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。

1. 人群特征细分：根据用户的需求、性别、年龄、行为、兴趣、消费水平或者用户旅程中的不同阶段等因素将用户划分为不同人群，可以是单一层面，也可以综合多个层面，然后进一步分析不同细分人群的数据。比如细分为男性用户和女性用户、细分为新用户和老用户。
2. 时间细分：针对不同时间维度进行细分。
3. 媒体细分：针对广告渠道、媒体、广告位等进行数据细分。
4. 创意细分：针对投放的多套创意和版本进行细分。
5. 其他维度细分：如根据地区等维度细分。

2. 归因

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。

1. 末次转化归因模型：把转化（点击、注册、下单等行为）功劳全部归于末次触点对应的渠道或创意。这是比较直接的归因模型，但忽略了其他节点的功劳。
2. 平均分配归因模型：把转化功劳平均分配给每个触点（用户从看到广告到产生转化过程中的各个触点）。这是比较简单的多渠道归因模型，但有可能会高估了中间节点的功劳。
3. 时间衰减归因模型：根据用户转化旅程中的时间轴，将功劳倾向于划分给最接近转化的触点，也就是首次触点的功劳最小，中间的多个触点的功劳依次变大，末次触点的功劳最大，这种方式相对较为合理。
4. 价值加权归因模型：对不同渠道的位置价值或不同创意的内容价值进行加权，将转化功劳根据权重进行划分。这种方式需要合理划分不同渠道及不同创意的价值。
5. 自定义归因模型：自定义各个渠道或各个创意的权重，将转化功劳根据权重进行划分。

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：

1. 唯一设备号归因：针对In-App投放，主要使用设备号归因，前提是设备号是唯一的且在不同的场景中能够关联起来。当用户产生交互行为时，例如曝光/点击广告，广告平台获取设备的设备号，通过监测链接将设备号回传给广告主。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设备号来匹配用户在投放渠道上发生的广告行为，以此来衡量和归因分析不同渠道的投放效果。
2. IP+UA归因：IP+UA归因由于没有设备的唯一标识，因此属于模糊归因，是用来补充当获取不到设备号的一种归因方式。它的归因原理与设备号归因类似，是指用户发生广告交互时，采集用户的IP和UA（User-Agent，包含用户的操作系统、手机型号、浏览器信息等等），与转化时用户的IP和UA进行匹配，以此达到转化归因。
3. 渠道包归因：渠道包归因主要应用场景是在安卓端，将事先定义好的“渠道号”写入到APK安装包中。在广告投放时候，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，以此来进行归因。这种归因方式简单，不受限于设备号的获取，但是该方式存在安装包覆盖问题：安卓手机一般都会带有系统级别的应用商店，指定“渠道号”的安装包很容易被应用商店拦截，强制用户去应用商店下载，导致最终的转化效果都被归因到了应用市场的安装包。

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 原创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