天岸

Forrester Q4 2011 网站分析服务商比较

晋秋 — Wed, 26 Oct 2011 21:44:27 +0000

团购网站如何进行网站分析-1

晋秋 — Sun, 26 Jun 2011 23:41:49 +0000

题记：这是一个非常现实的问题，国内团购网站如雨后春笋，同质性强，竞争激烈。做好网站数据分析，不断优化转化率是企业必修的内功之一。这是一个让我倍感压力的主题。因为不仅主题本身非常具体，而我做这个系列的想法也是撇开方法论，从执行角度来写，写出具体到代码、可从A-Z操作东西来。从在北京见到SEMWatch的朋友@一击屠夫让我萌生了做这个系列的想法，到目前真正起笔已经一月有余了。最终下定决心去写是在10日去里昂参加定向穿越的火车上。当看着窗外被拉薄了的风景的时候我知道前方等待我的将是2天背负10多公斤行李不停的上山下山寻找定点的艰苦旅程；当视线回到车内打开笔记本写下这个题目的时候我知道前方等待我的是什么挑战和风险吗？我当然知道，那现在就让他们发生吧，欢迎大家提出质疑和意见! （也欢迎在团购公司工作的朋友提出你们的需求和案例，通过评论或者通过邮件:hailongxia AT gmail.com）。临时目录（可能会写到的部分，随时更改） 1- 序言 2- 团购网站的特点 3- 数据需求和工具需求 4- If Google Analytics, tracking plan 5- 转化分析 6- 广告和流量来源分析 7- CRM Analytics，特别是邮件营销 8- Behavioral Targeting 9- 动态报表示例序言 1- 广告：本文作者天岸，首发www.SEMWatch.org 2- 声明：天岸没有在团购网站的工作经验，有纸上谈兵之嫌 3- 免责：请点击这里 4- 参照：美团网，拉手网和高朋网 5- 扩展：semwatch上关于团购的内容集锦，包括gaoge和yesweet的分析团购网站的特点和其他网站相比，团购网站以下几个特点是我们做网站分析的时候回避不了的问题： 1- 地域性强：团购网站的商品大部分都有很强的地域性，而网站内容也是因此按照城市来组织。比如美团和拉手网给每个城市分配了一个二级域名，而高朋网则是沿用了groupon的模式，城市集中在/deals/目录下面。也是基于同样的原因，大型团购都无一例外的有一个选择城市工具和一个专门的城市列表, 比如美团网的默认首页就是城市列表，高朋在第一次访问时首页弹出层中便有城市选择列表。从消费者的角度来看，地域因素对他们购买决策的影响不言而喻；从企业的组织结构来看，无论是地区经理还是各部门主管，都有充足的理由关注各个城市的信息。 <!– Tips：在网站分析工具选择和安装的时候，需要考虑如何以城市为单位来采集和组织数据。城市要么是所有数据的一个维度，要么是一个完整独立的报告文件（report suite or profile）。 –> 2- 时效性强：团购除了使用醒目的折扣吸引人之外，限时/限量抢购也是促使消费者冲动购物的法宝之一。每个页面都有自己的有效期，交易结束后转为“往期交易”，不过URL不变。和美团，拉手在主页上显示商品列表的方式略有不同，高朋在次级主页上直接显示最新交易，当然，每个交易也都有自己的URL地址。美团当期交易URL http://bj.meituan.com/deal/582484.html 美团过期交易URL http://bj.meituan.com/deal/582484.html 高鹏当期交易URL http://www.gaopeng.com/deals/beijing（在交易有效期内，此链接和下面的链接相同） http://www.gaopeng.com/deals/beijing/20110625001/1431670332 高鹏过期交易URL http://www.gaopeng.com/deals/beijing/20110625001/1431670332 在页面上交易的有效期间，网站的目的当然是销售转化；不过当页面沦为“往期交易”的时候，这个页面的价值如何体现呢？这个页面的访问者有什么特征呢？ <!– Tips：需要通过网站分析工具的配置区分一个页面的有效时段和过期时段从而避免数据的混淆，对两个页面上的访问也要进行区分。 Question：是否有团购网站对“交易时间”进行A/B测试来给同类商品的限时方法提供数据支持呢？ Question：如何计算网站的转化率呢？注：本篇中的问题会陆续在以后的章节中作答。 –> 3- 社交分享和病毒营销团购网站，特别是Groupon.com严重依赖社交网络,通过病毒营销来为自己推广；甚至有论调把团购网站本身定义为社交网络。从每个团购网站到处悬挂的分享按钮可以看出他们对社交分享的重视。不过，社交网络营销到底有多少效果呢？如何改进呢？ <!– Tips：一个完整的社交分享的监测链，应该从点击分享按钮开始，经过clickback环节直到新用户注册或者购买。在观察各个团购网站的检测代码的安装的时候，笔者发现有的网站已经安装了监测clickback的代码；但大部分网站还是裸奔，没有任何监测。美团回链 http://www.meituan.com/deal/572008.html?utm_campaign=VisitorReferral&utm_medium=sinat&utm_source=(none)&utm_content=visitor&utm_term=572008 拉手回链 http://beijing.lashou.com/deal/315171.html 高鹏回链 http://www.gaopeng.com/deals/beijing/20110625001/1431670332 (备注：回链取自新浪微博，为访问者通过网站分享按钮自发分享链接) Tips：笔者发现的另一个问题是几乎没有网站对分享的默认文案进行优化，大部分都采取offer的标题作为内容；有时文案长度甚至超过目标网站的要求（比如新浪围脖的140个字的限制）；当然也就没有任何call to action的字样。虽然对这个文案的优化代表着一个不小的工作，但是如果我们能够在SEM上做到，为什么在SMM上做不到呢？ Question：跟第二条有关联的一个问题：当交易过期的时候，分享链接的clickback应该如何导引呢？ –> 4- 依赖信息推送由于交易的时效性，团购网站和很多限时抢购网站，私卖售网站一样，需要使用各种渠道把信息及时的推送到消费者面前。跟一个奢侈品牌私卖售的网站负责人交流的时候，发现他们的推送方式真是可以称得上“无所不用其极”。通过观察，可以发现团购网站的交易推送渠道至少包括社交媒体（尤其是微博），邮件，手机应用，短信. 三家都有邮件订阅功能拉手有短信订阅功能美团突出了微博和开心的订阅美团和拉手的新浪微博花名册很给力奇怪的是，三家都没有RSS订阅（RSS真的死了吗？）MSN状态信息提示怎么样呢？没有测试高鹏在QQ上是否有推送操作，欢迎大家提供信息比较一下美团和拉手的emails（以后将会和高鹏的email一起分析）： <!– Tips：我们可以使用分析campaign的常用方法来分析各个信息推送渠道；不过这还不完全，还需要结合CRM Analytics的一些方法来挖掘更多的信息。 Question：都有哪些推送渠道？每个渠道的订阅人数有多少？能不能估计渠道之间重复的订阅人数？总体呢？(conversion funnel功能) Question：每个渠道的信息推送频率是多少？有效的reach是多少？clickback和conversion rate各是多少？Reaction rate(total, by channel, by message type [...]

Google Analytics 网页详情分析

天岸 — Sun, 17 Oct 2010 13:56:17 +0000

10月15日Google Analytics发布了网页详情分析beta版本，现在大部分账户应该都可以在内容菜单下面看到这个功能的入口。使用过google analytics的用户都知道Google没有专门的内部点击报告，网页的overlay做的也不尽如人意；关于网站的内部路径分析报告更是经常出现bug。可能是为了弥补这一缺陷，Google推出的In-Page Analytics功能作为一个奇兵，借力Google analytics本身便早已具有的还算强大的分组和过滤的功能，在网页内部点击和行为路径分析上更上一层楼。虽然比起 CrazyEgg 在形象化上还稍逊一筹，但是Google Analytics在数据可视化做的确实不错，更关键的是参数的选择上，数据的综合和向上，向下卷起展开上，GA还是更加直观的。在其他工具的可导出数据（比如hitbox的点击报告，我一直很喜欢）和完全的想象化报告中，Google选择了一条中间的道路。不过一个老问题同样存在（这个在Hitbox中则没有这个问题）：如果页面中有两个链接同时指向同一个页面，Google analytics是无法分辨的。不过在视频中，GA承诺了尽快解决这个问题。让我们拭目以待吧。我还没有深入体验这个工具，只是看了两个网站的报告，感觉还可以，但是遇到了一次显示问题。所以，对于他的表现和实用性，在此不做评论。想这个也是因人因需求而异。无法观看youtube的点击这里：http://v.youku.com/v_show/id_XMjE1NTMzNzI4.html [There is a video that cannot be displayed in this feed. Visit the blog entry to see the video.] 收藏、分享这篇文章! ©2012 天岸. All Rights Reserved..

小主意大用途 – Kméléo

天岸 — Sun, 10 Oct 2010 22:13:19 +0000

题记：最近忙着和朋友做一个时尚网站的项目，占用了我所有的业余和休息时间，所以很久没有更新博客，请大家原谅。关于参与度指数的专题还没有做完，我承诺会在以后的日子里补充完整。同时，我也会尽量挤出时间更新博客，和大家共同探讨网络分析和网络营销的话题。今天偷懒，没有专题，而是给大家介绍一个小巧精致的工具：Kméléo. 一个在法国市场未满半岁的工具，如果有朋友想要山寨，造福国内的网站的话，现在还有机会;-) 我之所以说小主意大用途，是因为这个工具的数据收集原理非常的简单，它没有像其他行为定向工具一样依靠强大的网络，通过放置cookie来收集用户的信息，而是通过浏览器来采集用户的近期访问记录，然后通过分析这些网页访问记录来给用户定向（关于隐私问题下文会讨论）这个工具主要有两个功能，一个是行为定向（Behavior Targeting），为你网站的访问者提供个性化的内容，一个是Competitive Intelligence(我在掀起她的盖头来2中有一些介绍),提供竞争情报信息。我先着重介绍一下这两个功能及可能的用途： 1- 行为定向：根据用户访问的其他网站的信息，这个工具的定位引擎快速分析这些网址所包含的信息，然后根据网站管理者自己可以灵活定义的程式来给用户进行评分（Scoring），进而确定用户的profile；用户的profile一旦确定，便可以在网站上特定的部位为用户推送合适的内容了。因为工具后端的profile的确定和内容的投放相对简单易行，并且效果明显，据他们所说，很多客户不自觉的便会慢慢的给自己的网站用户定义50-70个profile。因为所有的分析都是即时完成的，所以对于引擎的效率要求还是很高的。他们有一个庞大的数据库，一些常见网站网址所包含的信息是预处理好的；为了确保不影响网页的显示速度，如果不能获得scoring结果，引擎会在规定的毫秒内自动停止解析，直接投放默认的内容。 2-竞争情报：网站用户的访问历史信息会自动做汇总处理，这样经过30天的观察之后，我们便可以得到一份竞争情报报告。显然其中最主要的信息便是目标网站的访问者同时访问了哪些其他网站，哪些竞争对手的网站。这样，我们便可以找到合适的广告投放目标，同时发现竞争对手和潜在竞争对手；通过分析具体的网页信息，我们还可以来优化自己的产品，或者给这些“共同的访问者”提供更加有利的条件。目前此类的竞争情报还是有类似于comscore这样的以panel为基础的user-centric分析厂商提供。进一步说，通过这些数据，我们还可以分析出网站访问者的各种特征，分离出竞争对手网站之后，这些共同访问者的特征便得以发现，可以帮助网站吸引新顾客，或者防止客户流失（churn）。考虑到数据进入的限制，这个工具未来在行为定向上的使用效果难免会打折扣，不过对于收集竞争情报信息来说，因为使用一定数量的样本数据便可以得出可以置信的结果，所以这个功能受到的影响会相对较小。数据进入（accessbility）问题：这个工具本身有一个致命的风险：如果网络浏览器禁止访问用户历史记录的信息的话，这个工具一下子便失效了。实际上，现在Chrome便不允许访问历史记录信息，并且据说Google也已经开始利用这些信息来优化自己的adwords和adsense的投放，挺矛盾的。难道Google只对自己开放不对外部开放？目前根据这个工具的开发商和IE，firefox交流的结果，IE不会限制访问，不过firefox未做长期承诺。另外，用户定期清除历史记录，或者浏览器的隐私访问功能，也对这个工具的效能产生影响。隐私问题：在法国关于因特网用户的隐私保护还是非常严格的。Kmeleo在定向的时候只需要利用但是不收集这些信息，在进行竞争情报提取的时候只采用综合信息，两个过程中都不会对用户进行定位；同时他们不收集不利用用户的种族和性取向（违反法律）的信息，所以在隐私问题上得到了审查部门CNIL的放行。收藏、分享这篇文章! ©2012 天岸. All Rights Reserved..

Engagement Index-4：数据准备和参数创建

晋秋 — Wed, 25 Aug 2010 23:47:37 +0000

题记： A-你为什么想做这个手机应用呢？ B-因为我觉得这个手机应用是个很好的，很创新的主意 A-那它和你的业务有什么关系呢？是你的业务需要它呢，还是你在想用它往你的业务上靠？ B-。。。。这确实是个很好的主意快捷方式：1-2-3 直奔主题，这个图概括了这篇博客要讲的主要的内容，数据清理，数据有效性的验证和各种视图的创建。（我知道如果没有相关的数据分析经验，并且对网站分析没有较好的认识的话，这些东西都是非常晦涩难懂，不知所云的；我想深入浅出的介绍，可惜我能力有限；所以如果真是这样的话，硬着头皮读下去也没有任何益处，反而不如把时间有效的利用在其他方面，比如读一些介绍网站分析的基础文章。） 1. 数据清理在现实世界中，原始数据一般都因为种种原因充满了各种各样的噪音和污染，所以数据清理是做数据分析的一个必须的步骤。技术意义上的数据清理，比如所谓的分析数据长度和类型，大家肯定不感兴趣，这里主要举例介绍在网站分析的需求上所做的数据清理工作：清除重要数据缺失/不符合规范的记录，比如，如果Visitor ID或者Session ID缺失/不符合规范的话，需要清除所有相关记录。在这一点上，我们一共清除了大约3万条记录。清除一些纯粹的没有实际意义的tracker element。这个是和特定的工具相连的，比如在Insight中，一些专门用来记录重要事件的image tracker(1×1px 的gif文件)在数据提取的时候被放到了原数据中，这个没有实际意义的记录对我们的分析机会没有帮助，所以我们也是要清除的。在这一点上，我们一共清除了3千条左右的记录。清除technical elements。这是一个Insight特有的概念（我个人的理解）。在使用Insight进行数据收集的时候，因为Insight是分析所有的URL中的“query”的，有些时候我们需要人为的加入一个“实体”来收集必要的信息。比如说，在一个flash网站中，在html部分刚刚开始load的时候，我们要从服务器上请求一个.jsp的空文件，然后把所有的诸如OS，browser，Datatime，Javascript version, Campaign Code等信息附加到这个文件上发送给服务器。这不是一个真正的页面，但是在我们提取的数据中含有这样的数据记录，所以也需要清除。在这一点上，我们清除了500万条记录。清除type=container的记录。这是我们所分析的网站所特有的。在网站收集数据的时候，每一条数据都给出了一个type的变量，来表示这条记录的类型。其中最常见的就是type=page或者type=click，这是有实在意义的记录，是我们分析所需要的；其他的还有type=line-item，这样的记录代表购买的产品，当然也非常重要；还有一种type=container的记录，它代表的含义是包含flash网站的flash框架被成功下载。这一条在我们本次的分析中也没有意义，所以我们为此清除了49万条记录。清除异常数据：这些往往在第一次数据清理中无法看出来，而是在后期做第一次数据检验的时候才能发现的。比如说在我们的数据中，发现了一些同样的记录重复200-500遍甚至更多的情况，并且两条记录之间相差时间为零。我们无法知道其中的原因，但是如果把每条记录都算作一个PV或者Click的话，那无疑会影响结果的准确性，所以这些数据我们最终的做法是只保留第一条记录，清除后面所有的大约总共近百万条记录（具体数字我记不清楚了）另外还有一些异常数据需要排除的，比如同一个session中时间间隔超过2小时的，PV/Session超过300页的等等。整理乱码：在原始数据中，在搜索关键字栏中，所有的中文/日文/韩文都无法正常显示，这一点我们做过各种尝试，但是无法解决问题；如果要求对方重新提供数据的话，在时间上来不及，所以我们只能忍受这方面数据的丢失，然后通过一定的手段把其中的和品牌相关的英文字符提取出来。整理异常数据：并不是所有出现异常的数据都要删除的，我们通常首先会整理异常数据，尝试解决相关问题。比如在同一个Visitor ID下面，在截然不同的访问日期下面竟然出现了相同的session number。最终经过各种比较和分析，我们确认这是不同的session，所以最终我们把date+session number组合作为新的session number。最后，经过数据处理，这时候我们便有了一份干净的数据源，下一步，我们要确定这些数据和网站整体数据是否一致。这主要是从网站分析的角度考虑，检验在数据提取的过程中，是否遵循了“随机提取”的原则。 2. 数据的有效性验证在这个项目中，我们采取相对简单的方法粗略的做了数据的有效性的检验，而没有做严格的统计学检验。具体做法是从Insight中调出Visits/month，Visitors/month, visits/visitor, pv/month, number of sales/month, visits/country等报告，然后从数据样本中也作出相同的报告，最后比较网站整体和数据样本的趋势图，得出样本数据可以代表总体的结论。这是我们在数据采集足够多的情况下所使用的方法，如果数据量小的话，做严格的统计检验还是有必要的。 3. 创建数据栈原始数据的每条记录代表一个Page View，这里包含最全面的信息，但是不够概括；所以我们要把数据向上卷起(roll up)。这里我们主要创建三个视图：页面视图：也就是最原始的数据，每一条记录代表一个Page View，作为主要维度，其他的信息都是作为这个维度的属性值出现；在页面视图中包含内容组(Content Group)的信息，每一页分属5个不同层次的CG（从CG1-CG5）。访问视图：在页面视图的基础上进行第一次向上卷起；之后每一条记录代表一次访问。数据向上卷起的过程是一个综合的过程，在这个过程中伴随着数据的丢失。在这里我们可以通过数据的转置，创建新的参数等方法来尽量减少数据的损失。在访问视图中要注意保留电子商务和营销活动信息。访问者视图：在访问视图的基础上进行第二次向上卷起；之后每一条记录代表一个访问者。综合信息而又要尽量减少数据的损失是roll up过程中的一个挑战。哪些信息可以综合，哪些信息在以后会用到，哪些信息可以放心的删除等等，这些都是需要回答的问题。比如我们在把页面视图向上卷起到访问视图的时候，average time spent in page这个参数是不可能保留的，因为如果保留它的话，就意味着要保留每个页面；而如果要保留每一个页面，也就意味着要在一个visit上面平均多加入大约40个参数（PV/Visit~=40），这还仅仅是保留前40个访问的页面；所以，最终，对于一个visit来说，我们可以保留landing page，exiting page，time spent on landing page，time spent on exiting page, pv/visit, time spent/visit, visit product sheet(oui or no), visit product sheet in [...]

Engagement Index-3：计算方法和案例初探

天岸 — Sun, 25 Jul 2010 23:16:44 +0000

题记：好事坏事全部扎堆，我都不知道是该哭该笑还是该睡觉！建议先阅读系列的第-1篇：参与度指数的含义和第-2篇：构成参与度指数的参数选择，分类和数据收集办法。 1. Peterson给出的Engagement Index的计算方法提高Engagement Index（EI）的计算方法，就不能不提 Eric Peterson 最初的贡献，后来他整理成了白皮书，发布在这里：Measuring the Immeasurable-Visitor Engagement（备选下载链接），这是关于参与度指数计算方法的第一次正式讨论；我们最终提到的参与度指数的计算方法也受了他的很大的影响。不过Petersson提出的是一个非常普遍化的一个公式，具体到一个项目中，需要根据所研究对象的属性寻找合适的参数和权重。 Petersson给出的公式很简单，只是一个简单的加权求和的公式，其中使用到的参数也是网站分析中非常常见的： Σ(Ci + Di + Ri + Li + Bi + Fi + Ii) 其中， • C=Click Depth Index，指用户的访问深度，由PV和Event组成 • D=Duration Index, 指用户在网站的停留时间 • R=Recency Index，指用户最近一次访问网站的时间+用户的访问频率 • B=Brand Index，指用户对网站和产品的认知程度（awareness） • F=Feedback Index, 指用户对网站做的有价值的反馈信息 • I=Interaction Index，指用户和网站内容/功能的一个互动的过程，在这个过程中用户会对网站和产品给予更多的关注。 • L=Loyalty Index:，指用户在较长时间段内和网站/产品互动的情况（更详细的解释请参考白皮书） 2. 在IIPIC基础上的EI的维度和计算方法我们在最初论证参与度指数的时候（可以推到2008年），因为从一开始便考虑到了一个网站（主网站）所处的生态系统，包括第三方网站，竞争网站，卫星网站，社交网络应用和widget，所以最终得出结果是建立在Forrester最初提出来的参与度构成的4I (见 1参与度指数的含义)的基础上的，和人群分组相结合，按照参与度的组成部分来计算，可以在时间轴上横向比较的一个参数。所以我们设想中的参与度指数是至少分为三维的： . ei=f（s,i,to), EI=F(S,I,to) 其中S=Σs，人群分组，segement；I=Σi, 构成参与度指数的元素，4i （或者IIPIC）,to为所选时间点或者时间区间也就是说，参与度指数首先可以在时间轴上（T）进行横向比较，以此来跟踪网站用户的参与度情况，尤其是在网站发展变化较快较大的时候，在网站吸引流量的阶段，长期跟踪这个指数的变化情况能让我们对网站表现情况（包括流量来源）有一个整体的了解。其次，参与度指数可以纵向在不同的人群分组之间(S)进行比较，反过来，参与度指数对于网站人群分组提供参考。然后，我们还可以深入挖掘到细节，看每个阶段（I）的参与度情况最后，参与度指数适用于任何一个（s, t, to）组合，并且ei之间具有可比性。比如，一个随便举的例子，其中所有数据都为假设： ei s1=10K s2=14K s3=4K S=Σns/N Involvement 42 86 56 66 Interaction 35 49 44 43 Proximity 20 32 34 28 Influence 13 20 23 18 Cocreation 5 3 13 5 EI 34 57 34 53 在这里，每个阶段的总EI可以加权求平均值，权数就是每个分组的用户数目；但是对于每一个分组的总的EI，和整个研究对象的EI则很难通过一定的公式来求得，比如说，他应该是各个阶段的ei的平均值呢还是各个阶段ei的和？亦或是加权和或者是加权平均值？权数如何确定？这里的主要决定因素是具体计算中，ei=f(s,i,to)的函数是怎么样的，和EI=F(S,I,to)有什么联系。谈到这里，希望大家对EI的计算方法有了一个大体的印象，主要是理解其中的思维和逻辑吧。至于ei=f(s,i,to)的具体写法，这个是根据项目和需求而定的。我在案例分析中会谈一下我们使用的方法。 3.关于参与度指数的案例初探案例所要介绍的项目是为一个奢侈品公司的电子商务网站创建一个Engagement Index模型。这是一个Flash网站，若干卫星网站，在社交媒体上有行业中相对领先的布局。项目整体的scoop很大，评估的是整个digital environment。不过我们这次是从网站数据入手，先通过网站分析数据对用户有一个大致的了解。我们使用的数据是从其网站分析工具Omniture Insight中提取出来。样本是随机抽取的2009年的大约900万Visitor的所有访问数据，总共20G 的txt文件，导入SAS之后80G。第一次处理这么多的数据，遇到的困难还是挺多的。这个网站在6个国家有电子商务模块，销售可观；但是在大部分国家没有。品牌更注重的是这个网站如何能够提升自身的形象，而不是销售。正如模型的名字所说，要做的是“Engagement”，而不是“Sales”。项目的目的是通过研究网站用户的行为特征，通过Engagement [...]

Engagement Index-2：构成参与度指数的参数选择，分类和数据收集办法

天岸 — Sat, 10 Jul 2010 22:34:59 +0000

题记： A-你做网站优化有什么目标吗？ B-有啊，增加收入，提高转化率！ A-这不是目标，顶多算是方向. B-那什么是目标？ A-在2011年1月1日之前，投入增加10%的情况下，收入增加20%，转化率提高5% B-巴西和德国的目标就仅仅是拿冠军吧… —————————————————— 在Engagement Index-1：参与度指数的含义中，通过Forrester的模型和一些补充，希望大家对参与度指数有了一个最初的概念。那么如题，这里我们来谈在不同的engagement的阶段，参与度指数都由哪些参数组成，以及通过何种途径收集相关的信息。这里需要注意的是，参与度指数，从根本上来说，虽然是一个整体的概念，但它是以个人为单位的。首先要衡量的，是对一个特定的人来说，他的参与度指数是多少，然后通过一定的算法，求的一个整体的值，比如，最简单的做法，一个网站的参与度指数等于这个网站在研究区间中的所有单个访问者的参与度指数的平均值。所以我们在确定每个阶段需要收集什么信息的时候，要注意一个总体层面的信息是不够的，可以和一个具体的用户ID联系起来的信息才有效。 1. Involvement (接触) 对于品牌来说，这首先是一个reach的过程，也就是说通过各种途径和手段，让潜在用户接触到品牌的信息；接着这是一个attraction的过程，对于接受到的信息，用户所给予的关注很重要，有的信息可以吸引用户的注意力，而更多的则被无情的忽略了；然后，在用户被吸引之后，需要传递更多的信息，这个时候就是一个吸引用户到网站或者应用等自有平台上，引到用户去探索的过程。在这个过程中，我们搜集信息的方式有很多，比如通过邮件服务器收集关于邮件的信息，通过adserver收集关于条幅广告观看和点击的信息，通过社交网站分析工具收集各种相关信息，最后通过网站分析工具收集网站上用户的行为信息等。这里可惜的是这些不同的工具很少交通，有时即使交通了也只是在宏观层面上，不能共享一个用户ID，这样便直接导致了信息的分割和封闭从而在研究参与度指数的时候无法应用。在理想情况下，我们希望在一个ID的记录中，可以保存相关人看过了什么条幅，收到并打开了哪些邮件，点击了哪个链接来到网站，然后在网站上以一种什么样的途径看过了哪些页面…. 在现实情况下，我们能做的只是以网站分析工具为核心（能提供包含visitor id的匿名个人信息），尽量和其他工具交通。这里我们可以连接到一个ID上的数据有，比如但不限于：访问背景：访问时间，地点，网络服务商，浏览器，OS… 访问来源：引荐链接，广告条幅ID，Email ID，搜索关键词… 访问内容：landing page，content group/page x time spent, 访问路径（path），内容的版本信息（如果网站个性化显示或者正在进行Testing的话） multiple-touchpoints：如果能和adserver联系共享id的话，可以获得multiple view through （总共看过多少广告信息）；如果能和mail router联系共享id的话，可以获得email open的信息 2.Interaction （互动）互动是用户的一个自主的与品牌交互的过程，区别于一般的访问和浏览。我给互动加的界定是：互动要求有用户的输入（input），这个输入可以是文字性的输入，也可以是情感和意向方面的一个输入。比如，网站上有一个flash游戏，用户在上面玩，和游戏互动，很高兴。如果情景截止到这里的话，这不是一个真正意义上的互动，而仅仅是消费了网站的内容，是一般性的访问。不过如果用户在玩过游戏之后，给自己取了一个昵称，然后把自己赢得的分数反馈给网站的话，这便成了一次互动的过程。同样道理，使用store locator不是互动，使用站内搜索引擎不是互动；使用商品点评，哪怕是仅仅点了一下鼠标，是互动；使用wishlist是互动，订阅Newsletter是互动，发表评论是互动，注册是互动，购买是互动… 互动一方面取决于用户的兴趣，另一方面取决于网站提供的互助的可能，甚至是品牌提供的在网站之外互动的可能，比如在social media上的互动。而具体到我们的项目，在衡量互动的时候，把到达一定深度的访问和典型的事件也作为了互动来考虑，我这里把它们归为伪互动。在这个阶段，我们需要和可以收集的参数有，比如但不限于：伪互动：达到一个的访问深度（visit depth），使用站内搜索引擎/store locator等小工具，玩flash游戏… 参与性互动：评分，发表评论，使用wishlist，加入收藏… 转化型互动：订阅新闻，注册，购买，下载打折券… 贡献型互动：发表内容，发起活动… 以上数据可以使用网站分析工具和网站平台、数据库等来收集 3.Proximity （亲近） Proximity是一个非常情感化的东西。当听到一个品牌的名字的时候，用户如果不仅仅知道，而且有一种亲切的感觉，觉得和自己相关，渴望拥有，那就有一种proximity存在。比如，当一个典型的中国大中型城市的中青年女性听到“LV”这个词的时候；比如当本文典型的读者听到“iPhone”这个词的时候。但是当你听到“思科”这个词会有什么感觉呢？很可能知道，可能亲切，但是很小的可能你想要一台思科的光纤通道交换机，这时候是否有一种proximity呢？当你听到联想，健力宝，中国建设银行，华为，兰蔻，西门子，空客，白猫，海飞丝，新华书店，网易，徐州重工，奥美，浙江大学，NASA，TNS, 大连造船厂，歼十，中国足协，天岸各有什么感觉呢？扯远了，言归正传。Proximity的信息比较难以精确收集。目前可以使用的方法有，比如但不限于：：网站分析数据：这里主要是通过一些行为特征来推断proximity。比如，frequecy, recency, 对newsletter的反应，使用个人账户的次数和时间，对新产品的访问等等； CRM收集数据：客户服务中心，callcenter等收集的服务记录调查问卷：直接或者间接的询问，需要把用户的回答和他的ID关联起来 4.Influence （影响）用户对品牌产生好感，感觉到品牌的价值的时候，会主动去分享关于品牌的信息，成为品牌最好的推销者。这种影响最好的体现是向第三方推荐这个品牌的产品，一般是口头上的，这个几乎不可能量化追踪；或者在博客上，在评论中推荐，这个可以追踪，但是很难和用户的ID联系起来。这里目前比较可行的信息来源有两个：网站分析数据：如果网站提供了各种分享的功能，可以检测每项功能的使用净推荐值（Net Promoter Score）：NPS 是一个使用广泛的研究客户忠诚度的工具，通过一个问题，“你在多大程度上愿意向朋友或者同事推荐【x品牌|x产品】？”和1（一点不可能）-10（非常可能）分的选项，来对顾客进行分类：推荐者（Promoter，回答9，10），被动者（Passive,回答7，8），贬损者（Detractor，回答1-6）。NPS=Promoter % – Detractor %。这里我们需要的是和每一个用户ID相连的对这个问题的选项。 5. Co-creation (共同创造) 共同创造是一种双向的engagement，企业和用户共同参与到品牌的创建中来。企业引导推动，用户参与，给品牌注入新的价值和内涵。共同创造一般是通过企业给出基本概念和需求，然后通过竞赛的方式来实行；不过现在通过建立自有社区来持续不断的进行共同创造。虽然我曾经在Second Life中组织过若干共同创造的项目，但是对于如何衡量共同创造中的Engagement，倒是从来没有研究过。在Engagement Index的背景下，这应该是一个参与就能加分的问题，但是如何细化，需要具体衡量哪些参数，还需要就一步研究讨论。一个小总结：能够反应Engagement的肯定还有很多参数，欢迎大家补充。具体到一个企业，一个项目，由于它所处的行业不同，市场策略不同，所以这些参数也不是一成不变的。在做一个类似的项目的时候，肯定要经过多次讨论，确定哪些数据是可以利用的，然后哪些数据是重要的，符合需要的。以上两篇作为背景，介绍什么是Engagement Index和它的组成。在下一篇中，我会首先介绍一下Engagement Index的计算方法，然后开始具体介绍我们正在做的一个项目。欢迎关注Engagement Index-3 ：计算方法和案例初探。后续：虽然我自己思考、写的津津有味，但是我知道这些东西读起来是非常枯燥的。需要声明的是我不是这方面的专家，只是想把项目涉及到的东西总结整理一下，同时加上我个人的一点儿见解。所以，这一系列的东西对各种形式的讨论都是热烈欢迎的。在第一篇中谢谢Gao Ge,南唐等朋友在SEMwatch上的建设性评论；对于反应难懂的朋友，我想说大家不懂的东西都很多。对于这样一个相对比较新的东西，没有定论，大家一起积极思考，才能共同进步；同时抱歉不能回复所有的评论。收藏、分享这篇文章! ©2012 天岸. All Rights Reserved..

Engagement Index-1：参与度指数的含义

天岸 — Mon, 05 Jul 2010 00:27:24 +0000

题记：分析这东西，如果能解释出成功了多少，会让人开心；如果能解释出失败了多少，才有实际的价值 – 天岸上次说要做一个分析和总结，和大家分享交流我们正在做的一个关于Engagement Index（参与度指数，欢迎推荐更贴切的翻译）的项目。虽然项目中和我上一篇博客中一直使用的还是Engagement Score,不过我个人更喜欢Engagement Index这个称呼，或者更准确的说，Digital Engagement Index，可能是受Brand Index的影响吧。要理解Engagement Index (EI,下同)，首先要理解Engagement,然后轻松的说，EI就是衡量Engagement的参数就好了。那么什么是Engagement呢？这是一个没有准确定义的词汇，在Joegh的“用Engagement衡量用户活跃度”的文章中有相关的讨论，文中对Engagement进行的诸如“相对固定（的行为）”“非标准化度量”“是用户的动作和行为，但并非网站产出结果”等界定虽然还有待商榷，但都非常有见地和启发性。定义留给专家，我个人对Engagement的理解是，和我的翻译一样，是用户对品牌的一种参与，和在这种参与中所逐渐产生和积累的对品牌的感情。所以，Engagement产生的原因的前提是参与，而结果是有了感情。什么感情？一种Engaged的感觉，不是冷眼观望，且笑不语，而是身在此山中，成了局内人。 Forrester是最早正式把Engagement作为指数提出来组织之一。按照Forrester给出的解释，Engagement由4i组成： Involvement: 接触。这是用户和品牌的最初的邂逅，相识。这个过程包括用户在不同的渠道，触点（multipe touchpoints according Forrester）发现品牌的信息，被吸引然后被引领到品牌的自有区域，浏览和品牌相关的内容； Interaction：互动。如果说在Involvement阶段用户还是在单纯甚至被动的接受信息的话，那么在互动阶段，用户便开始主动去发掘和品牌相关的东西，却接受品牌的服务和内容； Intimacy：亲切。通过以上两个阶段，品牌对用户来说不在陌生，开始给用户留下印象，开始在用户心中逐渐建立一种亲切感。在这个阶段，用户和品牌的距离被拉进了。我觉得，如果不是追求文字上的4i的话，这里使用proximity更加贴切。 Influence：影响。在Intimacy阶段，用户开始具有主动性，去了解和发现品牌；在influence阶段，用户已经被品牌所说服，这种积累起的亲切感让用户感觉到了价值，他甚至愿意主动去宣传和分享，去影响他周围的人。忠诚度是其中的一部分，但是用户不仅忠诚，还成了品牌的使者。 Co-creation：共同创造。这是我给加的一条，在engagement的最高级阶段，用户参与到品牌的价值和内涵的创造中来，把自己融进了品牌。所以，Engagement的组成和正向加强过程，我凑热闹，做了一个IIPIC：因此，我这里所要解释的Engagement Index，便是衡量IIPIC的一个综合参数。因为这是一个还不是非常成熟的东西，最初Eric T. Peterson给出他的计算公式的时候（这在以后的篇幅中会介绍），大家虽然叫好一片，但是真正应用的不多。我们现在和一个奢侈品品牌合作做这个项目，也是一个探索性的工作，对于最终能够产生什么结果，有什么实际作用，目前都还是未知数。项目目前已经进行了大部分，我也会慢慢介绍已经完成的部分。基于以上原因，这篇东西我会多分几个系列，充分和感兴趣的朋友讨论，慢慢完成。以上为第一篇，敬请关注Engagement Index-2：构成参与度指数的参数选择，分类和数据收集办法。收藏、分享这篇文章! ©2012 天岸. All Rights Reserved..

SiteCatalyst参数解析-1: Instance vs Visit

天岸 — Tue, 29 Jun 2010 22:21:08 +0000

题记：香艾肉粽端阳酒，沽来把盏世界杯；仲夏夕前君慢醉，舟游天岸伴霞飞。因为组织活动，好久没有动笔，抱歉；先写一篇关于参数理解的，热热身。注意：这篇文章不是谈分析方法和技巧，而是谈对工具所给参数的理解，受众因为所谈工具的普及程度低而变得狭窄。如果你没有使用过sitecatalyst或者search center的话，这篇文章可以直接略过。在Omniture SiteCatalyst中，这些参数的差异是十分微妙的。多次被问到他们的含义，我也多次查找资料，和Omniture Consultant验证，现在做一个小的总结，姑且算是继转化率，弹出率和Omniture Insight Visitor之后，参数和指标解析系列中的第6篇文章. 我在丢失的链接标签（2）中总结了一些adserver所统计的click的数目和网站分析工具所统计到的click和visit的数目的差异及其原因。这个在sitecatalyst上同样适用，不在累述。这里主要介绍Instance vs Visit 和Visit vs Visitor 1- Instance vs Visit 在SiteCatalyst中，很多维度的默认统计指标是Instance（实例?事件？），比如campaign，referrer 和一些custom conversion variables（eVar）等。下面是一份示例报告：如何理解这个Instance呢？它是一个单纯的计数单位，描述的是一个事件发生的次数；或者从本质上说，描述一个预定义的值传给SiteCatalyst的次数。这个事件可以被page view所引发，也可以以non-page view事件所引发。比如说，一个镶嵌在产品页面中的值，s.eVar3=”footballl”, 他的instance数目将会随着每一次的page view而增加1；而一个镶嵌在“确定”按钮中的值，s.eVar3=”football”，他的instance数目将会随着每一次按钮点击而增加1。这个按钮点击的例子应该很容易理解，这时候Instance就是这个按钮被点击的次数。不过报告中的referring domains的instances的数目却经常让人迷惑，如果referring domains换成广告链接的时候，这个Instances的数目便更容易牵扯到marketer的神经了。实际上，要理解好这个Instance以及它和其他参数(比如visit)的区别，只需要把握好以下两点：这个instance是被哪一个事件所引发的（这个事件也称呼为trigger），什么时候会把这个值发送给SiteCatalyst instance是一个单纯的计数单位，转瞬即逝（本质上和click和page view的计数规则一样）；而其他参数值却并不总是这样还是通过例子来说明。这里经常被比较的是instances和visits这两个指标。对于referring domains的instances，它是在landing page上被引发的。当landing page中的sitecatalyst的code被运行的时候，这个referring domains的instance就会被发送给SiteCatalyst，使这个domain的instance增加1；同时和这个domain相连的visit也会增加1（一般情况）。然后如果这个访问者离开网站，那么很显然instance和visit都不会有变动；如果这个访问者继续访问，点进了网站内部的另一个页面，那么在新的页面中，referrer将会被记录为站内引荐链接，没有和referring domains相连的instance被触发；同时visit的数目也不会变化。以上是一般情况，我们很容易理解成instance和visit应该是相等的；由于referring domain默认并不给出visits的报告，而只是给出instance，因此有人便在instance和visit之间化了等号，这是不严谨的。如果通过Datawarehouse提取referring domains和其对应的visits的报告的话，我们会发现大部分情况下instance是明显高于visits的。造成这种情况的原因很多，比如以下几点：一个访问者有可能回到原始的引荐页面，然后再回来：比如说，一个访问者在百度搜索“世界杯”来到天岸博客，然后退了出去，紧接着继续在百度搜索“德国英格兰”又回到了天岸博客。在这期间，来自baidu.com的instances会记录两个，但是visit只会记录一个，第二次搜索是不会被记录为一个visit的；刷新landing page：instance作为一个单纯的计数系统，只要相关事件被触发就会被发送到SiteCatalyst从而导致它的值增加1。如果访问者因为某种原因刷新landing page的话，那么网站分析代码会重新被运行，referring domain的信息就会第二次被发送到sitecatalyst，从而它的instance会加1；但是根据cookie，visit数目不会改变；使用浏览器Back按钮重新回到landing page：这个操作同样会使instance增加1，这和刷新landing page是一个道理。作为总结：在referring domains/links报告中，instances的数目可以理解为landing pages（注意可能是多个landing page）的page views。紧接着一个简单的例子：如果我们检查一个下载链接的instances的话，那就是这个链接被点击的次数了。至于是否完全下载，不知道；是否等于下载的次数？想想性急的你是否有多次点击链接而没有任何反应，但结果只是迅雷或者Flashget在慢慢启动，然后蹦出好几个下载窗口呢？最后一个例子：Instance少于visit的情况。比如我们使用了eVar 来给一个访问者定性。这个访问者访问了体育频道的世界杯专栏，选择支持德国队，我们便给这个人打上了s.eVar5=”germany”的标签。在世界杯结束之后，我们如果查看s.eVar5的报告，很可能会发现“Germany”的instances值低于visits的值。为什么呢？因为这个事件引发之后，会让Germany的instances增加1；但是这个事件变量是一个访问者变量，是存在persisitant cookie中的，以后这个访问者再次访问的时候，他并不一定再去选择一个支持的球队，所以s.eVar5的instance不一定会增加，但是和“Gemernay”相连的visits的数目却会持续增加，一直到cookie被删除或者变量过期为止（比如定义s.eVar5的持续时间为1个月）。 2- Visit vs Visitor SiteCatalyst有自己独特的对visitor定义的方法，且不评价他的好坏，一个比较常见的事情是，它会记录比visit更多的visitor的数目，这个应该怎么理解呢？敬请关注 SiteCatalyst参数解析-2: Visit vs Visitor 本文首发semwatch 收藏、分享这篇文章! ©2012 天岸. All Rights Reserved..

Engagement Score

天岸 — Sat, 29 May 2010 08:38:09 +0000

题记：同事喜欢谈她的小女儿的轶事，常有经典之词。一天，她问爸爸，你是在哪里出生的啊？爸爸说，我在里昂出生的。那妈妈呢？她又歪着脑袋问到。爸爸说，妈妈是在巴塞罗那出生的。那我呢？小女孩穷追不舍。“你呢，你是在马德里出生的啊！”“什么？”女儿把手叉在了腰间，一副质问的口吻，“你们把我单独丢在了马德里？？” 就是这个给我们带来了无数欢笑的同事，这几个周去休产假了，留下了两个紧急的项目。在我回去的那个早晨，看到他的坏笑，我就知道有什么事情。果然，她老婆要生了，他要休3个周的产假。祝福他的同时，我要加班加点了；而同时因为在和朋友一起组织一个端午节的活动，所以一直没有时间更新博客，请大家见谅。目目前正在做的一个项目是给一个奢侈品的电子商务网站创建一个Engagement Score模型（参与度指数？）。一个Flash网站，若干卫星网站，在社交媒体上有行业中相对领先的布局。项目整体的scoop很大，评估的是整个digital environment。不过我们这次是从网站数据入手，先通过网站分析数据对用户有一个大致的了解。使用的数据是从Omniture Insight中提取出来的2009年随机抽取的大约900万Visitor的所有原始数据，总共20G 的txt文件，导入SAS之后80G。第一次处理这么多的数据，遇到的困难还是挺多的。这个网站在6个国家有电子商务模块，销售可观；但是在大部分国家没有。品牌更注重的是这个网站如何能够提升自身的形象，而不是销售。正如模型的名字所说，要做的是“Engagement”，而不是“Sale”。项目的目的是通过研究网站用户的行为特征，通过Engagement Level来评估，进而评价网站内容和相关市场营销活动的效果，同时（我们考虑）后期有条件的话，研究不同程度的Engagement和销售的关系。项目还在进行，等我有时间的时候一定做一个案例分析，总结我自己的所得所学所感，和大家一起分享交流。这个周末要继续筹备端午节的活动，昨天委托朋友拍摄了宣传片，今天和明天很多场工作会议。所以，博客暂时还不能更新，望大家见谅。祝好，天岸收藏、分享这篇文章! ©2012 天岸. All Rights Reserved..