WAA认证考题——Sidney的解析（第一部分）

【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。