網(wǎng)絡(luò)營(yíng)銷的效果分析與衡量

　　

　　在之前的《網(wǎng)絡(luò)營(yíng)銷效果衡量的核心指標(biāo)》連載中，介紹了什么是Engagement，Engagement包含哪些指標(biāo)，如何定義這些指標(biāo)，以及如何通過技術(shù)方式監(jiān)測(cè)到這些指標(biāo)。這期將問題更深入，探討Engagement的適用性問題。

　　

　　由于Engagement的靈活性，它至少在三個(gè)領(lǐng)域具有極高的研究?jī)r(jià)值。其一，它對(duì)于衡量總體（宏觀）效果的達(dá)成有幫助；其二，在確知流量質(zhì)量的情況下，它能衡量網(wǎng)站對(duì)用戶的影響程度（即一般我們所稱的網(wǎng)站的質(zhì)量）；其三，在確知網(wǎng)站質(zhì)量的情況下，它能衡量網(wǎng)站流量的質(zhì)量。

　　

　　這三個(gè)問題，幾乎就是我們進(jìn)行營(yíng)銷分析的核心領(lǐng)域。我們先來看第一個(gè)問題：如何通過Engagement指標(biāo)衡量總體（宏觀）效果的達(dá)成？

　　

　　Engagement衡量總體效果的三種方法

　　

　　Engagement衡量宏觀效果的方法，是基于這樣的一種假設(shè)：大量用戶看似混沌的各種行為，實(shí)際上均反映了網(wǎng)站對(duì)用戶的影響（吸引）程度。用戶行為的量和度越大，表明網(wǎng)站對(duì)用戶的影響越強(qiáng)烈。這么說不難理解。同樣的兩個(gè)新聞?wù)?，A站平均每個(gè)用戶訪問看10條新聞，B站只有5條，很明顯A站對(duì)用戶的吸引程度更大。Engagement本質(zhì)上即是用于描述各種用戶混沌行為，因此Engagement的數(shù)量和強(qiáng)度，與網(wǎng)站影響用戶的能力是等同的。

　　

　　那么如何衡量Engagement的數(shù)量和強(qiáng)度呢？

　　

　　通常有三種簡(jiǎn)單的方法衡量宏觀Engagement。第一種方法，是觀察全局性的Engagement指標(biāo)，這些指標(biāo)既可以是標(biāo)準(zhǔn)指標(biāo)，也可以是自定義指標(biāo)。第二種方法，是把單個(gè)的Engagement指標(biāo)按照自定義的重要程度加權(quán)匯總起來，形成Engagement?Index加以衡量。第三種方法，則是按照用戶行為與營(yíng)銷目標(biāo)之間的數(shù)學(xué)關(guān)系定義各個(gè)指標(biāo)的重要程度，然后再加權(quán)匯總成Engagement?Index。只要對(duì)用戶的行為監(jiān)測(cè)得當(dāng)，三種方法操作起來都不會(huì)有什么困難。

　　

　　方法一：全局性Engagement指標(biāo)的分析

　　

　　第一種方法，觀察全局性的Engagement指標(biāo)，最常見的便是觀察Bounce?Rate、PV/V或者Time?on?Site。關(guān)于Bounce?Rate，大家的問題最多。幾乎在所有的課堂上，當(dāng)我講解Bounce?Rate相關(guān)知識(shí)的時(shí)候，就會(huì)有同學(xué)提問：Bounce?Rate到底多高算好？我可以簡(jiǎn)單地答復(fù)，如果你的Bounce?Rate沒有超過65%，那么還真是值得慶賀。但這樣的答案并不是我喜歡的，如果京東的Bounce?Rate是65%，那么他們一定會(huì)痛苦得頓足捶胸。不過，若是在營(yíng)銷活動(dòng)中，網(wǎng)站的Bounce?Rate真的高于80%，那我們?cè)摰贸鍪裁礃拥慕Y(jié)論呢？

　　

　　結(jié)論A：該死，這真是一次全然失敗的活動(dòng)，流量糟透了，網(wǎng)站也稀爛。？

　　

　　結(jié)論B：網(wǎng)站是成功的，但是流量存在極大的問題。？

　　

　　結(jié)論C：流量肯定沒問題，但網(wǎng)站很糟糕。？

　　

　　這三個(gè)結(jié)論，哪一個(gè)會(huì)是正確的？答案是，都有可能。不過，在具體的情況下一定只有一個(gè)可能性。我們?nèi)绾闻袛郆ounce?Rate高，到底說明了哪種情況？

　　

　　我的方法很簡(jiǎn)單——按照流量來源細(xì)分Bounce?Rate，然后判斷到底是流量出了問題，還是網(wǎng)站出了問題。解決這個(gè)問題我將引入?yún)⒄障档母拍睿戳髁恐锌梢宰鳛閰⒄障档臉?biāo)準(zhǔn)流量來源。我們都知道，網(wǎng)站流量來源多種多樣，其中質(zhì)量最好的流量是自然搜索流量（Organic）。或許你會(huì)失望，問為什么不是Direct（直接流量），原因是Direct并非真正的直接流量，而是對(duì)于這個(gè)網(wǎng)站分析工具而言所有無法判斷來歷的流量，因此Direct可能雜糅了很多流量，這些流量的質(zhì)量幾乎可以肯定不如自然搜索流量。

　　

　　為什么Organic是質(zhì)量最好的？其實(shí)很簡(jiǎn)單，Organic流量不是作弊流量，而且反映了真正的用戶訪問需要。如果一個(gè)網(wǎng)站沒有什么Organic流量，那么流量質(zhì)量第二好的流量是付費(fèi)搜索引擎流量。這兩種流量可以作為我們衡量Bounce?Rate的參照系?，F(xiàn)在，我們來觀看下面的幾種情況，又會(huì)分別得出什么結(jié)論：

　　

　　情況A：Organic流量的Bounce?Rate不錯(cuò)，只有40%左右，但網(wǎng)站整體的Bounce?Rate是80%。？

　　

　　情況B：Organic流量的Bounce?Rate和網(wǎng)站整體的Bounce?Rate幾乎一樣高，都高達(dá)80%。？

　　

　　相信看到這兩種情況，讀者心中已經(jīng)有數(shù)了。A情況，說明網(wǎng)站對(duì)那些真正有興趣的用戶的吸引力還是不錯(cuò)的，40%的Bounce?Rate水準(zhǔn)不錯(cuò)，但網(wǎng)站仍然有高達(dá)80%的Bounce?Rate，說明其他流量很可能并非你希望獲取的人群。B情況，如果連Organic流量都有極不理想的Bounce?Rate，那么說明這個(gè)網(wǎng)站真心做得差點(diǎn)意思。流量參照系給了我們一個(gè)很明確判斷到底是流量還是網(wǎng)站出問題的方法，但使用這個(gè)方法有一個(gè)前提，就是Organic的流量不能太少，如果Organic流量很少，可做替換的流量是Paid?Search。但如果沒有什么Paid?Search的流量，那就找那些你認(rèn)為質(zhì)量可靠的流量來源。不過，無論參照系流量的表現(xiàn)如何，一次營(yíng)銷活動(dòng)，如果整體的Bounce?Rate高于80%，就肯定不是一個(gè)特別理想的狀況，要么是流量或者網(wǎng)站存在問題，要么是存在營(yíng)銷費(fèi)用的浪費(fèi)。

　　

　　PV/V和Time?on?Site相對(duì)Bounce?Rate而言，更難有benchmark。不過，就我看來，幾乎可以確定一個(gè)網(wǎng)站的PV/V和Time?on?Site越高，說明營(yíng)銷受眾受到網(wǎng)站影響的程度越深。過去我曾經(jīng)認(rèn)為有一些網(wǎng)站PV/V或者Time?on?Site太大是不好的，比如政府的服務(wù)類網(wǎng)站，太高的PV/V或者Time?on?Site說明了人們或許沒有找到要找的內(nèi)容。但追蹤了很多的網(wǎng)站后，我發(fā)現(xiàn)國(guó)人的耐心其實(shí)非常有限，若是一個(gè)網(wǎng)站不容易找到他們需要的內(nèi)容，即使是重要的網(wǎng)站，他們也會(huì)轉(zhuǎn)而求助于百度，而不會(huì)在這個(gè)體驗(yàn)糟糕的網(wǎng)站中瘋狂追尋。平均PV/V大于3，或者平均Time?on?Site大于2分鐘，才能說明網(wǎng)站本身對(duì)用戶有起碼的吸引力。

　　

　　觀察全局性的時(shí)候，自定義的Engagement指標(biāo)在這里則更加常用。例如，在一次促銷活動(dòng)中把用戶點(diǎn)擊促銷商品的點(diǎn)擊數(shù)量（或者打開促銷商品詳情頁面的次數(shù)）作為一個(gè)全局性的Engagement來看待，并將最終達(dá)成的實(shí)際數(shù)量與預(yù)先設(shè)定的目標(biāo)進(jìn)行比較，從而觀察營(yíng)銷的效果是否達(dá)成。這樣的方法很快捷，但也很粗放。如果Bounce?Rate高于90%，但很幸運(yùn)的，促銷商品的點(diǎn)擊數(shù)量卻超過了預(yù)先設(shè)定目標(biāo)的兩倍，那么這次營(yíng)銷活動(dòng)到底是好還是不好呢？單個(gè)看待指標(biāo)，總會(huì)碰到一些讓人難受的取舍問題，而且總是難以真正照顧全面。這時(shí)我們就必須要考慮其他的新方法。

　　

　　方法二：?jiǎn)蝹€(gè)Engagement指標(biāo)的加權(quán)匯總

　　

　　第二種方法，把單個(gè)的Engagement指標(biāo)按照自定義的重要程度加權(quán)匯總起來，彌補(bǔ)了第一種方法的部分不足，畢竟，宏觀的Engagement是由具體的一個(gè)一個(gè)的Engagement指標(biāo)綜合而成的結(jié)果。這個(gè)方法有三個(gè)步驟：首先，列出所有的Engagement的具體指標(biāo)，然后根據(jù)你心目中的每個(gè)指標(biāo)的重要程度，給各個(gè)指標(biāo)指定一個(gè)權(quán)重，最后把每個(gè)指標(biāo)乘以權(quán)重，加總起來。加總起來的值，即Engagement?Index。

　　

　　不同類型的營(yíng)銷選用的具體指標(biāo)和權(quán)重的安排肯定不一樣。

　　

　　第二種方法比第一種方法全面，但是權(quán)重的分配很主觀，而且一些常用的全局指標(biāo)，比如Bounce?Rate、PV/V或者Time?on?Site，反而不能囊括進(jìn)入，不得不成為兩套并列的衡量。后者不是大問題，但是自作主張的權(quán)重分配似乎很容易被老板和客戶challenge。不過，事實(shí)上，這種方法是目前采用最多的方法，因?yàn)樗鄬?duì)簡(jiǎn)單，而且對(duì)于一個(gè)廣告主而言，固定一些常見行為的權(quán)重值有很多好處，它很明確地指明了營(yíng)銷活動(dòng)應(yīng)該努力的方向，而且也有助于campaign不同階段或者相似campaign之間的橫向比較。

　　

　　方法三：轉(zhuǎn)化關(guān)系核定下的Engagement指標(biāo)的加權(quán)匯總

　　

　　第三種方法，對(duì)第二種方法做了一些改進(jìn)，它基于這樣一個(gè)思想：在營(yíng)銷活動(dòng)中，用戶看似混沌的各種行為，實(shí)際上與最終達(dá)成（如轉(zhuǎn)化）的終極目標(biāo)有相當(dāng)確定的比例關(guān)系。盡管對(duì)各類營(yíng)銷活動(dòng)以及各個(gè)網(wǎng)站而言，這些比例關(guān)系并無相同的值，但對(duì)于一個(gè)確定的活動(dòng)或網(wǎng)站，這些比例卻相對(duì)穩(wěn)定。

　　

　　例如，對(duì)于很多電子商務(wù)網(wǎng)站而言，除非是品類結(jié)構(gòu)發(fā)生大的變動(dòng)，否則它們的“購(gòu)物車到實(shí)際購(gòu)買之間的轉(zhuǎn)化概率”是比較穩(wěn)定的，比如在40%的基準(zhǔn)上左右浮動(dòng)。那些不需要銷售商品的品牌推廣營(yíng)銷，其實(shí)也適用這種關(guān)系，因?yàn)檫@些營(yíng)銷幾乎都以明確希望用戶采取行動(dòng)（例如申請(qǐng)?jiān)囉?、分享給朋友等）作為最終目的，這些具體的行動(dòng)與電子商務(wù)網(wǎng)站的購(gòu)買行為其實(shí)并無本質(zhì)的差別。現(xiàn)在，我們假設(shè)一個(gè)電子商務(wù)網(wǎng)站有如下的轉(zhuǎn)化規(guī)律：每100個(gè)新注冊(cè)用戶會(huì)產(chǎn)生4個(gè)訂單；每100個(gè)IPV會(huì)產(chǎn)生（對(duì)應(yīng)）18個(gè)訂單；每100次把商品放入購(gòu)物車會(huì)產(chǎn)生20個(gè)訂單……我們可以得到下面的一個(gè)表格（表1）。

　　

　　為了后面的計(jì)算關(guān)系，我們把每個(gè)Engagement指標(biāo)都變成1為基準(zhǔn)，我們可以得到一系列比例關(guān)系，？有了這個(gè)對(duì)應(yīng)關(guān)系，我們可以很容易地給轉(zhuǎn)化發(fā)生之前的所有重要事件定義Engagement的權(quán)重。如果我們以1個(gè)轉(zhuǎn)化為100分計(jì)算，按照各個(gè)不同行為的實(shí)際值，計(jì)算出各指標(biāo)的Engagement?Index完全輕而易舉（表2）。

　　

　　第三種方法相對(duì)于第二種方法看起來更為科學(xué)一些，Google?Analytics的Page?Value的設(shè)置也是類似于這種方法。但這種方法并不能說是現(xiàn)實(shí)的完全真實(shí)的反饋，它還是存在一定的問題。由于此方法基于所有的行為都對(duì)最終的轉(zhuǎn)化有直接的貢獻(xiàn)作用的假設(shè)而設(shè)立，但轉(zhuǎn)化必然是一個(gè)過程，在轉(zhuǎn)化過程的不同階段用戶的不同行為之間其實(shí)有相互的關(guān)系（正面的促進(jìn)或者負(fù)面的干擾），而這個(gè)方法并未把這些情況涵蓋在內(nèi)。

　　

　　有意思的是，對(duì)于這個(gè)方法，你會(huì)發(fā)現(xiàn)——由于網(wǎng)站內(nèi)部的轉(zhuǎn)化也是一步一步發(fā)生的，不同過程對(duì)最終轉(zhuǎn)化的價(jià)值并不一定一樣，因此似乎也完全適用于Attribution?Modeling的方式，采用不同的modeling（如線性、遞減或是中間高兩邊低）方式，對(duì)用戶不同行為的賦權(quán)值也就不一樣，你完全也可以采用Attribution?Modeling模型的思想根據(jù)實(shí)際情況去為不同的Engagement指標(biāo)賦權(quán)，這樣可以更接近于你期望的業(yè)務(wù)實(shí)際。不過操作難度看起來相當(dāng)不樂觀。

　　

　　盡管三種方法都并非100%對(duì)用戶的Engagement真實(shí)程度再現(xiàn)（可是完全再現(xiàn)真實(shí)只是理想狀態(tài)），但對(duì)于我們期望的定量化的Engagement卻是很有幫助的。對(duì)于一次營(yíng)銷campaign，利用這些方法能夠告訴我們從過程的角度看，是否它沿著我們預(yù)期的路線在前進(jìn)。