APP求增長離不開對數(shù)據(jù)的應(yīng)用，應(yīng)用程度的深淺決定著增長效果的好壞。

基礎(chǔ)的應(yīng)用是把數(shù)據(jù)當(dāng)作驗(yàn)收工具，用來衡量和評價APP增長各個環(huán)節(jié)的效果；進(jìn)階的應(yīng)用是把數(shù)據(jù)當(dāng)作重要信息，對反饋數(shù)據(jù)進(jìn)行全面洞察，找到用戶真正的需求；更深入的應(yīng)用則是把數(shù)據(jù)當(dāng)作APP增長的重要資源，對數(shù)據(jù)進(jìn)行動態(tài)的管理和挖掘，建立數(shù)據(jù)模型將數(shù)據(jù)背后的價值開發(fā)出來，為APP增長各個環(huán)節(jié)的優(yōu)化提供數(shù)據(jù)依據(jù)和驗(yàn)證。

本系列文章將通過拆解一個與某共享單車APP合作完成的“增長”全案，解讀數(shù)據(jù)在APP增長全流程中擔(dān)任的角色，以及如何發(fā)揮其作用。

人群洞察科學(xué)驗(yàn)證經(jīng)驗(yàn)預(yù)判

策略是APP增長的基石，而人群洞察是幫助APP驗(yàn)證和明確目標(biāo)人群的“數(shù)字導(dǎo)航儀”。

APP在開展人群洞察前不能無的放矢，必須先要有預(yù)設(shè)的目標(biāo)人群。APP運(yùn)營者可以結(jié)合行業(yè)了解、經(jīng)驗(yàn)總結(jié)和APP自有數(shù)據(jù)，綜合分析擬定目標(biāo)人群。本案例中的共享單車APP在進(jìn)行數(shù)據(jù)洞察之前就將大學(xué)生群體作為本次增長的重點(diǎn)目標(biāo)人群。

APP在擬定了目標(biāo)人群后，首先要做的是去驗(yàn)證目標(biāo)人群的發(fā)展?jié)摿?，是否具有“增長”價值。數(shù)據(jù)洞察可以從APP的用戶畫像、用戶構(gòu)成以及線下場景等維度，通過行業(yè)對比的方式，進(jìn)行驗(yàn)證。

案例從共享單車行業(yè)整體人群畫像、該單車APP用戶人群畫像兩大維度進(jìn)行對比分析。

通過兩組用戶畫像的對比，得出以下結(jié)論：

• 25-44歲人群是共享單車類APP主流人群；18-24歲人群占比達(dá)6%，是主流人群之外很有競爭力的人群；
• 該單車APP人群年齡結(jié)構(gòu)中18-24歲人群占比為12.6%，略低于行業(yè)人群年齡結(jié)構(gòu)中12-24歲的人群占比，這說明單車APP對18-24歲人群的拓展還有增長空間。

案例在用戶人群結(jié)構(gòu)占比洞察中，根據(jù)人群標(biāo)簽對共享單車人群進(jìn)行人群結(jié)構(gòu)分析，得出以下結(jié)論：

• 大學(xué)生人群是單車行業(yè)第二大用戶群體；
• 該單車APP用戶中大學(xué)生人群占比僅為7.3%，遠(yuǎn)低于行業(yè)占比，大學(xué)生人群潛在市場空間較大。

線下場景洞察打破空間次元壁

APP對于用戶洞察的維度不能僅限于線上行為，還要考量線下場景因素。因?yàn)椋€下生活場景也會對用戶APP使用行為產(chǎn)生影響。

APP在洞察中加入線下場景，可以打破空間次元壁，實(shí)現(xiàn)線上、線下的有機(jī)聯(lián)動，助力用戶增長。正如電商們追逐的“新零售”概念，其核心在于打通線上、線下場景，通過線下需求線上服務(wù)解決的方式促進(jìn)增長，而這一增長策略的背后需要強(qiáng)大的線下場景洞察。

本案例中，共享單車APP的“增長”策略同樣需要線上與線下緊密結(jié)合，因此除了線上人群的對比，線下場景洞察同樣重要。

案例對于共享單車用戶線下場景（樣本地：成都、成都）進(jìn)行人口熱力圖分析，尤其關(guān)注大學(xué)城、創(chuàng)業(yè)園等學(xué)生群體密集區(qū)域。熱力圖通過顏色深淺的色塊來顯示人群密集程度，顏色越紅人群越密集。

如上圖所示，無論是成都，還是成都，大學(xué)城所在位置都是區(qū)域人群高度集中的區(qū)域（即紅色色塊），具有拓展價值。

上述數(shù)據(jù)洞察發(fā)現(xiàn)，大學(xué)生人群確實(shí)是具有價值的目標(biāo)人群。共享單車APP將大學(xué)生人群作為增長目標(biāo)用戶是可行的。

但是，大學(xué)生人群體量有限，也并非共享單車行業(yè)的主流用戶人群，APP將增長目標(biāo)人群僅瞄準(zhǔn)于大學(xué)生人群顯然覆蓋度不夠。APP仍需尋找新的增長目標(biāo)用戶來做補(bǔ)充。

根據(jù)先前人群洞察的結(jié)果，上班族是共享單車APP的“大戶”，共享單車解決了通勤人群最后一公里的問題?；趯π袠I(yè)的理解，案例將洞察的方向轉(zhuǎn)至通勤人群，并結(jié)合交通接駁的線下場景，對成都和成都地鐵沿線站點(diǎn)進(jìn)行人群洞察。

此次洞察將用戶線上行為偏好和線下場景相結(jié)合進(jìn)行驗(yàn)證，結(jié)果顯示：

• 早高峰時地鐵站點(diǎn)周邊單車人群更為密集；
• 晚高峰時期，地鐵站點(diǎn)周邊單車人群更為活躍；
• 地鐵站點(diǎn)半徑1km的范圍內(nèi)，單車潛在用戶較為集聚。

洞察發(fā)現(xiàn)，地點(diǎn)站點(diǎn)周邊半徑1KM區(qū)域是共享單車APP增長新場景，能夠覆蓋更多的活躍人群。

案例進(jìn)行到這里，增長策略制定期的數(shù)據(jù)洞察暫時告一段落。

共享單車APP通過以上數(shù)據(jù)洞察不但驗(yàn)證了大學(xué)生人群是有價值的目標(biāo)人群，還發(fā)現(xiàn)地鐵站點(diǎn)周邊區(qū)域目標(biāo)通勤人群較為聚集、APP活躍度較高是有效的“增長”線下場景。

接下來，APP可以根據(jù)數(shù)據(jù)洞察的結(jié)果對增長策略進(jìn)行優(yōu)化，比如對大學(xué)城、創(chuàng)業(yè)園區(qū)等大學(xué)生人群密集場景加強(qiáng)推廣；在早晚高峰時段，對地鐵沿線進(jìn)行單車調(diào)度運(yùn)營和活動運(yùn)營等。

構(gòu)建目標(biāo)人群模型 動態(tài)提升推廣精準(zhǔn)度

隨著增長策略的逐步執(zhí)行，數(shù)據(jù)洞察的進(jìn)程也將不斷延續(xù)，真正體現(xiàn)數(shù)據(jù)復(fù)合價值的環(huán)節(jié)才剛剛開始。

我們認(rèn)為好的數(shù)據(jù)洞察是貫穿于APP增長推廣的全周期，并能夠生成數(shù)據(jù)模型，在增長過程中實(shí)時積累和處理數(shù)據(jù)，不斷迭代優(yōu)化，指導(dǎo)APP增長策略往最優(yōu)的方向執(zhí)行。

在案例后續(xù)執(zhí)行和推廣過程中，如何定位這些目標(biāo)人群，如何更廣泛地觸達(dá)目標(biāo)人群，這就需要APP在投放中使用到目標(biāo)人群模型。APP想要目標(biāo)人群模型更精準(zhǔn)，就需要有更多維度的數(shù)據(jù)特征做基礎(chǔ)。

案例中，共享單車APP的目標(biāo)人群模型建立涉及了5大維度：

1. 單車行業(yè)用戶：單車APP安裝與使用特征可用于區(qū)分活躍用戶和沉默用戶，將推廣投放人群聚焦在APP新用戶以及有喚醒價值的沉默用戶上；
2. 大學(xué)生人群：在大學(xué)生人群標(biāo)簽的基礎(chǔ)上，加上年齡段、常住地等能提高區(qū)分度的特征，進(jìn)一步瞄準(zhǔn)學(xué)生人群；
3. 白領(lǐng)人群：在白領(lǐng)人群標(biāo)簽的基礎(chǔ)上，加上工作時間段、職業(yè)場景等能提高區(qū)分度的特征，進(jìn)一步篩選白領(lǐng)人群；
4. 地鐵人群：利用LBS地理圍欄技術(shù)圈選地鐵站點(diǎn)場景，更精準(zhǔn)覆蓋通勤人群；
5. 高密度人群：通過APP滲透率和線下場景結(jié)合找到單車需求旺盛的地區(qū)和人群。

以上五個維度中，單車行業(yè)用戶、高密度人群從宏觀的維度覆蓋到了共享單車APP還未觸達(dá)但有需求的用戶；大學(xué)生人群、白領(lǐng)人群、地鐵人群相對微觀，起到鎖定目標(biāo)人群的作用。這樣形成的目標(biāo)人群模型被應(yīng)用到APP增長推廣中既能精準(zhǔn)鎖定主要目標(biāo)人群，又能同時兼顧傳播的廣度，影響更多的人。

目標(biāo)人群模型并不是一成不變的，需要根據(jù)每一個投放環(huán)節(jié)的數(shù)據(jù)回流進(jìn)行不斷迭代優(yōu)化，其精準(zhǔn)度才會持續(xù)提高。

一次有效的推廣需要關(guān)注整個轉(zhuǎn)化漏斗的各個環(huán)節(jié)，每個環(huán)節(jié)都需要收集數(shù)據(jù)、分析數(shù)據(jù)、仔細(xì)觀察數(shù)據(jù)背后反應(yīng)出來的問題。

APP需要以實(shí)際投放效果對轉(zhuǎn)化人群特征進(jìn)行深層次挖掘，更好地加深對目標(biāo)人群的了解，進(jìn)一步優(yōu)化人群定向，為下一次投放做好準(zhǔn)備。

設(shè)定自然流量對照組 優(yōu)化效果歸因模型

效果歸因在增長推廣過程中，一方面幫助APP考評推廣組合的效果，另一方面幫助APP解決錢要怎么花的“現(xiàn)實(shí)問題”。

效果歸因最重要的是要了解各種導(dǎo)致轉(zhuǎn)化的跨渠道之間的交互以及應(yīng)用于每次交互之間的相對權(quán)重。效果歸因的數(shù)據(jù)越客觀其對最終投放結(jié)果的作用就越大。

但是，目前主流的歸因邏輯還是存在不夠客觀的弊端。比如Facebook和Applovin提供的歸因模型，都無法去除自然增長流量對推廣效果帶來的干擾。

本案例將目標(biāo)人群按照9:1的方式分為推廣樣本集和對照樣本集。

對投放樣本集中的人群進(jìn)行推廣，并按照主流歸因邏輯進(jìn)行統(tǒng)計。對照樣本集的人群則不進(jìn)行推廣，統(tǒng)計其自然增長的情況。在最終的數(shù)據(jù)歸因階段，通過去除對照樣本集采集到的自然流量增長率來減弱主流歸因邏輯中自然流量的干擾，挖掘更優(yōu)質(zhì)的推廣渠道。

當(dāng)然,對照樣本集的自然安裝率是通過抽樣樣本計算所得，相對于實(shí)際的自然安裝率存在誤差，這就需要APP根據(jù)實(shí)際情況做一些優(yōu)化調(diào)整。

多元數(shù)據(jù)洞察 優(yōu)化APP推廣執(zhí)行細(xì)節(jié)

在APP增長過程中，還有很多細(xì)節(jié)是可以通過數(shù)據(jù)洞察找到最優(yōu)解決方案的。比如，黑流量識別與防護(hù)、尋找最優(yōu)出價區(qū)間、曝光次數(shù)與推廣效果關(guān)聯(lián)關(guān)系、線下推廣場景優(yōu)選等。

本案例中對曝光次數(shù)與推廣效果的數(shù)據(jù)洞察幫助共享單車APP以最優(yōu)的成本獲得最佳的推廣效應(yīng)。

洞察發(fā)現(xiàn)，曝光5次以下，曝光次數(shù)與推廣效果成正相關(guān)，且CPA成本能控制在6.24元左右；曝光5次及以上，曝光次數(shù)與推廣效果無直接關(guān)系，且CPA價格成倍增長。另一方面，從邊際CPA分析得出，每多曝光一次所帶來的推廣效果并沒有發(fā)生太大變化。

由此可以得出結(jié)論：高成本未必會換回好效果。

APP不需要做過多無謂的曝光，將曝光次數(shù)控制在5次以下的方案性價比最高，可以以最少的成本取得最好的效果。

總體來說，隨著數(shù)據(jù)智能在互聯(lián)網(wǎng)行業(yè)的逐步落地，大數(shù)據(jù)將成為新一代增長“黑科技”。

大廠們在這一方面布局很早，在模型和數(shù)據(jù)量上都有了一定積累。其他APP開發(fā)者也可以通過第三方數(shù)據(jù)服務(wù)商提供的工具和服務(wù)，快速實(shí)現(xiàn)數(shù)據(jù)的應(yīng)用。

在硬件和軟件都準(zhǔn)備充足的背景下，APP還需要對數(shù)據(jù)智能更多一點(diǎn)點(diǎn)的耐心，畢竟數(shù)據(jù)模型的迭代和優(yōu)化需要慢工出細(xì)活

作者：運(yùn)營派

來源：運(yùn)營派