|
图片上传中...... 开篇直接看案例：现有两个广告素材 A和 B，要测一下它们谁更能吸引用户转化，评比的指标是转化率（转化率=转化数/曝光数）。 为保证试验公平，它们都设置了相同的预算额度，并且都在中午12点开始投放，然后到晚上12点同时关闭。 这样跑了半天，两组广告的预算也都基本花完了，结果发现： A一共曝光6500次，转化了70个用户，转化率是 1.077%； B一共曝光6200次，也转化了70个用户，转化率是1.129%。 看到结果后，广告投放师小李就认为 B素材的转化率更高。 这时，营销总监老王却说：到目前为止，我更愿意相信 A要高一些。小李一脸蒙，问：“为啥啊？” 老王解释道：“即使是相同的广告，在不同的时段也会有不同的转化率。一般来说，下午的转化率是低于晚上的，因为大部分人白天都有事情，不太容易被转化，而到了晚上，大家都有空了，所以更容易被转化。” 小李又问：“你说得对，但跟这次投放试验有啥关系呢？” 老王继续说：“我刚从后台看了素材的来量情况——A素材下午转化50个，曝光5000次，晚上转化20个，曝光1500次； B素材下午转化20个，曝光2200次，晚上转化50个，曝光4000次。其实不管是下午还是晚上，A的转化率都是更高的。而你之所以认为 B更高，主要是因为 B在晚上才跑出了量——它捏的'软柿子’比较多，你就误以为它更厉害。” 看到这里，可能你还有点蒙：是啊，如果拆开来看，确实 A更高，但合并看总数的话，又是 B更高，那这到底该怎么看呢？ 坑1：辛普森悖论 上文的现象，就是典型的“辛普森悖论” （Simpson's Paradox）——在某个条件下的两组数据，分别讨论时都会满足某种性质，可一旦合并考虑，却可能导致相反的结论。 这是在其他领域的工作中也会经常遇到，并且经常会坑人的一个现象。 几乎每一家公司，上司都会让下属对业务层面的各种数据进行汇总，然后呈报给自己，并自以为了解了总体的情况。 不过，谷歌的一位数据大牛曾说过：“汇总的数据往往就是一坨屎，没有任何意义。” 为什么这样说？ 抛开专业的数学分析，如果用最通俗的语言来解释，我认为就是：20头猪就是20头猪，50棵树就是50棵树，但如果你硬要把它们加起来（20+50=70），这个70是毫无意义的，什么都代表不了。汇总的数据，除了象征性地汇报工作，往往并无其他意义。 为什么说是象征性的？ 因为如果汇报工作是为了指导决策，那很可能会把人带进坑里。 就像上文广告素材的案例，如果营销总监想偷懒，只看最后的结果，那他很可能就误判了广告素材的优劣。更严重的，甚至会导致后续投放的素材都沿着“坏素材”的方向去优化。 所以在真实的情况中，如果一定要就此盖棺论定，确实是 A要高一些（当然更科学的做法是继续试验，并通过加大预算和严控时段，来减少偶然性，以及不同性质的数据占比的差距）。除了广告投放，辛普森悖论还经常出现在各种各样的数据统计活动之中——需要算比率的统计基本都会出现，比如转化率、留存率、合格率、负债率、投资回报率，等等。 那么，如何才能避免汇总数据可能带来的坑呢？ 关键记住8个字：不同性质，拆开来算。 坑2：误把相关当因果 “啤酒与尿布”的故事大家应该都听过——通过相关性分析，商家发现啤酒的销量与尿布的销量呈高度正相关。于是他们在陈列上，让啤酒和尿布离得更近，以此来提高销量。当然，这完全是个不切实际的、杜撰的故事（杜撰者是 Teradata公司的一位经理——估计是营销经理，为了说服商家购买他家的数据服务，编的软文）。 而这里想说的重点是：相关性分析。 如今，不管是传统行业还是互联网行业，数据已成为企业内部最重要的资产之一。 而各家公司的数据分析师，几乎每天都会做的一件事就是：分析各个因素之间的相关性，并以此来找到增长方法。 比如游戏公司发现：用户玩游戏时间越长，留存往往越好，所以就重点提升新用户的游戏时长，以此大幅提升留存。 再比如便利店通过监测发现：人们逆时针环顾店内的时间占比越大，人均消费就越高，所以在装修和陈列上，就尽量引导人们逆时针行走。因为右撇子的人更多，而一般逆时针环店能让更多商品出现在人右侧，这样拿东西更方便，也就拿得更多了。 不可否认的是，通过相关性分析，确实能找到很多有效的增长方法。 不过，过于迷信相关性，有时会带来相反的结果。比如某社交 APP想提高留存。 他们发现，用户发消息的条数，与留存的相关性系数是最高的。不仅如此，他们还发现，消息条数超过500的用户群体，与没有超过500的用户群体，留存情况出现了断崖式的差异。 于是，为提高留存，团队就提出：假如我们设法提升新用户发消息的条数，尽量使之超过500，就可以明显提高留存了。 再于是，他们就通过设置“阶段性有奖任务”（发消息到一定条数，就会触发获奖提示，并告知下一个有奖任务），将所有新用户的消息条数都给拉了上去，并基本超过500。 然而，最后的结果却是：虽然整体的短期留存上去了，但整体的长期留存反而下降了。 为什么会这样？其实，这就是典型的误把相关当因果，甚至是因果倒置——不是因为条数多，所以才留存好，而更多是因为留存好，所以条数才多。 上述的方案，虽然短期能通过利益提高留存，但对真正愿意使用产品的用户来说，获奖提示可能是一种打扰。另一方面，利益的刺激会带动更多非目标用户（羊毛党）下载和使用 APP，拉低用户质量，所以长期留存就降了。 而最终关于留存的优化方案，其实是在广告方面：因为该 APP是重点参考 Instagram来做的，特点在于图像相关的功能。但此前的广告只是模糊地说了“好玩有趣”，没有突出具体的功能和使用场景，所以造成用户预期与产品不符，留存就不高的情况。 有趣的是，在之前数据分析的结果中，广告与留存的相关系数并不算很高。 坑3：只信看得见的数据 如果说上述两个坑分别是因为对数据和业务不够理解才掉进去的，那么第三个坑，可能就是越理解数据和业务，就越容易掉进去。 数据最大的问题，是它只能显示有数据的信息，而不能显示没有数据的信息。 克莱顿·克里斯坦森将这两种信息分别称作积极数据与消极数据。 积极数据是指有结构、可量化的数据。比如：销量、销售额、留存率、转化率、复购率、利润率、付费率、性能指标、市场规模等（能规范地被整理到 Excel里的数据都是积极数据）。 而消极数据就是指那些没有清晰的结构，也很难被发现和量化的数据。比如用户使用产品背后的动机、情感、观念、习惯以及这些因素跟随时代的变化等。 从业务诞生的那天开始，企业就会掌握越来越多的积极数据，比如：哪些产品卖得最多？哪些产品利润最高？复购率如何？顾客年龄如何分布？市占率是多少？…… 而随着积极数据的增多，它对企业内部的影响也会越大——销售部会根据不同产品的销量和利润，去影响生产规划；品牌部会根据品类在网络上的关键热词，去调整产品卖点；投放部会根据老用户的属性，精准投放新用户；客服部也会根据用户反馈，给产品提优化建议…… 好像一切都会正向发展，并慢慢沉淀为经验。 不过，一些经验之外的东西，也在酝酿和发生着。 以电商为例，当阿里和京东根据自己的增长经验，扩充更高客单价的品类，抢夺更高净值的人群，设立专门的打折促销日，并战略性地放弃低端市场的时候，拼多多却突然冒了出来，并且只用几年用户量就全国领先。阿里和京东其实都没有错，但拼多多是凭什么？那些低线的用户。为什么不用淘宝，却要用拼多多？因为更便宜。为什么拼多多更便宜？因为它有很多作坊货、山寨货。 那为什么这些作坊货、山寨货要去拼多多卖？ 一方面是其他平台不让卖，另一方面是拼多多的拼团模式能让他们薄利多销——跟在线下去赶集一样。 是的，对于低线的用户（包括商家）来说，拼多多才是首个把他们线下购物的场景搬到线上来的APP——不管是组团购物、砍价还是买卖山寨便宜货，本来就是他们线下的日常。 至于淘宝和京东，对他们来说则更像城里的商场——贵，去的次数也不多（而且对他们来说，但凡贵的东西，要看到实物才踏实）。 为什么拼多多能看准这个市场机会，还发明了“社交电商”这个新物种？ 其实，对于低线用户来说，购物本身就是社交——大家一起上街买东西；遇到熟悉的商贩砍砍价，你买一斤花生，他送你两颗枣；你帮隔壁大婶带点葱，隔壁大婶帮你带点盐。既有商品交易，也有情感往来——这就是拼多多洞察到的，关于用户购物的消极数据。 所以，所谓的“帮砍拼送”“社交电商”，本来就来源于生活，来源于对那些消极数据（动机、情感、观念、习惯等）的洞察。拼多多只不过是把它们搬到了手机上，让它更容易发生而已。 至于阿里和京东，毋庸置疑，他们的核心团队一定是既懂电商业务，又精于数据分析的。 不过，这么专业的团队，为什么没有在拼多多之前把握市场机会？ 这里的原因是多方面的。 企业要增长，团队要成长，自然更愿意把注意力放在利益更大的地方——更高净值人群，更高客单价产品，更高频的产品，等等。其实，现在的拼多多也一样。 另一方面，如泉涌喷的积极数据，也很自然地将内部注意力集中于产品和指标，如如何提升物流效率，如何提高广告收入，如何提高用户活跃度，等等。 就这样，在利益和数据的驱动下，他们会越来越了解自己的用户，并为其提供越来越好的产品和服务。与此同时，他们也会越来越清楚谁不是自己的用户——“那些低线的人，就不是典型的电商人群，我没什么精力去关注他们。” 不过，正是这种因数据导致的、慢慢被固化的偏见，才导致市场被分化、被占领，甚至被颠覆。
|
