刻斓脑に阕芏钍枪潭ǖ模绾问迪中б孀畲蠡侵凉刂匾摹８萃暾萘纯梢缘贸黾苹苹瓜至俊苹慊髁俊苹每褪苹曰笆苹畔⑹苹佣梢约扑愠雒扛黾苹牡慊鞒杀尽⑿畔⒊杀尽⒆杀尽５秸饫镂颐怯Ω枚济靼祝に阈枰蜃杀镜偷募苹阈保庋涂梢栽谠に悴槐涞那榭鱿拢袢〉礁嗟淖? 图4.9 指导推广地域选择

　　 （6）选择更合适的着陆页

　　 网站的着陆页各不相同，究竟什么样的着陆页更能迎合潜在目标客户，获得更多的转化呢？可以从完整数据链URL维度来进行，URL—URL进入数—URL对话数—URL信息数—URL转化数。URL转化数/URL进入数=URL效率值（仅供参考）。URL效率值可在一定程度上说明该URL是否符合潜在目标客户的需求，从而在现有的URL中选择出更优的URL来作为着陆页，同时还可以提取转化比较高的着陆页的元素，添加到新设计的页面中去做测试，争取使着陆页越来越符合潜在目标客户的要求。

　　 2.数据链合成

　　 数据链合成主要包括以下几个步骤。

　　 （1）数据准备

　　 各个阶段的数据均需要围绕某一关键词进行数据梳理。

　　 地域：地域消费、地域访问量、地域咨询数、地域转化数。

　　 计划：计划消费、计划访问量、计划咨询数、计划转化数。

　　 关键词：关键词消费、关键词访问量、关键词咨询数、关键词转化数。

　　 时段：时段消费、时段访问量、时段咨询数、时段转化数。

　　 URL:URL进入数、对话数、留电数、跳出量等。

　　 （2）VLOOKUP函数

　　 函数语法：VLOOKUP(lookup_value,table_array,col_index_num,[range_lookup])。函数的参数分别对应的是：VLOOKUP（查找值，查找范围，查找列数，精确匹配或者近似匹配）。我们在SEM数据分析中，通常要求精确到每个计划、关键词等，所以几乎都使用精确匹配，该项的参数一定要选择为FALSE，否则返回值可能是错误的。

　　 lookup_value是一个很重要的参数，它可以是数值、文字字符串或引用地址。我们常常用的是引用地址。使用这个参数时，有两点要特别提醒：

　　 table_array是搜寻的范围，col_index_num是范围内的列数。

　　 参数range_lookup是个逻辑值，我们常常输入0或者FALSE，其实也可以输入1或者TRUE。

　　 （3）完整数据链合成（以地域维度为例）

　　 首先准备好地域维度消费报告（如图4.10所示）、地域维度对话量（如图4.11所示）、地域维度电话量（如图4.12所示）、地域维度转化量（如图4.13所示），数据准备好之后，就可以开始数据的匹配调用了。首先地域维度消费报告中已经有地域的展现量、点击量和消费这三项，通过查找“城市”这个值，在“地域维度对话量”表找到对应城市的对话量。应用VLOOKUP函数可以把两个表按照“城市”一一匹配起来，如图4.14所示。

　　 图4.10 地域维度消费报告

　　 图4.11 地域维度对话量

　　 图4.12 地域维度电话量

　　 图4.13 地域维度转化量

　　 图4.14 数据链实现过程

　　4.2.3 数据具体分析

　　 数据分析是从“数据获取”到“信息转化”的过程，换言之就是获取到数据后，数据本身并没有什么价值，而有价值的是我们从数据中提取出来的转化信息。

　　 1.数据分析思维方式

　　 数据分析的目的是解决现实中的某个问题或者满足现实中的某个需求。在这个从数据到信息的过程中，无论遇到多少复杂多变的数据布局，肯定是有一些固定的思路或者称之为思维方式，来作为统一的分析模式。

　　 （1）对照

　　 俗称对比，单独看一个数据是绝对化的数字，不能代表什么，只有跟另一个数据做对比，才能比较出数据价值。图4.15为今天销量的柱状图，对数据分析思维来说，今天的销量就是个数字，无数据价值和意义；图4.16为今天与昨天的销量，经过跟昨天的销量做对比，就会发现，今天的销量实际比昨天的销量差了一大截。这样数据就有了自己的数据价值。

　　 图4.15 今天销量

　　 图4.16 今天销量VS昨天销量

　　 这是最基本的思路，也是最重要的思路。在现实数据分析中的应用非常广，大到业绩汇报，小到选款测款、监控店铺数据等工作，这些过程都是在做“对照”。数据分析人员获取到数据后，若数据是单独的，无法进行对比参照的话，就不能用来作为判断依据，也就没有实际意义，也就不能从数据中提取出有价值的信息了。

　　 （2）拆分

　　 分析这个词从字面上来理解，就是拆分和解析。因此可见拆分在数据分析中的重要性。我们回到第一个思维方式“对照”上面来，当某个维度可以对比的时候，我们选择对比。在对比后发现问题需要找出原因的时候却没得可对比，怎么办？这个时候，“拆分”就闪亮登场了。

　　 例如：运营人员小美，经过对比店铺的数据，发现今天的销售额只有昨天的50%，这个时候，我们再怎么对比销售额这个维度，已经没有意义了。这时就需要对销售额这个维度（或指标）做进一步分解。

　　 根据电商基本公式：销售额=成交用户数×客单价，成交用户数=访客数(UV)×转化率。

　　 如图4.17所示，为了有更清晰的脉络和思路，我们将两个电商的基本公式拆解成图。

　　 如图4.18所示，将流量结构按照免费与付费拆解，再进一步细分，对流量成分进行更全更细的拆解（其实还可以分得更细，此处以思路为重点就暂不展开拆分后的结果，相对于拆分前会清晰许多，便于分析，查找细节）。

　　 图4.17 销售额计算

　　 图4.18 流量组成

　　 例如“流量多还是少”的论断是不利于采取决策的，将流量细分到免费流量和付费流量上来判断，是“免费流量过少，付费流量占比太大”还是“免费流量很稳定，付费流量不够”，判断越细致，越利于解决问题进而采取有效精准的措施。

　　 （3）降维

　　 面对一大堆不同维度的数据束手无策，看着屏幕发呆你是否有过这样的经历？当数据的维度太多的时候，我们不可能分析每一个维度。对一些相关联的数据指标，只筛选出数据堆中能够合并的维度即可，如图4.19所示。

　　 图4.19 降维

　　 这么多的数据维度，其实不必每个都分析。我们知道了“成交用户数/访客数=转化率”，所以当存在这种维度时，是可以通过其他两个维度计算出来的，这时就可以“降维”，即三选二。例如，当数据堆中含有成交用户数、访客数和转化率三个数据维度时，三选二可只留访客数与转化率。而“成交用户数×客单价=销售额”这三个数据维度也可以三选二，即选择销售额与成交用户数。

　　 综上，通常我们只关心对自己有用的数据，当某些维度的数据跟我们的分析无关时，就可以直接过滤掉，也能达到“降维”目的。

　　 （4）增维

　　 增维和降维是相对应的，有降必有增。当目前的数据维度不能很清晰全面地解释问题时，我们就需要对数据做一个运算，多增加一个指标。

　　 例如，我们发现一个搜索指数和一个宝贝数，这两个指标一个代表需求，一个代表竞争，有很多人用“搜索指数/宝贝数=倍数”来代表一个词的竞争度（仅供参考）。这种做法，就是在给数据增维。增加维度有一种叫法称之为“辅助列”。

　　 需要强调的是，做好“增维”和“降维”之前，必须要充分、熟练掌握数据本身的意义与相互之间的关系，有目的地对数据进行转换处理和运算，才能最终达到分析数据的目的。

　　 （5）假说

　　 当我们根据现有数据分析不出头绪时，可以采用“假说”。假说是统计学的专业名词，俗称假设。当我们不知道结果，或者可能面临几种选择的时候，那么我们就召唤“假说”吧，即先假设有了结果，然后运用逆向思维来进行分析。

　　 从结果到原因，要有什么样的原因，才能产生这种结果。这有点寻根的味道。我们可以知道，现在满足了多少因，还需要多少因。如果是多选的情况下，我们就可以通过这种方法来找到最佳路径（决策）。我们在做未来一年的年度计划或者月度计划的时候，都是对未来拿不准的，这个时候就要假设一个目标，倒推分析达成这个目标需要做什么；或者某项营销活动