竞争对手分析

       竞争对手分析可以从根本上改善决策制定过程，及从更多方面衡量业绩，探究商业趋势，更好的了解竞争对手，才能更好的识别业务中的策略机会，进而更有准备的应对竞争对手的出击，侧面的更好的了解用户的行为和偏好。

     宏观上就是对垂直市场或整个网络生态系统的分析，微观上就是具体的某几位竞争对手，如腾讯云获取所有云计算行业的竞争信息后，就可以追踪对手的业绩，为自己的发展寻找新机会，及在了解竞争对手阿里云的用户增长趋势或流量中质量较好的渠道，有助于策略的制定。

       竞争对手信息数据可能不太精确，所以务必确保数据样本偏差和抽样偏差尽量小，但这些数据也可以用于比较竞争对手的业绩，从而了解发展趋势、发现机会、确定策略。

常见的竞争对手信息收集方法

       用户库数据：公司线上招募参与用户，每个用户都安装一个监控软件，该软件可以收集用户的浏览行为，并将相关数据返回公司（了解过电视收视率的评估模型的，会发现这个方式很类似，其实这个方式就是参考那个模型的）。

       用户库数据需要注意三个方面：一是样本偏差，即用户库数据的盲区十分重要；二是抽样偏差，用户库的人属于特定类型的，倾向会导致数据偏差较大，所以要注意样本的用户类型与分析的人群类型吻合；三是差异性非常巨大，用户库数据其方法固有的局限性。

       ISP（互联网服务供应商）数据：收集的数据包括通过URL的各种元素，如网站、网站名称、关键词等，甚至可以获取系统信息，如浏览器类和操作系统等。

       好处是减少抽样偏差，即使甲乙不同意接受监控，ISP可以简单的通过收集这些匿名数据然后卖给第三方分析，但ISP数据的样本量过小的话，会导致偏差巨大。

       搜索引擎数据：每个搜索引擎都有不同的定位，因此这种数据各有特点，但一般搜索引擎服务提供商（百度）会提供分析工具的。

       网站分析提供商的行业基准数据：许多供应商聚合真实客户数据，并整理成基准数据，以方便衡量行业业绩标准，可用此数据与所在行业的细分进行比较。

       好处是数据是真实的，即使网站分析提供商提供的是匿名数据，数据也会非常准确。但只能与部分竞争对手的业务进行比较，需要注意供应商的行业地位，即供应商拥有多少客户。

       自行提供数据：自行提供的数据要弄清不同衡量标准的含义，在不完全部署加码时，会导致样本偏差。

       混合数据：多种数据来源扩充数据集：一是附加直接来自网站的数据；二是用计算机高速打乱不同数据源的数据，运用少量数学方法和纠正算法，最终得到新数据。

       好处是弥补不同数据源之间存在的差异，缺点是更难理解数据的细微差别与深层含义。

       小结：竞争对手信息分析是多维度的，其中包含行业、渠道、市场策略等信息，而不同的信息获得方式的缺陷与用处要清楚，及与数据的样本大小和抽样的偏差。

竞争对手分析点示例

流量分析：

       分析长期流量趋势：比较随着时间变化的趋势，以此更好的了解竞争对手优势，利用这些趋势调整自己策略。

       分析竞争网站的重合度：了解竞争对手的用户访问时，最可能使用的搜索词在不在你的网站下。

       分析反向链接和退出网站：观察并细分竞争对手流量来源渠道，及弄清用户离开后又去了哪些网站，有助于发现用户在网站进行寻找但没有找到的信息。

搜索关键词分析：

       最热门关键词的绩效趋势：观察多个相关品牌并进行对比，判断某品牌的下降趋势是否真的很糟糕，可以更好的了解竞争市场，并为下一步的市场策略做准备。

       地域兴趣和机会分析：所有搜索引擎最简单的一项功能就是可以根据地域投放广告，

如两个品牌不同广告策略，或是因办公地点导致的差异。

       而想要增强品牌效应的最佳的策略是把市场蛋糕做大，即进行完整的市场分析，以发现有机会拓展的区域，并不仅是对抗已知的竞争对手，而是发现全面的市场情况和所有竞争者。

这称不上是品牌竞争，而是增强对地域重要性的认识，基于这些地域数据，提高市场份额，和制定其他关键决策，如指导实体店营销和广告行为，从而增加销售，扩大品牌知名度。

       典型的例子是电影推广，通过搜索引擎关键词判断何处的用户兴趣最高，并在这些区域重点推广新电影即可。

       相关的搜索和快速上升的搜索：持续收集相关搜索词，拓展对相关市场的视野,并关注Top10词条，及排名快速上升的搜索词，确保你能识别用户多变的搜索兴趣点，且深刻理解市场的竞争格局，深入发掘用户的兴奋点。

       如婚礼行业是紧追潮流的，考虑到用户的多样性，关注上升趋势的搜索词即可知道，公司接下来的婚礼策划销售的风格样式了。

       市场占有率分析：不断攀升的搜索数据是来自付费还是自然搜索，而观察关键词带来的流量占到了整个搜索流量的多少，此时就可以明确谁是竞争对手了。

       在这个过程中可以看到公司的行业市场份额还有多大的上升空间，也可以更好的平衡付费或自然搜索策略，以增加市场份额。

       竞争性关键词优势分析：知己知彼百战百胜，认识竞争对手的优势关键词，及自身的优势品牌关键词，进而制定有利、有效的搜索引流策略，如分析哪些关键词可以给自己和竞争对手的网站带来最大的流量。

受众识别和细分分析：

       大部分用户反感的不是广告，而是与自己无关的广告， 如果知道用户需要什么样的广告，就要进行受众识别和细分分析，挖掘线上用户行为和心理特点数据，才能开展更好的广告推送。

       基于人口统计学的细分分析：可分析自身网站用户概况和主要竞争对手网站的用户概况之间的差异，进而了解自身网站的用户特征，如学生推荐看电影折扣的信用卡，在申请信用卡时此卡在列表排序默认第一。

       基于用户心理的细分分析：用户生命周期和社会心理来识别相关受众用户，如果网站很大，则可以使用不同用户库数据源对用户进行社会分析，如喜欢看漫画等。

       《解析周遭心理学带来的好处》https://blog.csdn.net/Su_Levi_Wei/article/details/103546984

       搜索行为和受众细分分析：互联网广告的最高境界是将广告展示按照不同的用户搜索行为结合起来，先对线上广告的行为与效果进行分析后，对搜索行为进行统一分析，实际上由于用户的自主性行为，很难将两个很好的结合起来。

投入生产前的工作

       用户研究是观察人们日常事务如何进行交互的一门人文科学，这些日常事务包括网站、软件或硬件，得出如何改进的结论，而注重用户体验和消费比了解使用什么样的UI设计要重要的多。

       我们总以为自己代表了用户，确切知道线上购物者或搜索者的需求,并没有有效的倾听用户想法，去满足用户的期望，即为什么，点击流数据意味着什么。

       每当满心欢喜的对分析结果制定了策略，并迅速的投入生产影响所有的用户，却发现收获一堆投诉，甚至出现大量用户流失，造成无法挽回的结果。

       万物相生相克，万变不离其宗，或者找到新环境寻找下灵感吧。

       然而，在软件工程中，在开发完后有一个测试过程，那么在制定完策略后是否也可以进行测试后，在决定投放。

       注：外部信息对大脑的刺激有助于灵感的喷发《解析周遭心理学带来的好处》。

内部测试

       实验室可用性研究：测试用户完成某项任务的能力，需要用户在某个网站中完成一项或一组任务，每一项任务根据使用的环境不同而有不同的既定目标，如有效性、效率、用户满意度等。

       测试开始到结束至少约有5名用户，才能找出哪些部分用户体验与流程运行良好，哪些地方出了问题，及为什么对他们来说是很简单的。

测试期间不要依赖被测试者的话来发现问题，还要观察他们的行为，即被测试者完成任务很重要，但理解肢体语言和其他信号，才能理解用户样本局限性。

       对测试的结果要做到：一是明确任务失败的关键点；二是提出具体的建议来改善用户行为；三是将建议进行分类（如优先级），以便于决策者选择。

好处是可以更好的贴近用户，与用户互动，可以较早的获得用户反馈，发现问题所在，适用于优化UI设计、工作流程，进而真正理解用户意见及行为，并促使人们产生一些新想法。

       弊端在于要确保被测试者是公司业务的用户或目标受众群体，避免霍桑效应影响参与人员的行为。

       注：不要单凭测试结果对网站进行大幅度的改动，要循序渐进，不要剧烈变革。

       最大的难题是找到最佳被测试者，并邀请它们进行测试，但还有线上招募和外包的方式来解决。

线上招募：即线上邀请用户，邀请不能显得太唐突，要清楚标注好关闭按钮，如果用户选择继续则可以看到一份问卷，如今天访问网站的原因是什么？网站是否满足了你的需求。

       弊端在于不能亲自近距离观察被测试者的反应。

       外包线上可用性研究：如果公司没有专门的研究人员，又想知道用户体验，可以选择外包的方式。

       弊端就是网站对被测试者的类型没有太大的选择余地，也不能得到自然状态下的用户行为，如无法告诉被测试者，平时怎么做，现在怎么做。

       其他常见的测试分析方式：

快速可用性分析测试：如5秒内，用户能够回忆起网站的哪些内容，及竞争对手网站的内容进行对比，可以发现网页内容结构与元素中，哪些没有达到效果。

       线上卡片分拣测试：让用户将内容关联的卡片放在一起，可以选择是让用户自己创建网站的项目类别，或按照预先确定的项目类别进行分类，这种方式有助于理解网站信息体系结构及信息组织方式，但这种测试是很费钱的。

人工智能视觉热点图：基于用户最可能看到的事物和注意力流向算法创建热点图，即用户是怎样浏览网站的网页，什么内容吸引了他们，什么内容影响了他们浏览网页。

选择此类外包注意点：

       数据处理严谨：即合适的数学方式。

       动态数据细分功能：数据分析不是静态，是随时在发生变化的。

       提供行业基准与指数：行业基准取代个人立场，对公司决策者很有帮助，最好是可以加上与竞争对手的对比。

       确认邀请类型：退出时调研、弹出式、背弹式、主动或是被动，各有利弊，最好可以体验下。

       成熟的cookie技术：避免用户调研疲劳，最好允许设置抽样率。

       数据集成：数据分析是多维度的数据综合分析结果，不是单面的。

       提供测试：买的不仅是调研方法，更多是与供应商的关系，没有测试服务，即没有有效的服务。

线上测试

       想要尽早预知成败，就要充分发挥测试与试验的力量，如对网站着陆页的设计与布局改动效果放到网站上，让用户选择最适合他们的体验，但想要见效快，成本低，且规模可控的话，有效的线上试验是最好知道结果的。

好处在于具有多样性，用户是在自然状态下参与测试，测试结果可决定哪种方式是最佳的，在测试前需确认目标，期望产出是什么，并尽早开始，尽早预成败，唯一担心的是网站的流量是否够大，创意够不够多。

常用的线上测试方式有AB测试和多变量测试（MVT）。

AB测试：测试网站上某网页的两个或更多版本优劣的方法，适用于检测网页上的变化是否可行，找到改进网页的方法，即测试网页的几个新版本，哪个版本可以达到预期目标，测试前需要预先设置看到每个版本的用户百分比，然后随机展示给这些用户。

       优点是性价比最高，实施起来也不难，也易于团队交流，但太过于依赖这种方法的话，网站的变化速度就太慢了。

缺点是很难知道具体哪些改动发挥了作用。

多变量测试（MVT）：指一个页面当中同时测试多个不同元素的变化，想实施MVT测试，需在页面上添加采集的JavaScript代码，根据设置，页面将动态的构建不同元素的页面（不同的图片，不同的行为引导方式，改动后的文本）。

       常用的MVT测试的两项技术有，全因子测试和部分因子测试。

       全因子测试是测试网页所有不同变化的全部组合，例如有图片、文本、颜色，每项元素有3种变化，那样就有3x3x3=27种组合了。

       部分因子测试是只要进行部分组合测试，其他组合结果可以靠推理得到。

       全因子测试可以从每两个要素的相互作用中挑选出关键影响点，为决策者提供更充分的依据，但要求有充足的时间和大量的被测试者来保证每种组合都可以获得足够的观测数据。部分因子测试虽然得不到那么多的观测数据，但可以较快的得到结果。

       可以集两者之长，先用部分因子测试找出最差的组合，去掉这些组合后，在用全因子测试处理剩下的组合。

       如太阳消失用全因子组合测试，解决白蚁的产品可以用部分因子组合测试。

       MVT测试的优点是随着时间的推移会变得更简单，可以看到许多分析数据，理解分析结果也很容易，可以加深对用户偏好的理解，并认识到某个想法是具有价值的，这些都是直接转化为更好的用户体验，如文本改变不如颜色或图片改变。

       其缺点是要求付出和投入更大的资源，所能发挥的最大效果是由想法决定的，如果一开始错了，那么就白搭了，这也是为什么很多MVT测试没有给业务带来帮助，且MVT优化的是单个页面，而不是整个网站的用户体验，其他页面都不是最优的还是不能算是成功。

       AB测试与MVT测试都是改善网站用户体验，吸引用户的办法之一，具体视环境而定用哪种。

对照测试

       为了防止其他因素的影响，在做一组试验，即对照试验，除了被测试的条件（独立变量）外，其他条件保持相同，最后与原试验所得的结果进行对比，观察异同，找出试验结果变化原因和影响因素。

       如商城测试得到礼物的用户与未得到礼物的用户是否会产生二次购买，或对不同地区投放线上广告与线下广告的对比。

       优点是能回答基本的业务问题，了解多渠道的在线有效的效果，从而得出深入的结论，进而根据用户类型、所在地等，制定合适的有效策略，。

       缺点是要求有足够的资源，各个部门之间需高度、紧密的合作。

测试应用示例

       注：每家公司实施的线上战略都不相同，但想法具有很好的移植性。

       改进关键页面：这些页面的流量很大，改进难度也不高，可以事半功倍，如观察着陆页流量来源，外部搜索关键字等方面进行改进。

       付款、注册/登录和提交页面：选出对目标群体最合适的流程，如提供验证码登录，或付款流程简化。

       优化广告数量及位置：测试不同的广告位置，改善广告的点击效果，如横幅占据区域大小改变后，转化率的影响结果。

       测试不同定价与销售策略：如搭配销售，但没有人想让收入减少，在大家担忧的情况下可以使用AB测试，让5%的用户看到这个搭配销售，也可以测试用户喜欢打折还是减少金额。

       优化外部市场活动：测试并改善网站联盟、站外广告和搜索引擎的营销效果，针对不同群体的特性进行A/B测试，从而强化页面体验效果。

测试建议

       首先：抛开自以为是，以假设为开始，确保用户在网站上得到的体验与服务是与其相关的，从而才可以转换为更高的参与度，提高转化率。

       制定结果评估标准和预先决策:测试的目的是提高转化率，这是不够的，毕竟修改难免会带来给部分用户消极的影响,要衡量好多目标产出，如跳出率，忠诚度、用户满意度等，即成果产出（任何事情都要强调成果，不要盲目追求结果）。

       根据用户最需要的问题进行测试：放下自己的经验和偏见，从用户的实际问题中吸取测试构想的灵感，只有解决好用户的实际问题才会带来成果，即提炼用户想法，转化为测试问题。

       测试结果的沟通：公司这个大团队是一环扣一环的，要把测试结果与相关人员进行沟通。

       《木头也要懂得讲故事的时代》https://blog.csdn.net/Su_Levi_Wei/article/details/103276666

调研

       内部测试就是手动造数据，闭门造车，即便是线上测试也无法尽量切实的了解用户真实需求，而想要更有效、更直接的倾听用户的心声方式就是调研。

线上调研主流的有两种方式：

       页面级调研：针对某个页面的被动模式调研，为任务或目标收集微观层次的数据，即收集具体任务的用户反馈，如报告网站BUG，页面对用户是否有帮助。

       优点是集中完成一项任务，可以了解到网站最忠诚的用户的意见。而缺点是邀请模式是被动的，无法全面的了解用户的意图，只能完成局部用户的意见反馈，即不能很好的收集完整的或潜在的用户体验，也很难得到足够大的数据样本。

       网站级别调研：这是为收集关于用户意图，及用户体验的宏观数据，邀请模式是主动，适合用于评估网站的有效性，宏观的用户体验，品牌及线下服务等，一般在用户结束网站访问时询问，可以比较自由的控制让谁看到调研，如利用cookie缓存，同一个人3个月看到一次，及可以使用一些逻辑条件限定用户的调研问题。

       优点是获取宏观用户体验、访问意图和访问产出水平等信息，如你怎么知道我们网站的，你的意愿是什么。而缺点是网站级别调研并不能收集页面级别用户体验数据，要有专人负责收集、分析如此海量的数据，微观问题比较难解决，如你觉得这个网页怎么样。

       每种调研方式都有各自的适用范围，根据测试的目的，看是需要得到特定的用户反馈还是整个网站的用户体验。

调研的注意点：

       问太多问题：这是对用户的不尊重，说明了没有充分考虑用户需求，每次与用户接触都是加深品牌认知的好机会，建议从用户的意愿角度去提出问题，如下的三个问题。

       你访问我们网站的目的是什么？用户不同目的之间的差异对我们很有启发意义。

     在网站上能完成你的意愿吗？任务完成率可以说明用户来访的目的，哪些任务没有完成，知道问题出现在哪里，即用户怎么想才是最重要的。

       如果无法完成你想做的事，原因是什么？有助于改善问题。

       一坨的反馈：要把用户反馈分类成几个常用的主题，列出改进清单，以此改善用户体验。

       没完没了：要实施以用户为中心的策略，控制网站调研与用户访问的比例，建议同一个用户，三个月询问一次。

       《怎么分析数据致提高产出？（三）》https://blog.csdn.net/Su_Levi_Wei/article/details/103820800