实战经验分享：APP付费推广中的数据分析如何做？

面临“APP付费投放”，不知该若何降本增效？本文作者连系亲历的工作理论，将若何从0-1搭建APP的投放推行流程系统的经历与大师配合分享。同时触及判定数据异常、分析缘由及相关对策的方式论，从而到达低本钱、高质量的工作方针。保举相关范畴及感爱好的童鞋阅读进修～

在近几年做产物的进程中，我履历了一个风趣的工作经历。履历了从对“APP付费投放”一无所知，到从0-1搭起APP的投放推行流程系统。把获客单价下降了1.6倍，也将投放的新用户越日保存率提升至自然新增渠道的1.4倍！

在这进程傍边，发现对投放数据的分析尤其重要，也是“降本增效”的关键！即能不能花更少的钱，带来更高质量的用户。故本文将我从一头雾水到理清工作思绪，然后拿到营业成果的进程中沉淀的工作经历停止总结分享，希望能帮助到像那时的我一样，处于入门中的朋友们。

一、找准外投关键目标

能不能花最少的钱，带来更高质量的用户。是以发生两个关键目标：获客单价、获客质量。

1. 获客单价


即获获得你想要的用户，需要支出几多钱。这里需要留意的是，需要按照投放的目标来确认，什么才算是你想要的用户。

以我本次做APP付费投放为例：投放目标是拉新：即获得来利用该APP的新用户，那末我的获客就界说为：利用APP而且是第一次利用我们APP的用户，即激活新用户，那些之前下载过，大概是下载了但没有翻开利用APP的用户均不算。

那末获客单价就即是投放消耗金额/激活新用户人数。

2. 获客质量


即你获得用户，他供给的代价若何。分歧范例的APP有分歧的权衡方式，比如保存情况、付费情况、活跃情况等，终极会经过这些关键目标来权衡用户的质量，获客消耗的用度与投放带来这部分用户发生的代价相比来计较ROI。

二、若何分辨数据异常

在投放太长中，需要时辰紧盯上文提到的关键目标及关联目标。但假如只看零丁的数据值是没意义的，感受不出它究竟是一般还是异常，必须是对整体数据停止对照，查找差别，首要有以下方式。

1. 在时候维度上，凡是采用同比和环比两种方式


比如：这一周的获客的本钱是15元/人，上周时辰10元，环比升高了50%，说明是异常的数据。那为什么升高呢？

此时环比客岁同期发现，客岁的这时辰也升高了48%，以后就回落一般了，而客岁分析获得的结论是，当前月份恰好遇上618大促，电商的广告力度较大，竞价剧烈，致使其他品类获客本钱升高。领会到这个情况后，那末本次数据的异常能否是就有思绪了呢？

2. 在维度和目标上，分为横比和纵例如法


（1）横比

是指同一维度级别，分析分歧维度成员的各个目标的散布并停止比力，即分析广告投放数据在各个维度值是若何散布的。

比如分歧的渠道投放消耗的散布情况若何，能否合适投放要求、哪个渠道的转化率最高、用户质量最好等情况。

（2）纵比

是指同一维度成员的同一目标级别，对分歧时候维度的趋向走向停止比力。趋向是基于时候维度的数据走向。

经过趋向可以看出广告投放中各个数据值的整体走向、数据波动和变化幅度，发现异常点（异常是指异于平常数据，能够是好的数据成长，也能够是坏的数据成长）。

三、若何分析异常缘由并优化

发现了数据的异常，需要进一步针挖掘异常发生的缘由停止优化，常见的投放数据分析方式为细分、归因。

1. 细分


细分即发现异常数据后，需要找出与该目标关联的其他目标停止拆解，分析。

比如，某天的结果数据比前一天差，是什么缘由呢？

就需要进一步细分分歧维度查找缘由，是哪个渠道的数据变差？是哪个小时的数据变差？是哪小我群的结果数据变差？又大概能否是由于调剂了某个投放战略致使结果数据变差？

细分是为了更公道的对照，在分歧细分种别停止比力得出来的数据加倍客观公道。

比如，A媒体比B媒体的转化结果好并不代表A媒体比B媒体好。细分能够发现A媒体的某人群结果差致使拉低了整体转化结果水平，可以斟酌经过过滤该人群停止优化调剂，大概进一步分析该人群是由哪些细分维度致使转化结果差，经过层层细分停止维度关联，从而挖掘优化空间。

细分首要从以下角度停止。

人群特征细分：按照用户的需求、性别、年龄、行为、爱好、消耗水平大概用户旅程中的分歧阶段等身分将用户分别为分歧人群，可所以单一层面，也可以综合多个层面，然落后一步分析分歧细分人群的数据。比如细分为男性用户和女性用户、细分为新用户和老用户。时候细分：针对分歧时候维度停止细分。媒体细分：针对广告渠道、媒体、广告位等停止数据细分。创意细分：针对投放的多套创意和版本停止细分。其他维度细分：如按照地域等维度细分。

2. 归因


广告界有一句名言，“我晓得广告费有一半浪费了，却不晓得被浪费的是哪一半”。究其缘由不过就是没法权衡广告流量带来的转化结果。

在投放进程中，广告主经常搞不清楚 “投放的钱花到哪儿去了？如上图，在终极转化时，应当功归于哪一步的转化呢？这就触及到归因。

归因是指经过数据观察发现纪律或数据之间的因果关联，并在此根本上揣度缘由并考证。一般可以经过建立归因模子分析广告投放结果。归因模子是指可以追溯在曩昔一定的时候周期内，分歧渠道、分歧创意或分歧内容对用户转化的进献度的评价方式。

（1）归因模子

归因模子的常见分类有：末次转化归因模子、均匀分派归因模子、时候衰减归因模子、代价加权归因模子和自界说归因模子。

末次转化归因模子：把转化（点击、注册、下单等行为）功绩全数归于末次触点对应的渠道或创意。这是比力间接的归因模子，但疏忽了其他节点的功绩。均匀分派归因模子：把转化功绩均匀分派给每个触点（用户从看到广告到发生转化进程中的各个触点）。这是比力简单的多渠道归因模子，但有能够会高估了中心节点的功绩。时候衰减归因模子：按照用户转化旅程中的时候轴，将功绩偏向于分别给最接近转化的触点，也就是初次触点的功绩最小，中心的多个触点的功绩依次变大，末次触点的功绩最大，这类方式相对较为公道。代价加权归因模子：对分歧渠道的位置代价或分歧创意的内容代价停止加权，将转化功绩按照权重停止分别。这类方式需要公道分别分歧渠道及分歧创意的代价。自界说归因模子：自界说各个渠道或各个创意的权重，将转化功绩按照权重停止分别。

虽然每一种归因模子都有各自的优弱点，在利用时，只要挑选的模子是合适营业场景的，同时针对一切渠道是公允公道的便可以，究竟凡是介入过转化流程的渠道都是能给用户带来一定影响的。

（2）归因方式

归因方式行将这些“因”事务和转化成果关联起来。常见的归因首要包括以下几种：

唯一装备号归因：针对In-App投放，首要利用装备号归因，条件是装备号是唯一的且在分歧的场景中可以关联起来。当用户发生交互行为时，例如曝光/点击广告，广告平台获得装备的装备号，经过监测链接将装备号回传给广告主。当用户在广告主侧完成转化行为时，广告主的数据分析平台可以基于装备号来婚配用户在投放渠道上发生的广告行为，以此来权衡和归因分析分歧渠道的投放结果。IP+UA归因：IP+UA归起因于没有装备的唯一标识，是以属于模糊归因，是用来补充任获得不到装备号的一种归因方式。它的归因道理与装备号归因类似，是指用户发生广告交互时，收集用户的IP和UA（User-Agent，包括用户的操纵系统、手机型号、阅读器信息等等），与转化时用户的IP和UA停止婚配，以此到达转化归因。渠道包归因：渠道包归因首要利用处景是在安卓端，将事前界说好的“渠道号”写入到APK安装包中。在广告投放时辰，投放的下载链接是带“渠道号”的App包链接，当用户下载和激活App后可以从安装包中读取到渠道号，以此来停止归因。这类归因方式简单，不受限于装备号的获得，可是该方式存在安装包覆盖题目：安卓手机一般城市带有系统级此外利用商铺，指定“渠道号”的安装包很轻易被利用商铺阻挡，强迫用户去利用商铺下载，致使终极的转化结果都被归因到了利用市场的安装包。

举例：

假如按末次转化停止归因，若疏忽装备ID，广告主会将下载归功于点击3；若必须婚配装备ID，广、告主则会将下载归功于点击2。

以上是我对这段时候做付费痛蚨筏作中，关于数据分析的几点总结：首先要快速“找准外投工作关键目标”，然后经过量项比力发现焦点目标及其关联目标的异常情况，再通细致分、归因等方式订到异常缘由并停止优化，以到达能不能花更少的钱，带来更高质量的用户目标！

本文由 @Elijah 原创公布于大家都是产物司理。未经答应，制止转载。

题图来自Unsplash，基于CC0协议