'原创' Category
Engagement Index-3：计算方法和案例初探
题记：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 [...]
匹配模式经济学
今天的Inside Adwords （Google官博）宣布正式推出广泛匹配定制（BMM=Broad Match Modifier）。BMM的BETA版在英国加拿大试运行一阵子了，美国的少数代理/大客户也参与了试验，准备是充分的，但到推出的时候我还是略觉得意外—有点快！