電子商務關鍵數(shù)字優(yōu)化 先要答謝各位讀者，現(xiàn)在一個月一篇文章已經(jīng)遠不如當初承諾的一星期一篇文章，但仍然有朋友苦苦等待，我很辜負你們的期待，真的很抱歉。過去，有些文章，是獻給某些朋友的。今天，這篇文章也想獻給一位素不相識的朋友，包括今天的每期一句，我不知道是不是這世界還會有l(wèi)ight，還會有honesty，但因為他，我信一切會有，因為如果你真的不恐懼來這個世界這個國度，并且為這個渾濁黑暗帶來一點點光亮，那么，你踏步前行的身后，便終可能全是光明。我們與你同在。
著手提升基礎驅動因素
我們在前文中，把影響電子商務關鍵數(shù)字（KBR數(shù)字）的驅動因素區(qū)分為兩類：基礎驅動因素和非基礎驅動因素。我們也強調(diào)了基礎驅動因素的重要意義，在大干快上的時候，千萬不要忽視了打牢基礎。
提升基礎驅動因素，看似抽象，例如我們上回中的例子——“轉化率的基礎驅動”——多少聽起來有些拗口，但操作卻是實在的，具體的。在上回中，我們把影響轉化率的基礎驅動歸結為如下項目，這些項目（item）即是我們需要動手逐個優(yōu)化的。而這些項目優(yōu)化的結果好壞，當然對轉化率的好壞起到至關重要的作用。
案例：如何優(yōu)化KBR之轉化率（3）——關鍵轉化過程優(yōu)化
現(xiàn)在我們開始著手一項一項提升作為KBR的轉化率的基礎驅動因素。這沒有什么神秘的，這些都是網(wǎng)站分析從業(yè)者的基本功，也是網(wǎng)站分析這門學科必學必用的內(nèi)容。如果要編一本網(wǎng)站分析的教材，這些必然是占有這本教材的主體部分。
例如，對于關鍵轉化過程，這是我們大家都很熟悉的，我們找出轉化過程中不佳的環(huán)節(jié)，然后檢視這個環(huán)節(jié)中哪里出現(xiàn)了問題，然后加以改進。
左圖中是這樣的一個轉化過程，電子商務網(wǎng)站上一個產(chǎn)品的銷售過程大致是這樣的過程。產(chǎn)品頁可能本身就是登陸頁，但是更多的時候，訪問者看到產(chǎn)品頁之前會先瀏覽其他的頁面，比如活動頁面、首頁或是商品的列表頁等等，然后，某個頁面上的某個陳列著的商品引發(fā)了購買者的興趣，于是他們才會進入這個產(chǎn)品的具體說明頁（產(chǎn)品頁）。
我們都知道，在進入產(chǎn)品頁直到最后完成支付的一系列環(huán)節(jié)中，任何一個環(huán)節(jié)出現(xiàn)問題，就會影響最終的轉化。例如下圖中所展示的某種問題：
這雖然不是典型的電子商務網(wǎng)站，但“毛病”是一致的，在兩個虛線的方框內(nèi)的轉化是存在明顯問題的。我們通過Google Analytics的預定義轉化（Goal和Step）功能，或者Omniture SiteCatalyst的轉化丟失報告（Fallout），這些問題能夠很容易地被發(fā)現(xiàn)。知道問題在哪里，事情就多少好辦一點，我們可以用數(shù)據(jù)做進一步的證明問題出現(xiàn)的原因，或者有時候只是猜測，然后再改進現(xiàn)有的毛病，并進行測試真正解決這些毛?。ň唧w的這些步驟我們后面會詳談，這里不引申了）。
總之，這是一個很稀疏平常的方法論，我想如果有一本網(wǎng)站分析的教材，這應該是基本的方法論了。
不過，有時候，事情不是這么“完美”的。并不是所有的轉化都有明顯的毛病，如果每個環(huán)節(jié)的丟失率都比較均勻，沒有明顯的短板，你會怎么辦？或者，換另外一種極端的情況——每個環(huán)節(jié)都存在明顯的轉化丟失，你應該怎么著手處理？
顯然，優(yōu)化是永無止境的，沒有明顯短板并不意味著不值得優(yōu)化，而如果每個環(huán)節(jié)都存在明顯的轉化丟失，你肯定更會手忙腳亂。這時候，上面的方法論可能不適用了。事情總都是一步步解決的，你不可能同時對所有的環(huán)節(jié)都進行優(yōu)化，因此現(xiàn)在有三種可供選擇的方案，你會選擇那種？
A. 你會先從轉化的前端開始解決問題，然后逐步深入到轉化的后端環(huán)節(jié)；
B. 你會先從轉化的后端開始解決問題，然后往前推，解決轉化前端出現(xiàn)的問題；
C. 你會決定——這玩意兒好不了了，破罐子破摔吧。
選項C當然是開玩笑，如果你真的在乎這個網(wǎng)站的話，你不會這么聽之任之的。但有時候，我們確實存在恨鐵不成鋼的沮喪，而且確實有些網(wǎng)站只能回爐重造。
A和B，我們往往是按照A實踐，但我會選擇B。
這或許沒有對錯，但我更傾向于B。
原因在于，越深入到轉化的后端，就越可能是“基礎驅動因素”，而轉化的前端，則更多時候，是“非基礎驅動因素”。我同樣認為，有時候，把前端解決好了，會有很直接快速的效益顯現(xiàn)，但我還是固執(zhí)地認為，后端就是更重要些。沒有對錯，只是我的感覺。
個感覺來源于對問題定位和解決的難度會因為這個問題是出現(xiàn)在前端還是后端而不同?？纯聪旅孢@個例子——我們對轉化的前端和后端分別進行優(yōu)化，前端我們優(yōu)化登陸頁二跳率，從40%升高到50%，后端我們優(yōu)化支付轉化率，從40%提升到50%。其他條件不變的情況下，這二者優(yōu)化對整體轉化提升的貢獻是一樣的?？墒?，往往我們的分析和技術團隊資源是有限的，我們?nèi)绾芜x擇？
我傾向于選擇優(yōu)化支付轉化率。有兩個原因。第一個原因，很明確，支付轉化率是基礎驅動因素，它的好壞影響全局。而登陸頁數(shù)量眾多，而且登陸頁是會不斷發(fā)生變化的，并非是基礎驅動因素。
第二個原因，是因為對前端的優(yōu)化相對而言更困難。轉化越靠前端，影響其轉化的因素越多，越分散，解決起來越是費勁。比如，影響二跳率的因素涉及到頁面的設計、call to action、用戶導引、IP流量質量、商品吸引力等等，這些都不是很快很輕易能夠解決的。當然，明顯無知小白錯誤（例如不匹配之類）的除外。
影響整體轉化率的另一個基礎因素是轉化結構。這一點我在幾次演講中都有提到，但沒有聽過我演講的朋友可能并不熟悉。
如下面三個轉化的結果圖所示：
正常轉化是左邊的圖，有泄漏點（如同我們上面講的那個航口售票網(wǎng)站）是中間這個，而不正常結構的轉化（最右邊這個），則是在轉化過程中，很奇怪的沒有按照預訂的轉化路徑，而是發(fā)生循環(huán)，或是“四處亂竄”。通過“全路徑報告”（這個報告在Google Analytics中沒有，但是Omniture SiteCatalytics提供），我們可以發(fā)現(xiàn)這類奇怪的轉化結構。這種結構對轉化效率有重大影響。下圖中，第八條主要路徑（Top 8路徑）發(fā)生了循環(huán)，而且循環(huán)發(fā)生在購物轉化過程中。
興趣閱讀：轉化結構失誤的真實案例
轉化結構失誤是否真的存在？答案是肯定的。一個真實的案例是某一家航空公司的電子客票銷售過程中，發(fā)生了顯著的流程循環(huán)。
我們看到，在用戶選擇好航班，點擊下一步之后，超過40%的訪問者又會回到上一步，即回到選擇航班的頁面。
這種狀況的發(fā)生極為嚴重的影響了整體轉化率，訂票轉化率低至不足3%，但這個網(wǎng)站的同行們卻平均有接近10%的整體轉化率。
發(fā)生這種現(xiàn)象的原因很快被找到，當用戶在航班選擇頁面挑選好某個航班后，相應的價格并不會顯示在這個頁面中，而是需要你點擊“check price”按鈕，進入到下一個頁面中，才能看到你剛才選擇的航班的票價。這是一個顯然不會讓人愉快的設計，而這個設計，也顯然造成了轉化過程中的循環(huán)——當人們看到機票價格并不是自己期望價格的時候，不得不回到上一頁去選擇新的航班，然后再點擊“check price”查看新的價格?？傊?，這樣的設計真的是糟透了。
現(xiàn)在，這個網(wǎng)站已經(jīng)改掉了這個設計。但最初的毛病，在今天卻成為一個很好的反面案例。
案例：如何優(yōu)化KBR之轉化率（4）——導航優(yōu)化
我們解決了關鍵轉化過程的問題，現(xiàn)在我們開始關注第二個基礎驅動因素：導航。
導航優(yōu)化也是網(wǎng)站分析學科中必學的課程，而且這一塊也相對有成熟的方法論。
對于導航，我們關注幾件事情：
首先，導航被過多的使用并不意味著是一件好事。可能你的商品并不容易被人輕易地找到，或者，人們總是容易找不到自己想要的商品，而不斷嘗試通過導航解決問題。
其次，導航被很少使用也是不合理的，這意味著你的用戶沒有訪問深度。
然后，導航區(qū)域本身的設置是否合理？是否有一些導航的入口根本不值得放在導航區(qū)域，而另外一些則應該添補進來？
對于第一、二個問題，我們?nèi)缦陆鉀Q：
導航利用率的評價
導航利用率用來衡量網(wǎng)站導航被整體使用的情況，并進而推算用戶是否過度或者過少使用了導航。當然，我們看到的一般現(xiàn)象是過度使用導航。
導航利用率通過網(wǎng)站中導航的總點擊密度來表現(xiàn)，公式為：
，分母為什么要減去bounce掉的PV，原因在于我們衡量這個值只有對非bounce的visitor才是有意義的。有時為了簡單起見，有時候我也用公式：
，但這個公式的意義顯然不是很精確，減去首頁PV意味著摒棄了首頁的影響，這在首頁最為最主要的landing page的時候說得過去，但并不科學。
上面兩個公式計算的結果，如果數(shù)字越大，表明導航區(qū)域被使用的概率就越高。一般而言，對于第一個公式，我認為這個比例不超過40%是合理的，如果超過這個數(shù)字，說明用戶在導航中轉來轉去，并沒有實現(xiàn)你希望他們?nèi)プ龅氖虑?mdash;—找到他們喜歡的商品并購買它。
現(xiàn)在，你一定會提出一個問題——總PV和Bounce掉的PV是容易拿到的，但導航區(qū)域的點擊數(shù)如何獲得？我的方法很簡單，對所有的導航位置的鏈接URL，均會加上一個參數(shù)后綴，以區(qū)別它是用作導航的鏈接。例如，某一個入口處于首頁的導航區(qū)域，鏈接到銷售Prada的專題頁面上，這個入口鏈接本來是http:///2011/1019/1318993567782.png" border="0" />
總體上，我們認為導航的點擊不太可能平均分布，但是，如果有過于密集的點擊入口，或者過少的點擊入口，你應該考慮優(yōu)化。過于密集，意味著這個頁面上該路徑或者該功能的進入方式太過單一，可以考慮增加一些輔助入口。過少的點擊，意味著這個入口出現(xiàn)在導航區(qū)域中的價值值得重新掂量。
另一個案例是走秀網(wǎng)歷史頁面的導航也存在問題，有一大片區(qū)域幾乎無人問津，這一區(qū)域只有一個宿命，就是消失。
導航路徑合理性
導航路徑合理性也是對導航的重要的評價。方法直接，用網(wǎng)站分析工具的路徑功能即可。好的導航功能有清晰的符合邏輯的路徑，不好的導航則可能出現(xiàn)很多不符合預期的路徑，以及出現(xiàn)更多的循環(huán)。不再贅述。
如果我們繼續(xù)探尋優(yōu)化轉化率的足跡，我們在基礎驅動因素的道路上將必然碰到站內(nèi)搜索。站內(nèi)搜索與導航對用戶體驗的影響本質上是相似的，對于部分電子商務網(wǎng)站，這種影響甚至是決定性的。
引申閱讀：電子商務網(wǎng)站的用戶體驗不一致性
電子商務網(wǎng)站的類型不同，造成了電子商務必然對用戶體驗具有不同的作用。同樣一個電子商務網(wǎng)站，對某一類用戶有很好的用戶體驗，對另外一部分則不盡然。
進一步說，這是人類購物天性使然。
我們購物有兩種情況，一種情況是帶著某種明確的目的進行購買活動，另外一種則是隨便逛逛之后的應激性購買。相對而言，男性更傾向于第一種情況，而女性則后者居多。
電子商務網(wǎng)站往往都是兩者兼顧，但相對而言還是有所偏向。由于網(wǎng)站定位、品類和商品特點、面向的人群不同，電子商務網(wǎng)站仍可以區(qū)分為偏向于服務于明確目的的購買，和偏向于服務于興趣激發(fā)的購買。
前者，例如改良前的京東商城，或者淘寶（你會發(fā)現(xiàn)在淘寶上隨便逛逛真的很困難，你的購買欲不會提升）。后者例如走秀網(wǎng)。這兩類電子商務網(wǎng)站，用戶目的的不同，用戶體驗優(yōu)化的要點也不一樣。第一種情況，很顯然搜索功能必須非常強大；第二種情況，導航和商品陳設則需要非常考究。當然，并不是說對第一種情況導航不重要或是第二種情況搜索不重要，但側重確實是有不同的。
站內(nèi)搜索的優(yōu)化同樣有固定的套路，在Avinash的第二本書《Web Analytics 2.0》中有詳細闡述。我好像已經(jīng)忘記了一些他的原文，所以我就講我在實踐中用到的。
我在很久之前那次擁擠的分享中專門做了如何通過站內(nèi)搜索優(yōu)化網(wǎng)站的內(nèi)容，當時，我的觀點很明確，沒有任何用戶行為比用戶直接搜索關鍵字透露的信息更有價值。今天，這個觀點仍然沒有過時，尤其是在你資源有限無法跟用戶直接對話的情況下。
對搜索的關注如我左圖所示。
搜索利用率跟導航點擊密度是相似的，公式也很簡單：
。搜索利用率高的網(wǎng)站，更偏向于目的購買型，搜索利用率低的網(wǎng)站，則可能屬于興趣應激購買型，或是——搜索實在做的太差了。
除了搜索利用率需要我們自己計算外，其他的幾個關鍵點都可以通過網(wǎng)站分析工具直接獲得。例如，對于高search bounce和refinement的搜索詞，Google Analytics提供很不錯的報告，如下所示：
而0搜索結果頁面則更是非常重要的報告（這個報告Google Analytics似乎沒有），在Omniture的SiteCatalyst工具中，有專門的報告提供：
在上面的報告中，搜索詞“handicom”是返回0結果最多的，如果你是SONY，你一定會知道該怎么辦了。如果我們挽救了這些搜索handicom的用戶，而且滿足了他們想要了解handycam的本意，那么我們的轉化率一定會受益菲淺。
高搜索結果返回頁面是那些承載著搜索結果期望的頁面，這些頁面是否能滿足（或者至少是部分滿足）搜索者的預期，也同樣影響轉化率。
例如，上面的報表中，對于handycam這個搜索詞而言，用戶更多會點擊搜索結果中的首頁。這意味著，首頁最好要滿足這些人的需求，否則他們可能認為，這個網(wǎng)站并不能讓他們更多了解這個產(chǎn)品，更不用說讓他們購買這個產(chǎn)品了。
上面的這些案例，只是想要說明如何在辨識出基礎驅動因素之后，通過研究基礎驅動因素的績效來為改進和優(yōu)化創(chuàng)造可能。我相信這些行動是意義的。不過，上面的這些案例都是分析，并不是優(yōu)化建議本身，更不是帶來的優(yōu)化結果。在我們上面的KBR優(yōu)化路徑中，你還需要做其他一些重要的事情以保證你所采取的行動是卓有成效的。這些，我將在這個系列的最后一篇文章中闡述，包括如何通過測試尋找真正的優(yōu)化方法，以及如何更高級的滿足用戶的轉化預期。
