2012年3月由四川省青少年研究会、高效传媒共同发起，对全省开展2012年度青年学生通讯消费调查.本次调查严格按照抽样调查方式，充分考虑性别比例、年级比例、重点院校与普通院校比例。最终获得有效问卷3219份，误差在±2%范围内

我是一个学文科出身的程序员，不太会起比较有技术含量的文章名，写文章爱胡扯，思路比较跳跃……

这次同样不知道起什么名字，于是选了一个很喜欢的歌的名字，我在路上的一天  一天  又一天

—————————————————我是一条将话题拉回正轨的分割线——————————————————————

最近花了很多的精力在优化广告系统上，先前就一直在打算着优化一些地方，但是因为没有想到合适的方式，所以一直搁着，直到前段时间无意间发现了一个名叫artDialog的对话框组件（非常乐意的附上作者的博客链接http://www.planeart.cn/）。在一个小项目上使用它之后坚定了我用它优化广告系统的想法。

这次的优化初期主要针对的是alert、confirm以及一些责任重大的弹出层。

最先被拿来开刀的是弹出层。之前的弹出层都是在页面加载时就生成了的，只不过它们“潜伏”着，在需要时再现身。这种做法很不健康，浪费代码、不利于维护、浪费资源等等等等。这些弹出层主要担负的责任是一些新增与修改的功能，涉及了很多页面，但是它们的套路都差不多，于是辣手剥夺了它们“潜伏”的身份，统一改为在需要用到时再由js生成，这样一来页面上的大量“潜伏”代码都被清洗掉了。而在js中根据传入的参数来生成相应的代码，使弹出层与页面的关系从一对一转变为了一对多，维护时不用再“挨家挨户”了。由于一些涉及到修改功能的弹出层中承载了很多从数据库查询出的信息，不可能通过参数传递，所以还用到了ajax这个利器，它很出色的解决了这个问题。

在优化alert与confirm时，artDialog的灵活与良好的浏览器兼容性帮了很大的忙，几乎没有花太多的精力就搞定了。

在这些优化接近尾声的时候，决定再将其它一些地方也一并优化了。因为在前面的修改中经历了大量、反复的测试，发现了很多地方存在的不足。比如一些表单的摆放位置、标签文字、表单提交时与提交后的反馈，有些问题虽然很小，但是确实影响了操作的流畅性，有些地方甚至会间接的导致用户误操作。对这些地方做了相应调整后请同事进行了测试（残酷的测试啊，总是让人手心冒汗……），测试后没有什么大问题，更新上线~但是感觉有些地方还需要进一步完善，优化还未结束，它会持续下去。

我觉得对产品的不断优化是对自身的一种挑战，不断前行，不断回头审视自己。发现以前的不足也正意味着现在有所长进，这是一个有趣的过程。

与一位久不见的哥们聊产品设计、定位以及他们（很愿意给他们做个AD：彩程设计）所做的产品，深切的感觉到他们在产品上的设计，技术开发以及定位都非常的用心，感觉很到位。反思我们的团队目前虽然具有了一个明确产品，但在实现中细节控制缺乏Feel，产品的急速响应，所以导致整个产品不够性感，在用户体验至上的产品时代我们愿意努力的去追赶这班车，我们愿意把心挖出来交给持续的学习与改进，团队的兄弟一起CRAZY拒绝平庸吧，我们一定可以因为你们的存在。

Now！我们在路上。。。。

在UCD/UED风靡的年代，理解和尊重用户的意识已经成为产品经理的一项职业衡量标准；很多公司的流程也逐渐从原来的以技术为中心或以业务为中心转变为现在的以用户为中。

本篇，以自己几年来的实际经验为基础，谈一下一些用户调研方法。

1) 首先，什么是以用户为中心的设计（UCD）

• UCD是一种创建吸引人的，高效的用户体验的方法
• 以用户为中心的设计思想：在开发产品的每一个步骤中，都要把产品列入考虑范围。
  

2) 常见的一些用户调研方法

从目标、行为模式：

以时间维度：

3) 用户访谈

• 适合阶段: 任务分析，后续研究
• 需要人数：5人或以上
• 准备工作：按照设定的角色、目标人群去招募用户，约定时间，准备场地和环境。
• 目的：目标用户定义；用户特征及设计客体特征的背景知识积累。
• 方法：访谈法（专家访谈、深度访谈）；背景资料问卷。
• 访谈记录应当包括以下部分：
  • 访谈对象的角色
  • 他/她的使用情景和建议（用他/她的原话）
  • 他/她为什么会这么做和这么建议（这不一定是问出来的，而且大部分情况下最好不要问）
  • 访谈过程中的一些想法和总结

用户访谈文档： 《被访用户筛选表》 《访谈脚本》 《被访用户确认联系列表》 《访谈记录表》

4) 问卷调查

• 适合阶段: 任务分析，后续研究
• 需要人数：至少30人
• 准备工作：预先设计好调查方向和调查问卷内容，选择方式，网站表单提交或者找用户填写
• 调查目的：获得量化数据，支持定性和定量数据分析。
• 调查方法：单层问卷 / 多层问卷；纸质问卷 / 网页问卷；验前问卷 / 验后问卷；开放型 / 封闭型问卷；

问卷调查文档：《问卷设计报告》《问卷调查表》《问卷调查结果分析报告》

5) 焦点小组

• 适合阶段：任务分析，用户参与
• 需要人数：2组，一组8人
• 准备工作：主题方向和预约用户，准备产地和人员安排
• 调查目的：发散思维，获取潜在需求
• 调查方法：头脑风暴，小组互动

焦点小组文档：《焦点小组用户筛选表》《焦点小组执行脚本》《焦点小组参与用户确认联系列表》《焦点小组影音资料》；

6) 现场观察

• 适合阶段：最终测试，后续调研
• 需要人数：20人
• 准备工作：预约用户，实验设备
• 调查目的：用户细分；用户特征描述；定性研究；问卷设计基础。
• 调查方法：验前问卷 / 访谈、观察法（典型任务操作）、有声思维、现场研究、验后回顾。

现场调研文档：《调查报告》

7) 可用性测试

• 适合阶段：最终测试，后续调研
• 需要人数：5人
• 准备工作：根据定义好的用户类型预约用户，定义相关的任务点让用户测试
• 调查目的：产品可用性，用户操作习惯，验证功能合理性
• 调查方法：记录用户操作、测试后访谈、用户填写满意度调查表。

可用性测试文档：《可用性测试访谈脚本》《可用性测试协议》《测试任务点》《测试记录表《任务评估表》《可用性测试报告》

数据分析

• 适合阶段：后续调研
• 调查目的：用户模型建立依据；提出设计简易和解决方法的依据。
• 调查方法：网站流量统计，日志分析，眼动实验
• 相关指标：访客忠诚度，跳出率，回头率，站点停留时间，访客位置，访客搜索片段及关键词，流量来源

综合新华社消息，最新发布的“2010中国未成年人互联网及手机运用状况调查报告”显示，近半数未成年人认为互联网是放松娱乐工具，娱乐休闲是未成年人上网的主要目的。 此次调查是“中国未成年人网脉工程”的重要内容，由中国少先队事业发展中心、中国社科院青年研究中心、中国社科院新闻与传播研究所和中国青年政治学院共同实施完成，是网脉工程自2006年启动以来针对未成年人互联网运用状况开展的第四次专项调查。调查历时半年多，以全国10岁至18岁的在校学生为主，同时兼顾家长和老师，在北京、浙江、甘肃、天津等10个省市的106所中小学校开展。 这份调查报告指出，近半数被调查未成年人认为互联网是一种放松娱乐的工具，比例达49%；25.1%的人认为是学习的好帮手；13.4%的人认为是生活的一部分。对于“上网最主要的目的”一题，有30.7%的未成年人选择了“娱乐”，有29.7%的未成年人选择“放松休息”，有13.9%的未成年人选择了“扩大知识量”。

定义：

网络广告顾名思义相信大家都很熟悉了不用解释。

一个网站不能叫广告网络，一群网站聚在一起也不能叫广告网络，那什么叫广告网络呢？

一些具有共同用户特征的网站，通过技术手段使其聚合成可控的网络称为广告网络—锦途网络

理解：

广告网络是网络广告的载体而网络广告是直接面对消费者的表现形式，他们之间有什么微妙的关系呢请看下图

就如蜘蛛与蛛网的相辅相成互相离不开，只有蜘蛛不断的工作网才能越来越强大，在网强大的过程蜘蛛也慢慢成长。广告网络与网络广告亦如此！！

写了这么久，发现包括的内容越来越广了，下次修改的时候打算把题目改成“数据驱动的电子商务运营和网络营销”：）

建议先阅读本系列其他文章：

• 网络营销数据解读（一）——事情不是你看到的那样
• 网络营销数据解读（二）——事情不是你看到的那样
• 网络营销数据解读（三）——那又怎么样呢？
• 网络营销数据解读（四）——目标和指标
• 网络营销数据解读（五）——完善指标
• 网络营销数据解读（六）——自顶向下，逐步求精
• 网络营销数据解读（七）——客户族群细分（Segmentation）1
• 网络营销数据解读（八）——客户族群细分（Segmentation）2-1

上次列了一些案例给大家讨论，这次来公布答案——答案的意思并不是说“这些案例就是一定得用这些方法来解决”，而是用案例来说明这些概念和方法可能可以用在什么方面：）。大家不用拘泥于这些案例的细节，呵呵，反正都是我瞎编的。

没有仔细去研究理论，完全从实践出发的话，我所用过的客户族群细分的方法主要有三种：

• 按照客户属性细分：根据客户”是谁“来划分族群，例如把客户分成”男客户“、”女客户“
• 按照客户行为来细分：根据客户上网行为来细分，例如把客户分成”浏览服装专区的客户“和”浏览数码专区的客户“。很多时候”根据客户行为“和”根据客户属性“这两者会混在一起，比如一个客户的行为是”每个月都来买一次东西而且只买最贵的“，可能我们就会在数据库里给他标记上”有钱人”，之后“有钱人”就成了这个客户的属性之一。
• 按照最终结果来细分：其实是“按照客户行为来细分”的一种，但是它适用性非常广，而且用起来非常方便，所以单独拿出来讲一下。

再次建议先看一下网络营销数据解读（八）——客户族群细分（Segmentation）2-1，自己思考一下那些例子再看这篇文章，因为：

• 只有自己思考过才能记得住，光是看看很容易产生“显然是这样啊，太弱智了“的感想，然后看完就忘了。
• 数据驱动的电子商务和网络营销是非常年轻的概念，没有谁是所谓专家（我也在不断学习），我说的东西也只是一家之言，我相信这里的读者里有很多都有非常深厚的经验，如果能够从自己经验出发思考一下那些例子，分享一下自己的想法的话，对我和对其他读者都是很好的学习资源：）

回到那些例子，我们一个个来聊。

案例一

网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食……），用户平均访问周期是一周一次，停留时间为5分钟，转化率0.8%，平均订单金额340元。

之前已经说过不能光看“平均数”，这里不再细说了。

从Segment角度来说，我们可以把用户按照浏览行为来细分为“家电组”、“笔记本组”、“女装组”和“百货组”（相互重合，没有关系），然后再去看每个组的访问周期、停留时间、转化率、订单金额。可能会发现“笔记本组”的访问周期是每天一次（但是只维持一个月）、每次平均停留3分钟（可能只是查一下价格），转化率0.05%，平均订单金额5000；而“日用百货组”的访问周期是每两周一次，平均每次停留半小时，转化率4%，平均订单金额120。

除了可以用”浏览“行为（这个可以用GA的Advanced Segmentation实现，其他高级工具例如Omniture, Coremetirs或者WebTrends也都有很简单的工具可以帮你做这样的细分；刚看了传漾（Disclosure: 和作者有合作关系）新系统的Demo，他们也提供自定义的Segment功能）来做细分之外，我们也可以用“购买品类”来细分，例如分成“家电采购者”、“笔记本采购者”……这里面不变的一点是“根据用户活动所在产品品类来细分”，因为每个品类都有自己的特点，逛或者买某个品类产品的用户也有自己的特点，这些特点只有按照品类把客户区隔开之后才能看清楚，而只有看清楚之后我们才能开始考虑说有没有可能用这些数据来做进一步的优化。

案例二

网站销售笔记本，SONY笔记本最近越卖越好，上个月卖了700万销售额，比上个月猛增20%，而Lenovo只卖了400万，比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金，顺便把心里面把管Lenovo那条线的那个家伙画个叉，以后有机会就干掉他。

首先可以考虑的是把“付费流量”和“免费流量”分开来看，付费流量就是我们需要花钱的流量，包括硬广告、搜索引擎关键词、网站联盟广告等等，而免费流量则包括直接输入网址访问、自然搜索流量和免费的交换链接流量等等。这个例子里面，可能我们看到SONY笔记本产品访问流量有一半是付费的，而Lenovo只有10%是付费的，而最终的转化里SONY有60%是付费流量产生的，而Lenovo只有8%，这时我们要考虑的就是：为了创造这些流量和转化，我们分别花了多少钱，赚了多少（钱和用户），然后再比较。如果SONY700万销售额只有30万毛利，但是花掉了25万市场经费，而Lenovo产生了30万毛利，只花掉5万市场经费，或许我们的结论会有不同。哪怕外部的投放差不多，内部的资源（例如首页Banner、主推活动里的Featured Iteam位置……）分配不均也可能是销售不平衡的原因，如果不细分看的话可能会得出不够成熟的结论。

这其实是个很常见的现象：我们在考评绩效的时候，常常没有能够将其他支持部门对相应绩效的支持成本合理的算进来。比如说我们考评产品经理绩效，可能就没有把他们每个人所消耗的营销资源算上，也可能没有把相应的仓储成本算上（有些货很容易签收和发货，有些很麻烦——例如要记录每个盒子SN号或者需要特别储存环境），还可能没有把对应的RMA费用算上（比如一个产品卖很好，但是卖100个有20个坏掉，18个用户退换货），以后有机会写数据驱动的电子商务运营的时候再详细说。

另外可以考虑的是竞争情报，我们在运营电子商务的时候，眼睛不能光盯着自己的一亩三分地光看每天卖了多少东西，还得看看周遭的局势。具体的做法如果有机会在这个系列的后面几篇再说，大家可以点击这里订阅www.MarsOpinion.com，这样就不用总来看有没有更新。在我长时间不更新又看到流量上涨的时候总是觉得很愧疚，呵呵。言归正传，这里我们先不说外部的信息采集，光从内部数据出发，我们怎么能够知道市场的波动呢？正如读者所说，可能是因为SONY推出了新款，所以大家关注SONY，所以它才卖得好，跟产品经理没什么关系。比较粗略的，我们可以根据浏览行为来细分，看这个月浏览两个品类的消费者数量有没有重大变化，例如如果SONY产品线浏览量翻了一番，Lenovo没变，我们可以合理猜测说可能有些大的市场波动影响了最终的销量。更精准一些。更进一步，如果我们发现说”SONY浏览组“的转化率比”Lenovo浏览组“的转化率还低的话，甚至可以怀疑说是不是SONY的产品经理没做好，没能把天上掉下来的流量转化成订单。这个做法的优点是简单易行，缺点是很粗略（SONY产品经理可以说正是因为他辛勤工作，才让大家愿意浏览他的产品）。复杂一点，我们可以根据站内搜索的关键词来分组，有条件的就做语义分析细分，没有条件的就简单的把品牌关键词和最热门的3款产品关键词拼到一起做一个组，然后从中看用户对于不同产品线的兴趣是不是有了重大变化。更复杂更合理的，当时是根据站外关键词来做同样的事情。

案例三

网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食……），我们做了一个详细分析，发现我们60%的订单是15%的顾客产生的，我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值（过去一年购物金额）把客户按分成了5组：VIP顾客，高价值顾客，平均顾客，待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上，客服接到他们电话也要提供更周到的服务。

在做CRM的时候，一定不要吃大锅饭把整个网站所有用户往里丢。不同产品类别的消费者行为特征完全不同，放一起分析往往会得到扭曲的结论。这个例子里，那所谓15%的高价值用户很可能就是买家电和笔记本的用户，最终的关系维护里可能会把买女装的用户完全忽略掉——虽然她们可能是更有价值的用户。根据购物品类来细分一下流量对于分析很有帮助。

案例四

新设计了一整套网站页面和购物流程，搞了个比较贵的付费工具来随机挑选顾客展示给他看不同版本的页面，10%看新版，90%看旧版，结果发现新版的转化率比旧版高0.04%，鉴于消费者对新版还不熟悉，我们认为消费者熟悉之后新版数据会更好——也就是说新版应该完胜旧版，我们应该马上把旧版替换掉。

 

对于网站设计和Landing Page设计来说，最常用的还是按照新老客户分组看效果，看老用户使用是不是顺畅、转化率是否下降厉害（就算是，我们可能心里面也会有一丝期待说这个只是暂时的，等他们习惯就好了），看新用户使用起来是否比之前的新用户要顺利，转化率是否改变（如果一段时间后新版转化还是低，我们就很难找到理由说情况会变好）。

做到更细呢？还可以根据用户对网站的使用习惯来分组，例如将用户分成“搜索组”（来网站总是用站内搜索找东西），“导航组”（总是用目录导航），“闲逛组”（总是点击首页产品），“促销组”（总是点击广告），然后分开看每个组在新旧版下的表现，这样细分之后可能会发现说”新版整体超过旧版，但是因为搜索框不够明显，对于搜索组的同学们来说转化率反倒下降了“，于是我们可以不仅仅得出结论说”新版更好“，而且能够找到进一步改进的方向——”试试看放大了搜索框的新版是不是更好“。更好的是，这样子往往可以为公司（和实际执行的员工）积累下更多的知识财富，我们不仅仅知道了这次应该用什么版式，而且可以记录下来说”XXX样式的搜索框会对搜索组用户产生XXX的影响”、“XXX的目录可以对导航组的用户产生XXX的影响”……以后再做的时候就能有一个更好的基础。

案例五

分析数据时发现我们有四种很典型的访客行为，一种会浏览14个产品页面，然后什么也不买另一种则直接搜索产品名称，然后马上购物；第三种会随机看5-15个页面，其中多个页面被反复访问，然后购物；最后一种是浏览5-15个页面，然后什么也不买。为什么会这样呢？

这个例子还真是纯粹瞎编出来演示理论的，呵呵。

还有一种分割用户的方法就是按照访问时间来分组，比如我觉得我的网站用户都是白领，我觉得她们的网上行为模式可能和她们的上班模式有关，所以我把用户分成“工作日访问者“和”周末访问者“去仔细看数据，发现果然有不同，周末访问者大多会随机看5-15个页面，然后有1%左右买东西，而工作日访问者的行为模式则更为复杂。我们可以再把他们细分成”9:00 – 18:00访问者“（如果还要细分，也可以考虑把中午休息时间再分一两个小时出来）和”工作日晚间访客“，如果我们发现说””9:00 – 18:00访问者“就是“会浏览14个产品页面，然后什么也不买”的那群，而”工作日晚间访客“就是“接搜索产品名称，然后马上购物”的那群，我们就能够更容易对这些奇特的访问行为提出自己的假说：”她们都是在上班时浏览网站，瞎逛，看到好看的记下来，晚上下单“（这个假说是不是正确还需要实践检验，但是至少我们有了一些基础），基于此，我们可以考虑的事情有：白天时是不是要放更多促销引导的活动？网站上的”收藏夹“功能是不是要加强？按钮要不要做更大？”最近浏览过的商品“列表是不是要在晚上显示更大？……很多东西可以想。

看到这里，大家可能会想说”神啊，我怎么要想到还要用时间来分Segment啊，你又没提示的“。很多时候确实就是这样，数据乱七八糟，我们也不知道要怎么分组才能看清它们，所以能做的几件事情是：1. 加深对业务的理解，多和一些员工聊天，多和消费者聊天；2. 多试，积累经验；3. 正如这篇文章最开始所说，我们还有一招：根据结果来细分。

比如我们就把客户根据观察到的结果分成4组，分别取名字叫“观光客”、“猎人”、“访客”和“游客“（名字瞎取的），然后我们去各个报告里面看这四组人的表现，最后发现在每周访问时间这个报表上（根据周一、周二……周日来组织信息）”访客“的行为轨迹和其他三组显著不一样，我们就知道说等会儿可以试试看说把用户分成“工作日访问者“和”周末访问者“去仔细看数据；然后我们再看每日访问时间这个报表（根据时间——每个小时——来组织数据），发现剩下3组人在访问时间的模式上有明显的差异，由此我们可以合理猜测说之所以有这几组不同的访问模式，是因为他们来自在不同时间点的访问，然后我们可以很自然的想说我们应该根据访问时间来划分用户族群看数据，然后根据这些数据来推测可能的原因、找到可能的优化点。

案例六

新来了一个SEM Manager，上手一个半月就把搜索引擎的ROI提高了12%，人才啊。

在想说如果我很仔细的说应该怎么管理SEM会不会被专业的同学们笑，呵呵。好像有蛮多专业的SEMer也在看www.MarsOpinion.com。

就我个人对于电子商务的搜索引擎营销的了解来说，有两类的词表现是完全不一样的，第一是“品牌词”，第二是“产品词”。品牌词就是和你网站品牌、名字、网址相关的词，例如凡客诚品的品牌词可能就包括“VANCL”、“凡客”、“凡客诚品”和“凡客衬衣”，搜索这些关键词的一群人已经知道了我们的品牌，而且他们明确的表示了要来我们网站的意愿，只是不知道要怎么来而已。另一群人，搜索的则可能是”男士衬衣“、”白色男士牛津纺衬衣包快递“、或者”松下相机LX3“，他们知道自己大致需要什么产品，但是并不一定有要来我们网站购买的意愿，只是随机被搜索结果带到我们网站而已。

所以，我们可以做的第一件事情就是按照”品牌词“和”非品牌词“来细分流量，绝大部分时候品牌词本来就应该有高很多的转化率——因为用户已经有意愿来你这里买东西，基本信任已经存在，只要找到东西价钱OK基本上就会买。在这个例子里，如果发现说SEM付费关键词中品牌词组的比例大幅度提高，可能就能解释为什么ROI提高了。如果网站本身已经比较大，SEO也不错，搜索品牌关键词的时候本来也会有大量的自然搜索结果出现在最前面，而且也没有竞争对手恶意购买你的品牌词，这时候哦大量购买品牌关键词只是把原来不要钱的流量变成要钱的流量，让公司亏钱而已。用我的博客举例来说，在这个SEM经理帮我管理之前，每天搜索“Mars电子商务”和”Mars Opinion“来到我博客的人有20000个（不用钱的），其中20%会订阅www.MarsOpinion.com，另外我自己会买一些类似”数据驱动的精准营销“、”数据驱动的电子商务运营“这类词，花费大约是每天2万块，每天给我带来2000个新的订阅（也就是我所需要的转化），ROI是”10块钱买个订阅读者”。他来了之后，把我的2万块钱全部花在买”Mars电子商务“、”Mars Opinion“这些词上面，给我带来22000个流量和4400个订阅，与此同时，这些词的自然搜索流量降到2000（因为付费的链接排在更前面）、自然带来的订阅降到200，而像”数据驱动的精准营销“、”数据驱动的电子商务运营“这些词，因为没有买关键词，所以带来的订阅量变成了0。从SEM ROI的角度看，ROI从”10块钱买个订阅读者”大幅提高到了”4.5块钱买个订阅读者“，但是对于我博客，作为一个整体来说，我花的钱没有变（都是2万），但是我总的新订阅数，从6000（ = 4000 + 2000）个下降到了4600 （= 4400 + 200）个，他的”优化“给我带来的是亏损。——这个例子可以表明，根据“品牌词”和“非品牌词“细分流量可以让我们加深对于SEM效果的理解。

如果还要更细化，其实”产品词“还得再细分成”产品品牌词“、”品类词“、”产品词“、”购物词“等，搜索每一种词的用户都处于购物决策的不同阶段，需要为它们设计不同的目标和指标来衡量效果，这里就不细讲了，对于绝大部分公司应该还没必要做这么细。

另外，在上一篇网络营销数据解读（八）——客户族群细分（Segmentation）2-1的留言里，Teamilk99提出了一个很好的观点：我们不能光看ROI，还得看Return的量。把一部分表现低于平均值的关键词去掉就能很简单的提高ROI，可是这却未必符合公司利益。完全从公司利益角度出发，只要投放关键词的边际收益大于边际成本，就还是应该继续的。

案例七

网站用户平均访问频率是一个月一次，50%访问大约1个月1次，30%大约每周一次，15%大约两个月一次，5%会超过两个月都不来访问。这样算起来，顾客如果两个月没有来访问的话，就有95%的可能性是要流失了。为了挽回这部分流失客户，我们应该在侦测到客户停止访问两个月时让客服打电话给客户嘘寒问暖，顺便送一个折扣券给他。

还是根据客户对应的产品品类来分，不细说了（题外话：上一篇网络营销数据解读（八）——客户族群细分（Segmentation）2-1的留言里Sucirst对于CRM的接触点有一个比较详细的介绍，建议去看一下）。

说点和具体案例无关的，如果要做客户细分——特别适用于客户关系管理的话，最好要专业的人用高级的数据挖掘工具来做，这样考虑比较全面。如果一定要自己拍脑袋想模型（这是我经常做的事情@__@），提醒一下说要先把数据过滤一遍，把极端数据先滤掉再做。比如你卖画，平时每天1000幅，其中总有一两个大客户（他们是从你这里进货然后再零售的）每单就买两三百幅，他们不论被放到哪个族群里都会显著的影响那个族群的数据（更可怕的情况是，他们非常显著地影响了数据，但是还让你看不出来——举个纯假设性的极端例子，你10000个客户，5000男，5000女，男的里面有2个是B2B大客户，每人买了250张画，女性那里没有大客户，其中500人每人买了一张。没过滤outlier的话看到的“男客户“族群和”女客户“族群的转化率数据是一样的，看起来也很合理，不会引起警觉），所以建议把他们单独挑出来研究。

案例八

我们网站有100万注册并登陆过超过一次的会员，10万每周都登陆一次、每个月买一件东西；30万每个月登陆一次，每3个月买次东西；30万只登陆过2次，没买过东西；最后30万里面，10万每年登陆但是1年才买一次，20万每半年登陆一次但是至今没有买过东西。我们在做lead acquisition的时候，可以粗略估算说我们抓到的新顾客有10%的可能性会每月买东西，有30%可能性每3个月买一次，有10%可能性1年买一次。

如果网站获取新用户的方式方法比较多样和豪迈的话，我们可以把用户的注册来源当作用户的一种属性。举例来说，如果是20万主动注册，30万通过流氓软件骗来，10万通过联名注册从论坛得到，40万通过“注册有奖”活动从网站联盟来，10万通过垃圾邮件骗进来，这几组人表现很可能截然不同（主动注册的一般是有意向买东西的，其他就未必了，被骗来的说不定还下过决心说永远不来买东西），不分开看数据是看不清的。这几组人混在数据会很模糊，根据注册来源分组来看会清除很多。还有些时候，需要细化到具体的Campaign，例如”和网购论坛的联合推广活动”和“新浪广告Banner”这两个来源虽然都可以算是Marketing，但是带来的用户后续表现也会有很大差异，能够细分观察可以帮助我们挖掘更多信息，而且这个数据的积累也是衡量长期效果指标的前提（参考网络营销数据解读（五）——完善指标）。 

用用户属性来细分流量还可以用在别的方面，比如说根据访客的IP来分Segment，看看南方访客北方访客行为有没有什么区别，有没有什么变化趋势，说不定可以通过数据发现自己电信网通有一边的网速不行让客户都跑了。划分公司本地访客和外地访客可以看看公司地域影响力的变化。在公司拓展市场的时候（例如像一号店在北京机场巴士上做广告，或者新蛋刚去北京），把自己目标城市的流量分开来看也更能了解状况。

案例九

新建网站，站外做了很多广告，站内做了很多促销活动，发现来访的人当中 5%注册了帐号，1%注册完了还马上买了东西。怎样才能让他们更多的注册，注册完买更多东西呢？

还是用老办法，从结果出发来做细分，比如把流量分成“购物组”、“注册组”和“观光组”，然后反过去看其他报表。看流量来源报表，来查看“购物组”和“注册组”主要是哪些媒体带来的；看内容报表，比较“购物组”和“观光组”在浏览的产品类别上有没有显著差别；看具体的点击轨迹，比较这三组人到达landing page之后分别做了些什么……总的来说就是，把所有报表都用这三组人过滤一下，看他们在结果数据上有没有什么显著差别，如果有，则再研究是不是因为这个差别导致的后续效果的差别。比如说发现“购物组”和“注册组”中访问了“女装”这个类别的比例，显著高于”观光组“中访问过女装类别的比例，我们就可能可以提出两个假说：1. 女性用户对我们更有价值，我们应该多拉这一类的流量；2. 我们女装这个类别做得非常好，能够将流量转化下来，我们应该增加这个品类的曝光。这些结论是否正确还需要进一步考证，但是这是一个很好的起点。换一个例子，我们去比较点击轨迹，发现”购物组“到达landing page之后大多点击了产品图片直接进入了产品类别或者具体产品页面，而“观光组”中间超过50%点击了“点此参加活动”这个按钮。这样的话我们可以开始猜测说我们辛苦设计的那个所谓”活动“（比如说是个竞猜之类）到底对我们起了正面还是负面的效果，自己去点点那个按钮看会发生什么事情，首先看是不是流程上出了问题（我还见过点击“参加活动”这个按钮结果无限循环回到原页面的），如果没问题，再从活动设计的角度反省说它是不是起到了降低转化的作用。

个人很喜欢这个细分方法，本质上它就是根据结果把流量分成“好人”和“坏人”，然后一路比较“好人”和“坏人”从接触到最后转化或离开这整个过程中所经历过的事情有没有什么显著的不同，如果有，则进一步深入去考虑说这些不同点是否就是造成他们一些是“好人”一些是”坏人“的原因，再想办法优化这些经历，尽可能增加”好人“这个族群。

有什么其他的好想法么？打开这篇文章留言吧：）

（嗯，这个系列文章还没完……，觉得写完可以改改出书了，反正都写了这么多字了，呵呵）

建议先阅读本系列其他文章：

• 网络营销数据解读（一）——事情不是你看到的那样
• 网络营销数据解读（二）——事情不是你看到的那样
• 网络营销数据解读（三）——那又怎么样呢？
• 网络营销数据解读（四）——目标和指标
• 网络营销数据解读（五）——完善指标
• 网络营销数据解读（六）——自顶向下，逐步求精
• 网络营销数据解读（七）——客户族群细分（Segmentation）1

上次说到可以根据客户的生命周期来分segment，可以帮我们更好的理解数据做决策。

除了客户生命周期之外，其实还有无数的指标都可以用来做客户细分。下面这些例子就都能用客户细分的思想来分析出有用的结论（Actionable Insight），大家不妨试试看来做一下这些案例，留言说一说你的分析思路，大家多交流：）。

先说明两件事情：

1. 为了便于讲解和理解，案例都很简化、极端化，具体内容请不要当真：），主要是介绍一个思路。

2. 大部分案例用www.MarsOpinion.com网络营销数据解读系列文章前面介绍过的思路和工具也能解决……为了便于讨论，请都从segment的思路出来来考虑这些问题：）

案例一

网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食……），用户平均访问周期是一周一次，停留时间为5分钟，转化率0.8%，平均订单金额340元。我们可以做什么？

案例二

网站销售笔记本，SONY笔记本最近越卖越好，上个月卖了700万销售额，比上个月猛增20%，而Lenovo只卖了400万，比上个月还下降了5%。应该考虑给负责SONY笔记本的产品经理发奖金，顺便把心里面把管Lenovo那条线的那个家伙画个叉，以后有机会就干掉他。这样推理正确么？

案例三

网站销售4个大类的产品：家电，笔记本，日韩时尚女装（中低端），日用百货（卫生纸、零食……），我们做了一个详细分析，发现我们60%的订单是15%的顾客产生的，我们一定要把这部分客户服务好。在这里我们的市场部根据客户价值（过去一年购物金额）把客户按分成了5组：VIP顾客，高价值顾客，平均顾客，待发掘顾客和低价值顾客。以后我们的客户关系维护重点要放在VIP和高价值客户上，客服接到他们电话也要提供更周到的服务。这样的逻辑对么？

案例四

新设计了一整套网站页面和购物流程，搞了个比较贵的付费工具来随机挑选顾客展示给他看不同版本的页面，10%看新版，90%看旧版，结果发现新版的转化率比旧版高0.04%，鉴于消费者对新版还不熟悉，我们认为消费者熟悉之后新版数据会更好——也就是说新版应该完胜旧版，我们应该马上把旧版替换掉。这样的结论对么？

案例五

分析数据时发现我们有四种很典型的访客行为，一种会浏览14个产品页面，然后什么也不买另一种则直接搜索产品名称，然后马上购物；第三种会随机看5-15个页面，其中多个页面被反复访问，然后购物；最后一种是浏览5-15个页面，然后什么也不买。为什么会这样呢？

案例六

新来了一个SEM Manager，上手一个半月就把搜索引擎的ROI提高了12%，人才啊。是这样么？

案例七

网站用户平均访问频率是一个月一次，50%访问大约1个月1次，30%大约每周一次，15%大约两个月一次，5%会超过两个月都不来访问。这样算起来，顾客如果两个月没有来访问的话，就有95%的可能性是要流失了。为了挽回这部分流失客户，我们应该在侦测到客户停止访问两个月时让客服打电话给客户嘘寒问暖，顺便送一个折扣券给他。这样做真的合算么？

案例八

我们网站有100万注册并登陆过超过一次的会员，10万每周都登陆一次、每个月买一件东西；30万每个月登陆一次，每3个月买次东西；30万只登陆过2次，没买过东西；最后30万里面，10万每年登陆但是1年才买一次，20万每半年登陆一次但是至今没有买过东西。我们在做lead acquisition的时候，可以粗略估算说我们抓到的新顾客有10%的可能性会每月买东西，有30%可能性每3个月买一次，有10%可能性1年买一次。这样的推理正确么？

案例九

新建网站，站外做了很多广告，站内做了很多促销活动，发现来访的人当中5%注册了帐号，1%注册完了还马上买了东西。怎样才能让他们更多的注册，注册完买更多东西呢？

现在就留言吧：）

终于写到这里了，之前写过《网络营销和Web Analytics的数据解读方法》系列也就是写到这里发现前面结构没搭好所以重写这个系列的。

建议先阅读本系列其他文章：

• 网络营销数据解读（一）——事情不是你看到的那样
• 网络营销数据解读（二）——事情不是你看到的那样
• 网络营销数据解读（三）——那又怎么样呢？
• 网络营销数据解读（四）——目标和指标
• 网络营销数据解读（五）——完善指标
• 网络营销数据解读（六）——自顶向下，逐步求精

这个系列已经写了六篇文章，基本的思路是：

首先，我们得了解有哪些监控数据可以用，各自代表什么意思（它们未必是字面上的意思）。

然后，我们应该思考我们网站的目标是什么，应该制定一套怎样的指标才能更好、更全面的衡量效果 （长期效果、隐性效果）。

有了好的指标来衡量效果之后，我们只是得到了数据，必须学会一些简单的分析方法来分析数据、找出问题的根源，制定合理的行动方案来优化效果。

今天的主题其实是上一篇的延伸，我们继续来看还可以怎样来深入分析数据。

老规矩，先拍脑袋问几个问题，建议先想一下留言说一下再往下看，我个人的经验很有局限，如果能够大家贡献一些智慧的话这个讨论会更有趣：）

• 两个营销活动（外网广告配合内网活动页面）landing Page各自有100,000流量，A活动页面bounce rate 80%，转化率2%，B活动页面bounce rate 75%，转化率3%，所以B活动较好（页面设计，促销内容，产品选择……），对么？
• 两个营销活动（外网广告配合内网活动页面）landing page，bounce rate和转化率都相等（平均数相等，分布也一模一样），说明这两个Landing Page在“抓住流量”、“转化流量”方面能力差不多，我们没法从中积累什么经验。对么？
• 结帐流程改版前转化率是3.1%，改版后调到了2.9%，我们应该改回去，对么？
• 我们顾客的购物频率是一个月买一次，所以当一个顾客两个月没有来买东西的时候我们应该给他们发Reactivation Email，对么？
• 最近网站的转化率从3.4%下降到了3.1%，所有分析方法都用了，找不到原因，怎么办？ 我该把所有产品经理叫过来开会，让他们想办法提高产品的吸引力了，对么？

============ www.MarsOpinion.com ============

Segmentation（客户族群细分？）可以帮助我们回答上面这些问题。就好象之前所说的平均数没法准确的传递整体的具体情况一样，每个用户族群（Segment）的行为方式特点都不同，把他们一锅粥丢到一起然后看整体的数据往往会让我们一头雾水，没有办法深入的了解实际情况。在WAW的讲座时我重点讲了这个概念，但是事后还是很多朋友问我要“具体的例子”，所以今天尽量用举例子的方法来介绍这个概念的实际应用。

最常见是根据客户的生命周期来分Segmentation，而其中最最简单的操作方法就是把用户分成“新客户”和“老客户”。

一般情况下，我们可以认为“老客户”（在本次到访前完成过某个特定行为的用户，例如可以定义成“买过东西的用户”、“注册过的用户”或者“访问过的用户”）相对来说对网站更熟悉（反过来说就是对变化可能更敏感，更需要时间适应）、更信任（否则不会一来再来）、操作更熟练、对界面引导依赖比较低，比较容易被转化；而“新客户”则对网站较为陌生、对界面引导依赖比较重，转化率也相对较低。

案例一：

两个营销活动（外网广告配合内网活动页面）landing Page各自有100,000流量，A活动页面bounce rate 80%，转化率2%，B活动页面bounce rate 75%，转化率3%，所以B活动较好（页面设计，促销内容，产品选择……），对么？

我们把用户分成“新客户”、“老客户”两个segment再分别看数据，发现第一个活动流量中有90%是新客户，新客户的bounce rate 82%，转化率1.8%，而第二个活动流量中只有10%的新客户，他们的bounce rate也是82%，转化率1.8%；而对于老客户来说呢，在两个活动中bounce rate和转化率也都是一样的——两个活动之所以表现不同，仅仅是因为他们流量的构成不同，对于同种流量来说他们“把客户留住”和“转化客户”的能力都差不多，“B活动更好”这个说法是站不住脚的，不是么？

案例二

新浪上的广告促销带来500,000访问，5000订单，网易上的广告促销带来500,000访问，5000订单，看起来一样，我们没有什么可以做的，没法做什么优化（不能说“下次把钱都给XXX，让YYY去死吧”），也没法积累经验（不能说“XXX活动看来更有吸引力，YYY活动可以去死了。”）。对么？

很多marketer懂得的唯一“分析工具”就是“比较数字大小”，当数字大小相等的时候就觉得里面已经没有了分析的余地和优化的空间，

老办法，我们分开看新老客户的情况（对于使用GA的朋友，可以试试看GA的Advanced Segmentation功能），发现新浪带来了400,000新用户访问，4000个新用户订单，网易带来了200,000个新用户访问，2000个新用户订单（可以通过简单运算得知网易带来了更多老客户访问和订单），这样一个简单的划分就可以给我们带来非常丰富的数据：

• 如果两个营销活动创意一样，我们可以有一个初步结论说新浪那个广告位面对的新用户更多，而网易的面向老客户更多。之后如果要抓新用户可以多考虑新浪那个位置，如果想做老用户维护可能网易那个位置比较好。——对于大部分公司来说，抓取新用户的成本要比维护老用户高，换句话说，能搞来一个新用户更不容易，所以一般情况下可以说新浪那个广告位更有价值一些。
• 如果两个营销活动创意不一样，我们就可以积累到更多关于活动形式、活动产品的经验。比如如果是京东商城，可能发现第一个促销Banner和促销页面主推的产品都是DVD盘，优盘，MP4，GPS，而后一个则是专门针对显示器、键盘、鼠标的促销。这样子我们可以有一个初步的结论（记录下来，和之前的经验放在一起相互印证）说如果要抓新用户我们的促销活动主打应该多用优盘MP4。

用上这么简单的一个Segment，我们从活动中积累的经验就会多很多。

案例三

结帐流程改版后，发现转化率从3.04%掉到了2.90%，怎么也找不到问题，怎么办。是不是可以得出结论说新版的流程不好用，让我们改回原样？

老办法，分别看一下新老客户的表现情况，发现老版的结账流程对于老顾客的转化率是3.2%，对新顾客的转化率是2.71%；新版结账流成对老顾客转化率是3.03%，对新顾客的转化率是2.89%。

在这样细分查看了数据之后，我们很难有确切的结论，但是至少可以提出一个和“老版更好”不一样的假说：新版更好。因为：1. 对老客户来说，新版老版表现差不多。新版比老板转化率低0.17%，这个数字在统计意义上未必显著。另外，对老用户来说，适应新的界面需要一段时间（哪怕是更好的界面，在引入的初期很可能也会让老客户有些不习惯从而导致转化率下降），所以就算0.17%在统计意义上显著，我们也不能根据这这么一个数字就说新版不行，还得观察一段时间再说；2. 对新客户来说，新版的转化率要更高。新客户（因为WA监控方面的的局限，他们未必都是没有来过网站的用户，但是我们可以认为他们作为一个整体来说对于网站的熟悉程度远低于“老客户”）不管在以前还是现在都是需要熟悉和学习界面的一群人，界面帮助转化了更多的新用户往往更能说明改版的成功。

案例四

为了同一个活动，我们设计了两个不同的Landing Page（因为要在上面放不同的媒体logo），分别在两个媒体上做广告导流量上来。为了测试不同的版型对于Bounce Rate的影响，我们特地把两个页面做得不太一样，第一个的“参加活动”按钮是黄色的，非常大，第二个的按钮是橘黄色，比较小，但是放在了更显著的位置上。经过测试，第一个页面的Bounce Rate是80%，第二个页面的Bounce Rate是77%。是不是说第二个页面设计更好？按钮摆放位置比按钮颜色更重要？

如果我们分开看新老客户这两个segment，一种可能的结果是我们发现对于第一个页面，新客户的bounce rate是85%，老客户bounce rate是78%；对第二个页面，新客户的bounce rate是90%，老客户bounce rate是76%（第二个页面流量中新用户比例比第一个要小）。

如果数据真的是这样，我们就得反思最开始的结论。对于老客户来说，点击广告来到活动页面，一是更容易找到call to action的指示（已经熟悉了我们的设计风格），二是就算找不到，他也很可能点击首页或者目录导航页去看看是不是有别的他想要的东西在促销，这样说起来bounce rate会比新用户低，而且和call to action做得好不好相关性相对较小。如果这种说法成立，我们在判断页面设计好坏的时候更多的应该用新用户这个segment的表现来作为依据，换句话说，第一个页面设计似乎更好一些。

如果说第一个页面的设计较为合理，那么为什么它对于老用户的bounce rate反倒会比第二个页面高呢？可能的解释是：1. 2%的差别可能在统计意义上不显著——第二个页面运气好多让人点了两下罢了，本质上78%和76%是差不多的；2. 活动本身对于老用户并没有吸引力，比方说最近一号店的“一元疯抢”活动对老顾客吸引力就很有限（因为只给新用户优惠），或者是因为产品促销幅度不大，对于老用户来说，看了一眼就知道以后还会有更好的（“什么，才9折，上周才搞过8折的！”），所以看一眼就跑了。

这里的分析只是抛砖引玉，关键是我们要学会分segment来看数据、深入分析，这样才可能得出真正有意义的洞察和行动方案。

其实，按照新老客户的划分Segment只是最基本的（说实话，也是最有效果的，呵呵），这里面还有很多做细的空间。

比方说可以按照用户的生命周期来分（详情参看粗糙却方便的客户关系管理模型），把用户分成“新用户”、“首次购物顾客”、“重复购物顾客”、“流失顾客”……这样子细分的好处是可以积累更细致的数据和经验，缺点是数据会变得更加的复杂、不直观，而且对于实际操作的Markter的要求会变高，所以一般情况下比较少用（感兴趣的话，网络营销和Web Analytics的数据解读方法（二）——Segment (2)里有个简单的例子）。

写到这里觉得这篇文章实在太长了，改天再接着往下写其他的segmentation方法：）

欢迎大家多留言讨论，我这里只是一家之言，大家讨论集思广益往往能有更好的点子出来：）