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（如表9-2所示）。
表9-2两场活动数据表
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。
第二节人过留名，雁过留声
——用数据追踪消费者
网络的虚拟化在于，任何数据都可以造假和作弊。造假者的目的是赢利，因此他们造假和作弊的指向多是和销售结果直接相关的指标，如CPM（千人成本）计费方式中的刷流量陷阱、CPC（每次点击成本）计费方式中的虚假点击陷阱，而对很多过程指标，造假者“不屑一顾”。因为当“过程指标造假的成本高于造假的获利”后，造假者无利可图，造假者就会停止造假而回归到做市场的本源上来，所以在目前网络市场不够规范的情况下，加强对过程指标的分析，一定程度上能够帮助我们拨云见日、去伪存真。
网络分析的误区
消费者在网站的行为轨迹，都会在Web监控工具上留下痕迹，相较于传统销售中通过监测样本来推测整体行为的方法，电商销售具有无可比拟的优势。我们可以通过这些过程行为来分析、了解网购消费者的消费习性，但是要了解这些消费习性，我们首先要避免网络分析的认识误区。
误区一：首页页面就是消费者进入网站的入口
持有这种观点的人，多半会将精力放在首页页面的美化上。在推广力度上，也会优先照顾首页页面的链接。消费者进入网站，并不会按照我们已经安排好的页面逻辑，而是根据自己的习惯，进入网站的某个页面。将首页页面的推广放在最核心地位的网站，可能将一个消费者最不喜欢的页面推到消费者面前，影响消费者的消费体验。
确定消费者入口页面的方法，也有一个固定公式：
消费者入口页面＝Max（页面1入口次数、页面2入口次数、页面3入口次数……页面n入口次数），或者，消费者入口页面＝入口次数／总访问量≥50％
换句话说，任何页面都有可能成为入口页面，我们投放推广资源时，唯有将消费者最习惯的入口当做入口页面，这样才能有好效果。
还要注意：消费者入口页面的测试，必须要在所有页面处于同等条件下才有意义。所谓同等条件，是指所有页面享受的链接资源、置顶资源、曝光频率、关键词搜索等推广资源都在一个同等的条件下，杜绝人为强化某些页面形成所谓的最热页面。
误区二：最热的页面就是最好的页面
很多人认为现有入口页面就是一个最好的页面，或者，在网站中被浏览次数最多的页面就是最好的页面。但在电商的消费者追踪中，结果恰恰相反。
一个页面的热度与网站的推广资源紧密联系。那些享受了购买大量关键词、链接资源、置顶广告的页面，无论这个页面的质量如何，点击率和浏览量都会比一般的页面高出许多。这样的页面对消费者来说，可能毫无消费体验可言，甚至有可能就是网站最糟糕的页面。在没有其他更好的数据监控之前，我个人建议根据页面的不同功能，以老客户的页面停留时间作为监测指标，来评估最好页面。
对于以促成购买为目的的交易页面，监测老客户本次购买平均停留时间较上次是否缩短，作为购买流程优化的评估；对于以信息传递为目的的新闻页面，监测老客户本次平均停留时间较上次是否适当延长，作为网站黏性增加的标志。
老客户页面停留时间＝老客户下一个页面到达时间－老客户监控页面到达时间
最好页面一定是在不断优化和比较中完善的，尤其是在老客户在同一页面停留时间的变化中，逐步达到最优状态。
误区三：跳出率最高的页面就是最糟糕的页面
页面跳出率反映的是有多少消费者在浏览该页面时，选择离开该网站，离开人数占所有访问量的比例。但是不是跳出率高，这个页面就一定存在问题呢？同样，网站跳出率是不是也是如此？
比如，在谷歌和百度上做搜索引擎的广告，我们发现在谷歌搜索“照明品牌”的跳出率是70％，在百度上搜索“照明品牌”的跳出率是40％，这是否说明百度的关键词搜索比谷歌好呢？答案是否定的。一个页面的跳出率不仅和页面的质量有关，还跟页面的打开速度、广告的匹配性等方面有一定的联系，而这些又受制于很多其他因素。所以跳出率反映的只是消费者结束此次访问的终点，对于电商销售的贡献在于累计量，即出现大量跳出率的页面，是应该重点关注的页面。
有趣的是，有些页面跳出率高是因为消费者在该页面找到了需要的信息和产品，所以选择离开。这个行为反映出的信息恰恰是这个页面满足了消费者的需求，无论这个信息是正向刺激还是反向刺激，它都很好地帮助消费者做出了决定。
跳出率的计算分为网站跳出率和网页跳出率。网站跳出率指的是在开始第一个页面访问后就离开了网站的访问数占统计期间总访问量的比例。
网站跳出率＝访问第一个页面后离开网站的次数／总访问次数
网页跳出率＝访问该页面后离开该网站的次数／总访问次数
假设某月网站访问量是120000次，其中50000次在访问首页页面后就离开了网站，有20000次在访问产品页面时离开了该网站。请问该网站的跳出率是多少？产品页面的跳出率是多少？
网站跳出率＝访问第一个页面后离开网站的次数／总访问次数
＝50000次／120000次
≈41.67％
产品页面跳出率＝访问该页面后离开该网站的次数／总访问次数
＝20000次／120000次
≈16.67％
这是一个简单的数学计算，关键是要知道统计标准和原理。故该网站的跳出率是41.67％，产品页面的跳出率是16.67％。
浏览深度指标
除了追踪入口页面、跳离页面外，一个更有价值的指标是浏览深度指标，包含的指标有：人均浏览页面数、页面的显示次数、类目页面浏览量（IPV）、每笔订单平均浏览时间等。
如果说之前讲的电商指标是效果指标，那么这里讲的内容主要涉及效率指标。虽然这些指标也有人为操控和作弊的空间，但是这类过程指标，相对真实地记录了消费者的某些特定行为。
某企业网站共有10个页面，6月份页面总浏览量（PV）共计100万，独立访客数15万，共花费网站浏览时间1500小时，重点推荐的产品页面浏览量为15万，共实现订单3500笔。请问，该网站6月份人均浏览页面数，每笔订单的平均浏览时间，以及重点推荐的产品页面是否达到了重点推荐的目的？
人均浏览页面数＝页面总浏览量／独立访客
＝100万／15万
≈7个页面
每笔订单平均浏览时间＝网站总的浏览时间／订单数
＝1500个小时／3500笔
≈25分43秒
重点推荐页面浏览量＝15万次＞平均页面浏览量＝100万次／10个页面＝10万次。
人均浏览页面数约为7个页面，重点推荐的页面浏览量也高于平均的页面浏览量，目前每笔订单平均浏览时间约为25分43秒，至于这个时间是否合适，要看所在的行业和产品的特性。在eBay上，用
