编辑导语：在进行推广投放时，偶尔会遇到渠道数据异常的情况。面对这种情况，该如何快熟找到问题所在。作者总结3个原则以及3个步骤，或许对你有所帮助。

推广投放分析这块的思路是相对固定的，主要以用户质量和获客的性价比为主，当分析出问题后，找到原因就需要对推广投放的场景和各种影响因素有比较多的了解。

而分析的难点就在于推广投放这个场景的水是很深很复杂的，所以多数人只会接触到其中的一小部分。出现问题的时候往往想不到是哪出了问题。

一方面，从分析维度和方法来说，我们一般会基于用户质量和投资回报率来做一些交叉评估的方案。

另一方面，当数据发现异常以后，我们该如何排查，如何做分析。

一、分析维度和方法

首先现在的推广渠道特别多样化，除了一般的在内容中平台或者应用商店中的广告位，最近几年比如说移动端的视频广告、程序化广告等都增长很快。

但是从分析的角度上看，这些新兴的方式只是具体推广手段的不同，并没有影响到我们分析的目标，所以我们可以以不变应万变。

从分析方法上来看，我们可以从四个维度来看，用一个可视化的效果图来说，这个可视化的效果图代表了四个维度的信息。

首先先看渠道，每一个颜色的气泡都代表着流量渠道，气泡的大小代表着流量的数量。

而每个气泡所在的位置是由两个维度的信息交叉而成的。

纵轴为整体用户，质量从低到高，横轴为这个渠道整体投资回报率，从低到高的一个情况。

用户质量就是对有效用户的一个衡量标准，可以根据我们具体产品业务的特点，来确定用户的关键行为，给予不同行为的触发频次设定分值，整体进行建模，最终为渠道用户的整体质量进行打分。

投资额这个指标是希望通过提高投资资产的利用效率，来获取更高的回报。

渠道获客分析一般有以下三个基本原则：

第一就是在于目标的明确。

我们这个分析衡量的过程不仅仅是为了得出判断，其实核心还是为了提升投放推广的性价比，评估后要分析背后的原因。

如果是渠道用户的特点问题，一方面我们可以调整我们对这个渠道用户的运营策略，另一方面也可以配合商务，与推广渠道进行谈判，降低投放的价格。

第二就是不要轻易的扔掉任何一个流量入口。

一方面在于用户是真实的在投资，回报率不是特别低（低至负数）的情况下，那用户的积累本身还是有意义的。

另一方面在于推广过程中，多个渠道之间可能会有关联，比如用户从知乎点击过广告，进入h5看了一下觉得没意思，可能就没有下载，但是两周后在朋友圈又看到公司同事在玩，受同事的邀请然后又下载了，成为了一个优质用户。

那这个过程中，知乎这个渠道本身起到了一个预热的作用，带给客户一个好的印象。如果没有这个渠道的预热，后续用户的接受程度可能也没那么高，所以建议大家不要完全拒绝某个渠道。

第三就是多做策略调整，不断优化。

即便想要去掉某个渠道，那也是建议大家能够逐步进行先减少25%的投放，看看是否对其他的渠道影响也不大，再逐步减少最终去掉。

如果在过程中发现它的减少对其他渠道造成了一定的影响，那还是要及时的调整，整体做在做评估。

二、数据异常排查

然后我们聊一下新增用户相关数据异常的分析方法。当我们发现数据有波动、有异常，我们可以分三个大步骤来进行。

1. 初步筛选

这个时候主要先查看一下数据趋势波动的一个转折点，在什么时间数据异常（比如说增高或者降低的），再细化到分钟级的时间维度去看，同时去查阅我们的产品运营、市场推广相关的一些动作，从时间点上进行一个业务关联寻找原因。

那还有一个维度就是用户的地域城市方面也容易出现异常，从比例上来讲，大概率容易出现异常的地方也建议大家在第一步初步筛选的数据中进行确认。

在这个阶段，就可以找到一些数据异常的端倪，可以帮助我们缩小分析范围。

2. 细分业务筛查

然后就可以进入第二步细分业务进行筛查，简单说就是围绕第一步分析的那些维度，查看不同渠道、推广活动来源以及产品版本的来源情况和用户质量相关的数据。

比如说用户的停留时间、关键业务行为活跃比以及次日/7日留存的数据都是要着重对比的关键点，通过这些维度的分析基本上与过往数据对比，一般来说就能够找到导致数据波动的原因，这块儿原因其实无非两方面。

一方面是产品本身出了问题，导致流量数据异常，通常会体现在app版本之间的数据差异上。

另一方面就是某个渠道用户质量出现了波动，这又涉及到了另一个问题，就是数据波动是不是可以归结为这两种原因？

比如说由于版本之间的数据差异，就认为是产品设计出了问题，这样真的可以吗？

会不会是打包版本出了问题，比如说流量质量的问题，会不会是因为这个渠道本身就如此，只是渠道方由于一些原因或者活动等阶段性原因导致他给我们导入的流量就比较精准。

3. 与自然流量对比

在这个时候，还是建议大家把细分渠道的数据与同时期的自然流量再进行一个对比，那这就进入到了我们的第三步。

当与自然流量进行对比的时候，如果差异小同时在这个出现异常的阶段也没有做过产品迭代，那基本上就是流量质量的问题了。

如果说差异比较大又有产品迭代，那大多会是由产品改版来带来的影响。

这个时候与自然流量进行对比，其实不论在业务细分阶段发现了什么差异都能帮我们进行一个相对客观的评估。

4. 流量是否作弊？

最后在获客阶段，有一个相对独特的场景，就是如何识别一些渠道刷量、渠道作弊的情况。

如果我们对数据上有这方面的怀疑，首先可以从用户新增后行为的轨迹上来进行分析，基本上能找出80%的一个作弊渠道。

一般体现为新增用户没有触发任何行为或者只触发了几个固定行为，行为轨迹模式相对正常，用户来说很单一，做一个简短的汇总分析可能就能看出来。

毕竟刷量的，大多数是通过技术来做的，那一般也就是模拟启动行为和固定的几个这种浏览行为，很难做到像真实用户行为那样的随机效果，这是我们基于业务方面的一个筛查。

另一方面在于技术筛查，可以基于IP设备型号和屏幕分辨率这个角度逐一向下进行查询。

基本上能覆盖大多数的一个场景，尤其是屏幕分辨率，毕竟 IP和设备型号是可以通过模拟手段进行修改的，而屏幕分辨率虽然说本质上也可以，但是往往会被刷机的人员忽略，也是一个很明显的特征，推荐大家可以留意这个方面。

获客的这个场景，从设计到投放，涉及到真金白银的预算，行业水也比较深，所以这一块儿也算是给大家抛砖引玉了。

作者：诸葛io，微信公众号：诸葛io

本文由 @诸葛io 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。