如何制定网站营销活动监测方案.doc

如何制定网站营销活动监测方案?摘要 : 含辛茹苦运作各类营销活动，最后却以缺乏的整体效果评估而告终。在营销工作中，这样的营销案例，有没有？其实，这是目前许多企业营销部门的一个通病。一般是运营、营销或策划人员的活动策划方案经批准，页面设计、制 .含辛茹苦运作各类营销活动，最后却以缺乏的整体效果评估而告终。在营销工作中，这样的营销案例，有没有？其实，这是目前许多企业营销部门的一个通病。一般是运营、营销或策划人员的活动策划方案经批准，页面设计、制作、上线以及各类营销推广等流程就开始迅速运作起来。最后需要效果报告时，往往却素手无策或简单输出一些粗糙的数据，就算完事。罪魁祸首在于，缺乏一套对活动效果行之有效的监测方案，无法对活动实施实时监控、调整优化以及对目标达成情况的掌握，也无法深入总结活动经验、了解有效的营销渠道、分析目标群体的潜在需求，为下次活动发掘机会。 看似成功的活动，其实我们也错过了许多。不是么？你可知道，将用户需求、营销创意、有效渠道、用户体验以及效果监测，五者紧密结合，每次营销活动所创造的价值会成倍增长，甚至不可估量。那么我们一起探讨下制定营销活动监测方案的步骤（与活动方案一起制定）。 首先，概述营销活动 监测方案中，对营销活动进行简短概述是一个好习惯；掌握监测对象情况，便于确定具体监测数据与方法、制定活动效果报告等。简要介绍活动目的、群体、流程、目标、渠道、里程碑与时间等营销要素，尤其是活动目标（目的的量化指标，期望的值是多少？）。 图一：营销活动概述 其次，划分访客行为 衡量营销活动的成功度，需要对访客的行为进行分类，可分为意愿行为、参与行为两类。意愿行为，包含试图转化、转化两种，是指用户为实现造访目的所愿意采取的行为，例如下载、购买等。如果是目标访客，那么访客的意愿行为会与企业所期望的操作保持一致。参与行为，指访客除试图转化与转化行为外，所采取的任何内容互动行为。前者是活动监测、效果评估的重点对象，后者的数据是问题诊断、活动优化与用户需求挖掘的基础依据。 图二：访客行为分类 然后，制定跟踪方法 依据网站类型与活动方案，将访客行为分为两类后，就需要确定具体的跟踪方法。针对不同类别的数据，需要制定不同的跟踪方法，乃至多中监测分析工具。以下为数据分类，具体如何跟踪查看工具相关帮助文档，不赘述。 1、网站基础数据，即访问次数、停留时间、新访客比率、跳出率等等。通过Google Analytics、Omniture等工具的基本跟踪代码即可获取。 2、流量来源数据，即某渠道的访客行为监测，以诸如Google Analytics UTM类标签、邮件服务商跟踪等即可实现跟踪。 3、互动数据，即下载、播放、投票、分享等等行为数据，以事件跟踪、社交跟踪、虚拟页面等自定义方法即可实现跟踪。 4、转化数据，即购买、注册等目标转化行为数据，以事件跟踪、电子商务跟踪等自定义方法抓取。 随后，确定监测度量 监测性度量，主要用于监测活动过程是否一切正常的按照指定目标行进，比如：点击通过率（CTR）、邮件打开率、每次点击成本（CPC）等。它对于活动过程中营销渠道、目标转化效果的及时监测尤为重要，例如：广告的CTR过低，我们就应考虑是广告内容匹配问题，还是广告位置问题。 再确定成功度量 成功度量主要用于代表活动目标的达成情况，毋庸置疑，它是我们关注的重点，通常包括投资收益率ROI、转化率Conversions Rate等。它的确定需要与相关领导、合作商等利益相关者达成一致。 最后，制定与实施报告分享计划 日报、周报、月报，根据具体情况可适当选取监测报告分享的频率，用于更新相关同事脑袋中活动信息的历史记录。日报一般汇报前一天的情况，确认活动效果是否正常或好转；周报则是分享上一周的亮点、暗点，以确定是否采取相应措施；月报则呈现上月活动的里程碑事件、目标达成情况以及存在的严重问题与困难。 图三：监测报告分享计划 终于又到了最后的环节，你觉得，以上营销活动的监测步骤还有什么补充的么？文章提到，放大活动价值有五项：用户需求、营销创意、有效渠道、用户体验以及效果监测等紧密结合，那有没有其他项或相关案例呢？向上营销、交叉营销与关联推荐我们会发现很多网站都具备了内容推荐的功能，不仅是像B2C电子商务类的卓越的图书推荐，也包括兴趣类网站像豆瓣的豆瓣猜等。这类功能无疑在帮助用户发现需求，促进商品购买和服务应用方面起到了显著性的效果。那么这类的推荐是怎么得到的呢？其实跟网站数据分析不无相关，我们可以来简单看一下它的原理和实现。向上营销(Up Marketing) ：根据既有客户过去的消费喜好，提供更高价值或者其他用以加强其原有功能或者用途的产品或服务。交叉营销(Cross Marketing) ：从客户的购买行为中发现客户的多种需求，向其推销相关的产品或服务。向上营销是基于同类产品线的升级或优化产品的推荐，而交叉营销是基于相似但不同类的产品的推荐。举个简单的例子，可以看一下苹果的产品线：当你购买一个ipod nano3的时候，向你推荐升级产品nano4、nano5或者功能类似的itouch就叫做“向上营销”；而推荐Iphone、Mac或ipad的时候就是“交叉营销”了。而关联推荐在实现方式上也可以分为两种： 以产品分析为基础的关联推荐和以用户分析为基础的关联推荐。 产品分析的关联推荐指的是通过分析产品的特征发现它们之间的共同点，比如Web Analytics和Web Analytics 2.0的作者都是Avinash Kaushik，而且书名都包含Web Analytics，都是网站分析类的书籍，同时也可能是同一个出版社那么基于产品的关联就可以向购买了Web Analytics的用户推荐Web Analytics 2.0。而基于用户分析的推荐是通过分析用户的历史行为数据，可能会发现购买了Web Analytics的很多用户也买了The Elements of User Experience这本书，那么就可以基于这个发现进行推荐，这种方法就是数据挖掘中的 关联规则（ Association Rules） 挖掘，其中最经典的案例就是沃尔玛的啤酒和尿布的故事。目前很多的关联推荐还是基于产品层面的，因为实现上更为简单（对于网站而言，产品数据明显少于用户行为数据，而且可能相差好几个数量级，所以分析工作就会轻很多），基于产品的推荐更多地以上面所述的两种营销手段来实现，更偏向于传统的“推式”营销（个人对这种营销方式比较没有好感，尤其“捆绑销售”之类）。所以个人更偏向于基于用户分析的实现方式，这样更有利于发现用户的潜在需求，帮助用户更好的选择它们需要的产品，并由用户决定是否购买，也就是所谓的“拉式”营销。通过向用户推荐产品或服务，激发用户的潜在需求，促使用户消费，更加符合“以用户为中心”的理念。所以下面主要简单描述下以用户行为分析为基础的关联推荐，无论你是电子商务网站或是其他任何类型的网站，其实都可以实现这个功能，只要你具备以下前提：当然还需要一个不错的网站数据分析师。这里以电子商务网站为例来说明一下关联规则的具体实现。目前大部分电子商务网站都提供用户注册的功能，而购物的用户一般都是基于登录的条件下完成的，所以这里为用户识别提供了最为有效的标示符用户ID（关于用户识别的方法，请参考这篇文章 网站用户的识别 ）；同时网站会把所有用户的购物数据储存在自己的运营数据库里面，这个为用户行为分析提供了数据基础用户历史购物数据。所以满足了上述的前两个条件，我们就可以着手进行分析了。关联规则的实现原理是从所有的用户购物数据中（如果数据量过大，可以选取一定的时间区间，如一年、一个季度等）， 寻找当用户购买了 A商品的基础上，又购买了B商品的人数所占的比例，当这个比例达到了预设的一个目标水平的时候，我们就认为这两个商品是存在一定关联的 ，所以当用户购买了A商品但还未购买B商品时，我们就可以向该类用户推荐B商品。如下图：从上图可以看到其中牵涉3个集合：所有购买过商品的用户全集U、购买了A商品的用户集合A以及在购买了A商品之后又购买了B商品的用户集合G。基于这3个集合可以计算关联规则挖掘中的2个关键指标 支持度（ Support