怎样分析数据致提高产出？（三）

产出价值衡量

老板只关心一项简单的结果，就是旗下的网站今天为他带来了什么？

如访客数对你是重要的，但对决策者而言意义微乎其微，很难让老板产生明确而具体的认知。

要想打动老板，就要让其发现其中的影响与价值，只有标识清楚产出，才能让老板明白实际成效如何，以便于他做出决策。

如常常会听到你伴侣叫你赶紧去洗澡，洗完赶紧来一起睡觉觉了。

可能你会回一句写完这篇文章再去。

此时你的伴侣可能会生气。

但如果你告诉她写完这篇文章，这个月可以额外获得2000块钱的稿费收入，哪又不一样了，你的伴侣可能马上给你倒杯热茶，捶捶肩膀等你写完一起睡觉觉。

以上这个案例告知我们，要把目光转移到产生决定影响的关键节点，如从战略角度看，网站要解决的最重要的事情是什么？哪些指标能够描述当前3项最重要的业务的绩效。

为何存在的问题，最终必然落回到产出生产的问题上。

并且少数的关键指标会统一公司奋斗方向，所衡量的绩效内容让公司成员明白哪些才是对公司业务最重要的。

产出指标价值衡量示例

任务完成度：指用户访问网站到他们预期目标的比例，即人们最终在站上做了什么，哪些是无法实现的。

搜索流量比例：流量来自搜索引擎的比例，及主要竞争对手的比例，从而了解搜索流量策略是否有效，是否在发挥其应有的价值。

用户忠诚度及回访率：忠诚度是指每位用户访问网站的次数；回访率是指访客两次访问的时间间隔；

吸引新用户过来虽然不容易，但要留住他的心，让他时不时回来滋润你才是意义所在，可查询访问次数分布，掌握好用户的行为，毕竟用户行为决定更新网站的频率（网站是包括前后端的，不止是前端，可能是后端的推荐算法权重调整），逐步的调整，让用户来的更频繁。

订阅数：这是网站最忠实、最具有价值的用户群体，主动从网站获取信息，根本无须费力寻找。

正面退出率：了解正面退出率的来源、内容、搜索情况等行为，有助于更好的掌握渠道，并优化网站，说不定还可以把负面退出用户挽留回来。

购物车和结算流程的放弃率：用户在完成购买前，须经过一连串结算流程，在结算流程之前，还要说服他们把商品加入购物车,这个指标可以知道要优化的地方，也许是步骤太繁琐或页面太长了，也可能是某些按钮不够醒目。

购买前访问次数和天数：此指标可以掌握好时间点向用户传递信息，在结合访问深度和停留时间时，便于掌握用户的行为习惯，如购买前天数较短，说明消费具有冲动性，以此调整价格，相对的如果一直一味的催促用户，可能最后并没有效果。

平均订单价值：销售额与订单结合在一起时，可以看到何种渠道来源的用户不愿意多花钱，类似这种分析可以促使公司重新思考市场与销售策略。

宏微观转化衡量：大部分人都受到了点击流的局限，并没有很好的从产出角度进行多方位衡量，如技术支持网站，宏观转化率是任务完成度，可从电话次数，咨询事件次数等来衡量。

经济价值：不能埋头苦干，在衡量经济价值时，一是需要借助财务部和销售部的力量；二是确保清楚的标记好转入线下系统的线上数据，从而计算出转换效果。

行为价值衡量：不同的网站用户的行为产生价值不同，但必须明确用户的何种行为才是业务价值所在，如前面说的微博，在2013年用注册人数来衡量是没错的，但如今互联网入口基本都成熟了，此时用活跃交互的用户衡量才是业务价值所在（市场在变，指标也要变）。

B2B网站衡量：B2B的用户一样是人，只是销售周期长一点而已，用户需要更多的时间做决定，同样可以衡量忠诚度、回访率、购买天数等，还可以衡量视频完整播放次数，样品试用数量等。

博客产出价值衡量示例

原始作者的贡献：这是所有博客标准的基础，即每月帖子所创建的内容，但并不能衡量所贡献内容的质量，只能说明了贡献的频率和连贯性。

整体受众增长：包括线上订阅与线下订阅，但订阅用户数接近不等于网站分析概念中的独立访客数。

到达数：每天流量或点击内容的人数，有多少打开并阅读一篇文章。

转化率：博客提供了一个对话平台而非单向独白，重点在于有没有人参与与作者交谈提供的内容。

引用和轰动指数：链接到博客的其他独立博客的数量，衡量博客作为一个整体引发的连锁反应，即衡量由博客引发的传播效果。

博客的成本：需要从各个方面衡量投入到博客的成本，技术（软硬件）成本、时间成本、机会成本。

博客收益（投资回报率）：一是比较价值，使用外部链接、订阅用户数等，来计算博客所能创建的资产；二是直接价值，即博客产生的经济利益；三是无法量化的价值，如成就感。

……

视频应用产出价值衡量示例

基本性能指标：用户所在地区和城市，找出感兴趣的用户在什么地方,更好的掌握用户的喜好。

跟踪关注度及受众的互动情况：视频过程的用户关注度，即视频什么内容吸引用户，什么不吸引用户。

社交参与情况：如评论、收藏、评分、弹幕、分享等，观察这些定量数据进行定性分析，而且社交参与数据是辅助知道网站视频策略的有用信息。

跟踪视频传播情况：传播的分布和视频在网络的传播路径，可以得知视频是否被正确的关键词索引和列出。

细分：关注视频的受众细分并衡量视频效果时，才能理解视频真正产生的影响，再将这一细分应用到流量来源报表，看哪些广告更能带来完整观看影片的流量。

情境的影响：针对某些倾向的细分群体，分析情境的影响或其他产生的价值，且影响程度是用户会话中浏览网页或使用功能的用户行为来决定，与用户经过路径和时间点无关。

内容影响效果：有助于公司在正确的地方使用宝贵的资源，而不是盲目的生产更多的视频。

收集用户心声：用户提供的数据将告诉你哪些功能对购买者起了影响作用。

测试衡量用户的实际行为：定义视频转化，决定视频类型在网站的价值，必须使用用户的实际行为，而不是个人主观看法来衡量效果。

微博产出价值衡量

粉丝人数的增长：流失率。

信息放大：转发数量和回复，即对用户价值的差别。

参与度：单向独白还是参与到对话过程。

达到数：信息量大到足以建立受众群。

速率：被回复的速度。

需求：多少人回帖。

行为：帖子吸引新粉丝是否有效。

……

拓展：SEO

现代搜索引擎的输出结果，已不再局限于文字形式，已扩展到图片和食品等多种内容，即为全能搜索。

SEO优化：由于不同搜索引擎有不同的算法，只要爬虫能在网站正常工作即可，可通过改善网站的索引便于爬虫读取、清理URL结构、慎重使用JavaScript链接（部分搜索引擎爬虫不认JavaScript）、选取合适关键词、提高页面内容相关度。

注：搜索引擎不止是百度这类的，还有微信、App市场这类的，如公众号文章搜索。

有效的搜索策略是体系化：必须针对各大搜索引擎进行优化，也必须兼顾付费搜索和自然搜索，这两者平衡是很重要的，在自然搜索流量面前需要常思考，是否因为网站的内容不符合搜索引擎算法？为何流量的偏向了付费搜索？

在某些关键词带来相似的流量甚至没有流量时，应该检查相应的显示页面，是否缩略图不行，或页面名称不对。

SEO投入产出：可通过衡量总流量中来自自然搜索流量所产生的影响，在结合其他市场有效活动数据进行分析，可以得出确切的投资回报率（推广费用、联合营销、付费搜索活动等费用）。

庞大点击数的陷阱：我们真正关心的是流量是否能增加业务收益。例如SEM与PPC所带来的流量中的关键词或广告组的每次点击收益、投资回报率即毛利率（销售额减去广告费用，最好允许导入所有产品销售成本共同计算）的结合展示有便于考虑SEM与PPC的实际产出作用。

案例：某商城某关键词点击数非常大，可是用户回访率和转化率较低，但网站停留时间却挺高的，而且大多数用户最后访问页面是商品详情页。

经过分析、测试、自身体验，最终团队决定将催促用户下单提示（现在订，更便宜）进行了修改。

第一项举措是弱化这些催促声音，因为大多数用户并不想一来就买，于是他们加了收藏本页面。

第二项举措是添加了一项降价XX%通知我的功能，这项功能也让他们顺利收集到了用户的联系方式（未来必然是有效的结合人文科学的产品取胜）。

分析建议

了解背景信息

主要指标是周围那些定量或定性的信息，而提供指标所处的背景情况，可以让人们知道结果是好是坏，从而驱动公司的行动。

比较不同时期的关键指标：时间与业务的比较，停留时间上升意味着获得了更多优质的流量。

细分提供背景信息：为什么不同渠道的转化时间不同，转化时间是否合理，通过什么关键词进来的。

比较网站关键指标的平均值和细分值：搜索流量的停留时间比其他流量要高。

指标伴侣

尽量选择产出指标作为伴侣指标，可以更好的了解指标的表现，这样有助于衡量网站的绩效。

利用行业基准和竞争数据：可以看到自身表现与同行业的差距与进步空间。

了解业务知识：这些信息包括公司的各项举措、营销计划、网站的更新与变化、管理层变化、服务器中断这些都会影响网站。

KPI变化趋势比较

随着战略的不断发展，新的变量和指标都会加到KIP中（新产品或新营销活动），深入的去挖掘趋势和表现背后所隐藏的问题，找到实施营销活动和进行网站改进的人，并沟通是否有什么措施导致上述的变化，但网站本身巨大改变将使得数据不再有用（在过去一年增长了500%，还有比较的必要吗？）。

呈现业务知识：体现出对变化的理解，并转化为行动。

细分：变化趋势隐藏分析见解，从而发挥不了数据的作用，最好去看相关的细分数据的变化趋势，如看自然搜索流量的趋势表现。

比较：指标子不同时期的表现

Top10之外什么改变了

更大的变化发生在表面之下，这些变化很难发现，可以集中在某行变化巨大的数据上，而且用什么改变了，来取标准的Top10，可以确保高层不会忽略你，并且提供的数据不再一成不变。

如了解为什么这些网站突然带来了流量，甚至可以考虑在上面投放广告。

最优长尾策略

只关注单个关键词带来的5000次访问，而忽视如何去优化这35000次访问的100个关键词，并且这35000次的访问关键词就是长尾的价值。

分析发现见解：头部关键词容易受到竞争对手的攻击，从而带走很多流量。

采取行动：作出变化的说明，批判性的分析头部和长尾关键短语

了解品牌和行业关键词：市场背景，品牌关键词带来的访问基本上是已经知道你的人和购买生命周期最后阶段的人。

更低成本：长尾行业的关键词意味着的更低的竞争和成本，可以有更多的预算用在别的地方，如品牌关键词会有很强的竞争对手。

这就是理解关键词类型和头部、长尾部分访客的类型所能带来的价值，平时不要局限在自己的世界，多了解网站细微变化，营销渠道如何运作，或用户如何使用他们。

远离一夜情

在了解了用户购买生命周期的每一个阶段，就可以衡量不同生命周期阶段的成本收益，及在不同阶段培养用户的正确方法，如衡量购买前所用天数和访问数，以确定购买花了多长时间，是远离了一夜情的心态，是正确的恋爱方式。

投资回报率

投资收益的80%来自20%的广告活动，只有拥抱投资回报率的分布报表，才可以看到哪些因素是有害，哪些是在帮助你，进而重新评估。

隐藏的陷阱

追求的不应是帮助你分析的系统或工具，而是正确的思维模式和分析方法，从多角度触发的思考方式和决策成本的对比，只有建立一套有效的思维模式，才不会陷入拥有大量数据，却没有深入分析的困境里。

数据准确性还是精确性

互联网不存在真正准确的数据，不要过度追求数据质量，数据质量可能是有局限性的，但仍然可以以其为基础做出有价值的决策。

要深入思考业务适合采用什么方法，准确性是尽可能的获得完美的数据，而精确性是为了获得同一结果而达到的程度，可预测的，重现性好。

在过去的商业环境中，改变是很缓慢的（信息传递到执行层），如果出现错误，付出的代价很昂贵，因此风险承受力较低，这时需要的是准确性，不可能等待几个月去追求精确性，而要更快的做出决定。

但在实际操作中要尽量追求精确性的数据。

一成不变的数据与指标

市场变、用户在成长，数据和指标应该随着市场的变化而变化，应在内部设立一个流程来定期校验收集到的数据，至少一个季度校验一次，尽量让数据保持高度的精确性，避免被分析系统提供的数据牵着鼻子走。

数据不完整

使用不完整的数据做决策是最难的，也可能思维模式的问题，或公司对风险的谨慎，总是希望有完美的数据答案。

要认识到完美的数据收集是不可能的，数据是丑陋、琐碎、不完整的，可是很多情况下，时间都浪费在等待完整数据的完整性上，从而导致分析瘫痪，无法提供分析建议，进而提高了机会成本，甚至失去机会。

我们是要帮助公司更快的行动和思考，并不是等待数据完整性，要学会使用不完整的数据，并做出决定。

决策数据的迷惑性

大多数建立仪表板的人，通常是闭门造车，很少出去收集足够的相关知识，以充分掌握数据趋势背后的行为，而且仪表板的创造者通常是外部人员，没有理解公司内部问题的实践经验，常常会使得仪表板可操作性不高，缺乏可信度。

仪表板上的数据的量或许很大（也有可能是计算方式导致），但缺少了分析人员提供的分析解读，管理层无法得到深入的分析见解和可操作的建议。

仪表板的目的是推动管理层尽可能的迅速了解目前的情况，不仅需要知道指标成果，更重要的是让人知道如何行动，不是提出问题，更多的是给出见解，即可执行建议与见解是不会来自静态的报告，而是来自对于数据的细分与分析。

管理层更关心的是与企业绩效相关的最重要的三个KPI，因此仪表板上的设计可去掉可有可无的辅助指标，并且可以考虑接入公司的财务系统，清晰准确的说明损失多少钱，及多少用户不满意。

指标带来的行动 à 建议 à 预期结果 à 管理层决策

仪表板设计建议：

责任归属：清晰的表明指标的责任归属，业务方面的指标负责人和分析负责人。

基准与细分：可以使用内部或行业基准、目标、甚至这一指标之前的值，基准有助于迅速了解部分群体使整体下降，并通过细分对趋势和背景情况的解读来提高分析的价值，警告哪些数据可能出了问题，管理层此时需要关注的重点。

分离出少数的关键指标：提供大量的数据让人对你留有印象，实际上只是在浪费大家的时间，对于公司的主要业务，知道哪三个指标最为关键即可。

不要停留在指标表面：应该有深入的分析，缺乏深入分析的仪表板失去了其价值的体现机会，包含成功与失败的原因，及业务上的一些可行变化，下一步怎么做，在现有的情况下有什么新机会等。

精炼仪表板：将仪表板控制在一页，对于有效沟通和促进行动至关重要。

淘汰与保持相关性：由下级最高的目标不断调整，仪表板和指标也应该调整，想要这样做很困难，因为公司愿意保持稳定，高层喜欢可预见的东西。

离线用户行为数据

这部分离线用户行为数据是用户在真正消费网站内容产生的，如用户在飞机上，浏览已缓存的文章。

可通过时间追踪机制收集数据，定义好变量参数进行数据处理，在连接上互联网了，就同步已标识的离线数据（这就是做过技术的产品的好处）。

用户行为基准

互联网是非常复杂的，不可能获得确切的误差范围，很大程度上，互联网的用户行为是不合逻辑的，类型、用户体验等不同的情况下，所谓用户行为基准也就不那么重要了。

拓展：全线营销和多渠道时代

在专注于线上流量分析时，不要忽略了现在是一个全线营销与多渠道的时代。

正如上面这张图，用户在购买时会经过4个阶段：研究、选择、验证、购买，如购买笔记本、扫地机器人等。

在思考营销策略如何影响人们时，应该认识到用户并不是简单的通过线上或线下之一做出决定，如果要赢得用户信任，必须调整思维，切实的执行全线营销。

线上衡量最困难的调整也是其中最敏感的问题，一个访客可能多次访问你的网站，接触到多种网络营销活动，但用户受到的影响不仅是线上渠道，可能还看了电视广告和广告牌，因此对于全线营销来讲，只针对单一的因素是远远不足的，并且产出的衡量不在局限于线上转化，可能还只是在网站展示商品，然后在线下转化。

目前几乎所有网站收集的数据仅仅只是线上内容，不能识别个人身份信息，但银行是一个例外，有卡号和身份证的绑定

在线下团队通过电视、杂志、广播、零售、广告牌影响人们时，如何衡量这些线下广告投放对线上的影响，又如何衡量线上广告对线下的影响，即投资回报率，这意味着需要一点创意和小心思。

全线营销影响衡量示例

衡量线下行为引导：提供线下实体店的地理位置查询功能，跟踪此行为引导，查看其影响性，也可衡量搜索结果页，浏览过的和有向购物车产品加入行为的产品页面，这是用户购买意向的强烈信号，进而在对于线下销售数据。

网站申请产品目录，或者是汽车网站申请试驾等

追踪电话和线上聊天：生产订单的成功电话，以及网站没有帮助用户而使用户需要技术支持的不成功的电话，如线上发生了多少转化，线下产生了多少电话量。

深入挖掘线上和线下的数据：发行会员卡来分析用户的线上和线下的行为，无论线上和线下都会用这张会员卡。

调研预测线下影响：访客退出网站时进行调研。

关联流量趋势和线下广告安排：侧重于特定的地理位置，或用户类型，或某个产品，衡量区域影响，访问量与原始区别，深入到广告方案中，如不同地域的人喜欢听什么歌。

利用主要研究：对照试验、实地调研、专家小组、访谈等，引发购物的行为的原因。

多触点营销活动归因分析

如果客户在转换前发生了多次接触，那么此次转化就是所谓的多触点转化，在多触点场景中，不可能了解每个触点对用户形成的影响，在没有这些信息情况下，只能利用对业务的理解，甚至猜测来进行归因，即多个营销活动的功劳归属。

常见的归因模型：

基于最后点击：最后一个有效活动对购买的决定，但如果用来决定在不同的营销渠道中的投入，这种方式并不是最佳的。

基于第一次点击的归因：那样为何还要用别的活动才能让用户发生转化呢？

基于平均点击的归因：这种模型是次优的，是一种避免做出艰难决定的妥协。

基于功劳划分归因：50%归于最后的活动，其他平分剩余的50%，这种虽然并不完美，但至少不是生搬硬套。

自定义归因：横幅广告、主页推广、广告联盟、自然搜索、PPC等活动的自定义归因，这要求对业务的了解、经验和思考能力较强。

媒体组合模型：这是归因分析的可行替代方案，将选择特定的市场（市场或指定地区），在每个渠道上花费将成为预算的一部分分配给投资组合的一部分，最后对比产出，直到找到边际效益递减点，但这种很难控制可能会影响试验的所有变量，要确定可以控制和无法控制的变量。

小结：了解所有模型及其局限性，按照业务选择最佳的模型并应用，不要执着于如何划分功劳到不同的营销活动，而是如何在可用的广告和营销渠道之间优化预算分配。

总结

在传统商业智能领域中，系统建成以后就不再进行打的改动了，然而在互联网行业是行不通的，未来我们所有人都需要在互联网的多样性，如多用户（地域、文化、性格…）、工具、类型等方面的更深入思考。

目前国内互联网数据行业发展的并未成熟，从面试过程可以窥见， 95%的企业是要求要懂大数据技术应用，再到数据收集、存储、分析的一条龙服务。

如招聘数据挖掘工程师时，面试官只知道要找个算法高手从数TB甚至上百TB的数据中挖掘数据，根本不知道这样做带来的产出收益是什么。

其实在所讲到的内容中，可以发现像百度拥有大量的用户行为数据，可以做企业咨询版营销，为企业真正的解决困境。B站此类视频网站可以对视频段观看最多，弹幕最多的可以截取，做成感人的短视频，从而会引用户自主转发，加强品牌效应。

任何知识都要在生活中思考，应用。

互联网分析过程：以分散开始、变为集中、再以分散结束。

互联网分析本质：看数字、指标和趋势，猜测数字意味着什么, 使用大量信息判断和评估周围的不确定因素，适当的审查大量的数据，关注富含信息的重点处，从而得到深入的分析见解，进而需要有深厚的技术功底，理解JavaScript代码、网址、参数、重定向和网页等。

指标的下降：下降不可怕，要明确目标是什么。

漏斗分析：从底部开始而不是顶部，就不会陷入大量的数据分析中，而且底部数据很容易核对。

纠结：在不知道选择哪种方案好时，先把想到的所有方案列出来，写出来，不要在脑中形成一团浆糊。

过度关注短期的成功：决策者往往不耐烦，希望数据是实时的，即使这意味着衡量错误的数据，如此次活动注册用户在10天内有多少带来了购买订单才有价值。

互联网非常具有革命性的一点，就是允许在极短的时间内多次失败并不断的改进，只有多向数据提出为什么，才能更好的使用定量数据创造更好的定性分析，从而成为用户体验专家。

深刻认识：改变人的思维模式要深入实质、了解支撑精神信仰的根源，最重要的是，理解人们的心理，很多人害怕数据反映出他们的问题，或是不想改变一直以来的工作方式，要认识到公司主要是基于信仰而非数据进行决策的。

努力向业务产出靠拢：即便老板或客户并没有设置产出目标，你也要设置，明确既定的业务产出。

利用用户和竞争对手推动事情：高层管理人员自然会偏向自己，但会屈服于客户数据和竞争对手数据，及竞争机会，如哪些需要改进的表明了赚钱的机会。

公司层面：策略是高层的问题，但缺乏策略的数据分析，是无法得到正面对待的，要将分析推升到公司层面。

数据泛滥：不要急于使用全部的数据，制作一堆的指标，老板和客户在乎的是为网站解决了什么问题。

摆正自己的位置：学会如何与老板交流，给他们想要的东西，你的老板比你知道更多的战略目标、组织背景、业务重点等信息，可以通过有效的沟通来了解老板的观点，找出可以解决老板问题的方法。

限制绑住：公司很少会为你提供时间学习和成长，但周围的环境总是不断变化和发展的，如果不跟上就会过时，需要跳出某个世界为自己负责。

拒绝数据服务业务：努力挖掘大量的日志数据，加以提取，组合，结果最后什么都没有留下。

时刻挂念产出：数据的核心问题总是被人遗忘，这一复杂过程会让人陷入大量的报表，忘记产出目标。

批判性思想家：具有强烈的好奇心和广博常识的来了解市场规则，对待数据分析的目的是创造用户为中心的产出决策。

遭到预算拒绝：不要只关注资源的价值，而是量化你带来的价值。让客户和竞争对手帮助你。

技术转管理：这件事情总是困难的，必须要放弃编码，逐渐在领导和授权方面成熟，领导力的成功取决于启发和激励团队成员的能力，作为一个技术团队的领导，人际交往能力对成长限制比什么都大。

高估：往往我们会高估技术作为核心能力的作用，忽略了公司成功的最大因素在于更普通的，看得见的管理、政治、预算和组织结构上。

《产品学习及企业管理基础知识》https://blog.csdn.net/Su_Levi_Wei/article/details/89313778

《项目全生命周期管理的规范文档》https://blog.csdn.net/Su_Levi_Wei/article/details/94206222

《木头也要懂得讲故事的时代》https://blog.csdn.net/Su_Levi_Wei/article/details/103276666