ISPT模型——提高在线营销的投资回报率（2）

【通知】

　　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！