如何评测网上视频的效果

　　译自 Web Traffic Analysis, 感谢原作者！

　　极少数公司在互联网视频领域能够提供视频广告绩效评测的解决方案，只有少数几家能做到这一点，例如Visible Measures, NedStat, TubeMogul, Divinity Metrics，以及备受质疑的Omniture, Unica, WebTrends, ComScore, 和Neilsen NetRatings。

　　下面是我的一些看法：

　　在2007年年末，DVBES（Video Barometer Executive Survey）指出超过80%的媒体和娱乐业管理层都相信追踪、测量以及监控互联网视频内容是实现基础性盈利的关键。这并不让人吃惊，因为精确的衡量（在线视频内容）能为决策制定和提升商业绩效提供非常有益的信息，因此比以往任何时候都更趋主流并更受重视。而可能让管理层吃惊的是，对互联网视频效果的测量一般只能聚焦于自己站点上的视频内容本身，而无法对自己站点外的同样视频进行测量。对于网站分析工具而言，它能够提供一个非常直接的方法，告诉你人们在你的站点上如何享受在线视频的服务，以及如何与之互动。但是由于视频可以被用户传播并在其他站点分享，或是通过社会媒体推广，因此视频的消费行为完全可能分布在更多的站点上，而这些则是无法被网站分析工具测量到的。基于受众普查的调研技术能够大致获得在其他站点上的视频消费和分布情况，但却又不能提供更深入的在你的站点上的监测。对于在你的站点之上的视频的消费、互动以及传播的监测可以分为下面两个类目：

[转载请事先声明并得到许可，版权归作者www.chinawebanalytics.cn所有]

• 流内监测

　　指衡量视频本身以及发生在视频浏览期间的各种操作及行为，例如基于时间的时间区间测量以及互动和行为的度量（举个例子，停止播放、播放、暂停、倒回、快进等操作数量的测量，上传有或链接到该视频的站点的数量，或是热点的点击数，以及其他一些社会媒体特征）。

• 流外监测

　　指衡量视频内容所处的环境，以及围绕该视频的网站或皮肤的用户体验，例如转化率度量（Conversion Metrics，如访问者的下载或浏览一个视频的百分比），来源度量（Source Metrics，指播放器用过的视频页面），以及内容度量（Content Metrics，如视频按主题浏览的百分比，或视频按文件格式播放的百分比）。

　　这两个分类提供了监测在线视频的KPI（关键绩效指标）的框架，以帮助鉴别用户如何与视频互动，此视频与彼视频比较起来表现如何，以及是否达到预定的商业目标。分析KPI能够让视频内容能够根据具体情况进行重新剪裁，以最大化其绩效。下面我举出一些具体的KPI：

　　流内监测的KPI：

• 视频浏览时间各长度区间所占的百分比，例如观看该视频时间较长（/中/短）的次数所占总观看次数的百分比
• 观看该视频的平均时间
• 看完该视频的访问者占总访问者的百分比
• 看了10秒不到就停止该视频的访问者所占的百分比
• 如该视频是某visit最后浏览的视频，所有这一类visit相对于对该视频所有visit的百分比
• 如该视频是某visit第一个浏览的视频，所有这一类visit相对于对该视频所有visit的百分比

[转载请事先声明并得到许可，版权归作者www.chinawebanalytics.cn所有]

　　流外监测的KPI：

• 转化率（Conversion Rate），按视频、主题、渠道、分类节点、引用网站、地理位置、关键词等等来衡量
• 平均每一个visit的视频浏览次数（与Page View / visit 类似）
• 从不同渠道浏览视频的visit数量（例如从email、rss、搜索引擎、付费关键字搜索引擎以及直接在官方网站浏览等）
• 包含该次视频浏览的visit的平均持续时间
• 对该视频或该视频下载的重复访问率（Repeat Visit Rate）

　　这些KPI指标都可以利用网站分析工具进行测量，而其中的一些甚至有可能能够用传统的基于受众普查的研究方法进行测量。但是，对当前的分析和受众测量工具而言，你自己的站点外的视频传播已经产生了一系列全新的挑战，使它们很难完成对流内和流外的指标以及KPI追踪，这种情况下，广告平台和广告主将如何应对呢？这是一个需要用一些新的技术来解决的商业问题，这些新的技术需要理解用户行为、消费习惯以及视频在你站点外其他同步站点的传播模式，或是视频内容病毒性的传播模式。

　　那么，能够提供监测互联网视频和受众行为的新技术解决方案应该是什么样的呢？首先，它需要以某种方式弥合专家小组调研系统和普查系统之间的鸿沟，以能够既帮助广告发布平台又帮助到广告主。这个技术还必须能够追踪、动态报告以及以简明图表的方式汇报关键测量值和KPI、视频传播模式、用户行为以及互动情况，而无论这个视频在互联网上“走到”了哪儿。位于外部数据库（比如说OpenID）的受众特征应该和内部的公司数据库（如用户提交和用户注册的数据库系统）中搜集了用户行为、视频元数据以及流内和流外度量值的数据相整合。

　　既然十个高管中有八个都相信测量数据视频的重要性，那么在这个领域就具有巨大的挣钱的机会。这些机会既对那些为新出现商业需求提供技术解决方案的公司有益，也对利用互联网视频去影响用户的认知和反应的广告主有益，当然，同样也对绩效测量的专业人员有益，因为这些人员能够帮助互联网视频的生态系统更加合理，也能够使用视频的绩效测量提升客户的商业绩效。

　　我们当然还是处在互联网视频绩效测量的“J曲线”的起点，无论对于广告平台商还是广告主而言都是如此。毕竟，Forrest预测互联网广告市场的花费将从去年的4.71亿美元增长到2012年的71亿美元。

　　Sidney Song: I quote the article without authorized permission, if any rights offending, pls mail to me: sxwuda(at)gmail.com, and I will feedback to your request. Thanks!