要资料 文章 文库 视频 Code iProcess 课程 认证 咨询 工具 火云堂 讲座吧   成长之路  
会员   
 
  
每天15篇文章
不仅获得谋生技能
更可以追随信仰
 
 
     
   
分享到
网络营销效果衡量的核心指标及我们用什么样的逻辑思考
 
火龙果软件    发布于 2013-9-24
 

【内容提纲】

1. 核心二字其实并无统一的标准,甚至核心与否也并非必须。用什么指标完全取决于你的目标。

2. 设定指标的逻辑:Traffic、Engagement、Conversion、Retention。

3. Traffic指标的定义、逻辑和解读。

【正文】

首先感谢NetConcepts的CEO渠成先生,本文应他的邀请特别撰稿。

在我讲授百度认证的课程中,第二个章节是关于《网络营销效果的核心指标》。这个题目,坦率说,让我颤抖了一下,“核心”二字都让我有些诚惶诚恐,我非常担忧我讲授的这些指标不够“核心”。

但什么是“核心”,我想来想去没有想明白。物理学中描述距离的“米”可以算作是核心指标,但可惜,爱因斯坦发明了广义相对论之后,时间和空间就没有本质上的差异了,“米”至少在广义相对论这个学科中不再是“核心指标”。对于网络营销效果的衡量指标,大概也是如此,本来用来衡量流量多少的独立IP或者UV是非常重要的,但在很多其他的时候,人们又不是非常关心这几个指标。

核心指标的设置完全取决于你的目标。在这个意义上,任何指标都可以是核心指标,任何指标也都可能不是核心指标。一个营销活动的目的是让广大人民群众知道你的存在,让你的品牌得以“路人皆知”;另一个营销活动是为了在双十一这样特殊的日子里让你大肆销售。这两个营销活动的核心指标肯定会存在相当大的差异。

另一方面,在不同的行业领域中,一定存在各自行业的核心指标。例如电商的,或者教育行业的,这两个行业的核心指标可能完全不一样。即使是电商行业内部,企业发展阶段的不同,可能核心指标也不同。核心二字让我紧张了,不过,我明白,人们喜欢核心二字的原因是这两个字代表了这个行业或组织里面最能够描述其经营水平和获利能力的基本指针,这些指针既简明又直中要害。

那么,就最普遍的意义而言,衡量网络营销效果的核心指标是什么呢?首先,我想解决这个问题需要一个逻辑,如果我们跳入具体的一个一个的业务去寻找相关的衡量指标,很容易陷入迷乱,我们需要一个真正的指南针,确保我们无论走到什么地步,都知道下一步应该如何进行。

这个指南针是“人”。任何营销活动需要影响和改变的对象都是人,衡量营销效果的好坏,在于衡量对人的心理(心态)和行为改变的状态和结果,显然,越深层次的改变,意味着越强大的效果。这个指南针是人——能够准确体察人的变化,即能够准确把握营销的方向和结果。

心理和心态的改变

心理和心态的改变是所有营销获得弄个都追求的,而并非网络营销所独有。因此在这一节我给自己找了一个很大的话题。

互联网营销对人心理和心态的改变与其他营销方法并无二致,心理上,人们意识到你的存在——Awareness,心态上,人们喜欢于你的存在——Preference。衡量awareness和preference的指标可以算上核心指标。不过,很遗憾,这二者用具体的指标去衡量有相当的难度,人心所向很难捕捉,模糊而善变。进行调研是最为常用的方法,但我不知道是否算是最有效的。

另一个研究心理和心态的比较有效的方法是IWOM(即互联网口碑),这个方法我喜欢,不过真心难。主要是对于语言的解读缺乏有效的技术解决方案,只能人工进行。IWOM本身有一套衡量指标,如果你用这个方法,那么这些指标就相当核心。

在互联网营销中,衡量awareness和preference有时候用两个最常用的指标——Impression和Click。即通过用户对你的广告的反应来衡量。Impression本意是用来说明多少人对这个广告产生了印象。但可惜,这个度量有些没劲,因为人们是否对广告产生了反应是无论如何无法用机器去了解的,所以只能用广告在客户端被展现的次数来间接表示,这就让这个度量作为“核心”的可能性大打折扣,而更多作为一个辅助指标。当然,这个指标还是有它的价值的,我们稍后提及。

心理和心态的改变我无法谈及太多,对于互联网营销而言,对这二者直接的量度十分有限,也就缺乏核心的可操作性的指标。但对于这二者的研究和探索却是几个世纪以来的从未停止的,社会科学尤其是心理学的研究方法为这个领域带来了很多积累,并应用于广告推广效果的研究中,可惜超过了我的研究范围,所识甚少,还是就此按下不表。

行为的改变

辨识人的行动及其带来的结果是营销进入互联网领域以来最大的进化。理论上,人们在互联网上所有的行为我们都可以通过技术方法捕捉到,并为我们判断营销对人行为的改变创造了巨大的可能性。

我们对于互联网营销效果的最直接的衡量就是通过对人行为的改变完成的。人们做出某一个举动,例如点击你的广告,或是购买你的商品,本质上都是从一个行为状态改变为另外一个行为状态。状态的改变是否符合你的预期可以直接显示出营销目的的达成与否。

如果按照行为的改变来辨识营销效果,那么一切就会变得简单得多。与内向的心理行动不同,行为是外显的,而且行为改变有浅层次和深层次之分。例如,上面的例子中,一般而言点击广告是“浅层次”的,而购买商品是“深层次”的。正因如此,我认为,网络营销效果衡量的核心指标一方面需要直接而且简明的描述人们的行为改变,另一方面也正好可以体现出这些行为的深浅之别。我把这些深浅之别分为四层来描述:Traffic(流量)、Engagement(参与程度)、Conversion(转化)以及Retention(留存/维系)。四个层面的核心指标我们分别详述。

Traffic

流量的指标很容易成为核心指标,不过可能不同营销目的不同,对核心二字的理解也有很大差异。一方面,对于大部分做网站流量分析的朋友而言,流量是对于网站上访问的人数而言的;但另一方面,对于那些从事广告业务的朋友而言,流量可能更多体现在广告受欢迎程度本身。

两种情况都是合理的。流量的真相在于“流”字上,本身它是一个过程,因此指标也因这个过程中的不同阶段而有不同。在流量进入网站之前,被我们称为“Pre-click”的阶段,主要用impression和click来衡量(广告受欢迎的程度,同时也用它们勉为其难地衡量我们上面说的人的心理和心态的改变);流量进入网站之后,则被我们称为“Post-click”阶段,主要用流量三剑客——UV,Visit和PV来衡量。(加上链接)过去曾经也有用独立IP来衡量Post-click的流量的多少,但是IP地址受限于其准确性,慢慢大家已经逐渐弃用了它。

对于Pre-Click度量,大家如果能对下面的这些要点全部理解,那么就完全没有问题了。

1. 人们用Click和Impression的比值来衡量广告引起人们注意的程度。这个值既用来说明广告载体(媒体)上的人群与广告目标人群的契合程度,也用来直接衡量广告创意的水平。

2. 上面的度量被称为CTR。Impression、Click和CTR在显示广告中(Display Ads)中可以存在大量作弊,但在SEM的PPC广告中作弊很罕见。

3. CTR受到很多因素的影响,但最大的影响还是来自于广告创意本身,越是具有“攻击性”的广告——例如弹窗,大尺寸下压,色诱等广告,CTR可以变得很高。门户网站上的普通温柔的显示性广告,超过1%的CTR罕见。不过那些挂着AdSense的网站,据说有些能够达到2%的CTR。不过搜索引擎广告(例如AdWords)的CTR可能会很高,因为搜索行为本身体现了很强的目的性,如果竞争不激烈,曝光量不是非常巨大的情况下,10% 的CTR也并不罕见。

4. Impression指标又有一个孪生的指标——unique impression,click也有孪生指标unique click。一个cookie,无论看多少次,或者点多少次广告,都只算一个unique。impression或者click和其unique的比值,被称为frequency。frequency的数量说明了一个广告对同一群体反复轰炸的次数。有时候我们用frequency辨识一些最基本的作弊,比如,click/unique click如果超过1.2,我们认为实在太可疑;impression/unique impression也比较难看到超过10的。

5. Impression有一个很大的缺点,那就是无法真正衡量人们是否注意到了广告。有一种情况,大家最为怨忿,即很多时候广告在一个页面的第二屏或者更低的位置,有些人根本不会把页面全部向下滚动查看一遍就离开了。这种时候却还是记录了这个广告的一个impression。这是很不合理的。为了解决这个问题,有一些广告流量监测工具,提供只记录真正展现在浏览器屏幕中的广告的impression,以帮助更准确衡量CTR。

6. 个人感觉,搜索引擎广告的impression很有意义,但由于作弊的存在,显示性广告的impression的意义不是很大,至少对于部分的媒体网站而言。

对于Post-Click度量,下面这些要记住:

1. UV(Unique Visitor)是用cookie(一般是第一方cookie)来衡量的。UV用来衡量网站访问的人数,用以取代过去常用的“独立IP”这个度量。由于cookie本身的一些原因,UV并不能准确描述真实的人数,但相对与独立IP,则靠谱太多。UV是如何具体被定义和统计的,请看这篇文章:网站分析的最基本度量(3)——网站分析工具如何辨别UV。

2. Visit的定义不断在被更改。但有一点没有变,就是间隔30分钟的浏览行为会被算为两次visit。具体的visit的定义请看这个文章:Google Analytics的新秘密——如何定义Visit。Visit定义在GA中被修正最重要的目的是为了实现准确的Attribution Modeling(贡献模型)。

3. 对于流量源头(显示广告、搜索引擎广告等)的点击数(Click)和其带来的visit的数量,不可能存在一一对应的关系,即不是每一个对流量源头的点击就一定会带来一个visit。由于误点击的存在以及短时间内的多次点击一个广告只计算一个visit等原因,一般点击数会大于visit,visit比上click的比值从10%到90%的情况我都见过。若这一比值接近10%,广告有欺骗点击的嫌疑,例如放上诱惑或误导,故意让人点击。若这一比值接近90%,说明广告有很好的创意,且其人群针对性也非常好。一般,50%左右的visit比click值都是正常的。当然,偶尔发现visit的数量大于click也是可能的,主要原因在于有些人点击广告后记住了网站的网址,在之后又通过直接输入网址访问了该网站。

4. 页面的PV(Page View)和广告的impression是很相似的度量。一个页面在浏览器上被载入一次,勿论它是被新打开的,还是页面发生了刷新,PV都会增加。对广告的impression的统计也完全一样。

5. 我认为visit是这三个指标中最为重要的一个,至少对网站分析(Web Analyitcs)这个事情如此。很多其他的核心指标,都是以visit为基础的。这也是为什么Google Analytics调整visit的定义是牵一发而动全身之举。


Traffic指标的解读

对于Traffic指标的解读,可以在浅层次上衡量营销效果是否成功。我们有不多的方法解读它。

首先,绝对值指标的直接解读是比较困难的。比较有意义的是Unique Impression,也被称为Reach,用来衡量到底广告曝光在了多少人的面前(而不是曝光的次数)。另外UV也比较重要,毕竟它直接代表了网站的流量,这也是过去各个站长相互寒暄的时候说说自己独立IP有多少的原因,现在用UV,代表的事物没变,流量多可以说明你在部分领域是成功的,会有面子。

其次,看比值指标可以给你更多的信息。CTR说明创意水平或人群匹配程度。在固定某一个条件之后,就可以比较另外一个情况的优劣。比如,我固定在一个广告位置上轮播几种不同创意的广告,高CTR的广告可能说明创意更吸引人。在搜索引擎广告中分析这个值可以看到不同广告文案的吸引力。如果固定广告创意而把广告投放到不同广告位,则可以知道不同媒体的人群(受众)与广告信息的匹配程度。如果impression或者click不发生作弊,这个比值能给我们太多值得玩味的东西。

UV,visit和PV之间的比值也有很多内容可述,但属于本文后面的内容,所以先按下不表。

另一个非常重要的Traffic指标解读的方法是细分。分析的最重要方法即是细分(分析的“分”字本身就是这个意思)。三种常用的细分方法是:把Traffic按照发生的来源、新旧访客和登陆的目的地做细分,然后进行比较谁更能贡献流量或是谁更能吸引流量。其他的细分方法也很多,比如按照地域、终端设备、时间(趋势)等,完全取决于你的需要。

最后,我认为价值最大的方法是衡量Traffic的ROI。我刚写了关于ROI的两篇文章,所以大家对这个词应该不陌生。Traffic的ROI就是用获取Traffic的金钱代价除以Traffic的值得到的商,常常用CPM,CPC,CPV和CPUV来衡量。CPM是1000个impression的成本值,CPC是一个点击的成本值,CPV是一个visit的成本值,CPUV是一个UV的成本值。

什么样的Traffic ROI是合理的?在这样一个媒介成本飞涨的时代,我发现找到合理的Traffic ROI已经很有难度。我曾经比较常见的展示广告的CPC是5角钱,但现在似乎大家已经在嘲笑这个值。一个CPV 1元钱似乎也是合理的,甚至很多人认为太过划算。总体而言,由于展示性广告的收费是按照时间而不是按照点击量的多少,因此CPV的差距不会惊人的大(除非你实在要投放广告到那些根本就对你的广告不感兴趣的人群去)。但SEM的CPC或者CPV则不同,由于行业的分野以及竞争强弱的区别,CPC可以贵到500元一个click(例如你10月份的时候想把自己大闸蟹这个关键词投放到百度的前几位),也可以便宜到几分钱(例如你投放“我的名字叫做xxxxx”这样的词,无人跟你竞争),所以没有什么可以参考的值。显示性广告的CPM的标准值?我不知道,因为impression本身已经很不靠谱了。

Traffic核心指标的总结

首先,我认为Traffic指标都很难称得上核心二字,因为它们只是衡量用户较浅层次的行为。任何一个网络营销活动都有确定的目标,而这个目标却很难仅仅只用流量去完成。

即使是我的博客(网站分析在中国博客:www.chinawebanalytics.cn),这样一个不以金钱来衡量其目的的网站,我也有比流量更深层的目标,即人们对我的文章的阅读量,以及再进一步的目标——人们在我博客后讨论和留言的数量。流量只是一部分,说明打开大门迎来了多少客人,但这些客人是否真正完成了我们希望他们完成事情,仅仅依靠Traffic这些指标是完全不够的。

不过,Traffic指标可称得上是非常基础的指标,几乎所有的网络营销效果衡量的指标都要与它们发生联系,因为一切的用户行为都是从点击和访问开始,且贯穿始终的。在我们后面要讲到的Engagement、Conversion和Retention三大类衡量分类中,每一类都需要以Traffic作为标杆去衡量。这就如同物理学中的参照系,没有参照系,就没有物理学。

这个系列的第一部分就写到这里。非常欢迎朋友们留言。新年又要到了,祝朋友们新年快乐!

在上一回我们说明了网络营销效果衡量的两个最主要方法——衡量人心的改变和衡量人行为的改变。人的行为的改变,按照对它的影响从浅到深的逻辑,我们分为四个阶段:Traffic、Engagement、Conversion和Retention,并且详细介绍了Traffic的情况,下面准备用两次文章,为大家详解Engagement——这么大的篇幅讲解Engagement,实在是因为它很重要,涉及的方方面面也很多,大家如能耐心看完,定能有很多收获。

本文您将读到什么:1) 什么是Engagement,2) Engagement一般包含哪些度量,这些度量有什么含义,3) 需要如何监测以准确获得Engagement的相关度量值。

【正文】

Engagement是什么

很久以前我写过一篇介绍Engagement的文章:网站分析的最基本度量(8)——Engagement,请大家参考。Engagement并不是指一个具体的度量,而是一系列衡量用户在营销活动中参与程度的指标集合。由于网站是营销活动的一部分,因此engagement很多时候用来衡量用户在网站中与网站内容与功能的交互程度。但engagement其实不仅如此,它也一样可以衡量用户与营销活动的其他交互方式,例如微博营销中用户的阅读、评论和转发,或者受众和富媒体广告(richmedia)的交互情况。Engagement是一个含义丰富的指标,可以这么理解它——它用以衡量在流量产生之后和发生最终转化之前的用户行为和过程,尤其反映用户对于营销活动/网站的兴趣程度以及衡量影响最终转化的诸多因素。

所以我无法给Engagement下一个具体的定义,它是一个指标体系,而不是一个具体的指标,它也不是一个如visit一样的一个标准化的度量。为此,美国人(Avinash Kaushik和Eric Peterson)自己也有不同的意见,一个觉得这是一个值得推广开来成为标准化的度量,一个则认为它不应该成为一个度量,也难以标准化地应用。无论谁更有道理,在解决具体问题中,engagement有它十分明显的价值,因此在我们的核心指标体系中,我一直认为engagement是其中最为重要的一块。

Engagement可以分为两大类,一类是可以标准化衡量用户行为的指标族,另一类则是根据不同情况按需定义的指标族。两类指标的含义不同,作用类似,都非常重要。

标准化Engagement指标

标准化的engagement指标分为宏观级别的和微观层面的。宏观的指一个网站全站范围的engagement情况,而微观则指一个具体页面上的engagement情况。

宏观engagement指标主要是我们俗称的老三样——Bounce Rate(跳出率)、PV/Visit和Time on Site,这三个指标描述了三类不同的用户行为。

Bounce Rate 

Bounce Rate说明了用户进入网站后是否对网站的内容产生了兴趣。如果没有,那么这个用户不点击任何页面上的链接就离开,这样他其实就只看到了网站呈现给他的着陆页面(登陆页面)。Bounce Rate是一个随着技术的进步却没有做太大改变的指标。有些朋友问我,如果一个人进入了着陆页面,他仔仔细细看了着陆页上的内容好几分钟,但是却没有点击任何上面的链接查看其他页面,他算是bounce掉了吗?这是大多数网站分析工具的bounce rate定义上明确标明的,即bounce与否其实与这个用户在着陆页上查看的时间无关,只与他是否点击进入了其他页面有关。如果有点击进入其他页面,那么就不算bounce,否则就算bounce,所以上面的情况无论这个访问者看了着陆页面多久,而没有点击任何其上的链接进入其他页面,这仍然是一个bounce。这么看来也许bounce rate的定义过于严厉了,与浏览页面的时间长短无关似乎也不合理(后面还会专门说明时间的问题)。但这个定义是技术简明性以及抓住大概率事件(查看页面好几分钟却不点击页面上任何的链接确实算是小概率事件)共同作用下的效率原则产生的“最佳解决方案”,于是一直被沿用。

有意思的是,很早之前,Avinash对于bounce的解释是在页面/网站上浏览时间少于10秒钟(或是30秒钟,我记的不是很清楚了)的情况。不过,由于用户页面浏览时间不太容易准确监测(或者说准确监测降低了网站分析工具的技术实施简单性),而且替代方案(就是现在的bounce rate的定义)仍然能够相当准确地描述现实中的bounce的情况,因此大部分工具都并未采用浏览时间作为bounce和bounce rate的定义基础。

关于Bounce Rate的详细定义和解读已经很多了,如果之前没有太多了解或者想要系统复习,请阅读这些文章:《网站分析的最基本度量(5)——Bounce Rate》,《Bounce Rate —— 多少算好?》,《挑战网站分析中的大众智慧(1)——Bounce Rate》。

PV/V

与Bounce Rate不同,PV/Visit(或者很多时候简写为PV/V)描述另外一类用户与网站的交互行为,即浏览网站的深度。用户一次访问过程中(visit)查看的页面数越多,说明这个用户对网站的兴趣越浓厚。所以一般情况下PV/V越高越好。当然,兴趣有主动兴趣和被动兴趣之分。被动兴趣是指因为在网站中找不到你想要的内容而不断尝试寻找的过程,PV/V也会比较大,但这就不是什么好现象了——不过这种现象非常罕见。

Time On Site

既然谈到了浏览深度,那自然有浏览长度与之对应,即Time on Site,指人们访问网站的平均停留的时间。例如一个网站有3个访问,一个停留了2分钟,一个停留了10分钟,一个停留了0分钟,那么time on site则是4分钟。与PV/Visit一样,一般而言,这个值是越大越好。

不过,值得注意的是,网站分析工具上统计的时间与实际用户在网站上停留的时间肯定是不同的。人们访问网站最后一个页面的时间长短不会被网站分析工具统计到。原因很简单,因为一般的网站分析工具不统计人们离开一个网站的精确时间,而只能记录他访问这个网站倒数第二页的精确时间,这样最后一个被他访问的页面的停留时间实际上被完全忽略掉了。你会问为什么不统计最后一个页面上停留的时间呢?——因为网站分析工具默认对用户关闭页面的行为,或是从这个页面浏览器窗口中跳转到其他网站的行为不做统计,除非你进行专门的设置。

如果不做额外的设置,这种安排意味着两点,第一,网站分析工具统计到的网站浏览时间总是小于网站被打开在浏览器中的时间(尽管浏览器打开页面未必意味着你真的每分每秒都在看它);第二,所有bounce掉的visit(即只访问了一个页面的visit)在网站上的停留时间计为0。

确实有一些网站分析工具打破了这个窠臼,能够尽量记录到人们离开网站的那一瞬间的时间。不过,我个人感觉,其实意义并不特别大,除非各个访问的最后一个页面有很大几率是那些特别需要人们多做停留仔细查看的页面。只要工具统计的方法保持一致性,那么就算少了最后一个页面的停留时间,仍然可以实现apple to apple的比较,仍然可以帮助我们把握用户宏观的engagement情况。而且,还降低了技术实施的难度,并且提高了监测的一致性从而提高了监测精度(因为记录离开网站准确时刻的方法实际上并不是完全可靠的,只有一定的几率能够统计到,这使这些方法实际上的可用性降低了)。

本文版权归“网站分析在中国CWA”及其作者宋星,欲转载,请联系作者

Visit/UV及其他用户粘性Engagement指标

宏观engagement指标中还有一个大家不常用的,就是我们前面所提到的Visit/UV这个度量。它用来衡量访问者访问网站的黏性。如果你喜欢某个网站,你就会经常来,一个UV就会带去多个visits。Visit/UV的数值越高,意味着这个网站的用户忠诚度越高。

其他还有一些表明用户黏性的engagement指标,例如访问频次分布(做一个图),访问间隔时间分布(做一个图)。我一直没有特别多的使用这两个指标,我认为对它们最好的解读是不同网站间的对比,以及与自己心理预期的对比。

图:访问频次

图:访问时间间隔

微观级engagement指标

微观级engagement指标我不想谈太多,本质上就是描述用户在具体页面上的行为,比较重要的一个是exit rate。Exit Rate(退出率)是衡量页面作为用户退出网站前最后一个被浏览的页面的几率(与自己总体被浏览次数相比)。例如某个页面的退出率是75%,那么就意味着访问这个页面产生的所有PV中,有四分之三的PV是这些访问退出网站前的最后浏览页面。请看这个文章了解它的详细解释。

这里我想说的是,exit rate是更微观的说明页面engagement度量(前面都是衡量整站engagement的宏观度量),它是衡量页面表现的度量,类似的度量还有Average Time on Page,Next Page Flow(以及由它产生的热图)等,相关文章很多,就不再跟大家详细介绍了,如果有兴趣,请点击前面这几个链接。

按需定义的Engagement指标

标准化的Engagement指标描述了多种用户行为,但还不足以涵盖更为具体的衡量和分析需求。比如,一个网站有一些很重要的特定的用户行为(Action),例如注册或登录,申请一个试用的机会,下载一个产品说明,或是把某一个额商品添加到购物车。对于这些特定的action,标准化的Engagement指标对它们其实没有任何额外的照顾。

这个时候我们需要自定义的Engagement指标,用于描述那些有价值的特定的用户行为。这些行为有两类:

1. 非标准化的行为:上面提到的那些action,比如注册、登录、试用、下载、点击某个特殊位置或功能、添加到购物车等等,均属于这一类。

2. 根据需要对标准engagement自行设定条件后的更具针对性的用户行为。例如,与一次visit相对,visit时间长度超过3分钟就是一个更为具体的用户行为,或者visit中浏览页面数超过3个的visit也是更为具体的用户行为。另外,还可以设定访问了某一个特定页面的visit,也属于定义了条件的用户行为。这些按照你设定的标准不同,得到对应度量的值也是不一样的。

你会发现这些指标具有相当的“随心所欲”性。没错,它们确实是根据你的需要而自由定义的,这意味着别人所使用的engagement指标可能完全跟你的不一样。但我们确实需要这些指标,否则我们无法全面描述用户行为的特点和价值,也就无法进行针对性的分析与优化。

按需定义的engagement指标的存在,让网络营销分析能够真正与业务相匹配。否则,仅仅只是用visit或是bounce rate来衡量流量和用户的行为,实在太过粗略。

现在,你的问题可能出现了——这些指标既然是自定义的,那么网站分析工具上一定没有一个统一的标准报告提供它们的数据,我们应该怎么获得这些数据呢?

按需定义的Engagement指标的监测实现

别担心,任何一个指标能够成为指标的必要条件是首先它是能够被监测的。如果不能监测,它存在的价值就没有了,这就是所谓的——无法衡量、即不存在。

自定义的Engagement指标必须能够被监测到。网站分析工具其实提供了非常全面的方法。分如下几种情况:

1. 用户的Action是点击链接后打开一个新的页面的:

这种情况实际上不需要我们做额外的监测工具的实施,因为点击链接打开一个新的页面,即会记录这个新打开页面的新的PV。这样我们统计这个新打开页面的PV就能够知道用户相应的点击链接的次数。当然,点击次数和页面打开的次数并不是100%对应的,但已经非常接近,完全不影响我们分析了。

把数据用Excel下载下来,然后做一个筛选,把你认为属于Engagement的页面访问数据记录下来,bingo!

如果每次点击同样的链接,打开的页面并非是静态URL的页面,而是每次URL都不一样的动态页面。这也没有关系,我们可以通过过滤设置(如GA的过滤设置)来把URL不一样的动态页面统一成同样的URI,这样GA在记录的时候就不会认为是很多页面,而会记录成一个页面了。不过,这个方法必须有一个前提条件,那就是动态页面的URL是有一定的格式的,即至少有一些共性,完全随机的URL就没有办法了。具体实现的方法这篇文章限于篇幅就不再详述了,我准备近期写一篇快速的小文章介绍给大家,敬请期待。

2. 用户的Action是点击链接后不打开新的页面,但打开一些具体的功能的:

这些功能包括:点击之后打开的是JavaScript或者Div浮层的、点击的是Flash的、点击之后是外链的等各种情况。这些情况下需要配置我们的GA监测代码。

1) 点击的对象是JavaScript或Div浮层的:

利用Event Tracking功能(官方文档,英文)或者Virtual Page功能(官方说明,英文)的功能。这个方法的原理是在点击动作本身的onClick事件上加上Event Tracking或者Virtual Page的调用。例如: 

<div onClick="_gaq.push(['_trackEvent', 'Videos', 'Play', 'vid 1'])" 
style="cursor: pointer;"> Your content here </div>

Event Tracking和Virtual Page的区别是,前者会在把点击动作的记录放在GA的Event报告中,后者把这个动作的激活当作一个页面(page)记录,并在Content报告中显示。这两个方法是GA学习必须掌握的方法。——如果大家有需要,我会专门写一个文章介绍这两种方法,如有需要请在下面留言。

2) 点击的对象是Flash的:

思想与上面的情况是类似的,也需要利用Event Tracking或者Virtual Page的功能,但要把相应的方法写入Flash中。有些复杂,需要技术同事帮忙解决。比较好的解决方案请见这个文章(英文)。

3) 点击的对象是出站链接的:

官方的方法与监测JavaScript或者Div的方法很类似,是把出站链接(outbound links)的点击行为(onClick事件)做Event Tracking或者Virtual Page。这样需要对每一个出站链接都做onClick事件的引用,并加入Event Tracking等方法。请见这里:http://support.google.com/analytics/bin/answer.py?hl=en&answer=1136920(英文)。这个方法如果对于页面上有很多的出站链接的情况,就显得相当繁琐。

一次性解决方案也是存在的,例如这篇文章所述:http://wptheming.com/2012/01/tracking-outbound-links-with-google-analytics/。我没有亲自尝试,但看代码,应该是可以实现的。

本章小结:

这一章只干了三件事情:讲解了什么是Engagement,包含哪些度量,以及需要如何监测Engagement的相关度量。值得记住的是Engagement包含标准的度量,以及定制化的度量,对于定制化的度量,监测的时候可能需要对工具的代码进行再加工。

下一章我们继续围绕Engagement进行,只是会进入更“核心”的领域。包括Engagement的一些计算方法,Engagement的解读以及它在分析中的应用。敬请期待。

有任何问题或者想法,请在下面给我留言。最后,祝愿北京的朋友们厚德载雾,自强不吸!祝全国朋友们新的一周工作愉快!

这篇文章的诞生简直是命运多舛。

一般而言,博客中的文章现在总是在上下班的时候在地铁中慢慢完成的。这个第三篇,经过了好十几次地铁来回(现在坐地铁上下班已经没有那么多,所以这十几次地铁,更是花了一月有余的时间),已经快要完成的时候,被我不慎重装系统后完全删除了。

各位看官,若是你们也有类似遭遇,那你们便会懂得这是一种什么样的挫折感。但,一个系列从诞生到最终的结束必须是一篇一篇慢慢道来的,所以,既然已经有了开篇的一、二两个文章,那就必须让它继续下去,不能成为烂尾的系列。

所以,我重新振作精神,忽然发现如果我重新写来,也许能够比丢失的第一遍写得更好,于是便欣然重头来过。

【正文】

前一篇文章我们讲了什么是engagement,engagement包含哪些指标,如何定义这些指标,以及如何通过技术方式监测到这些指标。这一篇文章我们则要考虑一些更深层次的问题。一部分问题是,我知道衡量engagement十分具有价值,但是这种衡量应该用到哪些业务领域呢?即engagement的适用性问题。另外一些问题则是前一个问题的延伸,即在适用engagement的领域,又应该采用何种具体的方法呢?即engagement的方法逻辑。很多朋友向我咨询这样的问题,几乎每一个engagement的具体指标都被询问过,这种面对业务不知用何种指标去剖析,或者面对指标不知应该如何应用的茫然失措我感同身受,而我所做的工作其实一直就是试图把它们联系起来,这使我觉得在核心指标的这一系列文章中,同大家一起解决这个问题的意义重大。

Engagement的应用能够解决什么问题?

由于Engagement的灵活性,它至少在三个领域具有极高的研究价值。其一,它对于衡量总体(宏观)效果的达成有帮助;其二,在确知流量质量的情况下,它衡量网站对影响用户的程度(即一般我们所称的网站的质量);其三,在确知网站质量的情况下,它衡量网站流量的质量。

这三个问题,几乎是我们进行营销分析的核心领域了。我们先来看第一个问题:如何通过Engagement指标衡量总体(宏观)效果的达成。

Engagement衡量总体(宏观)效果的三种方法

Engagement衡量宏观效果的方法,基于这样的一种假设:大量用户看似混沌的各种行为,实际上均反映了网站对用户的影响(吸引)程度。用户行为的量和度越大,表明网站对用户的影响越强烈。这么说不难理解,同样的两个新闻站,A站平均每个用户访问看10条新闻,B站只有5条新闻,很明显A站对用户的吸引程度更大。Engagement本质上即是用于描述各种用户混沌行为,因此engagement的数量和强度,与网站影响用户的能力是等同的。

那么如何衡量Engagement的数量和强度呢?

通常有三种简单的方法衡量宏观Engagement。第一种方法,是观察全局性的Engagement指标,这些指标既可以是标准指标,也可以是自定义指标。第二种方法,是把单个的Engagement指标按照自定的重要性程度加权汇总起来,形成Engagement Index加以衡量。第三种方法,则是按照用户行为与营销目标之间的数学关系定义各个指标的重要程度,然后再加权汇总成Engagement Index。只要对用户行为的监测得当(关于Engagement具体指标的监测,请参看本系列的第二篇文章:网络营销效果衡量的核心指标及我们用什么样的逻辑思考(2)),三种方法操作起来都不会有什么困难。

方法一:全局性Engagement指标的分析

第一种方法,观察全局性的Engagement指标,最常见的便是观察Bounce Rate,PV/V,或者Time on Site。关于Bounce Rate,大家心怀的问题最多。几乎在所有的课堂上,当我讲解Bounce Rate相关的知识的时候,就会有同学提问——Bounce Rate到底多高算好?我可以简单的答复,如果你的Bounce Rate没有超过65%,那么还真是值得庆贺。但这样的答案并不是我喜欢的(所有一刀切的做法都值得怀疑,比如说在几十年前自上而下决定的那些绝对的善或是绝对的恶),如果京东的bounce rate是65%,那么他们一定会顿足捶胸的痛苦。不过,若是在营销活动中,网站的Bounce Rate真的高于80%,那我们该得出什么样的结论呢?

结论A:该死,这真是一次全然失败的活动,流量糟透了,网站也稀烂。

结论B:网站是成功的,但是流量存在极大的问题。

结论C:流量肯定没问题,但网站很糟糕。

这三个结论,哪一个会是正确的?答案是,都有可能。不过,在具体的情况下一定只有一个可能性。我们如何判断Bounce Rate高,到底说明了哪种情况?

我的方法很简单——按照流量来源细分Bounce Rate,然后判断到底是流量除了问题,还是网站出了问题。解决这个问题我将引入参照系的概念,即流量中可以作为参照系的标准流量来源。我们都知道,网站流量来源多种多样,其中质量最好的流量是自然搜索流量(organic)。或许你会失望,问为什么不是direct(直接流量),原因是direct并非真正的直接流量,而是对于这个网站分析工具而言所有无法判断来历的流量,因此direct可能杂糅了很多流量(预知详细,请看这篇文章:Direct Traffic真的是直接流量吗?如何辨识真正流量来源?),这些流量的质量几乎可以肯定不如自然搜索流量。你会问,为什么organic是质量最好的,其实很简单,organic流量不是作弊流量,而且反映了真正的用户访问需要。如果一个网站没有什么organic流量,那么流量质量第二好的流量是付费搜索引擎流量。这两种流量可以作为我们衡量bounce rate的参照系。现在,我们来观看下面的几种情况,你又会分别得出什么结论:

情况A:Organic流量的bounce rate不错,只有40%左右,但网站整体的bounce rate是80%。

情况B:Organic流量的bounce rate和网站整体的bounce rate几乎一样高,都高达80%。

相信你看到这两种情况,心中已经有数了。A情况,说明网站对那些真实有兴趣的用户的吸引力还是不错的,40%的bounce rate水准不错,但网站仍然有高达80%的bounce rate,说明其他流量很可能并非你希望获取的人群。B情况,如果连Organic流量都有极不理想的bounce rate,那么说明这个网站真心做的差点意思。流量参照系给了我们一个很明确判断到底是流量还是网站出问题的方法,但使用这个方法有一个前提,就是Organic的流量不能太少,如果Organic流量很少,可做替换的流量是Paid Search。但如果没有什么Search的流量,那就找那些你认为质量可靠的流量来源。不过,无论参照系流量的表现如何,一次营销活动,如果整体的Bounce Rate高于80%,就肯定不是一个特别理想的状况,要么是流量或者网站存在问题,要么是存在营销费用的浪费。

PV/V和Time On Site相对bounce rate而言,更难有benchmark。不过,就我看来,几乎可以确定一个网站的PV/V和Time On Site越高,说明营销受众受到网站影响的程度越深。过去我曾经认为有一些网站PV/V或者Time On Site太大是不好的——比如政府的服务类网站,太高的PV/V或者Time On Site说明了人们或许没有找到该找的内容。但追踪了太多的网站,我发现国人的耐心其实非常有限,若是一个网站不容易找到他们需要的内容,即使是重要的网站,他们也会转而求助于百度,而不会在这个体验糟糕的网站中疯狂追寻。平均PV/V大于3,或者平均Time On Site大于2分钟,才能说明网站本身对用户有起码的吸引力。

观察全局性的,自定义的Engagement指标在这里则更加常用,例如,在一次促销活动中把用户点击促销商品的点击数量(或者打开促销商品详情页面的次数)作为一个全局性的Engagement来看待,并将最终达成的实际数量与预先设定的目标进行比较,从而观察营销的效果是否达成。这样的方法很快捷,但也很粗放。如果Bounce Rate高于90%,但很幸运的,促销商品的点击数量却超过了预先设定目标的两倍,那么这次营销活动到底是好还是不好呢?单个看待每一个指标,总会碰到一些让人难受的取舍问题,而且总是难以真正照顾全面。这时我们就必须要考虑其他的新方法。

方法二:单个Engagement指标的加权汇总

第二种方法——把单个的Engagement指标按照自定的重要性程度加权汇总起来,弥补了第一种方法的部分不足,毕竟,宏观的Engagement是由具体的一个一个的Engagement的指标综合而成的结果。这个方法有三个步骤,首先,列出所有的Engagement的具体指标,然后根据你“心目中”的每个指标的重要程度,给各个指标指定一个权重,最后把每个指标乘以权重,加总起来。加总起来的值,即Engagement Index。这种方法在我很早的一篇文章中有专门的论述,请见:网站分析的最基本度量(8)——Engagement。除了这篇文章的页面分区方法,你也可以按照行为的类型对指标权重进行计算,例如,注册成功页面一个PV是10个权重,购物车添加成功页面为20个权重等。

不同类型的营销选用的具体指标和权重的安排肯定不一样。下面的两个例子,分别对应效果营销和品牌营销:

第二种方法比第一种方法全面,但是权重的分配很主观,而且一些常用的全局指标,比如Bounce Rate,PV/V,或者Time on Site,反而不能囊括进入,不得不成为两套并列的衡量。后者不是大问题,但是自作主张的权重分配却似乎很容易被老板和客户challenge。不过,事实上,这种方法是目前最多被采用的方法,因为它相对简单,而且对于一个广告主而言,固定一些常见行为的权重值有很多好处,它很明确地指明了营销活动应该努力的方向,而且也助于campaign不同阶段或者相似的campaign之间的横向比较。

方法三:转化关系核定下的Engagement指标的加权汇总

第三种方法,对第二种方法做了一些改进,它基于这样一个思想:在营销活动中,用户看似混沌的各种行为,实际上与最终目的达成(如转化)的终极目标有相当确定的比例关系。尽管对各类营销活动,以及各个网站而言,这些比例关系并无相同的值,但对于一个确定的活动或网站,这些比例却相对稳定。例如,对于很多电子商务网站而言,除非是品类结构发生大的变动,否则它们的“购物车到实际购买之间的转化概率”是比较稳定的,例如在40%的基准上左右浮动。那些不需要销售商品的品牌推广营销,其实也适用这种关系,因为这些营销几乎都有明确的希望用户采取的行动作为最终目的(例如申请试用,分享给朋友等),这些具体的行动与电子商务网站的购买行为其实并无本质的差别。现在,我们假设一个电子商务网站有如下的转化规律:每100个新注册会产生4个订单;每100个IPV会产生(对应)18个订单;每100次把商品放入收藏夹会产生20个订单……,我们可以得到下面的一个表格:

为了后面的计算关系,我们把每个Engagement指标都变成1为基准,于是我们得到了下面一个表格,值虽然不同,但是比例关系是完全一样的(同比变化):

有了这个对应关系,我们可以很容易的给转化发生之前的所有重要事件定义Engagement的权重。如果我们以1个转化为100分计算,那么我们得到下面的表格:

有了权重,按照各个不同的行为的实际值,计算出各指标的Engagement Index完全轻而易举。如下表所示:

第三种方法相对于第二种方法看起来更为科学一些,Google Analytics的Page Value的设置也是类似于这种方法。但这种方法并不能说是现实的完全真实的反馈,它还是存在一定的问题。由于此方法基于所有的行为都对最终的转化有直接的贡献作用 的假设而设立,但转化必然是一个过程,在转化过程的不同阶段用户的不同行为之间其实有相互的关系(正面的促进或者负面的干扰),而这个方法并未把这些情况涵盖在内。

有意思的是,对于这个方法,你会发现——由于网站内部的转化也是一步一步发生的,不同过程对最终转化的价值并不一定一样,因此似乎也完全适用于Attribution Modeling的方式,采用不同的modeling(如线性,还是递减,或是中间高两边低)的方式,对用户不同行为的赋权值也就不一样,你完全也可以采用Attribution Modeling模型的思想根据实际情况去为不同的Engagement指标赋权,这样可以更接近于你期望的业务实际。不过操作难度看起来相当不乐观。;)

尽管三种方法都并非100%对用户的Engagement真实程度的再现(可是完全再现真实只是理想状态),但对于我们期望的定量化的Engagement却是很有帮助的。对于一次营销campaign,利用这些的方法能够告诉我们从过程的角度看,是否它沿着我们预期的路线在前进。下面这个真实的案例即采用了上面的方法。

案例

这是一个分为三个阶段的较为长期的营销活动。在不同阶段中,采用了不同的着陆页面。三个阶段分别产生的Engagement如下图所示:

仅仅从数值上看,第二阶段是非常不错的。不过毕竟每个阶段的目的和目标不一样,而且推广时长也不同,采用的营销手段也许也不一样,因此单纯比较数据其实反而容易误导我们。第二阶段真的是最好的阶段吗?

如果这个营销活动每个阶段都有确定的Engagement Index的目标(往往这个目标在营销活动之前都会做设置,设置的方法真的是一个大学问,但其实总结起来也就是四个字——经验积累),那么我们倒可以看看哪个阶段更好些:

第二阶段看起来完成的Engagement Index很多,但是对这个阶段的期待却是最高的。而第一阶段超出了目标不少。从这个意义上看,第一阶段或是达成情况最好的。不过,我们有时候也会反思,是不是我们在设定目标值的时候不尽合理呢?

目标设定具有的不确定性并不会给我们带来严重的困扰,毕竟我们可以用其他更多的维度来衡量一个营销活动是否“靠谱”。在这个案例中,细心的你会发现,其实每个阶段的时间长度是不同的,而各个阶段对于流量的投入,肯定也是不同的,那么我们可以通过比较同样花费带来的Engagement数量的情况,以及每个流量产生的Engagement数量的情况。

上面这两张图显示了在一个营销活动在不同阶段采用了不同Landing Page(LP,即着陆页)和营销方式时吸引用户Engagement的效率。在第一个月,每产生一个Engagement需要消耗大约0.2美元,但第二阶段Engagement的获取成本则一下子提升了两倍有余,第三阶段看起来与第一阶段差不多。而从营销活动吸引访问者的效率上看,第二阶段明显是最差的——在第一阶段,每个visit还能产生2个多的Engagement Index,而第二个阶段更换了着陆页之后,却一落千丈,最终在第三阶段重新回到正轨。

通过对Engagement Index进行简单的计算和分析,我们即能对一次营销活动有一个很快的整体把握。不过,对于第二阶段的表现为什么不尽如人意,可能有多种可能性,一种是,流量质量在第二阶段大幅度下降,另外一种则可能是第二阶段更换了相当不理想的Landing Page。为了确知到底是什么原因所致,我们还需做进一步探究。(待续……)

这一篇文章为大家介绍了Engagement衡量总体(宏观)效果的方法。下一篇则会接着介绍Engagement的另外两个重要作用:在确知流量质量的情况下,它如何衡量网站对影响用户的程度;以及,在确知网站质量的情况下,如何通过Engagement衡量网站细分流量的质量。敬请期待。最后,欢迎大家留言,任何问题,建议和你的思考。:)

 
相关文章

谈产品运营
产品运营的思路
互联网产品:死于方向,毁于节奏
马化腾:灰度法则的七个维度
 
相关文档

网络游戏产品运营基础介绍
腾讯产品运营思路方案
互联网产品运营PPT(第一课)
产品运营策划书
 
相关课程

产品经理与产品管理(互联网领域)
产品管理与产品研发管理
面向产品的需求分析与管理
产品发布、推广与应用支持
 
分享到
 
 


正视研发管理才是高水平竞争
需求是如何变成产品原型的
产品经理能力模型解说—把控
产品经理的正确定位
谁是合格的产品经理?
产品管理与产品营销的区别
更多...   


统一过程及应用
敏捷过程实践
基于XP/RUP的迭代开发
软件开发过程指南
SCRUM过程实践
敏捷测试-简单而可行

相关咨询服务
基于CMMI2-3过程改进咨询
软件工程体系与平台构建
软件开发过程


某博彩企业 产品经理与产品管理
北京 研发团队与工作管理
广东金赋信息 敏捷开发过程与项目管理
某支付平台 软件配置管理与发布管理
富士 软件外包项目管理与进度管理
塞孚耐 基于Scrum的敏捷开发
更多...   
 
 
 
 
 
每天2个文档/视频
扫描微信二维码订阅
订阅技术月刊
获得每月300个技术资源
 
 

关于我们 | 联系我们 | 京ICP备10020922号 京公海网安备110108001071号