綠色排版工具|熱門專題|網站地圖|移動官網
您的當前位置:網站首頁 > ASO優化 > 正文

APP年末增長大戲背后的數據邏輯

來源:未知 編輯:小螞蟻站長 時間:2019-11-21 09:47:26 閱讀:

群雄逐鹿的“雙十一”僅僅只是一個開始,跟著數據逐漸深化使用到APP推行和運營之中,今年APP年底大戲的“增加”主題仍然圍繞著“精準”、“精細化”等關鍵詞。

本文將通過拆解個推與某同享單車APP合作完結的“增加”全案,解讀數據在APP增加全流程中擔任的角色,以及怎么發揮其作用。

戰略是APP增加的柱石,而人群洞悉是協助APP驗證和明確方針人群的“數字導航儀”。

APP在擬定了方針人群后,首先要做的是去驗證方針人群的發展潛力,是否具有“增加”價值。數據洞悉能夠從APP的用戶畫像、用戶構成以及線下場景等維度,通過職業比照的方式,進行驗證。

 

APP年末增長大戲背后的數據邏輯

案例從共享單車行業整體人群畫像、該單車APP用戶人群畫像兩大維度進行對比分析。通過兩組用戶畫像的對比,得出以下結論:

1、25-44歲人群是共享單車類APP主流人群;18-24歲人群占比達18.6%,是主流人群之外很有競爭力的人群;

2、該單車APP人群年齡結構中18-24歲人群占比為12.6%,略低于行業人群年齡結構中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;

APP年末增長大戲背后的數據邏輯

案例在用戶人群結構占比洞察中,根據人群標簽對共享單車人群進行人群結構分析,得出以下結論:

1、大學生人群是單車行業第二大用戶群體;

2、該單車APP用戶中大學生人群占比僅為7.3%,遠低于行業占比,大學生人群潛在市場空間較大;

二、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。因為,線下生活場景也會對用戶APP使用行為產生影響。APP在洞察中加入線下場景,可以打破空間次元壁,實現線上、線下的有機聯動,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解決的方式促進增長,而這一增長策略的背后需要強大的線下場景洞察。

APP年末增長大戲背后的數據邏輯

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:上海、成都)進行人口熱力圖分析,尤其關注大學城、創業園等學生群體密集區域。

熱力圖經過色彩深淺的色塊來顯現人群密布程度,色彩越紅人群越密布。如上圖所示,無論是上海,還是成都,大學城所在位置都是區域人群高度集中的區域(即紅色色塊),具有拓寬價值。

依據先前人群洞悉的成果,上班族是同享單車APP的“大戶”,同享單車解決了通勤人群最終一公里的問題?;趯β殬I的理解,事例將洞悉的方向轉至通勤人群,并結合交通接駁的線下場景,對上海和成都地鐵沿線站點進行人群洞悉。此次洞悉將用戶線上行為偏好和線下場景相結合進行驗證,成果顯現:

2、晚頂峰時期,地鐵站點周邊單車人群更為活潑;

洞悉發現,地點站點周邊半徑1KM區域是同享單車APP增加新場景,可以掩蓋更多的活潑人群。

三、構建方針人群模型 動態進步推行精準度

在后續執行和推行過程中,APP如何定位方針人群,如何更廣泛地觸達方針人群,這就需求使用到方針人群模型。

 

  • 單車職業用戶:單車APP安裝與使用行為特征可用于區分活潑用戶和沉默用戶,將推行投進人群聚焦在APP新用戶以及有喚醒價值的沉默用戶上。

  • 大學生人群:在大學生人群標簽的基礎上,加上年齡段、常住地等能進步區分度的特征,進一步瞄準學生人群;

  • 白領人群:在白領人群標簽的基礎上,加上作業時間段、職業場景等能進步區分度的特征,進一步挑選白領人群;

  • 地鐵人群:利用LBS地輿圍欄技能圈選地鐵站點場景,更精準掩蓋通勤人群;

  • 高密度人群:經過APP滲透率和線下場景結合找到單車需求旺盛的地區和人群;

方針人群模型并不是一成不變的,需求依據每一個投進環節的數據回流進行不斷迭代優化,其精準度才會持續進步。

APP年末增長大戲背后的數據邏輯

一次有效的推廣需要關注整個轉化漏斗的各個環節,每個環節都需要收集數據、分析數據、仔細觀察數據背后反應出來的問題。APP需要以實際投放效果對轉化人群特征進行深層次挖掘,更好地加深對目標人群的了解,進一步優化人群定向,為下一次投放做好準備。

四、設定自然流量對照組 優化效果歸因模型

效果歸因在增長推廣過程中的作用,一方面幫助APP考評推廣組合的效果,另一方面幫助APP解決錢要怎么花才能實現增長的“現實問題”。

作用歸因最重要的是要了解各種導致轉化的跨渠道之間的交互以及應用于每次交互之間的相對權重。作用歸因的數據越客觀其對最終投進成果的作用就越大。但是現在的主流的歸因邏輯仍是存在不行客觀的弊端。比方Facebook和Applovin提供的歸因模型,都無法去除自然增加流量對推行作用帶來的干擾。

 

APP年末增長大戲背后的數據邏輯


本案例將目標人群依照9:1的方法分為推行樣本集和對照樣本集。對投進樣本會集的人群進行推行,并依照干流歸因邏輯進行核算。對照樣本集的人群則不進行推行,核算其天然增長的情況。在終究的數據歸因階段,經過去除對照樣本集收集到的天然流量增長率來減弱干流歸因邏輯中天然流量的干擾,發掘更優質的推行渠道。當然對照樣本集的天然安裝率是經過抽樣樣本核算所得,相對于實際的天然安裝率存在差錯,這就需要APP依據實際情況做一些優化調整。


五、多元數據洞察 優化APP推廣執行細節

在APP增長過程中,還有很多細節是可以通過數據洞察找到最優解決方案的。比如,黑流量識別與防護、尋找最優出價區間、曝光次數與推廣效果關聯關系、線下推廣場景優選等。

本案例中對曝光次數與推廣效果的數據洞察幫助共享單車APP以最優的成本獲得最佳的推廣效應。

APP年末增長大戲背后的數據邏輯

洞察發現,曝光5次以下,曝光次數與推廣效果成正相關,且CPA成本能控制在6.24元左右;曝光5次及以上,曝光次數與推廣效果無直接關系,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生太大變化。

由此能夠得出結論,高本錢未必會換回好作用,APP不需要做過多無謂的曝光,將曝光次數控制在5次以下的計劃性價比最高,能夠以最少的本錢取得最好的作用。

<p font-size:16px;"="" style="overflow-wrap: break-word; margin: 5px 0px; font-family: &quot;sans serif&quot;, tahoma, verdana, helvetica; vertical-align: baseline; color: rgb(61, 70, 77);">總體來說,跟著數據智能在互聯網行業的逐步落地,大數據將成為新一代增長“黑科技”。大廠們在這一方面布局很早,在模型和數據量上都有了必定堆集。其他APP開發者也能夠通過第三方數據服務商提供的東西和服務,快速完成數據的應用。在硬件和軟件都預備充足的背景下,APP還需要對數據智能更多一點點的耐性,畢竟數據模型的迭代和優化需要慢工出細活。

圖文精選:

欄目分類

Copyright?2012-2019 小螞蟻信息網版權所有 粵ICP備14061018號


鄭重聲明:本網站資源、信息來源于網絡,完全免費共享,僅供學習和研究使用,版權和著作權歸原作者所有,如有不愿意被轉載的情況,請通知我們刪除已轉載的信息。

Top 捕鱼游戏技巧大全