在近幾年做產品的過程中，我經歷了一個有趣的工作經驗。經歷了從對“APP付費投放”一無所知，到從0-1搭起APP的投放推廣流程體系。把獲客單價降低了 1.6倍 ，也將投放的新用戶次日留存率提升至自然新增渠道的 1.4倍！

在這過程當中，發現對投放數據的分析尤為重要，也是“降本增效”的關鍵！即能不能花更少的錢，帶來更高質量的用戶。故本文將我從一頭霧水到理清工作思路，然后拿到業務結果的過程中沉淀的工作經驗進行總結分享，希望能幫助到像那時的我一樣，處于入門中的朋友們。

一、找準外投關鍵指標

能不能花最少的錢，帶來更高質量的用戶。因此產生兩個關鍵指標：獲客單價、獲客質量。

（1）獲客單價：

即獲得到你想要的用戶，需要付出多少錢。這里需要注意的是，需要根據投放的目的來確認，什么才算是你想要的用戶。

以我本次做APP付費投放為例：投放目的是拉新：即獲得來使用該APP的新用戶，那么我的獲客就定義為：使用APP并且是第一次使用我們APP的用戶，即激活新用戶，那些以前下載過，或者是下載了但沒有打開使用APP的用戶均不算。

那么 獲客單價就等于投放消耗金額/激活新用戶人數。

（2）獲客質量：

即你獲得用戶，他提供的價值如何。不同類型的APP有不同的衡量方式，比如留存情況、付費情況、活躍情況等，最終會通過這些關鍵指標來衡量用戶的質量，獲客消耗的費用與投放帶來這部分用戶產生的價值相比來計算ROI。

二、如何辨別數據異常

在投放過長中，需要時刻緊盯上文提到的關鍵指標及關聯指標。但如果只看單獨的數據值是沒意義的，感受不出它到底是正常還是異常，必須是對整體數據進行對比，查找差異，主要有以下方法。

1、在時間維度上，通常采用同比和環比兩種方法。

比如：這一周的獲客的成本是15元/人，上周時候10元，環比升高了50%，說明是異常的數據。那為什么升高呢？

此時環比去年同期發現，去年的這時候也升高了48%，之后就回落正常了，而去年分析得到的結論是，當前月份剛好趕上618大促，電商的廣告力度較大，競價激烈，導致其他品類獲客成本升高。了解到這個情況后，那么本次數據的異常是不是就有思路了呢？

2、在維度和指標上，分為橫比和縱比方法。

（1）橫比

是指同一維度級別，分析不同維度成員的各個指標的分布并進行比較，即分析廣告投放數據在各個維度值是如何分布的。

比如不同的渠道投放消耗的分布情況如何，是否符合投放要求、哪個渠道的轉化率最高、用戶質量最好等情況。

（2）縱比

是指同一維度成員的同一指標級別，對不同時間維度的趨勢走向進行比較。趨勢是基于時間維度的數據走向。

通過趨勢可以看出廣告投放中各個數據值的整體走向、數據波動和變化幅度，發現異常點（異常是指異于平常數據，可能是好的數據發展，也可能是壞的數據發展）。

三、如何分析異常原因并優化

發現了數據的異常，需要進一步針挖掘異常產生的原因進行優化，常見的投放數據分析方法為細分、歸因。

1、細分

細分即發現異常數據后，需要找出與該指標關聯的其他指標進行拆解，分析。

比如，某天的效果數據比前一天差，是什么原因呢？

就需要進一步細分不同維度查找原因，是哪個渠道的數據變差？是哪個小時的數據變差？是哪個人群的效果數據變差？又或者是不是因為調整了某個投放策略導致效果數據變差？

細分是為了更合理的對比，在不同細分類別進行比較得出來的數據更加客觀公正。

比如，A媒體比B媒體的轉化效果好并不代表A媒體比B媒體好。細分可能發現A媒體的某人群效果差導致拉低了整體轉化效果水平，可以考慮通過過濾該人群進行優化調整，或者進一步分析該人群是由哪些細分維度導致轉化效果差，通過層層細分進行維度關聯，從而挖掘優化空間。

細分主要從以下角度進行。

① 人群特征細分： 根據用戶的需求、性別、年齡、行為、興趣、消費水平或者用戶旅程中的不同階段等因素將用戶劃分為不同人群，可以是單一層面，也可以綜合多個層面，然后進一步分析不同細分人群的數據。比如細分為男性用戶和女性用戶、細分為新用戶和老用戶。

② 時間細分： 針對不同時間維度進行細分。

③ 媒體細分： 針對廣告渠道、媒體、廣告位等進行數據細分。

④ 創意細分： 針對投放的多套創意和版本進行細分。

⑤ 其他維度細分： 如根據地區等維度細分。

2、歸因

廣告界有一句名言，“我知道廣告費有一半浪費了，卻不知道被浪費的是哪一半”。究其原因無非就是無法衡量廣告流量帶來的轉化效果。

在投放過程中，廣告主經常搞不清楚 “投放的錢花到哪兒去了？如上圖，在最終轉化時，應該功歸于哪一步的轉化呢？這就涉及到歸因。

歸因是指通過數據觀察發現規律或數據之間的因果關聯，并在此基礎上推斷原因并驗證。一般可以通過建立歸因模型分析廣告投放效果。歸因模型是指能夠追溯在過去一定的時間周期內，不同渠道、不同創意或不同內容對用戶轉化的貢獻度的評估方式。

（1）歸因模型

歸因模型的常見分類有：末次轉化歸因模型、平均分配歸因模型、時間衰減歸因模型、價值加權歸因模型和自定義歸因模型。

① 末次轉化歸因模型： 把轉化（點擊、注冊、下單等行為）功勞全部歸于末次觸點對應的渠道或創意。這是比較直接的歸因模型，但忽略了其他節點的功勞。

② 平均分配歸因模型： 把轉化功勞平均分配給每個觸點（用戶從看到廣告到產生轉化過程中的各個觸點）。這是比較簡單的多渠道歸因模型，但有可能會高估了中間節點的功勞。

③ 時間衰減歸因模型： 根據用戶轉化旅程中的時間軸，將功勞傾向于劃分給最接近轉化的觸點，也就是首次觸點的功勞最小，中間的多個觸點的功勞依次變大，末次觸點的功勞最大，這種方式相對較為合理。

④ 價值加權歸因模型： 對不同渠道的位置價值或不同創意的內容價值進行加權，將轉化功勞根據權重進行劃分。這種方式需要合理劃分不同渠道及不同創意的價值。

⑤ 自定義歸因模型： 自定義各個渠道或各個創意的權重，將轉化功勞根據權重進行劃分。

雖然每一種歸因模型都有各自的優缺點，在使用時，只要選擇的模型是符合業務場景的，同時針對所有渠道是公平公正的就可以，畢竟凡是參與過轉化流程的渠道都是能給用戶帶來一定影響的。

（2）歸因方法

歸因方法即將這些“因”事件和轉化結果關聯起來。常見的歸因主要包括如下幾種：

① 唯一設備號歸因

針對In-App投放，主要使用設備號歸因，前提是設備號是唯一的且在不同的場景中能夠關聯起來。當用戶產生交互行為時，例如曝光/點擊廣告，廣告平臺獲取設備的設備號，通過監測鏈接將設備號回傳給廣告主。當用戶在廣告主側完成轉化行為時，廣告主的數據分析平臺可以基于設備號來匹配用戶在投放渠道上發生的廣告行為，以此來衡量和歸因分析不同渠道的投放效果。

② IP+UA歸因

IP+UA歸因由于沒有設備的唯一標識，因此屬于模糊歸因，是用來補充當獲取不到設備號的一種歸因方式。它的歸因原理與設備號歸因類似，是指用戶發生廣告交互時，采集用戶的IP和UA（User-Agent，包含用戶的操作系統、手機型號、瀏覽器信息等等），與轉化時用戶的IP和UA進行匹配，以此達到轉化歸因。

③ 渠道包歸因

渠道包歸因主要應用場景是在安卓端，將事先定義好的“渠道號”寫入到APK安裝包中。在廣告投放時候，投放的下載鏈接是帶“渠道號”的App包鏈接，當用戶下載和激活App后可以從安裝包中讀取到渠道號，以此來進行歸因。這種歸因方式簡單，不受限于設備號的獲取，但是該方式存在安裝包覆蓋問題：安卓手機一般都會帶有系統級別的應用商店，指定“渠道號”的安裝包很容易被應用商店攔截，強制用戶去應用商店下載，導致最終的轉化效果都被歸因到了應用市場的安裝包。

舉例：

如果按末次轉化進行歸因，若忽略設備ID，廣告主會將下載歸功于點擊3；若必須匹配設備ID，廣、告主則會將下載歸功于點擊2。

以上是我對這段時間做付費投放工作中關于數據分析的幾點總結：首先要快速“找準外投工作關鍵指標”，然后通過多項比較發現核心指標及其關聯指標的異常情況，再通過細分、歸因等方法定位到異常原因并進行優化，以達到花更少的錢，帶來更高質量的用戶目的！

以上，希望對你有幫助。

文\十二