实战经验分享：APP付费推广中的数据分析如何做？

春暖花开亚洲专区

近日有关于春暖花开亚洲专区的话题受到了许多网友们的关注，大多数网友都想要知道春暖花开亚洲专区问题的具体情况，那么关于春暖花开亚洲专区的相关信息，小编也是在网上收集并整理的一些相关的信息，接下来就由小编来给大家分享下小编所收集到的与春暖花开亚洲专区问题相关的信息吧。

点击（前往）进行了解>>

以上就是关于春暖花开亚洲专区这个话题的相关信息了，希望小编分享给大家的这些新闻大家能够感兴趣哦。

面对“APP付费投放”，不知该如何降本增效？本文作者结合亲历的工作实践，将如何从0-1搭建APP的投放推广流程体系的经验与大家共同分享。同时涉及判断数据异常、分析原因及相关对策的方法论，从而达到低成本、高质量的工作目标。推荐相关领域及感兴趣的童鞋阅读学习～

面对“APP付费投放”，不知该如何降本增效？本文作者结合亲历的工作实践，将如何从0-1搭建APP的投放推广流程体系的经验与大家共同分享。同时涉及判断数据异常、分析原因及相关对策的方法论，从而达到低成本、高质量的工作目标。推荐相关领域及感兴趣的童鞋阅读学习～

在近几年做产品的过程中，我经历了一个有趣的工作经验。经历了从对“APP付费投放”一无所知，到从0-1搭起APP的投放推广流程体系。把获客单价降低了1.6倍，也将投放的新用户次日留存率提升至自然新增渠道的1.4倍！

在这过程当中，发现对投放数据的分析尤为重要，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路，然后拿到业务结果的过程中沉淀的工作经验进行总结分享，希望能帮助到像那时的我一样，处于入门中的朋友们。

一、找准外投关键指标

能不能花最少的钱，带来更高质量的用户。因此产生两个关键指标：获客单价、获客质量。

1. 获客单价

即获得到你想要的用户，需要付出多少钱。这里需要注意的是，需要根据投放的目的来确认，什么才算是你想要的用户。

以我本次做APP付费投放为例：投放目的是拉新：即获得来使用该APP的新用户，那么我的获客就定义为：使用APP并且是第一次使用我们APP的用户，即激活新用户，那些以前下载过，或者是下载了但没有打开使用APP的用户均不算。

那么获客单价就等于投放消耗金额/激活新用户人数。

2. 获客质量

即你获得用户，他提供的价值如何。不同类型的APP有不同的衡量方式，比如留存情况、付费情况、活跃情况等，最终会通过这些关键指标来衡量用户的质量，获客消耗的费用与投放带来这部分用户产生的价值相比来计算ROI。

二、如何辨别数据异常

在投放过长中，需要时刻紧盯上文提到的关键指标及关联指标。但如果只看单独的数据值是没意义的，感受不出它到底是正常还是异常，必须是对整体数据进行对比，查找差异，主要有以下方法。

1. 在时间维度上，通常采用同比和环比两种方法

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

此时环比去年同期发现，去年的这时候也升高了48%，之后就回落正常了，而去年分析得到的结论是，当前月份刚好赶上618大促，电商的广告力度较大，竞价激烈，导致其他品类获客成本升高。了解到这个情况后，那么本次数据的异常是不是就有思路了呢？

2. 在维度和指标上，分为横比和纵比方法

（1）横比

是指同一维度级别，分析不同维度成员的各个指标的分布并进行比较，即分析广告投放数据在各个维度值是如何分布的。

比如不同的渠道投放消耗的分布情况如何，是否符合投放要求、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指标级别，对不同时间维度的趋势走向进行比较。趋势是基于时间维度的数据走向。

通过趋势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，可能是好的数据发展，也可能是坏的数据发展）。

三、如何分析异常原因并优化

发现了数据的异常，需要进一步针挖掘异常产生的原因进行优化，常见的投放数据分析方法为细分、归因。

1. 细分

细分即发现异常数据后，需要找出与该指标关联的其他指标进行拆解，分析。

比如，某天的效果数据比前一天差，是什么原因呢？

就需要进一步细分不同维度查找原因，是哪个渠道的数据变差？是哪个小时的数据变差？是哪个人群的效果数据变差？又或者是不是因为调整了某个投放策略导致效果数据变差？

细分是为了更合理的对比，在不同细分类别进行比较得出来的数据更加客观公正。

比如，A媒体比B媒体的转化效果好并不代表A媒体比B媒体好。细分可能发现A媒体的某人群效果差导致拉低了整体转化效果水平，可以考虑通过过滤该人群进行优化调整，或者进一步分析该人群是由哪些细分维度导致转化效果差，通过层层细分进行维度关联，从而挖掘优化空间。

细分主要从以下角度进行。

广告界有一句名言，“我知道广告费有一半浪费了，却不知道被浪费的是哪一半”。究其原因无非就是无法衡量广告流量带来的转化效果。

在投放过程中，广告主经常搞不清楚 “投放的钱花到哪儿去了？如上图，在最终转化时，应该功归于哪一步的转化呢？这就涉及到归因。

归因是指通过数据观察发现规律或数据之间的因果关联，并在此基础上推断原因并验证。一般可以通过建立归因模型分析广告投放效果。归因模型是指能够追溯在过去一定的时间周期内，不同渠道、不同创意或不同内容对用户转化的贡献度的评估方式。

（1）归因模型

归因模型的常见分类有：末次转化归因模型、平均分配归因模型、时间衰减归因模型、价值加权归因模型和自定义归因模型。

虽然每一种归因模型都有各自的优缺点，在使用时，只要选择的模型是符合业务场景的，同时针对所有渠道是公平公正的就可以，毕竟凡是参与过转化流程的渠道都是能给用户带来一定影响的。

（2）归因方法

归因方法即将这些“因”事件和转化结果关联起来。常见的归因主要包括如下几种：

举例：

如果按末次转化进行归因，若忽略设备ID，广告主会将下载归功于点击3；若必须匹配设备ID，广、告主则会将下载归功于点击2。

以上是我对这段时间做付费投放工作中，关于数据分析的几点总结：首先要快速“找准外投工作关键指标”，然后通过多项比较发现核心指标及其关联指标的异常情况，再通过细分、归因等方法订到异常原因并进行优化，以达到能不能花更少的钱，带来更高质量的用户目的！

本文由 @Elijah 发布于人人都是产品经理。未经许可，禁止转载。

题图来自Unsplash，基于CC0协议

谢文2012.1.12沙发私拍 http://www.cityruyi.com/lm-4/lm-1/21435.html