电商的量化管理：差别不仅仅是在模式上

 

      电商时代的到来，实体门店的销售份额被瓜分，曾经倚重的“最好的地段、最好的门店、最高的费用投入”的“重资产”模式，一点点滑向“负资产”的边缘。

       电商时代的到来，曾经的优势变成劣势，颠覆了我们过去的、成功的销售经验，无论是在定性的直觉上，还是定量的分析上。作为信息时代的销售人员，尤其是那些从传统销售转向网络销售的人员，重新认识我们已经掌握的销售理论，重新学习新的销售指标和方法，是转变销售认识的重点。

 

“流量即销量”——从消费者流量到消费者价值

 

       就像实体店里对人气的关注一样，虚拟世界中，对流量指标的关注，较之于现实销售有过之而无不及。两者的区别在于：实体店的人流，是货真价实的人流，来一个算一个；而网络上的人流量，你还真要好好掂量每一个指标。

 

到底有多少人流量

 

       恐怕很多人都认为，电子商务是最适合数字营销的平台。计数工具的大量使用，让我们省去了人工计数的麻烦，似乎也真正实现了“机器的使用成本低于人的使用成本”这个假设前提。但是，在实体店中最简单的一个计数功能，在虚拟网络上的复杂程度，可能都超出了你的想象。

 

       本次促销活动共实现PV浏览量45万次，独立IP访问量9万次，访问量（VV）达到了18万次，独立访客（UV）10万次。此次活动的人流量较上次活动提升了130%以上，且82%以上的订单数来自新访客，回头客仅占18%。请问此次促销，该网店到底有多少人流量指标？这一次活动真的带来了82%的新客户和18%的老客户吗？

 

       PV浏览量是指页面的浏览量，是指客户每打开一次该网站的任何页面，PV就会自动计数“＋1”，这个指标明显偏大，自然不能成为客户流量的统计指标。

        独立IP访问量是指一个独立IP，在一个统计时间段内（一般是一天），无论其进出网站多少次，均只计数为1次。这似乎是用IP地址来判断客户流量的指标，但实际上，独立IP不能作为判断标准的主要原因就是：不少局域网都是采用共享IP的方式上网，10台机器共享一个IP，甚至上百台机器共用一个IP的情况也不少见。无论是新客户还是老客户在网络上实现购买行为，网络计量器都无法分辨。用这个指标统计客户流量，访问标准又过于偏小。

       访问量（VV）是记录访客一个统计时间段内，多少次访问网站的行为。一个客户一个统计时间段内，可能多次访问同一网站，访问量将被多次统计。通常，若访客连续30分钟没有新开和刷新页面，或者访客关闭了浏览器，则被记录为本次访问结束，访问量也统计一次。这个指标统计出来的流量，一般会偏大。

       独立访客（UV）是在一个统计期内，相同的访客多次访问同一网站只计数为1次。这似乎是一个真正反映人流量的指标。但真是这样吗？

        首先，计数器在实际操作中，是对电脑台数的统计，而不管这台电脑的使用者是谁。换句话说，10个人在同一个时间段内，用同一台机器浏览这个促销网站，计数器都只会计为1；如果1个客户用10台电脑浏览同一个网站，计数器则会计数为10。

        其次，在监控有人访问网站时，计数器会在来访者的电脑上留一个痕迹，我们俗称Cookie，再有人用这个电脑登陆同一网站时，系统会自动比对Cookie，发现Cookie就会纳入到老客户统计数中，没有发现Cookie就会纳入到新客户统计数中。

        在明确了PV浏览量、IP访问量、访问量（VV）、独立访客（UV）四个统计指标的计数方法后，我们发现，没有一个指标能精确地统计出网站某个时间段内的真正人流量，最接近网站真正人流量的指标是独立访客数。

        在新老客户的统计上，Cookie只能分辨是否是同一台电脑。如果一个客户用多台电脑浏览同一网站，新客户的数据就可能偏大；而多个人用同一台电脑浏览同一网站，新客户的数据就可能偏小。所以在新老客户的判断上，采用是否为注册用户这个指标，更有价值。

 

网络上的客户价值

 

       网络客户的最大障碍是信任问题，由于不见面做生意，订单的取消和获取，比现实交易更没有压力。为了约束这种不确定行为，我们一般将互联网零售领域的消费人群按含金量由低到高分为：普通网民、注册用户、实名注册用户、经过身份认证的实名注册用户、具有信用体系的实名认证用户五个层级。在网络交易中，一方面根据用户的认证等级区分客户；另一方面根据客户的行为指标判断客户价值。

 

（一）注册用户量和活跃用户比

 

       注册用户量是指在互联网零售领域后四个层级的客户数量，等级越高的客户数量占比越多，注册用户量的客户价值越大。

 

活跃用户比＝近期活跃客户数／注册用户量

 

       备注：活跃用户比体现的是客户状态，近期活跃客户数的“近期”一般指的是15~30天的统计期，客户在该网站上是否有浏览痕迹。很多网站可能有几百万的注册用户，但实际活跃用户只有1~2万。“活跃用户比”较之于“注册用户数”更有实际操作价值，有些网站为了拉高这个指标，故意延长统计期，所以在对比这个指标的时候，一定要注意询问统计期的时间、注册用户的等级。

 

（二）客户停留时间的陷阱

 

       一个网站，光有点击率是远远不够的，除了网络作弊器可能会干扰我们的正常分析外，将那些非目标客户吸引到我们的网站，实际上也是对网站资源的浪费。

 

       最近的一次促销的版面设计，整个活动时间1小时，网站客户停留时间见下表（表9-1）。客户停留总时长和访客数，相比上次促销均有大幅提高，网站黏性明显提高（这样的评价是否合适）。请计算此次活动每个消费者在此网站的平均停留时间。根据平均停留时间，能否判断在下次促销活动设置中，将新产品的自动弹窗的跳出时间，设定在消费者网站平均停留时间之前弹出，最大范围地传递新产品信息。

 

表9-1 客户浏览网站时间表

 

	首页时间	会员页时间	产品页时间	停留时间
消费者1	12:00:00	12:03:24	12:05:36	0:05:36
消费者2	12:00:01	12:04:10	／	0:04:09
消费者3	12:01:35	／	12:07:56	0:06:21
消费者4	12:03:11	12:04:23	／	0:01:12
消费者5	12:03:00	12:07:27		0:04:27
消费者6	12:10:05	／	12:13:09	0:03:04
消费者7	12:10:11	12:12:16	／	0:02:05
消费者8	12:11:25	12:12:30	12:13:45	0:02:20
消费者9	12:11:37	12:14:54	12:15:55	0:04:18
消费者10	12:11:43	12:14:00	12:18:58	0:07:15
消费者11	12:11:22	12:13:33	／	0:02:11
消费者12	12:12:02	／	12:16:00	0:03:58
消费者……
消费者10000	12:59:42	／	14:59:59	2:00:17
合计	／	／	／	700:00:00

 

        根 据定义，平均网站停留时间是指每位访问者平均在网站上停留了多长时间。每个消费者网站停留时间的具体公式如下：

 

每个消费者的网站停留时长＝进入最后一个页面的时间—进入网站第一个页面的时间

 

        备注：Web计数器是从登陆第一个页面请求开始计算时间，从开始时间到登陆下一个页面的时长，称为第一个页面的停留时间，其他页面的统计时间以此类推。这种计数方式，导致消费者停留在最后一个页面到离开网站之间的时间，只能统计为零。如：消费者1首页的停留时间为3分24秒，会员页停留时间为2分12秒，而产品页停留的时间却为零。这是消费者网站停留时间统计的最大缺陷，这也是消费者停留时间的最大陷阱。

 

平均网站停留时间

＝网站总停留时间／会话的数量（访次）

＝（700小时×60分×60秒）／10000人次

＝4分12秒

备注：会话的数量是以访问数（VV）为统计单位，而不是独立访客数（UV）。

       如果以平均网站停留时间作为衡量网站黏性增加的标志，实在过于片面。因为新设计师完全可以通过增加页面链接或者在消费者完成目标的过程中设置障碍，达到延长消费者网站停留时间的目的，实际上这样的结果是以让消费者不愉快体验为代价的。

       以4分12秒作为新产品广告跳出的时间，存在的最大问题是：个别消费者停留网站的极端数据对平均网站停留时间的影响。如有些用户登录某些页面后离开电脑，导致在某个页面停留时间过长，这是影响平均网站停留时间的最大问题。我们前面曾经讲过“众数”的概念，即如果要以客户停留时间作为广告投放的依据，建议不要采用平均网站停留时间，而应该用消费者在网站停留时间的“众数”，作为投放依据。

 

（三）网络客户价值的指标

 

       在传统零售业的经典计算公式中，曾这样粗略地描述销售结果：销售额＝人流量×入店率×购买率×客单价×回头率。在网络零售业态中，也会提及这五个指标，只是在统计方式上有自己的特点。在购买率指标上，网络用对应的提袋率和订单转换率。

 

       某零售网站4月零售数据如下：整体独立访客流量10万，整体访问量15万，消费者将产品放入购物车共有1万次，当月的购物放弃率为50%；消费者将产品放入收藏夹1万2千次，当月的购物放弃率为60%；通过页面直接购买的行为有1000次。请确认该零售网站4月的提袋率和订单转换率。

 

       提袋率：在线下销售中，提袋率大多是衡量进店总人数与实际购买人数之间的比例。在互联网零售业中，有些企业将提袋率作为衡量潜在消费者的指标，特指在一定时期内，将商品放入购物车和收藏夹的顾客人数占该时间段网站访问量的比例。

根据定义，4月该零售网站提袋率为：

 

（网购）提袋率

＝（放入购物车的次数＋放入收藏夹的次数）／总访问量

＝（10000次＋12000次）／150000次

≈14.67%

       提袋率描述的是至少有14.67%的消费者，对指定网站的商品有消费兴趣。

       购物放弃率是指点击“进／加入购物车”或添加到收藏夹按钮，却没有点击“结账(或者立即支付)”按钮的顾客，占全部点击“进／加入购物车”或添加到收藏夹按钮的顾客的百分比。

 

购物放弃率＝没有确认订单的消费次数／（放入购物车的次数＋放入收藏夹的次数）

订单转换率＝进行了订单确认动作的访问量／总访问量

＝[10000次×（1－50%）＋12000次×（1—60%）＋1000次]／150000次

＝7.2%

      至少有14.67%的消费者对我们的产品感兴趣，但是最后只有7.2%消费者实施了购买行为。购物放弃率过高是订单转换率过低的一个重要原因，但是简单地认为消费者购物体验不够、付款手续不方便是购物放弃率高的根本原因。

 

（四）不做一锤子买卖

 

       不做一锤子买卖，是生意人对消费者负责，更是对自己负责。在电商营销中，对好评率、回头客比例，包括客单价都是对销售持续性评估较好的指标。

        在公司的两个平行网站Jone和Horace，负责策划促销活动。从统计数据来看，两场活动带来的流量差不多，销售额也基本相当，是不是这两场活动的效率差不多？对这两场活动本身，我们也没有什么好总结的。

       从活动的表面来看（流量），以及从结果上看（销售额），两个活动似乎没有什么太大的差别，但是当我们观察以下数据，就会发现两者的差距。

 

表9-2 两场活动数据表

 

指标	Jone	Horace
访问数	30万	25万
独立访客	20万	20万
订单数	6000张	5500张
回头客数	12万	6万
好评次数	4500次	4500次
销售总额	200万元	200万元

 

       从订单转换率（订单转换率＝进行了订单确认动作的访问量／总访问量）来看，Jone的转换率是2%，Horace的转换率是2.2%，Horace在促成交易环节把握得更好。

        从回头客户比例（回头客户比例＝回头客数／独立访客数）来看，Jone的回头客比例为60%，Horace的回头客比例为30%，Horace的活动吸引了大量的新访问者，而Jone的活动信息主要对老客户有影响。

        从好评率（好评率＝好评次数／订单次数）来看，Jone的好评率为75%，Horace的好评率为81.82%，在售后问题的解决方面，Horace更注重客户活动体验和后续的销售达成。

       从客户均单价（客单价＝支付成交金额／成交用户数）来看，Jone的客户均单价为333.33元，Horace的客户均单价为363.64元，Horace的活动在促成消费者“买更多”方面更有效果。

 

         小贴士：在电商的销售评估中，如果简单地看流量和结果指标，会让我们丧失大量的潜在销售机会。从多维度，至少从回头客比例、好评率、客户均单价等指标上，评估一场促销活动的实际结果，更科学合理。