作者：赵艳斌等
出版社：电子工业出版社
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
衡量数字世界:使用数字分析达成更好的数字体验试读：
前言
我们究竟该如何理解我们周围的世界呢？因为它不是很明朗的。
我们的感官将永无休止的数据送到我们的大脑。原始状态的数据是极其复杂的。我们吸收事物的形状、表面、大小、颜色、运动、气味和质感，而且这一过程似乎毫不费力。然而，即使最强大的超级计算机也无法实现实时处理。但是，对于具备适应性的人类婴儿大脑，在一些精心预布线的帮助下，毫无疑问，他们可以学习如何理解这些数据并解析它们，并且对于潮汐式的信息激增可以明智地迅速反应。
几个世纪以来，哲学家们认为无法核实我们自身之外的世界存在。我们只能从内部、从无尽的常量处理过程认识世界，我们把这些称为意识和明显的数据流，我们认为这些数据是由我们的眼睛、耳朵、鼻子和手指产生的。物理世界中有些事情的存在，大大超出了我们的质疑能力。但是我们只能通过解释本质上的抽象数据了解它。
我们通过实施一些模式理解世界，在大自然无穷无尽的实验室中，已经有一些基础模式，留下深刻印记并深深植入我们的思想。大小、形状、颜色和运动只是人类对物质世界理解的几个核心构件。一旦意识数据漏斗进入大脑，我们便尽快进行检测，按照关键维度对它们分类，然后测量和比较所有数据。
这就是物理世界。进化可以确保我们知道如何理解它，即使我们自己都不知道我们是如何理解的。但是，我们不再把我们所有的时间都花费在物理世界。因为我们也生活在数字世界里，它有不同的规则、不同类型的数据、不同的参考帧，以及不同类型的测量。
在过去 17年的时间里，我的工作一直是数字世界测量。为了从它呈现给我们的巨大数据流中收集数据，进行基本的分类工作十分必要。通过开发框架设备、维度和测量指标，我们可以像解析周围的物质世界那样，轻松地理解这个数字世界。这是很重要的工作，因为只有当我们理解它是如何工作的——看它如何为人们工作而不是从编程的角度看它如何工作（虽然我开始作为一名程序员），这样我们才可以塑造和改善这个世界。
现在，我们花费大量时间、精力和金钱，努力改善数字世界。我们做这项工作的好坏可以决定公共政策（healthcare.gov）、我们钟爱的生命健康（eHarmony），以及我们知识世界状态（nytimes.com）的成功和方向。
这项工作并不容易，而且它还没有结束。我们仍然像刚出生的婴儿那样，需要学习解析数字传感器的数据。
数字世界是迷人的。而且不像物质世界，我们没有测量和理解数字领域的预布线。因为没有较大的预构建优势，所以我们解释错的概率要比正确的概率大得多。但是当我们正确解释后，我们至少知道我们做了什么。
接下来的章节将告诉你，我们目前已经掌握的关于如何测量和理解数字世界的知识。第一章 数字意义
我们有专用的数字世界测量工具。毫无疑问，我们假设这些测量工具给我们的数据是正确的，但是事实却不是。甚至在人们还没有对数字测量有基本了解和认识之前，大多数数字分析工具就有了一套标准的网络指标，但是这些主要的分析工具，却未能充分利用这些广泛使用的数据。数字挑战：我们的指标和测量缺乏意义
然而，最常见的数字指标几乎是无用的，它们以错误的方式测量错误的事情。在最基本的层面上，他们未能将数字世界发生的事情和我们对人们行为的理解连接起来。在这一章，你将意识到数字测量和分析面临的基本挑战，而且你将会明白，为什么共同的标准和报告不能轻易回答，这些是你可能会询问的有关数字世界的基本问题。杂货店里的无形顾客
想象一个非常正常的杂货店，店内备有麦片、牛奶、啤酒、葡萄酒、鸡蛋、冰淇淋、罐头食品、蔬菜和水果，而且当然，通常在收银台旁有各式各样的美食。现在想象一下，你看不见顾客和他们的购物车。当顾客到达时，你会看到门自动打开；当他们离开时，你能听到收银机声响。虽然你知道他们买了什么，但其他一切活动仍然隐秘。因此，你很难知道商店运作的情况，而且你不知道可以做些什么使它运转地更好。消失的物品或品牌是消费者想要的吗？商店的储物和上货方式能方便顾客的日常生活吗？这有助于最大化顾客的购买行为吗？你给每个类型的商品分配适量的货架空间了吗？为了让一个顾客消费更多或者更忠诚，你可以做些什么事情？
多年来，这些类型的问题一直是营销专家研究、思考和从事的课题，它们在数字世界存在之前就进行了。有趣的是，他们发现可以回答这些问题，即使出于实用目的，客户看不见。同样有趣的是，他们发现，如果你不知道客户是谁，某些类型的问题更难回答，对于很多问题，数据可能帮助建议可能的答案，但是却很少提供明确的指导。
例如，假设在你的商店里，你发现高频购买的物品是牛奶、啤酒、鸡蛋和薯条。那么你可能会将所有这些东西一起放在商店前面的某个地方，它应该方便客户，使他们能够快速有效地找到所需要的东西。把顾客常买的物品放在最前面，你的超市是这种布局吗？
然而，真实的情况却几乎完全相反。这并不是因为你看不见！有两个原因解释不同超市的这种情况。消费者常常都过于玩世不恭，所以你可能确定出了第一个原因。杂货店并不是按照你的便利进行设置。它们经常把人们频繁购买的商品放在商店的后面，甚至有意识地试图将它们放得更远。如果在杂货店你从来没有过即兴购买，那这可能就是一件怪事。但是，如果像我一样，你沿着奶制品通道行走，你可能会向购物车里添加一些即时可烤的饼干，或者你在啤酒旁边扔入一袋薯片，所以这并不难理解为什么超市如此设置商品布局。通过尝试不同的店面布局和测量人们买了多少人商品（他们购物车的平均情况），店面设计师可以最大化总销售额。请注意，大多数杂货店指望你做出去哪儿购物的决定基于一些其他因素，而不是在商店内你需要多长时间找到你需要的物品。他们知道价格、选择和位置要比便利更重要。如果一家杂货店的隔壁新开了一家杂货店，它也有相同的选择和价格，那么商店可能会通过便利的布局进行竞争。但是，大多数商店将他们的布局当成是最大化他们利润的机会，而不是缩短你的时间。
杂货店没有按照便利性设计布局的第二个原因，要比追求利润最大化有趣和重要得多。杂货店有多个客户，你猜怎么着？他们都是不同的。当杂货店跟单员开始研究人们购买什么商品时（他们仍不知道他们是谁，只知道同一票上购买了什么东西），他们发现截然不同的购物模式。在一个杂货店里，啤酒和牛奶可能是最常购买的两类物品，但是他们通常并不是一起购买。然而另一方面，薯片却常常和啤酒在一块购买。而且牛奶买家往往向购物车内添加麦片和鸡蛋。所以，一个杂货店，将常购买的物品聚集在一块可能效果并不好，或者它并不是对每个人都特别方便。
更重要的是，即使现在一个特定的布局设置运转起来很好，但是也许明天就不能适应人们的需求。当业务员只能看到每个购物者的收据，他们没有办法判断出人们的购物习惯和多样的购物模式。在他们的理解上存在着巨大的漏洞。为了绕过这个漏洞，杂货店创造了顾客忠诚度计划以换取折扣，这样他们可以了解你每一次购物之旅的实际情况。他们发现大多数人每次在杂货店的购物方式都不一样。当我们购买我们所需要的一切商品时，我们大多数人都有固定的购物探寻模式，沿着每条通道上升和下降。当我们须要遍历商店每一块区域时 （或者，以我个人的购物经历，在我记忆中需要遍历两到三次），店面布局可能并不是一件大事。但是，有时我们去杂货店是因为我们刚刚喝完啤酒或牛奶，但愿不会如此。这时，我们可能停下来吃午餐或者购买特定配方成分（如面粉、袋装巧克力、香草精和鸡蛋）。这些商品属于非常不同的类型，所以如果杂货店可以让每次购物经历都完美 （或者对杂货店来说完美），那么这将是一件伟大的壮举。商店也希望能够做到这样，但是当你已经走进门口，很难将这些商品摆在货架上。
我们不要忘记登记处放置的那些巧克力棒和女性杂志。很少有人为了买一块“士力架”巧克力和都市性（美国俚语，对一些杂志的称呼）去杂货店，但是我们中的许多人可能会被某些其他人的购买而驱动购买。对于那些在杂货店徘徊而无事可做的人，他们会被驱使购买吗？这就是这些“糖果”的去向（满足眼睛和胃的需求）。
当我们着手思考数字世界时，我们可以从这些杂货店跟单员那儿学到很多东西。最直的道路并不总是最好的。你的目标并不总和客户目标一致。并不是每件产品都一样，有些产品比其他产品对位置更敏感。商店没有理想的布局，因为它不只有一种类型的客户，而且客户并不总是做同样的事情。最后但也是最重要的一点，人们实际上做了什么，告诉我们很多关于他们是谁和他们为什么做这些行为的信息。得到数字
我们对数字世界视而不见。我们很无助，因为没有办法知道我们的网站是挤满了访客，还是和商场关门时一样空空如也，我们不知道收银机是在忙碌还是保持固有沉默，我们不知道客户是年轻还是年老，我们不知道网站内容是被全神贯注地阅读还是几乎杂乱无章地跳读。我们需要“眼睛和耳朵”来帮助我们了解数字世界。某些工具具备这种功能，可以跟踪和可见的那个世界原本看不见的模式。这些数字分析工具既强大又丰富。它们可能包括成百上千份报告和似乎暴露数字行为方方面面的选项。我们太容易忘记如何依赖这些确切性工具，我们假设他们向我们展示的内容和展示方式就是数字世界存在的一切。
我们对物质世界的自然感官给我们带来很多好处。我们对所看到的一切保持一种坚定不移的信念。即使我们有身体感官，但它太容易忘记它所提供的进入世界的窗口是狭窄的。
还记得 2015年早春，一件裙子图片像病毒一样传播散开吗？许多人认为这条裙子是黑色和蓝色，其他人认为它是白色和金色。如果你看的时间足够长，那么你可能会看到它呈现的各种颜色。如果你没有听说过这条裙子，而且你也不相信任何人都可以看到不同的呈现颜色，如果这件事情也深深触动了你，那么你可以浏览一下相关网页并仔细看一下，它一定会让你大吃一惊。
视觉错觉仅是眼睛误导我们的一个方面。尽管我们可以看到颜色（无论我们对此多么不同意），但我们却看不到热量。
为什么我们要看到热量呢？
好吧，我们为什么不能呢？
红外摄像机可以看到热量。热量只是另一种波长，在很多情况下，看到热量要比看到光有用得多（例如，在晚上打猎时）。对于这个问题，如果我们可以看到无线电波会怎么样？听力和视力似乎是完全不同的，但是它们都是我们体内不同器官使用的一组波。我们的无线电波眼睛会理解麦当娜的歌吗？可能并不会理解太多。
一个简单的事实是：我们的真实感受到我们体验它的工具限制。
这一切与数字分析有什么联系吗？我们的数字分析工具是进入数字世界的窗口。我们只认为它们可以跟踪或思考的事情是重要的。我们从服务器看到用户请求的页面，但是我们看不到需要多长时间完成页面加载。我们可以看到用户单击的链接，但是我们通常看不到用户滚动到页面的哪一部分。我们（有时）看到用户来自哪一个网站，但是我们 （通常）看不到用户前往哪一个网站。这些选择深刻地影响着我们如何看待数字世界的方式，以及我们倾向于重视什么。
如果我们的工具不是很好该怎么办？如果对于真正的数字世界或者理解里面什么事情重要，而它们选择捕获的事件或者它们选择展现给我们的方式，只给了我们一个模糊的印象，那该怎么办呢？
从一开始，我就从事数字分析。甚至在一些小的方面，我亲眼目睹和帮助促成这些数字工具的进化。因为我经历了它们的发展历史，所以我知道跟踪数字世界里的事情和如何进行跟踪的决定通常是临时和肤浅的。
所建立的第一个数字分析工具是为了阅读博客。建立这些日志并不是为了理解和测量数字世界。创建它们是用来记录一个网络服务器正在做什么，这样 IT专业人员可以跟踪许多操作问题（虽然很少使用这一功能）。这些日志记录了集中的IT信息，关于哪一文件内容被请求、处理它的精确时间、哪一个 IP地址发出的请求、发送了多少内容，以及请求是否成功。
因为这些属于日志的记录字段，所以当我们第一次建立数字分析工具时，这些也都是我们使用的字段。因为我们是一个聪明的团队，所以我们从这些梗概组字段中插入了很多内容。我们通过设备请求，找到一种分组这些记录的方法（我们立即人格化访客）。通过查看请求之间的时间间隔，我们创建一个任意时间限制，可以将这些请求分组为不同的批次，并且我们标记这些访问请求的批次。然后我们可以看到在这些批次中，访问者最先看到的网页，我们称为入口页面。我们也可以看到最后处理的批次页面，我们将该页面称为退出页面。
重要的是，要意识到这些决定是多么的随意。当访问者第一次到达一个网站时，有时网站记录下访问者先前访问的网站——这个叫作推荐站点。通过保存每批记录（访问）的推荐站点，你可以了解哪些网站对你的页面生成流量。但这里有一个特点：通过定义 30分钟作为任意时间限制对这些记录进行分组，有时我们创建的情况会有多个推荐站点；在其他情况下，访客有一个推荐网站是他所浏览的同一个网站的最后一页。
例如，假设一个访客通过谷歌搜索找到你的网站，并浏览了一个页面。然后，游客返回到搜索引擎进行另一个搜索，并浏览了一个不同的网站，从这里到对你的网站链接都属于 30分钟内的第一次请求。这种情况下，一次访问就有了两个推荐网站。这听起来有点不可思议，但在特定的排列下却并不少见。许多网站会话将会在谷歌界面和你的网站页面之间多次穿插。
甚至更有可能的是，特别是在我们标记的浏览器中（它在所有这些定义都创造之后出现，你应该还记得没有标签的浏览器，对吧？），游客将浏览视图页面或者其他地方的选项卡，在上面花一些时间，然后回到你的网站上并查看另一个页面。这是同一个会话吗？根据我们的工具，如果时间间隔在 25 分钟之内，那么它们属于同一个。但是，如果发生的间隔超过 31 分钟，那么便不是。如果它发生的间隔超过 31 分钟，那么你就会拥有一个全新的访问自己网站的推荐站点！
不管时间长短如何，利用推荐网站而不是你自己的域名，决定一批记录的分类是完全合理的（可能也更合理）。但是，一些早期的服务商却并没有这么做，所以这种分类定义处于困境并卡住了，并成为实际上的人工品。
如果一次访问只是被粗略和糟糕地人为定义，那么入口页面（浏览的第一页）、退出页面（浏览的最后一页）、浏览时间 （在浏览期间，第一个和最后一个访问请求之间的时间间隔），以及推荐站点（域名记录在访问的第一条记录中，作为推荐站点，因为用户来自该站点）也会如此，这些概念都基于我们定义一次浏览访问的方式。
随着我们不断在页面上阅读语句，我们利用工具看到的数字会在我们脑海中占据特权地位。但是，如果标准的网络指标的唯一问题在于定义上存在一些马虎，那么我们的情况就不会那么糟糕。至于使用定义 30分钟的不活动时间和按照推荐站点的域名进行分类来说，会产生多少区别呢？然而，这很难说。
通过展示这些度量标准在构建时有多么随意，我希望能减轻它们的特权地位，这样可以更容易说服你，它们不仅是任意的，而且它们在很大程度上误导了你。
网络测量开始于博客，它的目标是测量数字属性。这种以前的偏差依然存在于每一代数字分析工具。分析工具的间接目标是测量网站或应用程序。现在，这个目标没有了，如果说这一目标不是重点，那它也是一个大的部分。在数字世界中，我们的目标应该是了解我们的客户，而不是我们的数字属性。
为了实现这一目标，我们的工具一直改善——可能超过了我们的做法。数字分析工具提供重要和有趣的分类功能，使你能够定义和跟踪有共同点属性的一群人，划分相当复杂的行为，并比较不同类型的用户。他们甚至提供有限功能将非数字数据集成到报告。
这很好，而且技术似乎也在不断改进。虽然工具的功能有所改善，但是它们所提供的基本观点没有多少改变。数字分析工具中有多少报告可以告诉你关于客户的任何信息？对于这个问题，在你的组织中，你生成了多少与客户有关的数字报告？而且，它们在多大程度上可以真的帮助你理解数字世界？
闭上你的眼睛，设想一下你的网站。想象各种各样的人们在网站上穿梭。他们在这里或者那里逗留。他们沿着一定的路径访问，忽略其他路径。他们看这个或那个内容。他们购买一些东西或者选择退出。你能看到这些情形吗？
现在，打开你的网络分析工具，它生成的报告可以帮助你可视化场景吗？它能帮助你了解客户是谁吗（他们购买啤酒和薯片，或者牛奶和鸡蛋）？你能够找到不同类型的顾客吗（他们沿着每条通道向下跑，或者只是家里东西用完了）？你能找出哪些最常见的购物类型吗？它能帮助你设想哪些客户最经常进行哪种购物行为吗（周五晚上就跑出去购买啤酒和薯片）？换句话说，它确实帮助你理解数字世界了吗？或者它们只是让你面对缺乏意义的数字，尽管似乎看起来还算合理？
我第一次开始数字世界测量的经历，要追溯到过去某个实间，那时网站还是全新的名字，而且人们还在谈论万维网。我花了几年的时间与几个大型信用卡公司合作，分析人们使用信用卡的方式来创建营销计划（对了，我对发送的所有垃圾邮件表示抱歉）。我们使用一些非常奇特的分析技术把人们聚集在一起，了解他们使用信用卡的方式，然后对他们进行分类。这很容易但却很强大。它不需要分析天才，就可以知道持卡人经常在内曼马库斯百货商店消费四位数，而不是在当地的沃尔玛超市消费两位数的顾客。
当我第一次亲手得到网络行为数据时，我进行了同样的（神经网络分析）分析并自豪地推广这个结果。但是，尽管我的信用卡细分确实是有趣的和有用的，然而我的数字分割看起来像一些倒金字塔怪物（见图 1.1）。图1.1 倒金字塔
那些把目标定在 “浏览 3～5页”的人们，没有人最终致富。
我花了数年时间，了解到数字测量工具提供的东西并不是那么有趣，无论我使用一个多么强大的工具用于研究数字行为，此外如果我选择了错误类型的变量，那么我也不会得到有趣的结果。
所以先把你的数字分析工具放下几分钟。忘记所有相关的网页报告、推荐网站、平均页面时间、靠前的退出页面、访问数量、平均转化率，以及整个索然无味的网络指标和报告的聚宝盆，这些工具都是按照默认弹出的。从最字面意义上说，这些都是垃圾，它占用了智力空间，但闻起来却很差。
你须要找到一个更好的方法，去理解数字世界。第二章 两层分类
如果所有这些传统的网络指标都不重要，如页面浏览量、访问数及在线时间，那么什么重要呢？本章主要讲述随着时间推移，寻找有意义的数字世界测量是如何发展的，以及对于当前关键性能指标（KPI）的思考，并不能解决描述数字世界的深层次问题。在本章，你会看到一个框架，它旨在提供更深入的数字世界测量——两层分类。创建数字测量基础
当我大学毕业时，我在美国一家最大的政治直邮公司工作了几年时间。在一次选举周期中，我们产生了数百万条消息。当我第一次在那里开始工作时，我们发出的大部分信件都是提前打印的。每一封信件都相同，利用同一个印刷版本在连续油墨辊内完成。我们只是简单地通过电脑打印机运行那些油墨辊。它们在纸上印刷名字和地址，这些信息将出现在信封的窗口。然后机器剥掉穿孔，将信切好弄平，把它们塞进信封袋，并运送到邮局，然后大批量的这种信件便到达不同的家庭（对此表示抱歉！）。
作为一个程序员，对于任何给定的选举运动，我编写代码选择出要打印的名字。在我开始这项工作之后不久，一种新的信息技术来临了：激光打印机。这些打印机并不是桌面激光印刷，它如野兽般一样疯狂，它可以每小时印出数千页并生产足够多的政治噱头，足以抑制每一头非洲大象。但是，使它们变得伟大却不是因为它的速度比之前打印机的速度快，而是它可以将每一页都打印得各不同。每个页面都是计算机成像而且完全独特，但仍然看起来很棒并能高速印刷。现在，我们不仅可以在一个固定窗口的某个位置显示别人的名字和地址，而且我们还可以将把它们插入到文本。
加里，我们做到这些了！加里，我们到处插入别人的名字！加里，我们做到了，因为它起作用了，而且加里，我们必须承认因为我们可以，所以我们做到了。过去，人们不习惯看到候选人个性化的选举信，但是现在他们很喜欢，真的，加里！
但是一段时间之后，加里，人们的兴奋已经不见了。加里，他们已经厌倦了所看到的名字，特别是在那些不会增加太多选举效果的地方。所以我们停止了。加里，我希望你能理解这种有点难过的事情。
你可能想知道为什么我会讲述这个故事。
在过去 15年的时间里，我建立了无数的数字分析报告。随着时间推移，这些报道已经进化，而且方式也发生了变化，它们和以前的激光打印机时代已经不一样了。
当我们第一次开始建立数字报告时，我们填充我们可以做到的每个数字，甚至来回反复填写，我们的工具给出了很多数字。我们一般利用 Excel 产生这些报告，它们由一系列看似无穷无尽的标签组成，每个都有与它们自己规模相当的大的数字墙。你知道为什么吗？因为人们喜欢这样。他们从来没有见过网络指标。你建立了一个网站，你不知道人们是否会使用它。所以，能够看到轰动一时的成功报告、一份浏览页面最多的报告，以及一份引用域的报告（那是谷歌的什么事呢？），这些都是一件件很炫酷的事情，它们让你觉得这个数字世界是真实的。
但是，这些数据墙报告逐渐先后自杀了。尽管拥有所有的数据（这种事情真见鬼，因为有那么多数据），但是人们还是无法找到他们需要的东西。数据太难使用，而且也太难理解。人们厌倦了所有的无用数据。所以他们想要更少的数据。因此，我们满足他们需求。我们逐渐开始削减报告中的数据。我们变成了 KPI发烧友。KPI就是我们之前谈论的关键性能指标。他们很干脆可行，而且数据很少。我们不断地削减，直到我们将这些墙壁数据减少到只有一个选项卡，也许它们只有几个趋势图表和十几个用彩色和大胆的字体标注的关键性能指标，坐落在可爱的小的空白领域。
这些报告看起来很不错，而且人们也喜欢它们。真的，它们确实做到了。他们都唏嘘：“它们是那么干净，那么具备吸引力和可读性”。这些报告并不混乱；他们只用一小部分指标进行观察和行动。转化率下降了，但是访问率却提高了？这太好了。因为网络策略服务器是平的。
但是，还是有一些错误。几个月之后，这些瘦身的美丽小报道却没有人使用了。他们也先后自杀消失了。这种方法比较伟大，因为它能够率先实现访客增加，但是你到底对这些信息做了什么处理？访客的增加是因为你的搜索引擎优化程序还是因为你把钱花在了引流上？KPI 中没有给答案。具有讽刺意味的是，在报告中也没有给出答案，因为所有数据已被移除。
没有背景环境的 KPI 相当无用。比令人失望地缺乏可控诉情形更糟糕的是（我们总是谈论 KPI 可操作，所以这两个词经常出现在一起，像荒地和沙漠，或者发短信和青少年），结果 KPI有点误导性和难以理解。
当我试着培养高管关于数字报告和 KPI相关知识时，我向他们展示了基于实际会话研究的三个小案例幻灯片。首先，数字分析师宣布：“在过去的两个月，我们的转化率下降了 5.6%。”转化率（通常指网站访问者转换为购买者的百分比，但有也可能是引导、注册，甚至是一个动作，如视频视图）是 KPI的鼻祖，它是最常见的数字关键绩效指标。它时而沉默，时而令人震惊。有时给人的感觉便是“房间里的高级伙计看起来不妙”。“这就是我一直所说的，”营销经理插话说道，“我们的价格也很高，竞争扼杀了我们。”会议上其他人郑重点头表示同意，此时在这种情况下，这似乎是强有力的证据，证实一个无懈可击的关键性能指标。但是随后，沉默在桌子另一端的搜索引擎优化（SEO）负责人叫了起来。“不是你说的那样”，他说，“上个月，我们对冗长的 SEO做了一些重大改进，并且我们网页排名在谷歌的那些 400项条款中有了较大改善。”这时他挥舞着他们机构提供的关键字列表。“这意味着我们得到更多流向网站的客流。可能客户质量有点不合格，所以我们的转化率下降了。”大约一半的与会者点头表示理解，随后每个人都回过头来看他们的报告。遗憾的是，这些报道只有少量的 KPI，而且并没有办法判断那种解释是正确的。
这两种解释可能都正确或者都不正确。无数影响因素可以改变网站转化率。更糟糕的是，正如我们例子所说明的那样，有些是好消息，有些是坏消息。所以对于决策者来说，他们不仅难以告知为什么某项 KPI指标移动，而且他们甚至不能决定这种移动是好还是坏。
之所以特别讲述这个例子是因为决策者几乎从不理解这些限制。给某人一个KPI，那个人会认为 KPI 的运动将跟踪一个直观了解的好坏。转化率上升意味着变好。转化率下降等于变差。因为这并不准确，所以单独给决策者这些 KPI指标通常有害无益。很自然地，他们会解释运动是好还是坏。当你把数据给人们，这些数据可能误导他们做出错误决定，因为它们不会帮助建议他们应该知道更好的数据。如果他们比自然解释所看到的数字了解得更多，那么给予者知道的数据是不是比提供给他们得更好？
这并不是一个孤立的例子。在我的幻灯片上，第二个例子使用了一个企业级别上最喜欢的“软指标”：净推荐值（NPS）。NPS 是客户的一种声音指标，它可以跟踪和使用在线调查。它衡量受访者推荐你的品牌比例。它在很大程度上得到了广泛应用，因为一些有影响力的研究表明，在预测未来客户价值上，相比于等措施的满意度，品牌推广比是更强有力的指标。作为 KPI的一项指标，NPS常与转化率等指标结合使用，这是为了捕获一种看待成功的柔和角度。
决策者有理由怀疑，有时存在过度优化一个变量的可能。在互联网早期，我和美国在线（AOL）一起做了相当多的工作，AOL最初是直邮互联网服务提供商（ISP）。如果你那时还太小，根本不记得美国在线用邮件为你每周提供的“免费试用”磁盘，那么你可以数一数你得到的恩惠。因为 AOL在直接反应技术和依赖传统的直接反应技术上拥有深厚的背景，所以美国在线是一个指标驱动公司，它是与我共事过的最好的公司之一。
随着拨号上网技术见顶，相比明显优越的系统，它开始失去用户。然而，指标的这种同等关注开始有了负面影响。AOL知道这是在遗失用户，所以它变得非常专注于维持客户率。为了提高客户率，AOL 明确不会取消在线服务，它培训有素的电话运营商，尽一切可能阻止可能的取消动向。这些策略奏效了。
当时，我觉得并购对于 AOL是一种伤害，因为它没有在线取消选择。我认为这是对品牌的一种侵蚀。然而，优化团队能够证明，通过在线取消使收入最大化确实非常困难。
他们是对的。短期收益取得了最大化，因为它是真的，所以没有办法证明其他情况。考虑到公司关注的指标，取消否认者总是最终获胜。
在第一大社交媒体灾难的例子中，一个沮丧的用户记录了一个可笑的电话会话，会话指出代理机构不会处理取消业务。用户在网上发布，然后这条消息在网上传开了。这条消息的影响是灾难性的，品牌（已经侵蚀了它大部分价值）已陷入负资产危机。
测量转化率和 NPS的目的在于防止这种过度优化的短视行为。通过两个向相反方向行动的 KPI指标，决策者免于扼杀品牌资产，否则会因为过于激进的驱动转换影响品牌资产，或者过度关注品牌而造成收入危机。
虽然目的比较合理，但是将 NPS与转化率一块呈现，却没有足够的内容背景创建真正的意义。更糟糕的是，许多 NPS最热心的网站用户往往没有转化率。他们在优化 NPS上变得十分短视，几乎以电子商务站点经常过度关注转化率的相同方式进行优化。
你可能会想那可能并不是什么问题。毕竟，如果你没有电子商务数字属性，最大化你的品牌认知是一件坏事吗？
输入示例＃2（AOL只是一个弯路，并不是我所想要的）。公司采用 NPS作为它的客户声音 KPI，并将它添加到月度执行仪表板，以及添加少量其他关键业务的措施。高管们兜售他们的客户关注，同时各级经理开始遵循指标。
在最初的几个月，一切都很好。指标略有上升，并且该组织认为这是通向成功的顺利之旅。关注客户可以产生可测量的改进，这就是测量的意义所在。
但是后来灾难爆发了。该公司发布了一个新版本产品，次月 NPS显著下降。在团队月度简会上，客户声音团队向管理团队通报了这个坏消息。这一趋势是明确和不可否认的。在随后发行新版本和升级后，NPS确实在下降。
各种批评和指责蜂拥而至。产品开发、质量保证、网站经验和市场营销人员都在互相指责对方灾难性地推出新版本。测量团队拼命搜索以便找到问题，询问关键难题：客户不喜欢产品的什么功能或者讨论升级体验？答案比较复杂。他们做的研究越多，就越发现似乎人们一贯而且清晰地更喜欢新产品。更重要的是，他们还喜欢新的体验升级，而并不喜欢旧的体验。更好的体验，更好的产品，但更糟的 NPS。
管理团队变得越来越沮丧，并要求知道发生了什么事情。最后，在花了无数个小时追踪这个问题之后，答案变得清晰明了。新产品或新升级体验并没有什么问题，它们都有明显的改进。NPS下降是因为在升级后，网站访问类型分布发生了变化。更多的客户来寻找升级，但是升级访问类型往往是不满意的顾客，而不是新客户。
表 2.1显示了它是如何工作的（数字进行了伪装处理）。表2.1
尽管其他任何类型的访问评级上升了，但 NPS下降了。发生了什么改变？访问的分布类型变化了。决策者习惯于从传统的民意研究技术消费数据，样本所处的位置被细致地分离于运营和营销业务之外。因为有在线调查，所以事实并不只是如此。每次你推出一个新的营销活动或者一个新产品，你可以巧妙地测量样品。具有讽刺意味的是，这种改变样本人口的方法使得 NPS可以通过想象得到，因为可以通过在线拦截调查收集数据，但这是一种最无用和最误导的 KPI指标。几乎从来没有对它进行可靠性测量，并且它的变化几乎从来没有得到明显的解释（客户满意度究竟是提高了还是下降了）。如果全站的 NPS来源于网上调查并显示在你所执行的仪表板上，那么你应该解雇你的测量团队。
在数字世界中，尽管转化率和 NPS是两个最常见和最重要的 KPI，但是我怀疑，第三个 KPI——收入似乎完全不受类似的反对意见。收入是很好的指标，对吧？如果需要一个必须可立即判断的 KPI，那么收入似乎是最佳选择。收入对于业务来说相当于幸福对于功利主义哲学家，这是标准的货币衡量，通过它可以准确地进行比较和优化。
但是，你知道我要如何论述收入，对吧？甚至在现实世界经验中，没有收入难以生存，没有收入可以作为绝对无用的个人站点的 KPI。相比于任何其他的指标，我有更多关于人们曲解收入数字的故事。我前面描述的 AOL就是一个例子。虽然这是一个极端的例子，但是还有两个例子显示收入数字通常被误用。
我的数字分析咨询公司通常与那些试图积极扩大数字业务的公司合作。这些客户大部分是全方位渠道的公司，它们具备强大的传统业务，通过提供类似或更好的在线服务试图击退在线竞争对手。当他们选择数字 KPI指标时，难怪收入总是排在第一出现。如果你的目标是增长数字业务，那么收入是一个不容争辩的 KPI指标。
年底我们成功与实体零售商合作，构建和完善它的数字存在，该公司和我一起召开了一次一个很棒的管理展示会，强调他们（和我们）的成功。在每个重要的 KPI指标测量中，他们会取得两位数的高速增长，这些指标是流量、转化率和收入，它们都将占据重要位置。
不幸的是，仔细观看业务却透露出对这三个指标一种令人不安的新视角。在创建在线业务中，我们针对客户数量，找到一种最简单的方法，接触公司最忠实和最有利可图的买家。通过使用动机和直接回应策略，我们可以发动足够多的这些人推动很壮观的增长。然而，对单个客户在线建议的详细分析不仅使他们减少了盈利，同时因为暴露他们品牌的电子商务经验比不上最好的在线竞争，而导致粗制滥造。简而言之，我们损害了核心客户业务，并且盈利能力下降，虽然有时会带来两位数的收入增长。
在全方位渠道公司中，这种以业务为代价孤立收入的模式非常普遍，同时只对像收入这样的 KPI指标错误地关注和激励。现在我们考虑一个与我们没有任何关系的例子，但是它却是我所听过的最有趣和最流行的故事。
每个大型金融服务公司都有一个相当大的汽车保险业务。像许多这样的企业一样，它已开始离线业务，但是电子商务已经成为总业务的重要组成部分之一，汽车保险是数字销售业务中最简单的保险产品之一。数字业务被分别测量，而且它有自己完全独立的 KPI。当汽车保险合同即将到期需要续签时，公司离线部门通常会邮寄一个简单的更新通知。因为人们都按照他们需要做的事情去做，所以这很有效而且更新率很高。更重要的是，更新是迄今为止最赚钱的一部分业务，因为更新在竞争残酷的在线购物市场里没有标价。如果客户只是选择了一个离线自动更新，那么向在线客户发布新政策几乎总是便宜得多（利润低）。
但是，对于在线测量团队和激励收入来说，这些高忠诚度的品牌和确定转化的更新诱使观众难以抵制。团队针对这些客户发起了数字运动，把他们带到网站体验更新情况，这几乎总是导致客户获得更大的优惠和公司获利减少。
这几乎是 AOL相反的例子，对我来说，不太清楚是否出现一种错误状况。从长远来看，向忠实顾客提供与新客户一样（或者更好）的优惠是较好的业务方法。但是，这个例子中有趣的地方在于，最高管理层不知道发生了什么事情，然而这确实破坏了企业短期的发展底线。相反，该公司专注于孤立的 KPI指标却碰巧采用收入指标。团队较多地关注自己的性能目标却很少关心客户的状态。我一直怀疑，如果最高管理层明白发生了什么事情，估计他们也不会高兴。
无意间做出的正确事情并不是经商之道。
底线简单明了，无论 KPI指标多么重要，多么深思熟虑，或者多么驱动业务，当用它们理解数字世界时，它们天生就有缺陷。因为它们容易歪曲事实，在说明一些行动上证据不足，而且缺乏足够的文本内容帮助理解。多年以来，我们一直致力于简化我们所提供的数据，使它们更便于驱动业务发展，但最终却失败了。
回想起来，这确实不应该让我们感到惊讶。当你思考测量世界时，单一的指标（甚至是少量的一些指标）多久一次可以提供足够的信息来理解情况和行为呢？想象开车时收到一条提示信息。它并没有对速度提出警示，因为一条驾驶 KPI指标表明，如果这是你开车时的唯一数据点，那么你活着到达你想去地方的概率很渺茫。为什么它不同于拥有成千上万条内容资产的复杂数字业务呢？为什么数以百万计不同的独特访客与数以百计的网站营销和计划都同时发生呢？
那么，我们从哪里开始呢？两层分类概述
奇怪的是，最好的开始之处在于数字世界测量。实际上，人们更基于数字世界而不是现实世界。我们可以想象没有人的物质世界。一个巨大美丽复杂的宇宙很可能存在，那里没有人和思想，它有质量、速度和数以百计的其他属性。可是这些在数字世界中毫无意义。在最深层次的人工实现中，最重要的是人。
它也同样适用于数字属性。数字世界首要和最基本的问题是，谁使用它？如果你走进我的办公室，宣布本月访问我们网站的人数将达到 5000人，我的第一个问题不是询问他们浏览了什么页面，他们在网站上花了多长时间，或者什么活动吸引他们浏览。这些东西很不重要，除非我知道访客都是谁。这些访客是哪些客户？前景客户？求职者？还是选股人？或者是那些奇怪的网民，我们的广告突然出现在他们最喜欢的手机网站上，他们不小心单击了广告？这使世界上产生了各种差异。
大部分数字测量和性能上的会话都假设绝大多数访问和出现的数字属性行为正是我们所期望的：客户和前景客户都在做构建网站所设定的事情类型。有时这是真的，但是相当多的时间里它却不是。我对网站的访客进行了测量，五分之一的访客属于求职者。这对转化率来说简直就是地狱之灾，但是可以肯定你的内容看起来很迷人。求职者可以阅读你网站上的任何东西。我发现展示活动中 99%的单击都是偶然的。我在一个收购的网站上看到，绝大部分访客都是试图寻找他们想拨打电话号码的客户。
这些情况的出现正是因为数字世界是无形的。在实体店里，我们可以看到大多数人进门时就立即转身离开，一部分人想要职位申请，或者带着一份报告书。在网络上，我们通常都不会看到这些情形。我们看不到这些情况的部分原因在于这些指标没有正确反映页面浏览量、在线时间和访问情况等，所以他们不能帮助找出我们的客人是谁。
你该如何回答 “客户是谁”这个问题呢？答案有两部分。第一部分是传统访客分类。例如，我们可能会有回答“客户是谁”这一问题的名单：加里、珍妮丝、唐娜、凯伦等。但是，这却不是我们所寻找的答案（除非我们知道所有使用我们数字属性的人）。我们寻找一种方法，理解我们和数字用户之间的关系。他们是客户还是前景客户？他们价值高还是低？他们是品牌爱好者还是诋毁者？他们已结婚生子还是刚大学毕业？这也是细分。
在很长时间里，企业一直在细分客户。分类将人们划分为有趣的分类组别。每个业务都有不同的分类，针对每个业务，他们都具备潜在的无限独特性。尽管目前没有一种正确的分类，而且也没有一种正确的方法来创建一种分类，但是分类总是有用的。我从来没有学过不能或不应该分类的数字属性。
对某些数字的属性，我们可以充分详尽地回答“客户是谁”的问题。如果你登录一家银行或经纪公司的网站、一个医疗服务网站，或者一个在线服务网站，关于所有了解你的信息都可以被附加到数字行为上。当你登录时，银行知道你是一个客户。它知道你有哪些产品，它知道你的账户余额，它知道你的年龄你的社会安全号码和你的职业，它知道在你的账户里有多少钱，它知道你成为客户的时间长度。银行可能知道你有孩子，以及孩子年龄。它知道很多信息。银行使用这些信息（虽然并不总是数字测量），帮助他们理解并提供你可能感兴趣的商品。所有这些都是他们分类的一部分。事实上，银行知道很多关于客户的信息，他们必须创建数学模型来减少这些数据点，将它们变成一种更简单、更易用的分类方法。
许多数字属性不知道它们归属的人们，但这并不意味着他们不使用分类。至少，每个网站使用追踪来识别访问者是否先前访问过。它通过你所连接的地方跟踪访问者位置（在城市级的基础上）。它可以识别你正在使用什么设备、什么浏览器和什么类型的连接。它知道哪一周的什么时间你访问过。这就像是一碗非常稀薄的粥，相比于知道在你的支票和储蓄账户有多少钱来说，这还相去甚远。它仍然是一个分类基础。一些这些事实的组合回答了数字世界中许多“客户是谁”的问题。在第四章中，对于“客户身份和分类”，相比于使用这些基本的数据点，我描述了更好的方法来回答“客户是谁”这一问题。现在我只会说，无论“客户是谁”这一问题的答案多么浅显，但是它是理解数字世界的起点。
这只是起点，而且也应该显而易见。
当我们知道是谁访问了我们的网站，我们对数字世界的核心有了初步了解。这 5000名新访客属于什么分类呢？他们是客户。
这可能很有趣，但是它还远远不够。这些客户是来购买更多的产品吗？他们试图抱怨他们已经接受的服务吗？他们是在寻找一个电话号码或者一个分支或办公室的位置吗？这会产生一个巨大的差异。
如果在数字世界，我们需要理解的第一个问题是“客户是谁”，那么第二个问题便是“一个访客想完成什么”。
如果我们能够理解谁在使用数字属性和他们试图完成什么事情，那么我们会对某个特定的数字世界有一个非常充分的了解。例如，我们会发现决定我们数字属性是否成功会变得更容易。甚至我们会更容易决定我们的网站是否对每个类型的访客和访问都成功。
数字世界一项基本和重要的事实是，数字属性的成功与否取决于访问者的意图。你的目标并不总与你的访客相同。没有人抱着想成为增销的目的去一个网站，但是对于几乎每一个商业网站，增销访客是一个合法的业务目标。所以尽管你的目标可能不同，但是你一定渴望增销客户，而且你的增销能力与他们的访问意图有关。如果客人抱怨产品，那么你增销的概率几乎为零。
除非你的数字属性只有一个类型的访问者和一种类型的访问，否则你衡量成功的方式永远不能只有一个。一个典型的例子，涉及现场时间度量。当访客在你的网站上花更多的时间好吗？在早期网络分析中，我们总是认为这个问题的答案是肯定的。但是不幸的是，大量的证据指向相反的回答。在线时间和其他关键站点结果在关联上并不特别好。更重要的是，当单独研究一些最长的会话时，它们看起来就像是彻底失败。当坚决的访客在数字属性中不能找到他们正在寻找的东西时，他们可以使用很多其他的内容并花费很多时间环顾四周。但是，这些时间不会让他们高兴，毕竟他们花的时间越长，他们的体验感觉就越糟糕。从来没有人认为，客户在呼叫中心待的时间越长，他的健康状况就越好！
所以，在网站上花更多的时间总是坏事吗？当然不是。如果访客花时间仔细阅读引人入胜的内容，那么很可能他们花的时间越多，他们就越高兴，他们的体验越好，访问也就更有价值。虽然标准是一样的，但是却有两个完全不同的解释，这主要取决于客人想做什么。
这又回到前面提到的灾难性简化假设——数字属性的主要目的是数字属性的唯一目的，而且最常见的访问者和访问类型是只有一种类型的访问者和访问。
如果你知道谁访问了你的数字属性，以及他们正试图完成什么，那么你有一个可以轻松回答更多问题的框架。访客成功了吗？测量成功最好的指标是什么？某个改变发挥作用了吗？这些问题都变得更加易于理解。
我为这个框架起了一个名称——两层分类，它可以帮助你理解数字空间里的访客是谁，他们正试图完成什么。第一层是客户是谁，按照业务重要维度对访客进行传统分类；第二层是客户做什么样的独特数字线，它是基于访客正在试图完成什么的一个分类。
两层分类是真正理解数字世界的关键。但到目前为止，它还只是一个框架。现在是时候看一看如何使用你所收集的数字测量实例化这个框架。噪声信号：两层分类的另一个视角
分析师讨论数据的一个方法是信号和噪声。在分析数据时，你可能正在寻找一个信号、一个模式或重大或重要的数据关系。这个任务很困难，因为几乎每一个真实的数据集都有一个很大的噪音。噪音可能会随机变化，也可能很无趣，或者一些次要关系可能会导致噪音模式出现。统计学家有许多测试数据的方法，可以看到一个随机模式以多大的可能概率生成。但是，世界上没有统计检验可以识别不同数据里的有趣信号——信号究竟是由真正的因果驱动还是由无趣的关系驱动。例如，拥有一辆奔驰车和富有之间存在一个强烈的关系。但是这并不意味着购买奔驰会让你富有，而情况却恰恰相反。这种关系之所以存在是因为奔驰通常是一个昂贵的汽车品牌。如果我们知道汽车人拥有多少财富，以及我们想要预测他们的财富时，那么这个信号可能是有用的。如果我们想要理解人们如何变得富有，那么拥有一辆奔驰车和拥有财富之间的关系就只是噪音了。
你可以有效地把两层分类作为根据 web 标准放大信号和减少噪音的一种方式。现在，以一个酒店公司为例，它形成了一些围绕两层分类的原始想法。类似于现在的大多数公司，这个连锁酒店专注于浏览预订率，并把它作为最重要的数字 KPI。浏览预订率是一个简单和不可否认的重要指标。它是预订的数量除以消费者数量——这种情况下，消费者就是访问该网站的访客。浏览预订率作为最重要的数字指标，它在公司各级都有非凡的可见性，可以直达最高管理层。
突然在一天晚上，浏览预订率下滑了而且它一直保持下降。当你最重要的 KPI指标失败了，那么它往往会拉响警钟。当 KPI管理层发现响亮的警钟时，在经历过多的恐慌和抖动后，相关解释便出现了。因为该公司在 Wi-Fi 性质上做出工作方式的转变。当访客登录到 Wi-Fi，他们需要在主网站的主页上滞留一会，所有人都使用这个相同的
试读结束[说明：试读内容隐藏了图片]