Engagement Index-3：计算方法和案例初探

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：

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：

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 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。

点击此处查看原始数据样本。

原始数据包含诸如Visitor ID, Session Number, Language, Country, Turnover, Traffic sources，Campaign等29个原始变量。变量的数目虽然少，但是它们已经涵盖了大多数网站分析的基本变量，在这些变量的基础上我们可以计算出其他参数和指标。不过当然，在项目初期我们要求的很多变量还是没有能够提取出来。

通过原始数据样本大家也许可以看到一些端倪。实际上，这些数据的最小记录单元是Page，一条记录（一行）代表一个PV，以及和这个PV相关的28个变量的值。PV可以通过Session Number归类组成一条visit的全部记录（2009年），而Session Number可以通过Visitor ID归类组成一条visitor的全部记录（2009年）。

有了这些数据，下面我们就可以开始干活了。下一篇中我会重点介绍原始数据的数据结构和各种不同层次（Page，Visit和visitor）视图的创建。敬请关注Engagement Index-4：数据准备和参数创建

后记：这是上周写的，竟然忘记发了。最近忙的焦头烂额，恨不得把自己大卸八块，然后每块装上三头六臂，所以这周也没有写，正好拿这篇顶替了。

火上浇油，老板突然又给了一个关于Emerging Platform的东西，要求周四交框架。目前主题集中在SNS和Mobile两块上。自2005年以来，大家都知道哪些Emerging Platform呢（诸如Facebook, Twitter, Foursquare，iAD之类）？在Marketing的层面上，它们都能提供哪些机遇？我们如何评测在这些平台上进行的广告活动的效果呢？谢谢建议！也可以发送到我的email大家一起讨论。hailongxia AT gmail . com

出处：http://semwatch.org/