线上营销对线下行动效果的监测（上）
【前言】这个问题是我们的QQ群上被最常问起的问题之一，事实上也是我的客户经常问起的问题之一。这是个非常复杂的问题，不在于提出问题本身，而 在于解决问题的可行性一直困扰着从业者。这篇文章，将讨论线上营销对线下行动影响的几种类型和目前的解决方法及仍然存在的困扰。这是这个主题的上篇，下篇 请见：
线上营销对线下行动效果的监测（下）。
【正文】
今天的这个话题是一个新的挑战，坦率说，在这个领域我所知有限，且一直抱有畏惧，但这是一个无法回避的话题，如果你要做网络营销，你的老板就必会问你最终带来了什么样的效果。这个效果，对于很多非直接在线交易的商业模式而言，实际上意味着受众受到网络营销影响而在线下所采取的行动。这，不是单靠网站分析工具可以监测到的了。因此，网络营销界的实践者们，尝试了各种方法来试图解决这个问题，并将在未来的数年持续探索下去。
这篇文章无法总结他们的探索，而与之前的文章类似，只是谈谈我的理解和实践，希望引发大家的思考和讨论。
线上营销对线下行动产生影响效果的分类
线上营销对线下行动产生的效果分为多种类型，按照从比较初级的影响到非常强烈的影响，可以分为四个层次，如下所示：
- 对产品留下印象（Awareness）
- 对产品产生好感/潜在购买可能性（Preferences）
- 提交购买意向、试用，或拨打咨询/询盘电话（Leads）
- 产生实际线下的购买行为（Purchase）
一般而言，线上营销（Digital Campaign）的最终目的一定是实现Purchase，但Purchase的实现有时需要较长周期，而且从Awareness到Purchase的整 个环节中整个损耗很大，因此，Campaign如果能够实现Leads或者Preferences，或者仅仅只是对消费者留下了印象 （Awareness）也是不错的。这样，人们对Digital Campaign效果的评价也就不仅仅限于查看最终的实际购买，而同样关注从Awareness到Preference到Leads最终到 Purchase的全过程。
Awareness的效果监测
Awareness是指受众对广告所宣传品牌/商品的认知。根据我以前在Agency负责监控digital campaign效果的经验，Awareness的监测主要是依靠广告曝光数据（Impression）。但是，Impression是一个非常弱的度量（在国内，我已经很多次表示了对这个度量的“鄙视”了 :），很难带来什么有价值的insight，因此，我们需要一些更好的办法。
这里，我要特别感谢我以前的客户，凯男和许飞，他们在这个领域提出了非常好的解决方法，也要特别感谢Tenly（邬剑）同学，他在扩展这些方法上提出了非常好的见解。所以，我这里总结这些方法如下：
- 广告Impression/Click数
- 广告推向网站的Visitor数量
- 软文总被阅读数（软文PV）/评价数/回复数
- 产品或者品牌关键词搜索量的增长幅度
- 产品或者品牌关键词的搜索引擎结果的增长幅度
- Social Media的分享/转发数量
- 调研问卷直接统计
- 口碑监测
这些方法有些容易，有些略难，但的确都是目前能够实际实施的Awareness评价方法。其中，广告推向网站的visitor数量我一直比较重视，但是，由于疯狂的作弊的存在， 这个数值现在受到了严峻挑战。但是，网络营销效果分析师不能因此而被难倒，去伪存真不就是我们的工作吗。因此，我们应该把这个visitor的数量改为 Qualified Visitor（靠谱的visitor）的数量。Qualified Visitor = Campaign Overall Visitor × Bounce % × Stay longer than 30sec % × Other criteria。
软文总被阅读数是另一个常用的评价方法，软文对于很多广告主而言，都是性价比比较高的方法。总被阅读数是指除了软文发布媒体上的软文page view数量之外，以及其他所有的转载的总的page view的数量。不过，有意思的是，我却建议用另外一个数量——软文有效阅读数 = 软文总被阅读数－软文在原发布平台上的阅读数量。 为什么用这个数量呢，咳，因为媒介本身的那个数据实在是不能尽信啊，干脆不信了。软文总被阅读数怎么统计呢？我自己用精确和模糊两种方法。精确方法，首先 用百度搜索全部文章，然后点击进入手工记录各个转载文章提供的统计数据（一般都提供）。这个方法麻烦，但是能够尽量做到精确。模糊方法，就是在软文中设置 一个Google Analytics（或者DoubleClick等工具） 的1×1像素的透明图片，然后祈祷其他媒介在转载的时候把这个图片也一同转过去（但是几率比较小），然后根据总的文章转载数量对统计到的转载数量进行按比 例放大。基本上，这个方法能够告诉你个大概，但肯定不精确。如何添加这个透明图片的方法请见这个文章的前几段。
产品或者品牌关键词搜索量的增长幅度，这个是我青睐的方法。使用方法简单，用 Google Insight或者Google Trends即可。Google官方告诉我们，Google Insights和Google Trends使用相同的数据来源，但Google Insights拥有更多更全面更高级功能。
这个工具特别适宜于那些新出现的商品/品牌，例如Intel的Core i5，但是对于那些无法跟竞品区分搜索关键词的就不适用了，例如“无痛人流”。所以，建议一个新的digital campaign，值得喊出一个响亮好记的新名称。
产品或者品牌关键词的搜索引擎结果的增长幅度，直接在搜索引擎中加引号搜索即可。这个增长幅度同样代表着人们对产品/品牌awareness的增加。
Social Media的分享/转发数量， 这个度量对进行social media marketing的digital campaign非常重要，但如何获得这个值其实比较困难。对于Twitter或者Facebook，其实有API开放，所以第三方统计软件多如牛毛，而 更高级的合作——例如2009年5月Omniture和Facebook的合作——则可以让数据统计更深入更强大。但在我们国家这些就成了问题，一方 面，Facebook进不来，进来也是“非死不可”，Twitter就不用说了，大家致哀。另一方面，国内最成功的新浪微博也还没有做出什么好的用于数据统计的API，人人网开心网也没有。你可以手工统计，但我更愿意静待将来。
调研问卷统计，这绝对是万能方法，但也是最耗时，自由度最低的方法。不仅仅对于awareness，对于Preference，也同样适用，所以放到后面讲。
口碑监测，与调研问卷统计类似，也放到后面讲。
Preference的监测
Preference比Awareness要更难评估，我甚至认为，它是最难评估的。因为它反映的是人的内心的活动。人内心的活动可以外化为行 为，但却不可反推。譬如说，我觉得难过，我不一定哭泣，即使我因为难过而哭泣，却不可以说我哭泣一定是因为难过（或许是因为激动），所以用“哭泣”来反推 “难过”有误差。同样，Preference的评估虽然可以有一些间接通过行为（例如推荐给朋友，收藏等）来衡量的方法，但误差很明显。
评价Preference的相对可靠的方法，是直接发问，问受众的内心感受，这就是调研。也正是因为调研可以直接询问受众的内心感受，因此调研方法也同样用于研究受众的Awareness。
在线调研
调研的基本方法是将调研受众（样本）分为两组，一组是Control Group（对照组），另外一组是Exposure Group（或者称为Test Group，测试组），Control Group被通过技术方法控制不能暴露在广告下，而Exposure Group则被肯定地暴露在广告之下。
例如，AdIndex给我们介绍了最常用的在线调研的方法：
图：这是在线调研的基本方法 （版权属于Millward Brown公司）
上图是在线调研的基本方法，A组被确定暴露在Campaign广告的创意之下，而B组，则被控制肯定没有看到广告（控制方法是什么？其实很简单，例如在campaign发布前就进行一次调研，那么对照组的受众肯定不可能看到广告）。
如果要评价一个Campaign网站对访问者preference的影响，同样可以利用这个方法，只是保证对照组的受众在对答卷前没有访问这个网站即可。
对于上面Campaign网站的问卷，你可以自己通过设定网站的程序来实现一部分访问者在访问你的网站之前就填写问卷（对照组），而另外一部分 则在离开网站的时候再填写问卷（曝光组）。如果你不愿意自己编写程序，国内也有第三方服务提供类似功能，例如MillwardBrown，或者精硕科技的AdMaster。你也可以利用免费的4Q问卷，它也提供自定义的问卷（虽然题目数量有限）。
对于利用问卷调研preference的方法，有两个地方是需要特别关注的。其一，问卷内容的设计；其二，回收有效问卷答案的数量以及由此影响的统计学意义。这里不敢多说，因为，我在这两个领域都还是一个完全的newbie 。
最后，为大家展示一个问卷调研答卷统计的实际例子：
这个问卷是对网络游戏玩家的一个调研，其统计结论分为几个主要的部分，包括awareness、motivation（购买动机）、 relevance（相关性）以及preference。可以看到，曝光组在大部分环节都表现不错，说明campaign对其产生了一定作用。但比较让人 遗憾的是，sample size略少，是否能够代表普遍受众的情况存疑。
Preference的另外一个监测方法是利用口碑监测，这个绝对是目前前沿领域，而且也是一道挺难解的题目，尤其对咱们汉语。
口碑监测
口碑监测不如问卷调研直接，但是口碑同样反映了受众（主要是网友们）对品牌的awareness和preference的感受。口碑的重要性在 于，如果一个网友直接在网络空间中反映了对你的品牌/商品的关注/喜爱/憎恶，那么他不仅可能代表相当一部分网友的意见，也可以迅猛地影响其他人的意见。 我自己的消费大量通过网络完成，而且负面口碑对我的消费影响更为重要，我相信大部分消费者都是如此。
在“Sidney的IWOM监测与分析：理解和实践”一文中，我谈及了IWOM监测的实现方法，但是实际上对于分析的所言有限，因此，会准备再开一个帖子谈我对IWOM分析的理解。这里我想提及一点，即IWOM分析中的一个关键度量——调性比（sentiment ratio）。
调性比是指在关于某次Campaign的口碑中，正面口碑和负面口碑之间的比例以及正面口碑、中性口碑和负面口碑各自所占总体口碑数量的比例。 例如正面口碑有10,000条，而负面有1,000条，那么sentiment ratio=10:1。这个值意味着普遍受众对你campaign商品/品牌的总体preference情况。
下图是在2008年下半年的时候我做的关于主流Laptop品牌的sentiment ratio情况，Neg.表示Negative（负面）的数量，Neu.表示Neutral（中性）的数量，Pos.表示Positive（正面）的数 量。在那时，令我惊异的是，Lenovo竟然获得了最高的调性比，而HP的表现则相当不佳。一年多之后，HP的“蟑螂门”事件爆发让它浑身是口亦不能辩，让我觉得，当时的调性监测还是很有道理。:)
好了，上集先写到这里。欢迎大家多讨论。
转载请注明：数据分析 » 线上营销对线下行动效果的监测（上）
