作者介绍

@郝笑笑 

目前在互联网公司担任数据分析师,并负责DAU流量的增长策略与数据监控。

希望可以和各位一起交流学习。


1   导语


相信对于很多刚入门的分析师小白来说,评估活动效果、洞察业务机会,是所有工作中最可以体现价值感的事情,但也可能是令我们最头疼的事情。本文作者基于自身的实际工作经历,结合一个真实的运营活动,对活动评估中可以复用的数据分析“套路”进行总结和整理,希望能够给初接触数据分析的同学带来帮助。

一般来说,互联网公司的运营活动按照目的可以分为3种:拉新、促活、品牌宣传,尽管每种活动关注的核心绩效指标完全不同,但是分析的思路还是可以套路化的。接下来,本文将以某次促活活动为案例,分享下如何对一场活动的效果进行量化评估。


2   活动背景


伴随着移动互联网用户的增速越来越趋于饱和,用户增长的破局方法不得不从拉新获客转换为如何促活存量用户。


通过第三方广告媒体app(比如微信、抖音等)投放针对老用户的素材对用户促活,已经成为很多公司用来提升存量老用户活跃度的有效方法(后续会统称为“渠道拉活”)


某公司的市场投放部门也开始投入预算试水「渠道拉活」这一项目,在项目启动一段时间后,已经回收累积了大量的用户数据,但是:


  • 渠道拉活对于DAU的带动贡献究竟有多大?

  • 是否值得持续投入更多的资源?

  • 活动情况的ROI如何?是否符合预期?

  • 活动是否存在改进空间?

这些领导和业务方非常关注的问题,需要分析师基于数据给出公正和客观的答复。



3   分析框架和指标体系

3.1  分析框架

  • 活动整体增量效果评估 (包括短期效果分析、长期效果分析)

  • ROI 核算(计算单用户的拉新或者促活成本)

  • 参活用户质量评估

  • 活动存在问题分析

3.2  指标体系


3.21  流量规模


数据指标:

  • DAU

  • 参与活动的用户数(举例:渠道拉活成功召回的用户数)

  • 通过活动首次调起app的uv(举例:通过渠道拉活首次调起app的uv)

  • 通过活动首次调起app的uv占day的比例(举例:通过渠道拉活首次调起uv的dau占比)

可解决的问题:

  • 通过对比事先制定好的活动KPI指标,评估目标完成率;

  • 与其他活动对比,评估促活的核心指标(通常是DAU)是否达到预期;

  • 评估渠道拉活能够召回的用户量级有多大;

  • 评估对DAU的净增量贡献有多大;

3.22  用户质量、用户画像

数据指标:

  • 留存率(次日回访率、7日回访率、30日回访率)

  • 日均使用时长

  • 核心功能渗透率

  • 核心功能人均PV

  • 人群画像(性别、城市、消费能力)

可解决的问题:

  • 评估渠道召回用户的质量

  • 监测是否存在刷量作弊渠道

3.23  用户行为

数据指标:

  • 站外转化漏斗(举例:广告曝光-广告点击-成功调起app-deeplink抵达特定页面)

  • 站内核心行为的转化漏斗(举例:活动页-列表页-详情页)

可解决的问题:

  • 评估用户从站外渠道到抵达App的路径是否顺畅,发现产品bug或者可以改善的机会点

  • 评估活动的站内承接策略是否合理


4   分析过程

4.1  活动效果评估以及活动ROI分析

在量化DAU (或者活跃天数) 贡献时,需要减去用户的自然活跃量,即计算“净增量”贡献。该贡献可以分为当日贡献和长期贡献。


  • 当日贡献是指:当日的召回用户对于当日DAU的增量贡献

  • 长期贡献是指:由于召回用户的后续回流,在后续特定时间范围还会持续贡献的用户天数增量。比如,活动后的50个参与用户,在后续30天内人均活跃天数比活动前提高10天,那么促活的增量贡献就是1500天。


不得不承认,AB实验最擅长处理归因和量化的问题。它的思想是,将流量随机分为数量均匀和特征均匀的两组(即对照组和实验组),实验组用户只有在产品策略上与对照组不同,因此我们可以认为两组用户在同一时间维度上的指标差异,可以完全归因于策略上的差异。


然而,该广告拉活项目无法设计对应的AB实验,但我们可以基于AB测试的思想,构造与实验组“相似”的用户群体作为对照组。具体过程如下:

  1. 将拉活渠道唤起app的用户作为实验组,未曾被拉活召回的存量用户作为对照组;


  2. 选取可能影响用户未来活跃度的特征(比如机型、新增渠道、历史活跃度、…),基于“特征相同”的原则,对两组用户划分为 N 对实验组和对照组。注意尽量将特征通过区间离散化,避免划分出的某一组落入的样本数过少,导致两组样本的指标差异不可信,比如特征「新增日期间隔」可以离散化为:7天内、8-14天、14天以上;


  3. 计算 N 对实验组和对照组的每一组的指标差异值,以及实验组的总指标差异(等于每一组指标差异*人群占比的相乘结果求和)

通过以上方法,可以计算出拉活对于当日DAU的贡献、以及拉活对于未来30天DAU的总增量贡献。


实际上,对于拉活对DAU的单次短期贡献,有更为简便的方法,即基于“首次归因”的思想,通过“拉活首次调起app的uv”进行量化评估,即如果用户多次启动过app,那么只有当通过促活广告首次调起app了,才会计入到促活广告的功劳。


值得一提的是,“首次归因”的方法也可以应用至“产品新上线功能评估”的效果量化中,通常我们可以将“启动app后首次访问该功能的用户量”作为该功能对dau的贡献量。


对于活动成本的核算,我们可以通过 “总成本消耗量 / 总DAU增量”,计算每个DAU增量的成本,以评估ROI是否符合预期。


4.2   用户行为分析、和用户质量评估

可以以「大盘未参活用户」、「同期同类活动」、「往期同类活动」分别作为对比基准,基于用户行为漏斗、留存率、核心行为pv、人均使用时长等指标,识别本次促活策略是否有薅羊毛或者作弊严重的渠道,并评估活动拉来的用户质量好坏。但这里不作为本次分享重点,因此不再展开赘述。


5   结语

作为数据分析师,实际工作中遇到的促活策略往往是五花八门,但是活动效果好坏的评估过程依然是有章可循的。最后,简单总结下本文对于后续活动评估的可复用之处:


  • 如何构建活动评估的指标体系;
  • 如何量化归因活动的短期贡献(即“首次归因”法);   
  • 如何在无法开展AB测试的情况下,通过构造对照组的方式,快速地量化评估长期的增量贡献;

点赞(3653) 打赏

评论列表 共有 0 条评论

暂无评论
立即
投稿

微信公众账号

微信扫一扫加关注

发表
评论
返回
顶部