一张图告诉你：渠道投放后到产品购买的过程中，如何用大数据量化渠道运营效果

2017-09-19 09:52:00

今天用一张图给大家简单描述下，渠道投放出去后映射到产品最后发生购买的整个过程。

一提到渠道运营，相信各大运营同学脑海里一定会冒出来诸如应用宝、360、百度手机助手、论坛、贴吧等各种层出不穷的渠道。“我只要按照一定的策略，定期在这些渠道投放运营就好了。”至于广告投放出去后，如何追踪渠道，如何衡量渠道投放效果，反过来指导和迭代下一轮投放，大部分人对这个过程的把控和分析是很模糊的，发了那么多软文、投了那么多广告、做了那么多活动，最后老板发话了“花了那么多钱，效果咋样啊？”此时，你可能就蒙了。

今天用一张图给大家简单描述下，渠道投放出去后映射到产品最后发生购买的整个过程。懂得渠道运营效果衡量的核心指标，拿数据去说话，一定会让你的老板心服口服。

这是互联网营销过程中用户典型的点击流，大家可以回想下自己接触、了解、购买一个新产品的过程。从某个广告或者朋友圈看到了一条特别有意思而且很感兴趣的推文，最后点击推广链接来到了落地页，在和落地页内容完成一定程度的交互后最终完成了广告主所期许的行为，至于广告主所期许的行为是什么是和营销目的密切相关的。同时，我们还要考虑到推广产品所处的阶段，因为不同产品阶段的营销目的是不一样的。

这个过程可以分解为点击前阶段（Pre-Click）、点击后阶段（Post-Click）和购买后阶段（Post-Buy）。

点击前阶段，潜在客户从哪里来，来的多不多？

该阶段我们的目的是提高用户获取的效率。完成目的前，我们首先要了解渠道流量的分类，一般会分为广告流量和自然流量。

广告流量包括：各种展示类广告、视频贴片广告、搜索引擎SEM、百度品专等；
自然流量包括：自然搜索流量、社交流量、引荐流量、直接流量等。

第一步，建立精细化的渠道追踪体系

能追踪才能衡量，我们需要用一套UTM配置参数来追踪用户的来源，告别拍脑袋主观判断渠道质量好坏的状态。如下图所示，UTM提供了五个可以自由配置的参数：

参数定义好后，就可以进行各种场景的跟踪，举个例子：

我在新浪首页顶部Banner位和右侧Banner位分别投放了不同广告创意的运营内容。

这里面包含了对运营来说如下几点关键信息：

不同广告创意的追踪。创意是否和用户需求相关，在很大程度上会影响用户是否会点击推广结果。
不同推广落地页的追踪。如果用户点击某条创意比较好的广告来到落地页后，发现不是自己最关心的内容，用户体验很糟糕，很可能用户就跳出了，没有发生我们期望他完成的行为，这对推广运营的好坏影响很大。
不同广告系列的追踪。如上图我们可以对付费推广活动打上以pay开头的标签，用于区分是付费推广还是免费推广。

这样就实现了在同一个渠道不同位置投放的不同广告创意的付费活动的追踪。当然，你可以充分利用这五个参数的组合来实现各种场景的渠道追踪。

下面再说说点击前阶段常看的几个指标：

Impression 即曝光量。展示类广告中会存在大量作弊的现象，但是仍没有阻止人们做展示类广告，为什么呢？因为广告学中有个理论，叫曝光效应。它其实利用了人们的心理，就是一个东西，你见得越多，越觉得它好。
Click 即点击量。
CTR 即点击通过率。人们常常用 Click 和 Impression的比值 CTR 即点击通过率来衡量广告引起人们注意的程度。通过这个指标可以初步看出这次所做广告的创意水平以及和人群的匹配程度。
CPC 即每次点击花费多少钱，可以帮助你衡量比较不同渠道的成本。成本和 CTR 综合衡量。

点击后阶段，潜在客户访问网站后，流量如何转化？

至此，大家可以看到，点击前阶段主要重点优化的是广告投放环节。但是互联网发展到今天，流量时代已经结束了，不是只要有高流量，那他就是王者转化就高。广告主无法再像以前那样，很轻松的从广告中获得高额回报。

现在大家的关注度已经慢慢转移到转化环节，即用户来到落地页后的一系列表现，比如网络布局怎么样，用户体验怎么样，用户来到网站后都干了些什么，有没有满足用户需求，为什么流失了等等。所以，我们需要对 Web 和 App 的数据进行监测分析，毕竟我们花了那么大的精力将用户引到我们产品中来，如果最终的转化目标没有很好的提升，那就很悲催了。

转化环节流量承载的重任落在了落地页上，落地页承载着用户对产品的第一印象。就像我们在重要场合，要把自己捯饬一番一样。第一印象很重要！用户对产品第一印象的好坏可以通过哪些指标来看？

Traffic 即流量

通常用 PV UV Visit 指标来衡量，但是这些指标只能在浅层次上衡量这次营销效果是否成功。我们可以将这三个指标结合跳出率一起来衡量渠道好坏。如果渠道带过来的流量和落地页不匹配的话，跳出率会很高。新用户的跳出率高于老用户的跳出率，所以我们还要结合产品用户构成来看跳出率这个指标。

给大家留个疑问，如果渠道带来的流量很大但是跳出率很高，你会怎么办？如果渠道的跳出率很高，但是带来的注册转化量很高，你又怎么办？关于此处的分析，门道还是很多的，后续会专门通过一个案例来详细阐述下。

Call to Action

行为召唤，或者说是用户行为号召。至于这个号召按钮是什么是和你这次营销目的相关的，比如注册或者下载App。这个 Call to Action按钮一定要设置好，用户点击使用是无障碍的，要不你前期做的广告，很可能就白费了。

如果流量和落地页相匹配的话，上述指标不会差。用户从落地页跳转到你的产品内部后，我们就需要通过 Engagement 这个指标，来看看用户和我们产品内容和功能的交互度如何？

Engagement

Engagement 并不是指一个具体的度量，它是一系列衡量用户在营销活动中参与程度的指标集合，即用户在产品中和产品内容和功能的交互程度。我们可以这样理解它，它用以衡量流量产生之后和最终发生转化之前的用户行为和过程。

先来看标准意义的 Engagement 指标，主要指跳出率、停留时长和页面访问深度三个指标的综合考量。我们可以看到，这些标准意义的指标，还不足以涵盖更为具体的用户行为分析需求。比如，一个网站有一些更为重要的希望用户完成的用户行为，注册或登录、申请试用、或是把商品加入购物车等等，这些都属于按照业务定义的 Engagement 指标。标准意义的 Engagement 指标反映了用户对于营销内容和产品的感兴趣程度，而按照业务定义的 Engagement 指标则反映了影响用户最终发生转化的各种因素。

此处还记得最开始讲到的UTM标签吗？如果我们想追踪到不同渠道带来的业务转化的话，需要将标签参数一直传递下去，这样才能追踪到具体业务转化，而不仅仅限于点击注册的转化。

另外从用户和产品的交互过程中，会产生大量的用户行为数据，我们可以从用户行为上详细了解到用户的一些行为特点，也就是我们常说的用户画像，比如用户经常浏览电器类产品，且浏览次数大于5次，说明这批用户目前在关注电器信息，那么我们就可以把这部分人群捞出来，打上标签，针对这部分人群作为重点投放的广告人群，开始下一轮精准投放，这样就形成了一个数据营销的良性循环。

Conversion

提起转化率，漏斗模型是市场和运营最为熟悉的方法，一般会按照“点击推广链接–>浏览落地页–>有效咨询–>注册–>购买”类似的过程来做每一个转化步骤，从而快速定位到哪里出现了问题。但是这个模型在实际操作过程中是有两个主要问题的，阻碍了模型的发挥。

首先，转化漏斗需要全流程的监控数据，但这些数据很难全部准确的获取。要想准确获取这些数据，我们需要一个好的数据模型来定义每一个步骤，每一个步骤定义好后，我们还要考虑这几个步骤的用户如何贯通起来，即如何让用户一层层的漏下去？我们注意到从注册前到购买的过程是完全割裂的，因为注册前是匿名用户，注册后产生的购买是真实用户，如何将注册前和注册后的行为关联起来就显得很重要。

另外对于一些需要转化周期的行业，比如互联网金融、在线教育、医疗等行业，消费者有很长的决策周期，但是从市场现有的漏斗模型来说，因为漏斗转化是基于会话的，转化周期只有30分钟左右，也就是此时一般只能实时统计到有效咨询这个层级，这就削弱了这个漏斗模型的价值。既然这个问题存在了就一定有解决方案，如果这个转化周期能根据自己的业务情况自定义呢？比如设置为3天或者7天，那么这个问题就能很轻易解决和追踪了。

其次，这个转化漏斗的各个步骤，都是大过程，每个步骤间都有转化和流失，因为每个步骤间用户还会发生一系列的行为，这些很细微的行为也有可能导致了最终的转化和流失，也就是我们常说的“微转化”，所以我们需要结合用户行为序列和漏斗模型来共同完成此转化过程的分析。