宋星的数字观
显然，这是对流量投放的效果，缺乏真正真实的认知导致的。
01 以ROI单一指标衡量是常见的坑
关于ROI，一个真实的例子，宝洁大中华区营销营销副总裁何亚彬曾公开表示，以前宝洁都致力于提升ROI，但是做了一段时间以后，发现ROI跟增长几乎没有关系。因为只要你压缩成本，ROI肯定会提高。所以，ROI不是一个单纯评价投放结果的手段。流量的目的很不同，流量的属性也很不同的，所以一定不能用一个单一的ROI来衡量。
02 不同类型的流量有不同的属性
从流量类型的属性我们再说回广告主投放诉求，不同营销诉求需要匹配不同属性的流量，才能最大化流量价值。例如美妆行业618大促收割期，需要实现高转化、高ROI目标，这种时候匹配精准主动流量为佳。而新品上市活动一般以提升品牌或产品的认知为主，说白了就是搏存在感，因此会匹配大曝光流量，这种情况之下匹配高潜转化流量就不太能满足营销诉求了。
以上是以主/被动来区分流量类型，我们接下来以大家更加熟悉的AIPL模型来讲讲，不同流量的营销作用。
- Awareness：是对品牌或产品的认知，就是让消费者意识到你的品牌或者商品的存在，说白了就是搏存在感。看看近期38大促各大美妆品牌在APP开屏位频频发力，就知道awareness对广告主有多重要了。
- Interest：进一步培养消费者对品牌/产品的兴趣和认可度，简单来说就是种草的过程，达人们的开箱测评、教程类视频等就是对用户种草教育。
- Purchase：通过直给独家促销、优惠等多种手段引导购买和转化。
- Loyalty：引导产品讨论和体验分享，促进UGC生成，积累产品口碑和忠实用户群体
03 常用的流量评估指标
- impression 、触达人群量级（coverage）、播放量、触达频次
- click、其他互动数据
- 目标人群（数量，非标准定义）
- 目标人群浓度（比例）
- 忠诚人群（数量，非标准定义）
- 细分人群（数量，非标准定义）
- 品牌声量、品牌知名度
但，这些核心指标并不是真正有意义的东西。什么是有意义的呢？——到底投放给了哪些人（具体什么样的人），他们是否真的关心你的东西。例如Awareness阶段之后的主动搜索、互动（转发、点赞、评论等）行为等，这些指标能证明用户与品牌之间距离进一步拉近。
Awareness和最终的销量之间的关系也是老板们关心的，虽然精确地衡量是不可能的，但是我们仍然能够有一些手段去探测awareness与最终销售之间的关系，从而帮助我们优化awareness的预算，比如：利用较长时间周期（一个季度，或者更好一年）的宏观ROI；利用品牌影响力指数（品牌内容影响力指数）趋势与销售量趋势的拟合；利用品牌推广线上转化和线下转化的固定系数关系；利用引入私域流量后查看Engagement并于电商站内的转化情况做对比的方法等等。
Interest：关注受众Engagement，在公域侧包括广告点击、点赞、评论、转发等。相比于被动曝光，主动的互动意味着更高的广告卷入度，表明用户对品牌/产品的兴趣和认可度进一步提升。此外，出于营销成本考量，还需关注互动成本CPE等。
以上是公域视角的指标，那么在私域中，Engagement包括什么呢？主要包括以下指标：
- 获取用户：用户注册量、浏览量、停留时间、分享数量等；
- 加粉方面：加粉率、首次建联率、删粉率等；
- 互动方面：互动次数、互动时长
Purchase：显而易见这一流量评估主要关注受众的转化情况，核心指标如下：
- 转化量/Leads数
- 转化金额（GMV）
- Conversion Rate（转化率）
- Abandonment Rate（放弃率）
- ROI = GMV/Cost （实际收入除以推广成本）
- 客单价（单均价）
Loyalty：关注忠诚度相关指标。在电商平台的交易忠诚表现为复购、关注店铺、回访、加入会员，分享商品、LTV等；在抖音等短视频平台可能表现为关注账号（粉丝），加入粉丝团等，核心指标有加粉数、会员数、分享数等，还需涉及加粉成本等指标。此外，在私域角度的忠诚指标则包含社交裂变分享、回访（频次/间隔）、Churn rate（流失率）、会员数、会员活跃度等。
04 衡量流量也不止用单一指标，很多时候是多个指标联动建模的
图片来自宋星大课堂《数据驱动增长——以消费者为核心的新数字营销》
再比如，CAC（获客成本）和CVR（转化率）这两个指标的联动建模，帮助我们判断流量的性价比，再把流量的新旧程度加入到这个模型中，就能告诉我们更多关于流量的效果和潜力。
05 流量在时间角度的衡量也要考虑进去
总之，流量投放效果的评估绝不仅仅是单一ROI这么简单，我们要结合不同的流量属性、投放场景、时间等进行综合衡量，才能得出一个相对真实的结果。除了以上谈到的单一指标和指标联动建模，时间维度也应该被纳入流量效果的衡量之中，以更全面地衡量流量效果。
例如，归因分析。因为消费者的转化未必是一蹴而就的。在消费旅程中，用户会受到广告触点的多次影响。
举个简单例子，某美妆品牌在38节大促期间做了一次全域广告投放。用户A在电梯中首先看到了广告并扫码浏览商品详情，然后在小红书进行搜索，晚上下班后又在抖音刷到了达人测评视频，最后点进了达人直播间进行了下单。这时，要把最终的成交贡献计算在哪个渠道呢？
这时，我们就需要归因分析来计算每个渠道/触点对最终结果的贡献程度，以科学地衡量广告价值，指导更好的投放。常见的归因模型有：
①First Interaction/最先互动：首次互动的渠道获得100%的功劳。在前面的例子中，用户A首次扫码互动的电梯广告将获得100%的功劳。
②Last Interaction/最后互动：功劳100%归最后一个渠道，即不管用户发生了什么行为，只关注最后一次。在前面的例子中，用户A最后观看的达人直播间将获得100%的功劳。
③Last Non-direct Interaction/最后非直接互动：功劳全部归最后一个渠道，但如果最后一个渠道是直接流量，则功劳全部归上一个渠道。
④Linear/线性归因模型：线性归因是把统计时间内所有的触点的功劳进行平均分配。优点是不用考虑不同渠道的价值权重，大家一视同仁，计算也不复杂。缺点是，部分情况下，若有的渠道价值异常高，可能会“被平均”，因为这种渠道是靠质量而不是数量赢得结果的。
⑤Time Decay/时间衰减：对于统计时间内的所有触点，距离转化越近的渠道获得的贡献越大。这个模型考虑了时间的作用，通常也是时间越久对于用户的转化作用是越弱的。缺点是如果有的渠道天然处于转化链路的起点，那么对于这些渠道是不公正的。
另一个时间角度，是用cohort分析，去看流量的更长时间的转化率或者流失率。Cohort分析通过对性质完全一样的可对比群体的留存情况的比较，来发现哪些因素影响短、中、长期的留存。最典型的Cohort Analysis 表格，一般第一列为自然月份排列，第二列为每个自然月的新增用户数，右侧的表格为当月新增的用户数在后续每个月的留存情况。cohort只用简单的一个图表，甚至连四则运算都不用，就直接描述了用户在一段时间周期（甚至是整个LTV）的留存（或流失）变化情况（如下图）。
除了以上流量属性之外，我们还应加入投放场景这个维度才能更好衡量流量评估指标。从广告主角度而言，有什么样的目标，才有什么样的衡量。
