在之前的《網絡營銷效果衡量的核心指標》連載中，介紹了什么是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。

　　

　　由于Engagement的靈活性，它至少在三個領域具有極高的研究價值。其一，它對于衡量總體（宏觀）效果的達成有幫助；其二，在確知流量質量的情況下，它能衡量網站對用戶的影響程度（即一般我們所稱的網站的質量）；其三，在確知網站質量的情況下，它能衡量網站流量的質量。

　　

　　這三個問題，幾乎就是我們進行營銷分析的核心領域。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，是基于這樣的一種假設：大量用戶看似混沌的各種行為，實際上均反映了網站對用戶的影響（吸引）程度。用戶行為的量和度越大，表明網站對用戶的影響越強烈。這么說不難理解。同樣的兩個新聞站，A站平均每個用戶訪問看10條新聞，B站只有5條，很明顯A站對用戶的吸引程度更大。Engagement本質上即是用于描述各種用戶混沌行為，因此Engagement的數量和強度，與網站影響用戶的能力是等同的。

　　

　　那么如何衡量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，是觀察全局性的Engagement指標，這些指標既可以是標準指標，也可以是自定義指標。第二種方法，是把單個的Engagement指標按照自定義的重要程度加權匯總起來，形成Engagement?Index加以衡量。第三種方法，則是按照用戶行為與營銷目標之間的數學關系定義各個指標的重要程度，然后再加權匯總成Engagement?Index。只要對用戶的行為監測得當，三種方法操作起來都不會有什么困難。

　　

　　方法一：全局性Engagement指標的分析

　　

　　第一種方法，觀察全局性的Engagement指標，最常見的便是觀察Bounce?Rate、PV/V或者Time?on?Site。關于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？我可以簡單地答復，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%，那么他們一定會痛苦得頓足捶胸。不過，若是在營銷活動中，網站的Bounce?Rate真的高于80%，那我們該得出什么樣的結論呢？

　　

　　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，然后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，其中質量最好的流量是自然搜索流量（Organic）。或許你會失望，問為什么不是Direct（直接流量），原因是Direct并非真正的直接流量，而是對于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，這些流量的質量幾乎可以肯定不如自然搜索流量。

　　

　　為什么Organic是質量最好的？其實很簡單，Organic流量不是作弊流量，而且反映了真正的用戶訪問需要。如果一個網站沒有什么Organic流量，那么流量質量第二好的流量是付費搜索引擎流量。這兩種流量可以作為我們衡量Bounce?Rate的參照系。現在，我們來觀看下面的幾種情況，又會分別得出什么結論：

　　

　　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用戶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。但如果沒有什么Paid?Search的流量，那就找那些你認為質量可靠的流量來源。不過，無論參照系流量的表現如何，一次營銷活動，如果整體的Bounce?Rate高于80%，就肯定不是一個特別理想的狀況，要么是流量或者網站存在問題，要么是存在營銷費用的浪費。

　　

　　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，說明營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后，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，他們也會轉而求助于百度，而不會在這個體驗糟糕的網站中瘋狂追尋。平均PV/V大于3，或者平均Time?on?Site大于2分鐘，才能說明網站本身對用戶有起碼的吸引力。

　　

　　觀察全局性的時候，自定義的Engagement指標在這里則更加常用。例如，在一次促銷活動中把用戶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）作為一個全局性的Engagement來看待，并將最終達成的實際數量與預先設定的目標進行比較，從而觀察營銷的效果是否達成。這樣的方法很快捷，但也很粗放。如果Bounce?Rate高于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，那么這次營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舍問題，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指標按照自定義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，然后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，最后把每個指標乘以權重，加總起來。加總起來的值，即Engagement?Index。

　　

　　不同類型的營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，而且一些常用的全局指標，比如Bounce?Rate、PV/V或者Time?on?Site，反而不能囊括進入，不得不成為兩套并列的衡量。后者不是大問題，但是自作主張的權重分配似乎很容易被老板和客戶challenge。不過，事實上，這種方法是目前采用最多的方法，因為它相對簡單，而且對于一個廣告主而言，固定一些常見行為的權重值有很多好處，它很明確地指明了營銷活動應該努力的方向，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：轉化關系核定下的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，它基于這樣一個思想：在營銷活動中，用戶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系。盡管對各類營銷活動以及各個網站而言，這些比例關系并無相同的值，但對于一個確定的活動或網站，這些比例卻相對穩定。

　　

　　例如，對于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營銷，其實也適用這種關系，因為這些營銷幾乎都以明確希望用戶采取行動（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并無本質的差別?，F在，我們假設一個電子商務網站有如下的轉化規律：每100個新注冊用戶會產生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）。

　　

　　為了后面的計算關系，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系，？有了這個對應關系，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）。

　　

　　第三種方法相對于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。但這種方法并不能說是現實的完全真實的反饋，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用戶的不同行為之間其實有相互的關系（正面的促進或者負面的干擾），而這個方法并未把這些情況涵蓋在內。

　　

　　有意思的是，對于這個方法，你會發現——由于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，對用戶不同行為的賦權值也就不一樣，你完全也可以采用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。

　　

　　盡管三種方法都并非100%對用戶的Engagement真實程度再現（可是完全再現真實只是理想狀態），但對于我們期望的定量化的Engagement卻是很有幫助的。對于一次營銷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。