0

如何把钱花在刀刃上

诸葛io

如何评估一个平台的投放价值?用户匹配不准,转化效果不好,花了钱打水漂儿怎么办?如何把广告效果最大化是很多营销人/运营人梦寐以求的,特别是在现在这个线上线下流量获取费用都暴涨的年代。围绕广告投放及获客质量,本文整理了诸葛io增长团队负责人邱千秋的分享:

内容提要:
1、获客渠道矩阵优化投放
2、用户质量与投资回报率交叉评估
3、数据异常的一般分析方法


 

渠道获客效果矩阵气泡图

推广投放的分析思路是相对固定的,主要关注用户质量和性价比,当分析出问题后,寻找原因,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,而分析的难点在于推广投放的场景非常复杂,多数人只会接触其中一小部分,所以出现问题的时候往往想不到到底是哪儿出了问题。

1

渠道获客效果矩阵气泡图

推广渠道趋于多样化,除了在内容中、平台中、应用商店中的广告位,最近几年比如:移动端视频广告、原生feed流广告、程序化广告的方式也都增长很快,但是从分析的角度上说,这些新兴的方式只是具体推广手段的不同,并没有影响我们分析的目标,所以我们可以以不变应万变。

这个数据分析可视化的效果图,代表了四个维度的信息,首先看内容,每一个颜色的气泡,都代表着一个流量渠道,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,纵轴为整体的用户质量从低到高,横轴为该渠道整体的投资回报率。

用户质量,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特点来确定用户关键行为,基于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。

ROI投资回报率,就是周期内利润除以周期内投资额,本质上这个指标是希望提高投资资产的利用效率来获取更好的回报。

举个例子,比如最左边的红色小气泡,是a渠道带来的流量,首先流量较小,但是这部分用户的停留时长、关注、互动、留存等指标都还不错,但投资回报率比较差,即,这些质量中等的用户最终为企业带来的价值回报并不大。

我们可以直观的了解到,这类客户质量是不错的,应该是关键行为,比如:购买的转化或者持续购买的转化并不理想,可能在产品中,更多的充当了活跃但是没有直接消费的用户,对于这样的渠道用户,我们应该设法在精细运营中,了解这类用户特点,更好的引导其进行持续的转化,为产品带来更大的回报。

这是一个简单的例子,但是即便这样,也能体现出渠道获客分析的三个基本原则:

其一,衡量的核心是为了提升性价比

目标要明确,我们在这个分析衡量的过程中,不仅仅是为了下判断,其核心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谈判,降低投放价格,也是提升性价比的好办法。

其二,不轻易扔掉任何一个流量入口

一方面在于,只要用户是真实的,在投资回报率不是特别低到负数的情况下,那么对于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就没下载app,但是两周后在朋友圈又看到公司同事在玩,并且通过同事的邀请链接又下载了,成为了一个优质用户。这个过程中,知乎这个渠道本身就起到了预热的作用,如果没有这个渠道的预热,后续用户的接受程度可能并不会有那么高。综上,完全拒绝某个渠道的决定,不宜轻易做出。

第三,试验调整不断衡量以提升转化

多做策略调整,不断优化,质量高ROI差的渠道,要尝试提高与收益相关的转化;质量低ROI又有点高的渠道,即便想要去掉这个渠道,也建议逐步进行,先减少25%的投放,如果对其他渠道的影响不大,再逐步减少,最终去掉。如果过程中发现有其他渠道出现了波动,就需要及时调整,整体评估了。

新增用户相关数据异常的一般分析方法

2

当发现流量相关数据有波动和异常时,一般可遵循以下步骤进行分析:

1、初步整体筛查

此时,先查看数据趋势波动的转折点在什么时间。最低最高数据异常点,比如:增高或降低的那一天,细化到分钟级的时间维度,同时调查产品、运营和市场推广相关的动作,从时间点上进行业务关联,寻找原因。还有一个维度,是用户的地域城市,也是容易出现异常的地方,建议在初步筛查时进行确认。一般来说,只要是业务调整带来的问题,一般在这个阶段就能找到数据异常的端倪,缩小分析范围。

2、细分业务 业务筛查

简单说,就是围绕第一步分析的维度,从业务上进行细分,细分维度包括utm 来源情况,不同渠道来源情况以及产品版本来源情况;用户质量相关数据,比如:用户停留时长关键行为活跃比以及留存数据,均要着重对比。这里最为重要的一点在于,我们一定要截取固定时间段的新增用户进行分析,这样数据样本会比较干净,容易控制条件变量,让问题更为明显。

3、与自然流量进行对比

通过这些维度的分析,基于与过往数据的对比,一般来说就能够找到导致数据波动的原因了,无非两个方面,一方面是产品本身出现了问题,导致流量数据异常,这种原因通常会体现在app版本之间的数据差异。另一方面,就是某个渠道的用户质量出现了波动,此时,又涉及到一个问题:数据的波动是不是可以就此归结为这两种原因?

比如:由于版本之间的数据差异,就可以认为是产品设计出了问题?会不会是打包版本出现了问题?比如:流量质量问题,会不会是因为这个渠道本应如此?

所以此时,还是建议大家把细分渠道的数据,与同时期的自然流量进行一次对比:如果差异小,同时没有做产品迭代,那基本上会是流量质量的问题;如果差异大,又有产品迭代,那大多是由于产品改版带来的影响。

此时与自然流量进行对比,不论在业务细分阶段我们发现了什么差异,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,有一个独特的场景,进行渠道刷量、渠道作弊的情况,如果有这方面的怀疑,首先可以从用户新增后的行为轨迹上来进行分析,基本上就能找出80%的作弊渠道了,一般体现为新增用户没有触发任何行为,或者只触发几个固定行为,行为轨迹模式相对正常用户很单一,一个简短的汇总分析就能看出来。

毕竟刷量大多是通过技术来完成,一般也就是模拟启动和固定的几个行为,难以做到像真实用户行为的随机效果,这是业务方面的筛查。

另一方面,在于技术筛查,可基于ip、设备型号和屏幕分辨率这三个角度,逐一向下查询分析,基本上能覆盖绝大多数的作弊场景。尤其是屏幕分辨率,毕竟ip和设备型号都是可以通过模拟的手段进行修改,而屏幕分辨率本质上也可以,但是往往会被刷机人员忽略。
都知道那句经典名言:“广告费至少浪费了一半以上,但我不知道究竟浪费在哪里?”这很悲剧!哪有那么多经典广告,哪有那么多转化率碉堡的广告,大部分广告都是一般般的,不要整天想着写出绝世文案,做出惊天广告,踏踏实实的评估渠道质量,提高投放推广的性价比,获取到相对高质量的用户,再不断调整策略提升转化就很好了。

诸葛io,数据智能决策平台。 点击此,免费注册使用~