电子商务互联网营销:ROI的罪与罚(下)

【每期一句】The human only has the fear time side to be able to be brave. (人唯有恐惧方能勇敢。)——冰与火之歌第一部

【本文谈些什么】

  1. 包含ROI和Engagement的多维度的细分流量渠道价值衡量
  2. 流量渠道间的相互作用及对流量渠道评估的影响
  3. 助攻流量和得分流量的案例分析
  4. Attribution Modeling以及流量间相互关系的深挖

【前言】 (本文由NetConcepts CEO Allen特邀而作。本篇的上半部分文章见:http://www.chinawebanalytics.cn/roi-sin-1/

  从2008年开始,我们即遇到了一个一直很难清晰描述的问题,并且这个问题萦绕脑海很长时间。我们把这个问题暂时用“模糊性”去解释——即无法通过技术方法追踪从而无法获得精确数据和进行精确分析的情况。这一类问题直到今天仍然存在,例如去解释一次线下营销活动对网站流量的精确影响,我们就谈不上“精确”,只能近似准确地用间接的方法说明影响。但2008年的这个问题,在最近几年却通过简单的技术方法和工具的升级非常好的解决了。 这个问题是评估——我们是否需要像新浪这样的门户作为流量源?这些门户的价值何在?对客户而言,这些门户看起来流量并不夸张,而且似乎流量的质量也并不理想,它们到底有什么价值呢? 但客户最终还是使用了这些流量很长时间,尽管我们并没有对它们的全部价值做出充足的证明。

直到时间来到了2010年……

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

【正文】

上半部分文章中,我们强调了ROI并非是唯一值得关注的KPI,以及ROI越高并非越好。我们需要首先辨识清楚,我们到底想要什么,因为对ROI的追求绝对不是目标,而是手段。另外,对于ROI的应用,从宏观的角度上看(类似于微观经济学的研究方法),似乎更加有用。 不过,这并不意味着在微观角度上ROI没有意义,只不过我们看待ROI的方式必须要与过去不同。有何不同?这正是这个文章想要探讨的问题。为搞清楚这个问题,让我们先看看衡量流量绩效方式是如何演进的。

单一纬度的细分渠道衡量

我曾经采访过很多客户,询问他们如何衡量不同流量的绩效,大部分的回答是如下的表格。 例如,没有进行电子商务的一部分进行品牌营销的顾客,他们衡量流量绩效的表格是下面这样的(数据纯属虚构,如有雷同,纯属巧合)。

image

  这张表格可以告诉我们,某一些流量来源的效益(effectiveness)并不是特别理想,例如搜狐,而利用百度则很划算。事实上,CPA用来衡量流量绩效是一种不错的方法,它在本质上与ROI并无差异,只是这里的R(Return)变成了某一种具体的转化事件(在这个例子中是注册),而公式则是成本比上收益——不过是把ROI的收益比上成本(投资)调了一个个。

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

  当然,有一些顾客相对更简单一些,他们可能并不会定义某一个重要的转化事件为action,这样它们连CPA都省了,只去计算一下CPV(每个流量的成本)或是看看bounce rate即可。但我不提倡这种方法,太懒惰,毕竟流量的数量只是衡量流量的一个属性,而通过某些具体行为或者转化来衡量的流量的质量,才更为重要。

如果是电子商务网站,表格则会稍微变化一下(数据纯属虚构,如有雷同,纯属巧合):

image

  看到这张表,大家一定豁然开朗了,嘿,这不就是我们公司用的嘛!

没错,我见过的电子商务公司中,十个有九个用这个表。 我不能说这个表有什么错,尤其是如果你有本事能做到每天都能汇总出这样的表(这个用公司内部开发的工具其实也不难),并能够通过它快速的定位出现大起大落的流量源。这样的表格其实老板们也爱不释手。

但总感觉缺少一点什么。按照这两张表的逻辑,我们必须立即停止对诸如“新浪”、“网易”、“搜狐”的流量购买,而增加百度PPC、百度SEO和百度EDM的流量。有多少电子商务网站是这么做的呢?或者,我之前的客户有多少真的停止了“新浪”之类呢?很奇怪,大家一边很痛苦地看到它们的“绩效”如此之低,但是一边还“不得不”继续维持对它们的“买进”。 “那一定是因为PR的需要!”一个声音传过来。或许是,但并不是完全如此。如果纯粹是为了PR,我们其实可以有更好的四两拨千斤的方法。它们这些CPA奇高或者ROI奇差的流量渠道,或许还有别的价值。于是我用另外一个模型去了解它们的价值。请大家接着往后看。

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

多维度的细分渠道衡量

这个模型并不复杂,基于下面的一个假定:

  所有的流量渠道都各不一样,由于营销流程中包含价值不同的各个阶段,即Awareness(认知) –> Interests (兴趣) –> Preference (偏好) –> Purchase (购买)四个阶段。各个渠道在各个阶段发挥的价值不同。在某些阶段,此流量的价值要大于彼流量,但在另一些阶段,彼流量的价值有可能大于此流量。

其实这个假定完全是“废话”。难道不是吗?如果要比最终转化的能力,新浪无论如何不可能超过百度“品牌专区”(或是品牌词的搜索),但要论及增加品牌知名度,新浪首页的最好位置做一段时间的广告,肯定比只花钱购买百度“品牌专区”更靠谱。 按照从Awareness(认知) –> Interests (兴趣) –> Preference (偏好) –> Purchase (购买)的流程逻辑,某些流量渠道或许只是帮忙加强了认知或是兴趣,或者最多帮助形成了偏好,但却不足以最终实现购买,我们并不能说它们一定没有价值,而或许只是它们处于营销流程的早期阶段。这个道理很简单,我们通过某个门户上的广告初次接触某一个电子商务网站,我们大不可能就在这个网站上下单购买商品(淘宝上的商家除外,我们愿意在淘宝上初次看到一个商家就下单是因为我们对淘宝规则的熟悉和认可),但我们可能对这个网站产生兴趣,并在一段时间之后通过其他渠道(方式)再次来到这个网站。门户在帮助转化我们的营销过程中,只不过处于早期阶段,但仍然具有价值。

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

  怎么样判断这价值?这就是萦绕我心头很久的问题,很长时间以来,我使用下面的方法。这个方法基于另外一个假定:

  如果某些渠道能够带来营销流程中的早期价值,那么一定能够通过流量背后的用户的某些行为表现出来。这些行为体现了对你的网站内容的兴趣。

这个假定是另外一个“废话”。对你网站感兴趣,总该点击下链接,多看几个网页,逗留个几分钟吧。这些行为被我们称为engagement。Engagement似乎不仅仅是适龄女青年喜欢的词。Winking smile (如果你想了解engagement是什么,点这里。) 有时候,为了简单起见,我们把engagement归结为三个度量:page view/visittime on sitebounce rate。这样我们衡量一个流量渠道价值的维度就拓宽为ROI(或者CPA)和Engagement的结合。如下图(气泡大小为流量多少,作者注):

image

  上图的engagement做了百分制的数学换算,选择了bounce rate,non-bounced time on site以及non-bounced PV/Visit作为度量,以较为全面的衡量bounce和非bounce的情况。这里不再多详细解释,如果大家想要了解如何换算,请在文末的留言框内给我留言——如果需求量大,我就就此再写一篇小文。

  有更高engagement的流量来源一般都有更好的ROI,这不奇怪。不过,对于分析师而言,那些意外出现的异类(outliers)才让人加倍兴奋。比如,我们看到那些高engagement得分却低ROI的(图中标注的天涯社区和新浪汽车频道),它们显示出处于营销早期阶段价值的特征。而如果我们还能对比它们带来的新流量的比例,我们或许更能确认这一点。另一方面,处于右下角的“美丽说”,从那里过来的流量似乎对你的网站早已轻车熟路,处于营销流程的最末阶段,它的流量恐怕都是“老油条”了。

  流量的新旧比例情况证实了我们的观点:

image

  增加的engagement纬度拓宽了我们对流量的认识。如果只以ROI为标准,那么天涯社区和新浪汽车频道必须排除在购买流量的范围之内,但有了engagement,再加上用新旧访问者的比例做参考,我们知道这些流量是有价值的。 只是,我还是不能那么清楚的说明,它们到底有多大的价值,engagement不是钱,它很难被monetize(即转化为实际的金钱价值),因此做到这一步,我们只能说,我们知道它好,但到底多好,我们也说不清。

唉……我讨厌该死的模糊性。

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

兴趣阅读:我归纳的营销阶段、各阶段宜采用的流量,以及用什么方法衡量这些流量。

image image image

流量渠道间的相互作用

时间终于到了2010年,这一年我加入了Adobe的Omniture业务,Omniture也在这一年猛力推销他们的Marketing Channels Report。这个report的作用与今天GA的Multi-Channel Report是一样的,用于帮助我们了解流量渠道之间的关系。这个报告的出现,让我情不自禁的欢呼了一下,我觉得多年来悬而未决的“模糊性”问题终于有望解决了!

如果我们做一段时间第一线的营销,我们就会知道,我们不是在跟流量打交道,而是在跟人打交道。我们买流量的本质,实际上就是在“买人”。所谓一个流量很有效,实际上是这些流量背后的用户与我们营销的目的非常吻合而已。明白了这一点,我们就知道,过去那种把各个渠道分开进行衡量的想法是不对头的。原因无他,人们上网不是固守在一个网站上,而是东游西逛,因此人们很容易受到各种营销渠道的共同影响。 在课堂上,我总是举这个例子:

  我想买一台打印机,于是我在Google上搜索了一下,发现了一个打印机,并且点击Google的链接进入了销售这个打印机的网站,但我没有下单。过了几天,我看到新浪上在做这个打印机的广告,于是我点击了这个广告,发现我再一次来到了这个网站,但我依然没有下单。 又过了几天,我收到了一封来自这个网站的EDM,告诉我这个打印机正在促销,于是我又点击了邮件中的链接到了这个网站上,我还是没下单。 直到两天后,我意识到再不买这个打印机促销活动就要过去了,于是我在百度搜索这个网站的名字,然后终于进入网站下单购买了这个打印机。

image

  现在,问题来了,我在这个网站上的这次转化,是由哪个流量渠道做出的贡献?或者如果它们都有贡献,那么哪一个贡献更大呢?

这个例子是一个很极端的例子,我知道很多人不会像我这样这么无聊地等待这么久才买一个打印机,但是类似这样的情况——例如,我看到了这个商品的广告,而且进入了网站了解了这个商品,但没有下单,但我隔天下定决心购买这个商品,然后再通过百度找到了这个网站后下单的情况——是否普遍存在呢? 如果这种情况是普遍的,那么至少解决了我前面的部分的问题——那些有着很不错engagement但ROI水平寥寥的流量渠道,它们也许正如上面例子中的Google,横幅Banner和EDM一样,最终做了某些其他渠道的嫁衣(例如上面图中的Baidu)——因为之前我们统计渠道转化贡献上,都只统计最后一个渠道(Last interaction)的作用。如果这种情况是普遍的,恰恰证明这些流量实际上是有价值的。

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

  Google Analytics的Multi-Channel Funnels Report给了我们很好的答案。如果你打开这个报告,选择第一个子报告——“Overview”,你能看到在所有实现的转化中,跨越了多个渠道的转化占总的转化的多少比例。 通过这个报告,我发现,每个网站的情况是不一样的,有的网站普遍存在着一个转化跨越多个渠道的情况,但有的网站则没有什么渠道之间的相互联系。

image

  上图是某个境外电商网站的情况,饼图的相互重叠程度告诉我们:超过一半的转化都存在多个流量渠道共同干预的情况——这个网站的同一个访问者通过不同流量渠道进入网站的情况很常见。

image

  另外一个网站(上图),饼图的重叠程度非常有趣——它们几乎没有什么重叠。这说明这个网站的用户基本只通过固定流量渠道类型进入网站。

  因此,我觉得下面的结论很重要: 对某一些网站而言,为这个网站的转化做出贡献的流量渠道之间没有太多的关联,这时利用单一渠道的衡量方式是可靠的。但对另外一些网站,它们的最终转化很大程度上受到多个流量渠道的影响,因此我们对于这些流量价值的认定——ROI也好,还是带来的转化也好,都不能以单一渠道分立地去衡量,而应该将渠道间相互的作用考虑进去。 因此,在我们衡量流量的绩效之前,我们首先应该了解这些流量之间到底有无关联,以及关联程度如何。这颠覆了我们过去直接着手分析一个一个具体流量的“经典方法”。如下图所示:

过去的方法:

image

  现在的方法(后面几步我得暂时隐藏Smile):

image

  我们对于流量渠道的“世界观”至此需要发生一些变化了。Winking smile 不过,就算我们知道了流量渠道之间是存在相互关联的,那又能怎么样呢?——接着看。

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

助攻与得分,流量价值高估与低估

image

如果流量之间确定存在相当的相互作用,那么我们面对的ROI分析将完全不同以往。以往,那些不能直接产生订单转化的流量,我们会难以直接认定它们的价值,但是今天,我们或许能够打开这个黑箱。 既然GA能够告诉我们带来转化的流量之间的相互“重叠”的程度,那么它应该再往前多走一步,告诉我们这些流量之间的关系到底是怎么样的。 在这一点上GA的Multi-Channel Report没有让我们失望,Multi-Channel Funnels Report下面的多个子报告就是用来帮助我们解决这些问题。 例如,Assisted Conversions报告告诉了我们一个流量渠道作为“助攻”或是“得分”的情况各有多少。这是一个很有意思的报告,它帮助GA第一次区分了流量的直接转化价值(得分)和帮助别人获得转化的价值(助攻)。在上面的那个例子中,助攻的渠道是Google、门户上的Banner和EDM,而得分者则是百度。如下图所示。

image

  Assisted Conversions报告用数据来表述上面的情况,Assisted这个词的英语就是“助攻”的意思。例如下面的例子:

image

  Assisted Conversions那一列说明了渠道助攻别人(也包括自己)取得转化的次数,而Last Interaction Conversions则意味着自己直接产生转化(得分)的次数。很高的助攻/得分比(红色框标注的那些),意味着这些渠道更为“无私”。相反,也有一些渠道的助攻/得分比比1还要低,这说明这些渠道有更大的几率作为转化的最后得分手,它们是营销价值过程中的“收网渠道”。一个渠道,如果它善于收网,它是有价值的;另一个渠道,如果它很能助攻,它也是有价值的。不过,我们害怕的,是我们看不到这些助攻,乃至让这些渠道的价值被无情低估。 现在,我们看一个真实的例子:

image

  这是某一个流量渠道在网站上的表现,流量约是50,000。可以注意到,这个流量在网站上的相关engagement指标(PV/V,time on site,bounce rate)都相当不错。不过,如果仅仅只是计算它作为“得分手”(Last Interactive Conversions)的贡献,那么只是带来了158个转化,转化率不超过0.3%,非常不理想,与它如此强势的engagement简直无法匹配。但是,它的“助攻”(Assisted Conversions)成绩单是643,助攻转化率是1.3%,与网站的整体转化率相差无几。 拿到这个数据,我在想,如果老板们只在乎最后的临门一脚,那么恐怕哈维(Xavi,西班牙国脚,以助攻能力著称,作者注)这样不会头球或者因涅斯塔这样速度不快或者甚至连贝克汉姆可能都没有上场机会!仅仅只是用最后的ROI来评判流量的效果,我们会低估多少本来有用的流量!

因此,这是为什么我们在上篇所说的,第二种“成功途径”的最大问题。在这个途径中,我们首先把那些ROI最高的流量一网打尽,然后再去找ROI次高的流量,然后再去找ROI略低一些的流量,以此类推,但当我们发现了原来那些高ROI流量和低ROI流量(均以Last Interaction Conversions计算)之间其实是有千丝万缕联系的时候,第二种成功途径就完全不适用了。

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

  这或许是为什么,我们有时拿掉那些看似“无关痛痒”却花费不菲的流量,以为自己“省到了”,却惊奇的发现收入也奇怪的下降了的原因。

这个故事如果只是讲到这里就结束了,你一定会觉得少了一点什么。既然我们已经知道了某一个流量更善于“助攻”,而另外一些流量可能更善于利用别的流量的“助攻”,那么如果你有好奇心,你一定会问,这个流量助攻给了谁?另一些流量,又是由谁助攻而得分的?

保持好奇心,它推动世界的进步。

Attribution Modeling还是Case by Case(具体问题具体分析)?

我一直以来与大家有同样的好奇心,过去我们看不到助攻的时候,我真的很想知道为什么一个流量有如此好的engagement,却只有可怜的转化。 现在,我的好奇心是——那些善于助攻的流量,把它们的助攻送给了谁去得分?那些善于得分的流量,又是由谁助攻的?哈维助攻给了梅西还是佩德罗,还是他的国家队队友托雷斯? 好在GA至少还能帮我们满足这点小小的好奇心。

image

  进入“Top Conversion Paths”报告,然后在Primary Dimension中选择Source/Medium Path报告,你能看到很细节的细分流量的助攻和得分情况。在上面的例子中,新浪的某个广告和百度之间发生了很多关联。我分析了这些关联,与广告的创意很有关系,“sina / yuleyouceqingtianzhu  1/2”这个广告的创意很好的突出了这个网站的品牌,从而让人们在百度中还能继续搜索。但有趣的是,新浪上的另外一个广告,也就是它的队友没有与其他媒介发生什么关联,研究创意后可以看到,它强调了具体商品的促销信息,但没有提及自己网站的品牌。很抱歉因为商业保密的原因,我不能把创意截图表现出来。但是这样的思路却可以告诉我们媒介之间到底有什么关系以及什么可能的原因促成了这样的关系。 这在过去是很难想像的。

上面的助攻和助攻的路径,是目前业界最热烈讨论的领域,即Attribution Modeling(贡献模式)问题。贡献模式的研究,是用来帮助我们通过某种固定的算法,求得各个流量渠道在助攻中的价值。 Attribution Modeling有多种常见的计算模式,都非常容易理解。

  1. Last Touch Credit:助攻路径的最后一个(得分手)具有最大的价值,之前都不计算价值;
  2. First Touch Credit:助攻路径的第一个(First Interaction,前面例子中的Google)具有最大的价值,之后的都不计算价值;
  3. Linear:平均分配价值;
  4. Time Decay:第一个具有最大的价值,然后之后的依次递减;
  5. Position Based:第一个和最后一个价值最大,越到中间的价值越小。

这些算法都是为了帮我们更容易计算媒介的价值,但是,我觉得这样精确(但并不是描述事实的准确,请看这篇文章对精确和准确的讨论)的计算只对考评营销各个细分部门的业绩很有意义,或者帮助我们得到一个“或许真实”的媒介渠道ROI以更容易地给我们的流量vendor(供应商)结账 :) ,但却很难帮助我们进行有效的分析。 如果我们真的想要分析和优化,我还是建议case by case,打开我上面给大家展示的报告,做筛选,做细分,去看看我们真正关心的细分流量以及它们之间发生了什么。

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

  你会问——如果你不用一个固定的模型去做计算,那怎么知道到底谁更有价值呢? 提出这个问题本身,其实还是没有跳出过去的老思维。对于流量价值的认定,过去,我们必须确立谁比谁更有价值;但现在,我们发现流量的价值,很可能是因为它们在一起时才能真正体现出来的。我们不能再孤立地衡量一个个流量的ROI,而应该用更为整体的眼光看待它们。孤立的流量有价值吗?我不知道,因为它们本来就不是孤立的。

最后,该是把现在分析流量的新思路全部揭开的时候了。 image

结语

营销过程价值路径帮助我们以新的眼界衡量流量的价值,以ROI为纲的方法在这些新的更符合现实情况的模型下看起来成为相当幼稚可笑。ROI的罪与罚,其实ROI本无罪,但若把ROI作为唯一的真理则肯定将会受到惩罚。 不过,我们线上效果营销的认识仍然处于相对基础的情况下,很多问题仍然很难搞清楚,例如,流量间相互的关系(即上面讲的营销转化的流量路径)对GA而言,必须依赖于用户对于流量入口的点击(例如对于广告的点击),但真实的情况是,有时候我们并不点击这个广告,只是看到了这个广告,便产生了很深的印象,乃至于之后我们会在搜索引擎中搜索你印象中感兴趣的东西。但可惜,Impression我们目前仍然没有真正革命性的技术去打开这个黑箱(尽管很多人号称他们可以),或者依赖于技术去解决impression的问题本身这种想法也许就是错误的。因为,广告的“显示”绝不等同于“人们的印象”,而印象这种心理层面上的东西,不是我们利用cookie就能说的清楚的。

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

  另一个巨大的挑战是跨平台的追踪,目前还难以把一个用户从Internet/PC端到移动端(pad,手机等)转移的路径精确地记录下来。但人们使用移动设备越来越多了,我们如果无法准确描述这个过程,我们又怎么能更好地分析和优化呢? 无论如何,我们的今天强于昨天,未来总是会更加美好。

去好奇,去尝试吧!

老办法,有任何想法,或者问题,请给我留言。谢谢!

未经允许不得转载:版权归宋星及chinawebanalytics.cn所有宋星的数字观 » 电子商务互联网营销:ROI的罪与罚(下)
分享到: 更多 (0)

评论 27

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址
  1. #1

    GA越来越强大,而且免费,赞!

    hafid12年前 (2012-10-31)回复
  2. #2

    第一时间关注下,宋老师的文章解释的非常到位。

    wiwiboy12年前 (2012-10-31)回复
  3. #3

    engagement做了百分制的数学换算,这个的确不是很明白,宋老师。我之前做的气泡图一个坐标只代表一个数字,为什么你可以同时把ounce rate,non-bounced time on site以及non-bounced PV/Visit  三个数字融合进去?

    alysa.lou12年前 (2012-10-31)回复
    • 你做的是散点图,并非气泡图。

      ben8年前 (2016-02-17)回复
  4. #4

    难道没人想知道 engagement是怎么换算的吗? 反正我想知道啊!!!
    还有一个问题,就是我这边在GA上会看到有很多流量的来源是direct 如何解决这个问题?
    不解决这个问题也无法非常精确的做多渠道路径的分析吧?

    proys12年前 (2012-10-31)回复
  5. #5

    学习了,单一的使用ROI去衡量渠道价值是有失偏颇的,必须整体考虑付费流量的价值

    software download12年前 (2012-10-31)回复
  6. #6

    非常有价值的观点和思路!
    助攻给了谁的问题,在GA中有现成的报告,但是Omniture的Marketing Channel Reporting中似乎没有,有实现的方法吗?

    Leslie12年前 (2012-10-31)回复
  7. #7

    谢谢宋老师, 非常有价值的思路, 很有趣.
    只可惜我没有GA 的账号, 没法测试.
    对了, 宋老师是否可以抽空分享下关于engagement是如何百分制数学换算的呢?
    还有, 这个报告是如何进行底层创建与设置的呢?

    joywon2212年前 (2012-10-31)回复
  8. #8

    宋老师,那个气泡图是不是类似GA里的 motionChart,一个流量来源它的辅助转化和最终互动转化的转化率,这个转化率是如何计算的?

    蓝色微笑12年前 (2012-10-31)回复
  9. #9

    老师的文章,真前沿,真好!

    ueoseo12年前 (2012-11-02)回复
  10. #10

    饼图的重叠与否有什么依据?
    图表展现应该是根据你的数据设定产生的。什么标准来衡量是否重叠?

    jyc12年前 (2012-11-02)回复
  11. #11

    看了一下其实还是要靠自己设定的归属建模。
    这个建模设计才是关键。而建模设计主要还是主观分析判断来确定比重。

    每个环节分配的比重不同,结果显示也不一样。

    ga的帮助说明:
    https://support.google.com/analytics/bin/answer.py?hl=zh-Hans&answer=1662518&topic=1191164&ctx=topic

    jyc12年前 (2012-11-02)回复
  12. #12

    同求怎么换算engagement。谢谢老师!

    stefani12年前 (2012-11-06)回复
  13. #13

    谢谢宋老师,很有收获!浅入深处的讲解,配合例子展示,很到位!

    uugui12年前 (2012-11-07)回复
  14. #14

    engagement是怎么换算的  求那篇小文 

    bruce12年前 (2012-11-09)回复
  15. #15

    非常好的文章!

    dylan11年前 (2012-11-22)回复
  16. #16

    bounce rate,non-bounced time on site以及non-bounced PV/Visit作为度量的计算是怎么回事啊,设定不同的系数在乘以特定的公式?不懂,求解

    mojo11年前 (2012-11-27)回复
  17. #17

    关于气泡图的三个维度,在excel里面可以先对数据进行排序再作图,就能呈现出来了。
    不知道其他人有没有更好的方法。
    alysa.lou said:
    engagement做了百分制的数学换算,这个的确不是很明白,宋老师。我之前做的气泡图一个坐标只代表一个数字,为什么你可以同时把ounce rate,non-bounced time on site以及non-bounced PV/Visit  三个数字融合进去?

    Summer Shin11年前 (2012-11-28)回复
  18. #18

    写的非常好,学习了!同求engagement的计算公式或每个参数的权重。 为更准确估算用户的参与程度,engagement的计算参数是否能换成访问深度(PV / Visits)、互动时间(time on site – inactive time)和点击数。

    UEStory11年前 (2012-12-20)回复
  19. #19

    分析的很细致深入,谢谢宋老师的分享。学习了~

    sandy11年前 (2012-12-25)回复
  20. #20

    也有一些渠道的助攻/得分比比1还要低,这说明这些渠道有更大的几率作为转化的最后得分手,它们是营销价值过程中的“收网渠道”。——为什么会比1还低呢?

    Vinson11年前 (2012-12-27)回复
    • 回复Vinson:并没有删除。只是评论都需要经过审核之后才能被手工获准。抱歉给您带来了不便。助攻/得分小于1 是正常的。假如一个渠道给别人助攻了10次,自己被人助攻得了20个转化,那么助攻比得分只有0.5,比1小。

      Sidney Song11年前 (2012-12-28)回复
  21. #21

    肿么把我提问的问题删除了?请教一下,为什么辅助转化/最终转化的比之能够小于1?

    Vinson11年前 (2012-12-28)回复
  22. #22

    太精彩的博文了,分析的很是深入啊!~

    ectoall11年前 (2013-01-10)回复
  23. #23

    宋老师的文章的确精辟。

    lhc10年前 (2013-12-17)回复
  24. #24

    bounce rate,non-bounced time on site以及non-bounced PV/Visit  三个数字融合到engagement的算法和权重考量思路是否可以分享一下?谢谢!

    景瑜8年前 (2015-11-12)回复
  25. #25

    上图的engagement做了百分制的数学换算,选择了bounce rate,non-bounced time on site以及non-bounced PV/Visit作为度量,以较为全面的衡量bounce和非bounce的情况。 宋老师,这个上面环宇三个相做为度量怎么换算的engagement?完全没想明白!

    唐唐8年前 (2016-10-11)回复