SEO 报告偏见：如何保持在线营销数据的客观性

人类不是完美的思想家。 我们喜欢把自己想象成逻辑清晰、直截了当的问题解决者，但现实是，大多数时候我们都被隐藏的偏见和误解所困扰，这些偏见和误解完全扭曲了我们对最客观数据的解释。 当我们查看一组数据或在其自然环境中观察某物时，我们会形成具体的判断，然后塑造我们与这些项目的交互。 从实际的角度来看，我们很擅长； 人类大脑已经进化到可以轻松检测模式作为一种生存机制。

这种机制过于敏感且有缺陷，导致我将要克服的许多偏见。 在我们的日常生活中，它们可能不会产生太大影响，但在营销和广告领域，客观数据至关重要。 如果这些偏见影响了您对其他客观数据集的解释，您最终可能会向您的客户提供错误信息，或者更糟糕的是，调整您的活动以朝着错误的方向发展。

为什么偏置补偿很重要

幸运的是，您不必成为偏见的奴隶。 没有办法重新编程你的大脑并完全避免它们，但是你可以采取一些策略来使这些偏见更难影响你的工作。 将其视为一种障碍或调整系统； 例如，如果您知道高尔夫球场上的风向东吹，您可能会将您的击球对准您希望球实际去的地方的西边。 这并不能消除风这个因素，但它确实可以帮助您获得所需的结果，只需稍作调整。 否则，你的镜头最终会吹向你需要降落的地方的东边。

这个高尔夫比喻有一个大问题，那就是一旦你完成它，你就会意识到你的击球偏离了路线； 在营销领域，如果你错误地解释你的指标，你可能永远不会知道这个事实。

看看这个视错觉，作为偏见如何扰乱你的思想的有效证明：

（图片来源：书呆子）

将侧面板的中心正方形与顶面板的中心正方形进行比较。 大多数人会争辩说，边方块看起来是亮橙色，而顶部方块看起来是暗棕色。 如果我停止在这里写作，你们中的许多人会继续相信这一点。

然而，现实情况是两个方块的颜色完全相同。 如果您掩盖周围的彩色方块，这会诱使您的大脑对光照条件进行过度补偿，您会发现这是真的。 这个过程就是我所说的“偏差校正”； 没有它，你最终会误解你的数据，但有了它，你可以得出更准确的结论。

偏见的类型

我将在本指南中介绍两种类型的偏见，尽管第二种在正式定义中从技术上讲并不是“偏见”。 两者都会对您查看和解释数据的方式产生巨大影响，因此每当您衡量或报告给定广告系列的指标时，您都需要考虑到两者。

• 认知偏差。 第一类是经典的认知偏差。 这些是绝大多数人口固有的，尽管它们根据个人和场景提供不同程度的影响。 将这些视为利用大脑中自然而有价值的过程的情况； 在上面的颜色示例中，我们的大脑可以自然地解释光影的存在是一件好事。 然而，这会导致认知偏差。 这同样适用于以下示例——哪一行更短？

（图片来源：Brain Bashers）

偏见有无数子类型，我将探索一些与现代营销人员最相关的偏见。

• 误解和误解。 我还认为这是一种偏见，导致我们误解了指标的真正“含义”。 多亏了现代技术，我们可以获得比十年前想象的更多的数据。 这并不意味着每个数据点都有明确的定义，或者很容易理解。 许多相似的指标具有相似的名称，但对您的广告系列提供了截然不同的视图。 同样，团队成员之间的一次错误沟通可能会导致对同一想法的截然不同的解释：

（图片来源：Connexin）

让我们先来看看一些最常见的认知偏差，它们会影响您对指标的解释。

认知偏差

这份清单并不全面； 有数量惊人的认知偏差会影响您的推理、社交行为，甚至您的记忆力。 然而，我已经捕捉到了大部分会影响你的思维如何发现、剖析和解释营销结果的偏见。 在每个小节中，我将描述您可以用来补偿它的偏见和细节策略。

确认偏差

首先是确认偏差，这是最常见的认知偏差之一。 这种现象认为，一旦个人确定了特定信念，他们就会寻找和/或偏爱任何导致他们“确认”该信念的信息，并避免和/或贬低与该信念相矛盾的任何信息。 例如，以不久前在社交媒体上引起轰动的奇怪连衣裙为例：

（图片来源：领英）

中间的图片是原始图片，两侧的两张展示了具有不同灯光和滤镜的连衣裙。 中间的图片产生了将其描述为金色和白色或蓝色和黑色的回应。 遇到一种定义的用户通常将衣服视为这些颜色，而没有意识到照片中的视觉信息是模棱两可的。

在营销活动的背景下，当您对自己的策略之一预先形成结论时，就会发生这种情况。 例如，您可能认为您的新内容策略做得很好，因为您已经在其中投入了大量时间和金钱。 然后，您可能只查看确认此假设的数据点； 假设您收到了更多评论并引发了新的对话。 但是您可能会忽略或忽略相互矛盾的数据点，例如较低的自然流量。

为了弥补这一点，在制定战略之前，请选择您将衡量哪些指标来确定成功。 然后，与这组指标保持一致，并在他们的分析中尽可能保持客观——即使这些数字与你的直觉相矛盾。

选择偏差

选择偏差通常归于调查，调查依赖于充足的随机参与者样本，以便被认为是无偏见和有效的。 选择偏差是一些不正确的程序，导致一组参与者将结果偏向一个方向或另一个方向。 例如，如果您只采访爱达荷州的人进行国家级调查，您将收到不成比例地代表爱达荷州居民的答案。

如果您正在为您的营销活动进行调查（例如收集有关受众内容偏好的数据），这里可能产生的影响是显而易见的——如果您选择的参与者人数有限或有偏差，那么您的数据本质上将是不可靠的。 但这也适用于您可能在 Google Analytics 中提取的数据。

例如，如果您浏览不同的部分，您可能会发现您的“一般”流量在离开前平均访问了三个内部页面。 由此，您可以得出结论，您的网站在吸引人们进一步进入方面是有效的——但仅您的社交流量呢？ 如果您的社交访问者经常在第一页之后反弹，这可能表明您的博客文章（或其他社交链接）在激发这种好奇心方面没有那么有效。

锚定

锚定效应与您在遇到某个事件（或者在这种情况下，某个指标）之前遇到的事情有关。 因为我们的大脑很容易进行比较，所以每当我们听到一个数值时，我们会立即将未来的数值与它进行比较——即使这些数字完全无关。

以下面的漫画为例：

（图片来源：财富信息学）

两个参与者本质上都是在生成随机数——他们 SSN 的最后一位数字。 当被问及他们对一瓶相同的葡萄酒的估计值时，数字越大的人通常估计它的价值越高。

这也可能发生在您的指标报告中。 例如，假设您最近阅读了一篇文章，该文章宣称对营销活动进行简单更改后投资回报率提高了 300%。 如果您注意到自己的流量增长了 30%，您可能会认为这是相当低的。 相反，如果您听到有人抱怨转化率非常低（比如百分之一），那么 30% 的增长数字可能会开始看起来不错。

非理性升级

非理性升级，有时也称为承诺升级，是一种偏见，与您报告或解释指标的方式无关，而更多地与您如何处理从那里得出的结论有关。 在这种偏见下，如果个人过去曾采取过一些相关的弱行动，则他们更有可能采取一些强行动。

典型的例子是“美元拍卖”游戏，其中一张一美元的钞票在一组之前被拍卖。 任何人都可以为美元出价任何他们想要的金额。 在游戏结束时，获胜者无论出价多少都会得到一美元的钞票，但有一个转折——第二名的完成者必须向拍卖师支付他/她的最终出价，而不能得到美元作为回报。 出价总是远远超过一美元钞票的美元价值； 这是因为一旦您致力于某个想法或某个策略，即使在某些时候变得不合理，也很容易“多一点”地进行增量投资。

这里的实际收获是什么？ 假设您已经对某个营销策略进行了数月的投资，并且您已经看到了不错的结果，但是过去几个月的进展缓慢，以至于您几乎无法收支平衡。 非理性的升级偏见会让你继续投资它，因为你已经走到了这一步，即使没有未来收益的证据。 克服这种偏见的唯一方法是权衡每种策略的利弊，甚至是您习惯的策略，并使用客观的，最好是数字证据。

过度自信效应

我们所有人都绝望地、无可挽回地过度自信。 我不是在谈论你在各种社交场合的自尊心或舒适度； 我说的是你倾向于估计自己的看法。 几乎在任何情况下，每个人都认为自己在做出决定和回答问题方面比平均水平更好。

正因为如此，营销人员通常认为他们对数据分析的了解比他们实际了解的要多，并且认为自己是比实际情况更好的决策者。 发生的事情是这样的：营销人员将查看数据，对其得出结论，然后坚持该结论而不探索任何其他可能性。 一般来说，任何一个明确的结论都有太多的未知数。

为了弥补这一点，请将更多的思想带入您的分析和讨论中。 每个人都会对自己的分析能力过于自信，但在一起，你就能弥补彼此的弱点，得出更统一的结论。

本质主义

本质主义是一种复杂的认知偏见，它以深刻、有时甚至是可怕的方式渗透到我们的生活中。 它的名字来源于词根“essence”，因为它反映了人类的一种自然倾向，即将复杂的话题和想法简化为最本质的本质。 这在学习和发展的早期阶段很重要，在那里抽象是困难的，获得是必要的，但在以后的生活中，这使我们有一种讨厌的倾向，即根据我们对其他事物的了解来对事物、地点和人进行分类，地方，和人。 它至少对刻板印象和偏见负有部分责任。

在一种不太严重的冒犯中，本质主义还导致营销人员对某些类型的指标进行过度概括或分类。 例如，他们可能认为跳出率本质上是“糟糕的”，因此跳出率应该始终较低——即使人们跳出可能是一件好事，如果他们一开始就不是您的目标人口统计数据的一部分。

没有简单的方法可以阻止你的思绪在这个方向上徘徊，但你可以通过将每个指标都视为同时具有正面和负面特征来争取中立； 查看每个指标的情况，而不是试图将其降低到普遍的“好”或“坏”位置。 这对于与用户行为相关的特征尤其重要，这些特征是定性的，有时是不可预测的。

乐观偏见

（图片来源：Masmi）

我想我们都知道乐观偏见是什么样的。 我们都在一个或另一个应用程序中感受到它，我们中的大多数人仍然在我们的日常生活中体验到它。 不，这与您总体上认为自己是“乐观主义者”还是“悲观主义者”无关——相反，这是一种有据可查的心理现象，适用于大多数人。

这里最大的影响是人们天生就相信他们遇到糟糕事件的可能性低于平均水平，特别是如果它们很少见。 大多数人从不认为他们会被抢劫，或者他们的房子会着火，或者他们会失去工作。 但人们仍然这样做。

在营销领域，这通常是指公关灾难。 大多数品牌从来没有考虑过他们的社交媒体统计数据因为他们早些时候发表的愚蠢评论而下降的想法，或者认为他们的自然流量下降可能是因为严重的惩罚。 事实是，即使是精明、精心策划的品牌和战略，也会发生这些事情。 不要把自己排除在这种可能性之外。

组归因错误

当你看到一个人的行为，并立即将这个人的特征投射到整个群体时，就会产生基本的群体归因错误。 例如，在酒吧，您可能会在附近的桌子旁看到一群人，其中一个人特别讨厌，大喊大叫。 许多人会立即认为整个群体都令人讨厌，而不仅仅是一个人。

在报告意义上，这也适用，具体取决于您的测量范围以及您是否使用任何轶事证据实例。 例如，假设您写了一段精彩的内容，少数用户开始对其进行积极评论。 一般来说，评论是一个好兆头，表明你的文章很有趣或有价值，足以让你的读者参与其中，但你能对整个群体做出这个假设，还是只是你碰巧遇到的少数怪人？

这并不是说小群体样本本质上是无用的——它们可能很有价值，并且可以代表整体。 重要的是要记住，它们并不总是代表整体，您需要通过查看更大的样本来弥补这一点。

（图片来源：Rad 集团）

大多数这些偏见的底线是，你不应该只看表面价值，也不应该太相信自己的直觉。 你的大部分直觉都基于进化上有利的认知功能，这意味着当涉及到统计分析的逻辑和数学时，我们的思想是不可信的。 以二级审查对待一切。

误解和误解

好像所有这些认知偏差还不够，在某些情况下，我们甚至没有准确定义我们的指标。 忘记确认偏差——如果你在看一个指标时认为它是另一个指标，那么你的数字无论如何都是错误的。 本节旨在澄清网络流量和社交媒体指标的一些最常见的混淆点，但不要搞错——这远不全面。 您应该仔细检查您对测量的每个指标的解释； 即使是一个不同的词也可能危及整个结构。

谷歌分析

Google Analytics 是免费的、易于导航且可靠的，但这并不意味着它总是很简单。 看看您可能会在此处找到的一些差异。

• 跳出率和退出率。 如果您尝试从概念上考虑它，跳出率和退出率听起来是一样的。 它们甚至在 Analytics 的默认仪表板上彼此相邻，但如下所示，它们可能非常不同。 基本上，退出率仅适用于相关页面是其最后一次会话的用户。 跳出率是指相关页面是第一个也是唯一一个会话的用户。

• 访问者、访问量和页面浏览量。 访问和页面浏览有什么区别？ 你能告诉我而不基本上重复你自己吗？ 事实证明，“访问”发生在用户从外部 URL 访问您的网站时，并在该用户不活动 30 分钟或更长时间（或者他们离开您的网站）时结束。 另一方面，每当一个人加载或重新加载您网站上的页面时，就会计算一次页面浏览量。 因此，一种体验可以算作一次访问和多次查看。 访问也称为“会话”。

• 分割。 当您对流量进行不正确的细分（或根本没有对其进行细分）时，也很容易误解定义的指标。 有时，您需要查看“一般受众”，而有时您需要深入了解更具体的内容，例如通过搜索或社交媒体找到您的用户——但了解其中的区别很重要。 看看直接流量和自然流量结果有何不同：

• 内部交通。 您还可能通过允许在 Google Analytics 中报告内部流量来歪曲您的数字。 从技术上讲，您没有误解此处指标的含义，但您可能严重高估了实际访问您网站的人数。 幸运的是，设置过滤器很容易，它可以防止您跟踪每天访问该站点的所有同事和合作伙伴（但不是您的目标人口统计数据的一部分）。

首先，前往管理选项卡并选择“过滤器”。

这将使您有机会“创建”一个新过滤器； 有多种过滤器类型可供选择，但通常您会选择一种根据 IP 地址或 ISP 信息过滤用户的过滤器类型。 这将使 Google Analytics（分析）无法跟踪您指定的任何用户的信息。

• 数字游戏。 最后，请记住数字只是数字。 您的跳出率可能很高，但这并不意味着离开的每个人都对您的页面不感兴趣。 您的社交点击率可能不错，但这并不意味着人们喜欢您的内容。 将一切都简化为客观指标是很诱人的，但重要的是要认识到这些客观指标是什么。

社交媒体

接下来，有一些社交媒体指标需要探索。

• 喜欢（或关注）。 无论您在哪个平台上，都有一些指标可以告诉您有多少人对您的品牌感兴趣。 大多数品牌都在这个数字上茁壮成长，要么吹嘘他们有多少粉丝，要么抱怨他们需要更多的“喜欢”。 但是，不要让这个指标欺骗你； 它不能准确反映人们对您的品牌的实际感受，从长远来看，这一点更为重要。
• 页面见解。 大多数社交平台都提供页面洞察或类似的东西，它会告诉你有多少人看过或点击过你的材料。 这里要小心； “印象”并不总是与实际看到您的帖子的人相关 - 这只是意味着它填充在他们的新闻源中。 模糊的“点击”可能意味着任何类型的互动，甚至报告帖子。 在从中得出任何重要结论之前，深入研究这些看似模棱两可的指标的实际含义，并记住，每个社交平台都会有所不同——这就是为什么我不在这里深入研究任何特定的平台指标。

（图片来源：脸书）

• 订婚。 最后，参与度——比如帖子点赞、分享和评论，都是重要且有价值的，但不要试图将它们简化为纯粹的量化价值。 例如，一篇获得 1,000 次分享的文章可以被认为是受欢迎的，但这并不反映它给分享它的人留下了多么大胆的印象——他们本可以仅仅因为聪明的标题而分享它。 同样，不要将评论视为这些人是您品牌的粉丝的明确指示，也不要认为每个“喜欢”都意味着有人阅读并喜欢您的作品。 对这些参与度指标持保留态度。

比较错误

作为一般规则，您将指标相互比较的方式对您最终得出的结论有很大影响。 例如，对您进行“苹果对苹果”的测量非常重要。 如果你要评估你在某个领域的进展，你需要尽可能精确地复制你的测量条件； 例如，如果您要查看一个月内自然访问者的跳出率，则无法将其与不同月份的社交访问者的跳出率进行比较。 这类似于将苹果与橙子进行比较。 在比较的指标之间只允许一个变量，例如有问题的月份或流量类型——当你引入两个时，比较就会崩溃。

沟通

认识到您的沟通能力对其他人如何解释指标有很大影响。 在可预见的未来，一个关于如何解读特定指标的错误或误导性词语可能会影响一个人对该指标的解释。 这对客户尤其重要； 您希望他们尽可能拥有最清晰、最客观的观点，因此从一开始就保持勤奋和一致，以便让他们全面准确地了解您的营销指标。

效用和价值

关于测量和分析的效用和价值，我需要解决两个重要问题。 到目前为止，我的指南可能让您相信测量本身就是不准确的，或者它们不值得追求，但事实并非如此。 如果您希望您的企业保持活力，衡量和分析至关重要。 真正重要的是你如何接近他们：

首先，您的测量只有在客观时才有价值。 更糟糕的是，要保持客观是非常困难的（正如您在我的认知偏见列表中所见）。 如果你让你的直觉或先入为主的观念占据主导地位，那么你的指标就会变成一面镜子——你只能看到你想看到的。 数据应该是你回答重要问题的工具，而不是自我肯定的手段。

其次，不要以数字为基础。 数字是客观的，这是真的，但是由于现代技术，数字太多了。 数据可以被操纵来告诉你几乎任何事情，而且由于人类的不完美，几乎不可能对任何事情得出完全公正、客观的结论。 这里重要的是保持健康的信心； 随意使用您的指标和数字来得出结论，但在您的脑海中应该始终存有疑虑。 分析并不完美； 接受。

最后的要点

虽然我希望创建一份详细且有价值的指南，但我知道这本质上不是一个全面的指南。 要创建一个关于人类偏见和营销错误倾向的真正全面的指南，需要比我拥有的资源多得多的资源，而且很可能需要比我们目前掌握的更多的关于人类思想的知识。

如果从本指南中得出一个结论，那就是：无论您的数据多么可靠，它仍然需要人类的思维来解释，而人类的思维是容易犯错的。 您可以减少这种易错性（如您应该的那样），但您无法消除它，所以相反地期待它，补偿它，并且不要让它损害您的 SEO 链接建设活动。