剛剛結(jié)束的“雙十一”比往年還要熱鬧一些。在大戲上演的20多天里，電商巨頭旗下的APP們，紛紛以矩陣的形式組團(tuán)出擊，使出渾身解數(shù)，用眼花繚亂、環(huán)環(huán)相扣的花式玩法推銷自己。
群雄逐鹿的“雙十一”僅僅只是一個(gè)開始，隨著數(shù)據(jù)逐漸深入應(yīng)用到APP推廣和運(yùn)營(yíng)之中，今年APP年末大戲的“增長(zhǎng)”主題依然圍繞著“精準(zhǔn)”、“精細(xì)化”等關(guān)鍵詞。
APP求增長(zhǎng)離不開對(duì)數(shù)據(jù)的應(yīng)用，應(yīng)用程度的深淺決定著增長(zhǎng)效果的好壞?；A(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(píng)價(jià)APP增長(zhǎng)各個(gè)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(duì)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(zhǎng)的重要資源，對(duì)數(shù)據(jù)進(jìn)行動(dòng)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(jià)值開發(fā)出來，為APP增長(zhǎng)各個(gè)環(huán)節(jié)的優(yōu)化提供數(shù)據(jù)依據(jù)和驗(yàn)證。
本文將通過拆解個(gè)推與某共享單車APP合作完成的“增長(zhǎng)”全案，解讀數(shù)據(jù)在APP增長(zhǎng)全流程中擔(dān)任的角色，以及如何發(fā)揮其作用。
策略是APP增長(zhǎng)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(yíng)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(zhǎng)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?ldquo;增長(zhǎng)”價(jià)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(chǎng)景等維度，通過行業(yè)對(duì)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(duì)比分析。通過兩組用戶畫像的對(duì)比，得出以下結(jié)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(dá)18.6%，是主流人群之外很有競(jìng)爭(zhēng)力的人群；
2、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(duì)18-24歲人群的拓展還有增長(zhǎng)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(duì)共享單車人群進(jìn)行人群結(jié)構(gòu)分析，得出以下結(jié)論：
1、大學(xué)生人群是單車行業(yè)第二大用戶群體；
2、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(chǎng)空間較大；
APP對(duì)于用戶洞察的維度不能僅限于線上行為，還要考量線下場(chǎng)景因素。因?yàn)?，線下生活場(chǎng)景也會(huì)對(duì)用戶APP使用行為產(chǎn)生影響。APP在洞察中加入線下場(chǎng)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(dòng)，助力用戶增長(zhǎng)。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(chǎng)景，通過線下需求線上服務(wù)解決的方式促進(jìn)增長(zhǎng)，而這一增長(zhǎng)策略的背后需要強(qiáng)大的線下場(chǎng)景洞察。
本案例中，共享單車APP的“增長(zhǎng)”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(duì)比，線下場(chǎng)景洞察同樣重要。案例對(duì)于共享單車用戶線下場(chǎng)景（樣本地：上海、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，無論是上海，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(jià)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(jià)值的目標(biāo)人群。共享單車APP將大學(xué)生人群作為增長(zhǎng)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(zhǎng)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(zhǎng)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?duì)行業(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(chǎng)景，對(duì)上海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(chǎng)景相結(jié)合進(jìn)行驗(yàn)證，結(jié)果顯示：
1、早高峰時(shí)地鐵站點(diǎn)周邊單車人群更為密集；
2、晚高峰時(shí)期，地鐵站點(diǎn)周邊單車人群更為活躍；
3、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(zhǎng)新場(chǎng)景，能夠覆蓋更多的活躍人群。
案例進(jìn)行到這里，增長(zhǎng)策略制定期的數(shù)據(jù)洞察暫時(shí)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(jià)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(zhǎng)”線下場(chǎng)景。接下來APP可以根據(jù)數(shù)據(jù)洞察的結(jié)果對(duì)增長(zhǎng)策略進(jìn)行優(yōu)化，比如對(duì)大學(xué)城、創(chuàng)業(yè)園區(qū)等大學(xué)生人群密集場(chǎng)景加強(qiáng)推廣；在早晚高峰時(shí)段，對(duì)地鐵沿線進(jìn)行單車調(diào)度運(yùn)營(yíng)和活動(dòng)運(yùn)營(yíng)等。
隨著增長(zhǎng)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(jià)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(zhǎng)推廣的全周期，并能夠生成數(shù)據(jù)模型，在增長(zhǎng)過程中實(shí)時(shí)積累和處理數(shù)據(jù)，不斷迭代優(yōu)化，指導(dǎo)APP增長(zhǎng)策略往最優(yōu)的方向執(zhí)行。
在后續(xù)執(zhí)行和推廣過程中，APP如何定位目標(biāo)人群，如何更廣泛地觸達(dá)目標(biāo)人群，這就需要使用到目標(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。
單車行業(yè)用戶：單車APP安裝與使用行為特征可用于區(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(jià)值的沉默用戶上。
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；
白領(lǐng)人群：在白領(lǐng)人群標(biāo)簽的基礎(chǔ)上，加上工作時(shí)間段、職業(yè)場(chǎng)景等能提高區(qū)分度的特征，進(jìn)一步篩選白領(lǐng)人群；
地鐵人群：利用LBS地理圍欄技術(shù)圈選地鐵站點(diǎn)場(chǎng)景，更精準(zhǔn)覆蓋通勤人群；
高密度人群：通過APP滲透率和線下場(chǎng)景結(jié)合找到單車需求旺盛的地區(qū)和人群；
以上五個(gè)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)且有需求的用戶；大學(xué)生人群、白領(lǐng)人群、地鐵人群相對(duì)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(zhǎng)推廣中既能精準(zhǔn)鎖定主要目標(biāo)人群，又能同時(shí)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(gè)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(huì)持續(xù)提高。
一次有效的推廣需要關(guān)注整個(gè)轉(zhuǎn)化漏斗的各個(gè)環(huán)節(jié)，每個(gè)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(duì)轉(zhuǎn)化人群特征進(jìn)行深層次挖掘，更好地加深對(duì)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。
效果歸因在增長(zhǎng)推廣過程中的作用，一方面幫助APP考評(píng)推廣組合的效果，另一方面幫助APP解決錢要怎么花才能實(shí)現(xiàn)增長(zhǎng)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(duì)權(quán)重。效果歸因的數(shù)據(jù)越客觀其對(duì)最終投放結(jié)果的作用就越大。但是目前的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(zhǎng)流量對(duì)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(duì)照樣本集。對(duì)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(jì)。對(duì)照樣本集的人群則不進(jìn)行推廣，統(tǒng)計(jì)其自然增長(zhǎng)的情況。在最終的數(shù)據(jù)歸因階段，通過去除對(duì)照樣本集采集到的自然流量增長(zhǎng)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(duì)照樣本集的自然安裝率是通過抽樣樣本計(jì)算所得，相對(duì)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。
在APP增長(zhǎng)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(shí)別與防護(hù)、尋找最優(yōu)出價(jià)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(chǎng)景優(yōu)選等。
本案例中對(duì)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(jià)格成倍增長(zhǎng)。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(huì)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(jià)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(zhǎng)“黑科技”。大廠們?cè)谶@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(duì)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。
