衡量網路行銷效果的三種方法 探討Engagement的適用性問題

仲介交易 SEO診斷 淘寶客 雲主機 技術大廳

在之前的《網路行銷效果衡量的核心指標》連載中，介紹了什麼是Engagement，Engagement包含哪些指標，如何定義這些指標，以及如何通過技術方式監測到這些指標。 這期將問題更深入，探討Engagement的適用性問題。

由於Engagement的靈活性，它至少在三個領域具有極高的研究價值。 其一，它對於衡量總體(宏觀)效果的達成有説明;其二，在確知流量品質的情況下，它能衡量網站對使用者的影響程度(即一般我們所稱的網站的品質);其三，在確知網站品質的情況下，它能衡量網站流量的品質。

這三個問題，幾乎就是我們進行行銷分析的核心領域。 我們先來看第一個問題:如何通過Engagement指標衡量總體(宏觀)效果的達成?

Engagement衡量總體效果的三種方法

Engagement衡量宏觀效果的方法，是基於這樣的一種假設：大量使用者看似混沌的各種行為，實際上均反映了網站對使用者的影響(吸引)程度。 使用者行為的量和度越大，表明網站對使用者的影響越強烈。 這麼說不難理解。 同樣的兩個新聞站，A站平均每個使用者訪問看10條新聞，B站只有5條，很明顯A站對使用者的吸引程度更大。 Engagement本質上即是用於描述各種使用者混沌行為，因此Engagement的數量和強度，與網站影響使用者的能力是等同的。

那麼如何衡量Engagement的數量和強度呢?

通常有三種簡單的方法衡量宏觀Engagement。 第一種方法，是觀察全域性的Engagement指標，這些指標既可以是標準指標，也可以是自訂指標。 第二種方法，是把單個的Engagement指標按照自訂的重要程度加權匯總起來，形成Engagement Index加以衡量。 第三種方法，則是按照使用者行為與行銷目標之間的數學關係定義各個指標的重要程度，然後再加權匯總成Engagement Index。 只要對使用者的行為監測得當，三種方法操作起來都不會有什麼困難。

方法一：全域性Engagement指標的分析

第一種方法，觀察全域性的Engagement指標，最常見的便是觀察Bounce Rate、PV/V或者Time on Site。 關於Bounce Rate，大家的問題最多。 幾乎在所有的課堂上，當我講解Bounce Rate相關知識的時候，就會有同學提問：Bounce Rate到底多高算好?我可以簡單地答覆，如果你的Bounce Rate沒有超過65%，那麼還真是值得慶賀。 但這樣的答案並不是我喜歡的，如果京東的Bounce Rate是65%，那麼他們一定會痛苦得頓足捶胸。 不過，若是在行銷活動中，網站的Bounce Rate真的高於80%，那我們該得出什麼樣的結論呢?

結論A：

該死，這真是一次全然失敗的活動，流量糟透了，網站也稀爛。

結論B：

網站是成功的，但是流量存在極大的問題。

結論C：

流量肯定沒問題，但網站很糟糕。

這三個結論，哪一個會是正確的?答案是，都有可能。 不過，在具體的情況下一定只有一個可能性。 我們如何判斷Bounce Rate高，到底說明了哪種情況?

我的方法很簡單——按照流量來源細分Bounce Rate，然後判斷到底是流量出了問題，還是網站出了問題。 解決這個問題我將引入參照系的概念，即流量中可以作為參照系的標準流量來源。 我們都知道，網站流量來源多種多樣，其中品質最好的流量是自然搜索流量(Organic)。 或許你會失望，問為什麼不是Direct(直接流量)，原因是Direct並非真正的直接流量，而是對於這個網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，這些流量的品質幾乎可以肯定不如自然搜索流量。

為什麼Organic是品質最好的?其實很簡單，Organic流量不是作弊流量，而且反映了真正的使用者訪問需要。 如果一個網站沒有什麼Organic流量，那麼流量品質第二好的流量是付費搜尋引擎流量。 這兩種流量可以作為我們衡量Bounce Rate的參照系。 現在，我們來觀看下面的幾種情況，又會分別得出什麼結論：

情況A：

Organic流量的Bounce Rate不錯，只有40%左右，但網站整體的Bounce Rate是80%。

情況B：

Organic流量的Bounce Rate和網站整體的Bounce Rate幾乎一樣高，都高達80%。

相信看到這兩種情況，讀者心中已經有數了。 A情況，說明網站對那些真正有興趣的使用者的吸引力還是不錯的，40%的Bounce Rate水準不錯，但網站仍然有高達80%的Bounce Rate，說明其他流量很可能並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，那麼說明這個網站真心做得差點意思。 流量參照系給了我們一個很明確判斷到底是流量還是網站出問題的方法，但使用這個方法有一個前提，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。 但如果沒有什麼Paid Search的流量，那就找那些你認為品質可靠的流量來源。 不過，無論參照系流量的表現如何，一次行銷活動，如果整體的Bounce Rate高於80%，就肯定不是一個特別理想的狀況，要麼是流量或者網站存在問題，要麼是存在行銷費用的浪費。

PV/V和Time on Site相對Bounce Rate而言，更難有benchmark。 不過，就我看來，幾乎可以確定一個網站的PV/V和Time on Site越高，說明行銷受眾受到網站影響的程度越深。 過去我曾經認為有一些網站PV/V或者Time on Site太大是不好的，比如政府的服務類網站，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容。 但追蹤了很多的網站後，我發現國人的耐心其實非常有限，若是一個網站不容易找到他們需要的內容，即使是重要的網站，他們也會轉而求助於百度，而不會在這個體驗糟糕的網站中瘋狂追尋。 平均PV/V大於3，或者平均Time on Site大於2分鐘，才能說明網站本身對使用者有起碼的吸引力。

觀察全域性的時候，自訂的Engagement指標在這裡則更加常用。 例如，在一次促銷活動中把使用者點擊促銷商品的點擊數量(或者打開促銷商品詳情頁面的次數)作為一個全域性的Engagement來看待，並將最終達成的實際數量與預先設定的目標進行比較，從而觀察行銷的效果是否達成。 這樣的方法很快捷，但也很粗放。 如果Bounce Rate高於90%，但很幸運的，促銷商品的點擊數量卻超過了預先設定目標的兩倍，那麼這次行銷活動到底是好還是不好呢?單個看待指標，總會碰到一些讓人難受的取捨問題，而且總是難以真正照顧全面。 這時我們就必須要考慮其他的新方法。

方法二：單個Engagement指標的加權匯總

第二種方法，把單個的Engagement指標按照自訂的重要程度加權匯總起來，彌補了第一種方法的部分不足，畢竟，宏觀的Engagement是由具體的一個一個的Engagement指標綜合而成的結果。 這個方法有三個步驟：首先，列出所有的Engagement的具體指標，然後根據你心目中的每個指標的重要程度，給各個指標指定一個權重，最後把每個指標乘以權重，加總起來。 加總起來的值，即Engagement Index。

不同類型的行銷選用的具體指標和權重的安排肯定不一樣。

第二種方法比第一種方法全面，但是權重的分配很主觀，而且一些常用的全域指標，比如Bounce Rate、PV/V或者Time on Site，反而不能囊括進入，不得不成為兩套並列的衡量。 後者不是大問題，但是自作主張的權重分配似乎很容易被老闆和客戶challenge。 不過，事實上，這種方法是目前採用最多的方法，因為它相對簡單，而且對於一個廣告主而言，固定一些常見行為的權重值有很多好處，它很明確地指明瞭行銷活動應該努力的方向， 而且也有助於campaign不同階段或者相似campaign之間的橫向比較。

方法三：轉化關係核定下的Engagement指標的加權匯總

第三種方法，對第二種方法做了一些改進，它基於這樣一個思想：在行銷活動中，使用者看似混沌的各種行為，實際上與最終達成(如轉化)的終極目標有相當確定的比例關係。 儘管對各類行銷活動以及各個網站而言，這些比例關係並無相同的值，但對於一個確定的活動或網站，這些比例卻相對穩定。

例如，對於很多電子商務網站而言，除非是品類結構發生大的變動，否則它們的「購物車到實際購買之間的轉化概率」是比較穩定的，比如在40%的基準上左右浮動。 那些不需要銷售商品的品牌推廣行銷，其實也適用這種關係，因為這些行銷幾乎都以明確希望使用者採取行動(例如申請試用、分享給朋友等)作為最終目的，這些具體的行動與電子商務網站的購買行為其實並無本質的差別。 現在，我們假設一個電子商務網站有如下的轉化規律：每100個新註冊使用者會產生4個訂單;每100個IPV會產生(對應)18個訂單;每100次把商品放入購物車會產生20個訂單...... 我們可以得到下面的一個表格(表1)。

為了後面的計算關係，我們把每個Engagement指標都變成1為基準，我們可以得到一系列比例關係， 有了這個對應關係，我們可以很容易地給轉化發生之前的所有重要事件定義Engagement的權重。 如果我們以1個轉化為100分計算，按照各個不同行為的實際值，計算出各指標的Engagement Index完全輕而易舉(表2)。

第三種方法相對於第二種方法看起來更為科學一些，Google Analytics的Page Value的設置也是類似于這種方法。 但這種方法並不能說是現實的完全真實的回饋，它還是存在一定的問題。 由於此方法基於所有的行為都對最終的轉化有直接的貢獻作用的假設而設立，但轉化必然是一個過程，在轉化過程的不同階段使用者的不同行為之間其實有相互的關係(正面的促進或者負面的干擾)，而這個方法並未把這些情況涵蓋在內。

有意思的是，對於這個方法，你會發現——由於網站內部的轉化也是一步一步發生的，不同過程對最終轉化的價值並不一定一樣，因此似乎也完全適用于Attribution Modeling的方式，採用不同的modeling(如線性、 遞減或是中間高兩邊低)方式，對使用者不同行為的賦權值也就不一樣，你完全也可以採用Attribution Modeling模型的思想根據實際情況去為不同的Engagement指標賦權，這樣可以更接近于你期望的業務實際。 不過操作難度看起來相當不樂觀。

儘管三種方法都並非100%對使用者的Engagement真實程度再現(可是完全再現真實只是理想狀態)，但對於我們期望的定量化的Engagement卻是很有説明的。 對於一次行銷campaign，利用這些方法能夠告訴我們從過程的角度看，是否它沿著我們預期的路線在前進。

作者：宋星;via：鈦媒體