本管理上与传统的零售企业有太大的差异，浪费是诸多管理不到位的体现。

　　对了，还有一点，规模越大，浪费越大。浪费的损失，可能高达毛利的50%甚至更高。可怕。

问题三：为规模而牺牲利润。

　　我们在上面看到了规模不经济，但电子商务仍然在追逐规模。

　　我们无法不追逐规模。如果没有规模，无法拿到融资，而拿到融资的那些，会用更低的价格和更凛冽的市场操作将我们赶出这场不快速奔跑就被无情抛弃的竞争。

　　但若我们追逐规模，我们又会开始走向一条不归路。规模增加，亏损迅速放大，于是不得不寻找更多的资金，而一旦资金不到位，会在快速奔跑中迅速裂解。

　　这是一个似乎完全无法获取胜利的棋局，我必须变大，但变大的同时不得不流更多的血。我要在鲜血流干之前获得输血，或者一劳永逸的，我能达到血站（上市）。这真的是场流血战争，一方面我们在互相拼斗浑身是伤，一方面我们自己也在汩汩流血。足够惨烈。

　　所以，唯品会流血上市到达彼岸的血站，几乎到了不成功便成仁的关头，我们完全能够理解。否则很可能缺血而亡。

　　但我很担心，对于生意，理性的说，上市只意味着一个新的开始，它完全不是结束。在上市之后，我们将面临更大的问题，我们将怎么获利？如果不能获利，我们将如何继续维持股价，说服二级市场买单？不过，也许变现机会本身已经足够，但这是创业的初衷？如果你的事业纯粹只是为了财务自由，你往往无法达到目的。财务自由或者是事业成功的副产物，但不该是事业目的的本身。

　　不过，仅就上市而言，对目前的诸多玩家已是可望而难企及的梦想。投资机构无法将不能变现的盘子永远托下去。一旦越来越多的人发现游戏偏离基本面并且无法被拽回正常的轨道，某种庞氏骗局被揭开的类似的效应就会显现。人们开始看衰，开始恐慌，某些过去华丽的外表就将迅速瓦解，而暴露出伤口之下的残酷现实。

　　疼痛开始蔓延。

电商非寒冬，但变局必发生

　　我看到有电商评论专家说，中国的电商根本就没有迎来寒冬，因为我们的网购购买力增长仍然突飞猛进，我们的电商仍然机会大于挑战。

　　我不能同意更多，电商仍然只是起步阶段，这个行业的机会远大于挑战。

　　但没有盈利且找不到盈利突破口却是不正常的。

　　时间是最好的试金石，当潮退了，才知道谁在裸泳。可惜电子商务此次潮退之时，我们忽然发现几乎没人穿着像样的衣服。

　　穷则变，变则通，通则久。毫无疑问，2012年的中国电子商务步入“穷年”，必向“变年”迈进。首当其冲的，是中国的电子商务将回归生意的基本面——创造盈利或至少证明未来明确时点的盈利可能。

　　我们再看看我们学习的对象，美国，他们的电子商务格局与中国显著不同。由于亚马逊的一家独大，其他电商想要完全依赖规模跑马圈地证明自己非常困难，并且美国零售市场本身的成熟，可预测性高，因此想象空间反而不大。所以美国的电商，我所接触的这些，诸如AAP、Bodybuilding.com、Lightinthebox（请允许我把它作为美国电商）、ebags、1-800-flowers等等等等，他们完全都以盈利为直接目标。整个美国互联网的浮躁气息十分低微。美国上市的电商很多，但没有几家市值超过20亿美元之巨的。

　　互联网营销分析业务在美国的特点侧面说明了这个现象。在美国，电子商务企业愿意为网站分析与优化买单，我曾经说过，转化率排名前十的电子商务企业家家都使用了高端的网站分析或优化工具。美国电商对于转化率的重视远远超过中国同行。我们在美国的电商网站或导购网站中能够很容易的看到大量正在进行的AB测试的痕迹，而在中国，我从来都没有发现过。

　　因为美国佬太需要赚钱养活自己，而不是圈钱自肥。

　　所以，你很少看到美国的电商死拼价格战，即使是Black Friday和Cyber Monday这些全民狂购的节日，全站折扣的使用也相当谨慎，更多的是依靠单品Deals的促销来吸引消费者。

　　反观中国，我们的电商若非投机取巧令人诟病，就是壮士断腕让人扼腕，却缺乏实实在在做实业的沉着，踏踏实实自力更生的勇气。

　　是的，在那样的风口浪尖上，我们无法自力更生，我们更需要借助外力高歌猛击，但现在一切将会完全不同。

谁更有机会？

　　生意的目标是赚钱，不赚钱的生意很难长久维系。过去，人们开玩笑说，中国的电子商务公司不是电子商务，而是股票公司。我那时还难以意会。今天，这样的公司面临的头等大事必然是如何盈利，股票公司的愿景则随着唯品会上市的投石问路变的扑朔迷离。

　　在不确定性的恐惧充盈业界的时候，谁更有机会熬过并胜出？我相信三种从业者将胜出并重组中国电商格局。

　　第一、快速转变战略思路，从跑马圈地更快转向精耕细作的；

　　第二、传统品牌商（制造商或零售商）成功电子商务化的；

　　第三、创造新的盈利模式的。

　　最后一种，我无法评论，对于B2C电子商务，创造新的盈利模式相当困难。电子商务是“实经济”而非“虚经济”，因此美丽说蘑菇街能够技惊四座源自于他们的“虚”，但京东或者当当则是一砖一瓦垒起来的高度，源自于他们的“实”。但也许我们国家会诞生一个B2C的乔布斯，谁又能说没有这种可能呢？只是这种可能性太小罢了。

　　对于第二种，传统品牌商相对于目前这波从互联网起家的电商而言，具有太多优势。电子商务的本质是商务而非电子，对于商务这个基本面的各个方面，传统业者的品牌本身的知名度和可信度相当程度降低了市场和营销成本；供货本身具有更大优势；供应链的其他领域也可能存在优势；并且线下商业积累的管理经验与年轻浮躁的互联网电商相比绝不可同日而语。很显然，美国已经为我们做出了表率，看看下表中销售最猛烈的电商中有多少家是传统线下的品牌（数据源自2010年的统计）。

　　换句话说，电子商务是互联网和零售的结合。一种方式是互联网从业者向零售业的渗透，另外一种则是零售业向互联网的扩张。谁的资源更多，成功机会更大，天平会朝谁倾斜不言自明。

　　这样看来，摆在目前电商从业者面前的，唯有第一种机会了。

　　其实对于第一种，我们面前有太多鲜活的例子，不说远了，其实亚马逊就是精耕细作扭亏为盈的教科书似的案例。

　　亚马逊所做的，没有太多秘密可言——通过数字化重构供应链，使其更精细更具效率；无限增进对顾客的关爱——基于精耕细作的客户关系管理；踏实而稳健的品类及业务扩张（以共享成本中心为主要领域，包括S3和EC2等）。总之，亚马逊像是一片片长着不同作物的田地，上面开满奇花异芭却井井有条，联系各个田地的不是水流，而是数字，这世界上没有比亚马逊这种生意更需要精细的公司，精细是这家公司不可变异的基因和生死存亡的基线，一如创新的基因决定苹果的生死存亡。

　　我们很难想象亚马逊能创立什么新奇的生意模式然后突然赚到盆满钵溢，亚马逊所有的赚钱都只是经典微观经济学的写照——更多的销售以及更低的成本，迅速找到帕累托最优点，然后不断复制它。这是如同陀飞轮般精确的运转，若非如此，利润就如同沙漠中的水滴，你将眼睁睁地看着它们消散殆尽。

　　中国的电子商务公司，此时此刻，该是从粗放走向精细的时候了。不过，好消息是，当潮水退去，大家忙着找回衣衫的时候，游戏规则忽然改变，所有的泳者都很难再有精力去圈取更大的势力范围，你难以看到更多呼啸超车甚至突然碾你而过的竞争对手，你也更有时间和精力去重整河山，开始更加细致入微的旅程。你应该这么做。

快乐的副作用

　　如果真如我所愿，当中国的电商开始精耕细作的从指缝中找金子的时候，所有的数据分析从业者恐怕将迎来真正的机会。这或是我们能看到的最好的副作用。

　　在艾瑞年会上，刘爽的发言令我印象深刻，他认为，有三个原因造成目前的电子商务其实不那么重视数据，数据也未必能发挥真正的价值。

　　其一，中国电商发展的阶段性问题。目前的电商跑马圈地，粗放经营，而无精耕细作的电商，很难对数据有更高的追求和要求。

　　其二，角色问题。CEO或者COO，只关注大数；而运营部门本该更关注数据，但他们却缺乏数据意识和需求。

　　其三，能力问题。即使对数据有追求，也未必有能力实现。粗放经营的电商，完全没有建立起一套适应数据化生存的基础设施，也无人力可用。更可怕的是，由于专业性缺乏，尽管知道自己需要数据，却不知道自己需要什么数据，缺乏提出正确问题的能力。

　　这与我的文章数据驱动的电子商务组织架构的迷局和反思，有非常多的共识。

　　所以，在粗放的圈地过程中，很多问题的发生需要人的执行力去解决，还上升不到需要数据去分析的层面。例如，由于品类的扩张，一个月之内新增了1000个SKU，这些SKU需要至少完整的产品详情页展现，但因为执行力不到位，这些页面只有一个图片介绍，连商品的说明文字都极为匮乏，这不是数据能够解决的，这个时候只有四个字解决问题——赶紧去做。

　　要么缺乏零售业的基因，要么缺乏互联网的基因，现在的中国电子商务都还是在“瘸腿赛跑”的阶段，大家忙于弥补自己不足的，更强大的执行力比什么都重要。

　　直到有一天，当粗放的扩张的张力减弱，泡沫内部需要更强有力支撑以保证泡沫不破裂的时候，数据才会成为一种强力的粘合剂让泡沫变得更有韧性，乃至让这些泡沫发生质变，变成更坚实的塑料甚或砖墙。

　　这其实是亚马逊曾经走过的历程。但现在这个历程，中国的电子商务将必须开始走过，且不得不开始走过了。

　　对于数据从业者而言，这是一个多么快乐的副作用，但多少，也有些悲凉。曾几何时，我们认为“优化”二字风光无限，到今天才明白，原来我们要先待残缺的部分被弥补之后，才可能优化身体的机能。这弥补残缺肌体的过程，原本第一天就该开始，却直到退潮之日才姗姗来迟。各种无可奈何花落去，似曾相识燕归来……

结语

　　中国的电子商务路，本不是一帆风顺的平坦。大起大落的喧嚣原本也是商业回归经济基本规律的正常。但数十年来，这样的喧嚣却此起彼落，却从未真正停歇。

　　若问未来的中国电子商务路在何方？我才真正明白了“路在脚下”的含义。一潮又一潮，退去的此潮正酝酿着更为宏大的彼潮，轰隆的声音尚未入耳，但推起的清风却已撩起人们的衣袖。那一潮就要来了，伴随着更伟大的力量，重整河山的决心和无比坚定朝前的方向……

　　感谢所有帮助和支持我的朋友，感谢所有耐心等待我的朋友，感谢所有和我一样拼搏过的和正在拼搏的同行，含泪致敬！

　　另，文章偏激或认识不周，请各位朋友指正。

【每期一句】德不孤，必有邻。夬卦。

【前言】最近有不少新的想法，写作欲也很旺盛。刚好读到好朋友Michael Lee的一篇文章，关于WAA的认证模拟题，不仅仅有英文，还翻译成了中文，让我大呼过瘾。所以，先放放其他的课题，把这个题目先做了与朋友们分享。

【正文】

　　WAA的这个模拟题有两部分。第一部分是基础题目，涉及一些网站分析的基本思想。第二部分则是一个案例。题目的核心不在于工具的应用或网站分析的技巧，而在于考察从业者将网站分析应用于商业逻辑的能力。所以是非常实战化的题目。这一篇文章讨论第一部分，让我们来看看每道题。特别鸣谢Michael的翻译。

-题目1-

1. 以下哪种B2C电子商务网站报告可在访问者进入网站时最准确的识别其访问意图？
a) 热门登陆页
b) 热门反向链接域名
c) 热门搜索引擎
d) 热门搜索短语

1. Which of the following reports for a B2C e-commerce site would most precisely identify visitor intent when entering the web site?
a) Top Entry Pages
b) Top Referring Domains
c) Top Search Engines
d) Top Search Phrases

-解析-

　　辨识用户的意图有很多种方法。但对于网站分析（WA）而言，大多数的方法都是非常间接的。例如，我们可以通过访问者访问网站的主要的页面路径来辨识，但那些意图不明显的访问者的“东游西逛”会对这部分数据带来噪音（noise）。直接窥视用户意图的方法就是让用户主动“告诉你”，因此站内搜索是最直接体现用户意图的功能设置，网站分析对于站内搜索的分析也是WA最重要的研究部分之一。

　　近期将抽时间做一个文章，专门讨论站内搜索的问题。

-题目2-

2. 通过对网站爬虫活动的分析可获得何种信息？
a) 网站在搜索引擎上的排名
b) 通过搜索引擎浏览网站的访问者的数量
c) 搜索引擎抓取网站数据的频率
d) 付费链接通过搜索引擎被点击的次数

2. What insight can you expect to gain from the analysis of spider activity on your web site?
a) How well your site ranks in search engines
b) How many visitors visit your site from search engines
c) How often search engines crawl your website
d) How many times your paid links are clicked on in search engines

-解析-

　　这个题目不用多想。搜索引擎的爬虫不是真实的访问者，它们通常不能激活Javascript代码，所以跟你网站访问者的行为相关的信息，跟搜索引擎爬虫是没有什么关系的。答案只能是C。

　　多说一句，Google Analytics、Adobe SiteCatalyst等工具，不捕捉搜索引擎爬虫的行为，不提供相关数据。

-题目3-

3. 评估在线营销活动的有效性时，应先进行以下哪一步？
a) 收集数据并分析
b) 从利益相关者处获知营销活动的目的
b) 厘清转化事件
c) 定好KPI

3. Which of the following steps should come first when assessing online marketing campaigns for effectiveness?
a) Collect data for analysis
b) Get objective of campaign from stakeholders
c) Specify conversion event
d) Define key performance indicators

-解析-

　　答案是b。如果读过我之前的一些文章（例如网站分析及优化：没有目标就甭想实现！ 电子商务关键数字优化（线上部分，上）），大家就知道，网站分析或者所有的分析是从目标（objective）开始的。虽然有时候目标可能被演绎成不同的说法，例如KBR（Key Business Requirement），或是汉语的“营销目的”、“商业目的”等等，但意思是一样的。从分析的逻辑而言，分析的目标永远是第一位。人们不是为了分析而分析，不是为了KPI而KPI，不是为了定义某个milestone而定义某个milestone，人们做这些的目的，是为了实现某个目标。所以，认清这个目标非常重要。

　　一旦我们明确了目标，例如这个目标是增加网站的访问流量，那么制定KPI就很容易，收集数据并做分析也顺理成章。但反过来，经常我也碰到这样的情况：我们有一大堆数据，然后有人问，我能从中分析出什么？这种问题貌似极为考验分析师，但本身确实毫不合情合理的。没有需求边界的一堆数据，可以分析出很多，也可能什么都分析不出。但关键是，如果这些数据背后的商业逻辑都不告知，那么干秃秃的分析这些数据又有什么意义呢？

　　这也是为什么，分析这个事情本身，机器是干不了的——商业目的多种多样，无法遍历枚举，机器只能按照有限的目的去做自动化的处理，哪怕它们肚子里面的规则是无穷的。

-题目4-

4. 网站要按流览者角色去优化，决定角色的优先次序的最好方式是识别：
a) 最大的商业机会的角色
b) 生成最高的流量的角色
c) 客户需要最不能得到满足的角色
d) 距“普通”客户最近的最近的角色

4. The best way to prioritize personas is to identify which of them:
a) Represents the largest business opportunity
b) Generates the highest volume of traffic to your site
c) Has the most under-served set of customer needs
d) Is closest to the “average” customer

-解析-

　　这个题目比前面的都难。它的考点在于，当你优化网站的时候，你首先优化什么。是首先确保把握最大的商业机会，还是确保流量，或是确保最不满意的用户群体能够回心转意，还是保证那些最普遍的主流客户能够获得照顾。

　　标准答案是a。首先，我们看b——确保最大流量的用户群体体验得到优化。从我的经验看，对于目前国内的电子商务网站而言，做到这一条非常难，而且也未必有意义。

　　电子商务网站，以及那些需要大量购买流量以维持网站访问量的网站，他们并不能确保最大流量来源的用户得到最针对性的网站内容或服务。流量的数量一定和流量的质量成反比——众口难调，随着流量数量的扩大，流量中所包含的人群将不断分裂，对你的网站感兴趣的人群相对比例不断缩小。此外，在这些流量中，人群最主流的群体，很可能根本不是你的目标群体。

　　想一想，假如走秀网在新浪上放置了广告，流量可能并不小，但流量的相当部分都bounce掉了，bounce掉的这部分，想要把他们拽回来，非常困难。我们甚至很难知道他们是谁，为什么他们看了一眼我们的网站就离开。

　　c的情况和b类似，最不能得到满足的客户，未必真正是你最需要关注的客户。你的注意力应该在你的目标客户中最能够为你带来收益的那一群中。同样，d中，最普通的客户并不一定是你最重要的客户。我们的关注点永远应该在那一群给我们带来最大收益的人群上。

-题目5-

5. 当网站分析引入公司以后，前所没有的数据可能引起人们对失败的担忧及对风险的规避，从而不乐意做出任何改变。在以下选项中，最好的应对方式是解释：
a) 把责认指向IT部门，其他部门无需担心
b) 短期内可通过操纵数据隐藏错误
c) 鼓励失败；失败是成功之母，是在不断进取的文化中学习的方式
d) 高举成功的例子

5. The organizational accountability created by web analytics can introduce a fear of
failure, making people risk averse and less willing to change. Of the choices below,
the best way to deal with this fear of failure is to explain that:
a) Accountability will fall on IT so other units have nothing to be concerned about
b) Mistakes will be hidden in the short term by manipulating the data
c) Failure is expected; failure is how people learn in a continuous improvement culture
d) Success will be rewarded through a “Wall of Fame” showing change in KPI’s

-解析-

　　a和b当然不是答案。d，高举成功的例子，这个基本上很难。刚刚让网站分析引入公司，就能立竿见影见到成功，可能性小。网站分析只是分析，最后落地需要多个部门的联合协作，你本身就要说服他们，才能获得成功，怎么可能在一开始就高举成功的例子呢？

　　c，可能是可取的方法了，但需要强有力的领导的支持，难度仍然可想而知。这一条，也是说来容易做来难。网站分析和数据驱动不是自然实现的，不是某一个数据专家来了就能带给组织变革。组织的惯性和惰性，以及组织既有经验的固化，都可能成为网站分析和数据驱动实现的巨大阻力。如果这样的阻力足够大，那么在这个组织中，网站分析和数据驱动将不可能实现。在这篇文章中，我表达了类似的想法：数据驱动的电子商务组织架构的迷局和反思。

　　所以这个题目只能针对不同情况不同方法，c是这个题目中最好的回答，但并非是现实中最好的回答。

【每期一句】It’s a beautiful day, and I can’t see it.

【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！

【每期一句】

　　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！

【每期一句】

　　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！

　　是的，你没有看错，我们这个周末有两场活动。所以，如果错过了8月6日的那场，你还有机会再来！

• 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！

　　很多朋友在询问7月份的北京线下活动为什么没有办。抱歉我7月份出了一趟国，回来已经7月下旬了。所以7月份没有时间来得及筹办。但是8月初将为大家带来一次线下活动，而且是与2011 Solomon Club一起合办的，所以非常激动。

　　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。

【每期一句】：做加法不难，做减法难。摄影如此，分析亦如此。

【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！