数字营销分析还要从基础说起
在数字营销的从业者中，有一条分水岭，那就是操作执行层面的数字营销者和懂分析的数字营销者。能够进行操作的数字营销者培养的成本并不高，然而要获得懂得分析那些数字营销人才，几率就很低，其培养的成本也很高。
为此，笔者需要长期在数字营销的人才市场中寻觅那些分析能力优秀的数字营销者，同时对那些悟性较高的初级人才进行打磨。正所谓“师父领进门，修行靠个人”。
数字分析的三驾马车，今天我们讲蓝圈
极诣在过去的几年中，曾经有多次提到过如何去提高你的数字分析能力。在过去的许多文章中，我们也经常关注如何提高数字分析的各个环节，包括一些知识和经验的提供。如果你是极诣的忠实读者，那么相信你一定在这方面有着相对过硬的基础。如果你就是我说的那种数字营销的操作比较熟练，但是对分析一窍不通，数字分析能力弱，或者对分析能力的提高非常困惑的那群数字营销者的话，这篇文章就是为你写的。今天我们要说的东西没有建模，没有回归，仅仅是一些大白话，是基础中的基础，方便任何水平零基础的数字营销人员，快速掌握分析数字营销中各项指标的能力。
维度（Dimension）和指标（Metric）
我们前面提到，数字分析人员的特质是数字的敏感性和洞察能力，需要在长年累月的数字营销工作中不断的累积。数字分析的内容是面向对数字的解释，并且围绕提高转化率的目的来进行。这里要引入数字分析中最重要的两个概念——维度和指标。指标用来表示数字的“好坏”和高低，而维度则用来抽丝拨茧，深层次地分析造成指标高低和好坏的那些原因，和产生综合差异的那些问题的所在。
因此我们的第一步对数字分析来说，就是先熟悉那些指标和维度。维度是帮助我们过滤指标的分类标准，如时间、城市、设备、推广计划、推广组、关键字等。如果数据有格式的话，除了时间维度，维度只能是字符串格式。
Google Analytics中，维度用绿色表示，指标用蓝色表示
对于数字分析的指标，我们把大致它分成两种，第一种我们称为原子指标（Primitive Metrics）或原指标，第二种我们称为计算指标（Calculated Metrics）。
原子指标是指用户行为直接产生的那些数据，比如说展示（Impression）、点击（Click）、访问（Visits）、购买（Purchase）、消费的金额（Sale）。这些数据是实实在在的，不可分的。有一个可以直接区别原子指标的方法，那就是它们都可以直接求和。原子指标有着默认的维度——时间。
相对应的，计算指标是指那些通过原子指标计算而得到的指标。计算指标不可以直接求和。计算指标包含了各种转化率（Conversion Rate）和各种平均指标。
像点击率（CTR）、邮件打开率（Open Rate）、跳出率（Bounce Rate）、投资回报率（ROI）、单位广告收入（ROAS）这样的计算指标是转化率类型的计算指标。
像平均点击价格（CPC）、每千次展示成本（eCPM）、客单金额（Average Order Value）、平均广告排名（Avg. Pos.）、平均访问时长（Avg. Time on Site）、平均单次访问页面数（Pageview per Session）这样的计算指标是平均值类型的计算指标。
了解计算指标的计算过程，对理解计算指标的高低，有很大的帮助。
原子指标的影响因素
对于每个原子指标，我们需要非常熟悉对指标产生影响的那些环境因素。这些因素是产生原子指标的那些用户行为的影响因素。
当我们发现销售下降时，最直接的反应是客人少了。这种解释把指标的变化归因于上游指标，这是其中一种解释，当然还有其他的解释。能够对原子指标进行解释靠的是对业务的理解。比如，我们可能还能得到的其他解释会有：
客人没少，但是存货不够了。（经常处在断货状态）
支付方式出现了问题。（如一下子不能使用支付宝了）
市场上出现了更优或者更廉价的产品、解决方案
服务器出现问题，导致无法结账或跟踪代表丢失
我们上篇提到的创意消耗和创意衰退也会成为指标下降的原因。我们说原子指标可以直接求和，所有可以将原子指标进行维度拆分。在分析上叫做细分（Segmentation），拆分后每一个分类都会有各自的原子指标、也可以计算出新的计算指标。我们要学会细分，因为只有细分，我们才知道这些原子指标的变化，具体会产生在哪里？比如点击率，降低了，我们会去关心的，具体降低在哪？是降低在桌面，是降低在手机移动设备，是降低在华北，还是降低在华东，在我们进行细分的时候，就会需要我们之前提到的维度，
在分析原子指标时，我们要耐心排查，找到成因。
计算指标的影响因素
我们在进行分析的时候，虽然有时候会去关心原子指标，但是更多的时候会关心计算指标的高低。转化率类型的计算指标的分析围绕在参与计算的各个原子指标的变化上。比如说，在进行点击率的高低的分析的时候，首先我们会看展示数（分母）的情况，再看点击数（分子）的情况。这样对计算指标的分析就变成了对原子指标的分析，只是要分析多个原子指标了。
就拿点击率这个指标来讲，如果点击率下降了，我们会先看一下是否展示数大幅上升了。如果确是如此，我们再看是否我们向更多无关的人展示了广告？
如果被展示的群体并没有太大的区别，或者展示的环境并没有太大更改，我们会去看为什么展示数是固定的情况下，点击数却下降了。
决策树（Decision Tree）
综合来讲，在充分细分发现差异点后，我们会发现发生显著变化的那个指标。就如上面点击率的分析，无论是原子指标还是计算指标，我们都会形成一个决策树，这个决策树会抽丝拨茧、层层递进地去分析成因。
这个决策树需要我们的经验和长时间的自我总结。有时候我们甚至会觉得数字分析人员和医生问诊很像。除了“哪里不舒服”，医生经常问“最近吃了什么”，“去过什么地方”，“周围有没有人得病”。这些问题是针对外部的影响因素。而“验个血常规”，则是对相关的指标定量地进行分析。
通过决策树诊断某关键字展现量下降问题
举个例子在SEM中，某个关键字广告的展示数下降了。首先我们会考虑，是否广告预算足够？然后我们看我们的出价是否够高？这个问题包括了竞争对手的出价。如果这些都不是，让我们会看一下这个词的搜索量有没有下降？我们还会看一下自己的推广中还有没有其他关键字和这个关键字产生了竞争关系。
这个决策树是一个推衍的过程，决策树有多少分支取决于分析人员对指标的理解。
所谓参照（Benchmark）和效果（Performance）
没有比较就没有自（shang1）嗨（hai4）
介绍到这里我们还没有提到一个重要的概念——参照（Benchmark）。在数字分析中，Benchmark的选取有着非常重要的作用。没有这个参考数或者说标准数，我们就无法判断这个数值到底是高还是低是好还是坏了。许多数字分析人员经常喜欢用上一周期的数据和现在这一周期的数据来进行对比（所谓“环比”），其实其中会产生许多问题。最常见的是两个问题：
周期过短。比较两个相邻周本身就包含了太多波动（Fluctuations）
事件（Incident）和季节性（Seasonality）。如一季度和二季度存在明显差异，一些事件如双十一、世界杯也会影响表现
在我们的实践操作中，根据不同行业和规模，我们会适当选取最小周期。对于一些中小企业，周变化往往没有太多营养，因为数值上的波动是再寻常不过了。特别是当数值非常小的时候，倘若这一周只有几十个转化，因为这个数值的基数小，当它产生变化时变化幅度的百分比会很显著。另外，我们倾向于选取和我们要考察的周期非常相似，环境非常相似的周期作为对比。如去年十一黄金周对今年十一黄金周（所谓“同比”）。
和不同时间段的历史效果比是常见的方式，其他当然还有和“别人家的孩子”比，优点是宏观环境相似，但是缺点是微观环境以及对方的条件很难确定。
这里的效果并不是指转化率高，它不是一个纯计算指标的同义词。恰恰相反，它往往是原子指标和计算指标的组合。如果我们的ROI很高，但是收入却很低，那么对我们的生意无法产生有意义的积极作用。这时候我们就不能说效果好。效果也不单指一个原子指标。如果我们的收入很高，但是同时投资也巨大，反而亏本，那么我们也不能说效果不错。
转化漏斗（Funnel）的概念
初级数字分析的下半场，都集中在对于转化漏斗（Funnel）的理解。转化漏斗，又称转化通道。大到客户旅程，小到一次访问会话期（Session）我们都可以用转化通道来理解。虽然转化漏斗是经典的营销概念，但是当今的消费者习惯已经越来越复杂，和消费者的接触点也越来越多，我们的转化漏斗已经变成了一个错综复杂的网络。
现代营销的客户旅程远比这个复杂
转化率优化中的转化漏斗在多个转化的过程，从一次展现转化为一次点击（CTR），从一次点击到一次访问（Reach %），Freemium服务中从一次访问到一个注册（FCR – Free Conversion Rate），从一个注册到付费（PCR – Paid Conversion Rate），每个转化过程都存在一个转化率。
转化漏斗示意图
漏斗的概念相当重要，这是从一种行为定义的群体到另一种群体定义的群体的过程，这个过程会产生一个计算指标。你可以把每个这样过程看成一个个漏斗，这一个个漏斗就会变成一个大漏斗。
熟悉转化漏斗不单可以帮你理清一些相关的原子指标之间的关系还可以帮你理解各个转化率的意义。
总结一下
中国的数字营销的人才市场中数字分析人才稀缺，该现状在背后有一个深层次的原因，那就是数字分析的技能并不能通过培训而获得。必须将自己长期沉浸在数字商业的环境中，对数字有敏感性，这样才能培养出或者成长出出色的数字营销分析者。
作为入门基础知识，不在多而在于精。如果你能够牢牢记住本篇介绍的维度、指标、决策树、转化漏斗、参照和效果这些概念并在工作中结合这些概念开始真正思考，那么相信你在数字分析和媒体分析中一定能进一大步。
网友评论