APP年末增长大戏背后的数据逻辑

数据在增长中起着重要的作用，反映了产品增长的实际情况，也反映出背后的问题。

刚刚结束的“双十一”比往年还要热闹一些。在大戏上演的20多天里，电商巨头旗下的APP们，纷纷以矩阵的形式组团出击，使出浑身解数，用眼花缭乱、环环相扣的花式玩法推销自己。

群雄逐鹿的“双十一”仅仅只是一个开始，随着数据逐渐深入应用到APP推广和运营之中，今年APP年末大戏的“增长”主题依然围绕着“精准”、“精细化”等关键词。

APP求增长离不开对数据的应用，应用程度的深浅决定着增长效果的好坏。

基础的应用是把数据当作验收工具，用来衡量和评价APP增长各个环节的效果；进阶的应用是把数据当作重要信息，对反馈数据进行全面洞察，找到用户真正的需求；更深入的应用则是把数据当作APP增长的重要资源，对数据进行动态的管理和挖掘，建立数据模型将数据背后的价值开发出来，为APP增长各个环节的优化提供数据依据和验证。

本系列文章将通过拆解一个与某共享单车APP合作完成的“增长”全案，解读数据在APP增长全流程中担任的角色，以及如何发挥其作用。

人群洞察科学验证经验预判

策略是APP增长的基石，而人群洞察是帮助APP验证和明确目标人群的“数字导航仪”。

APP在开展人群洞察前不能无的放矢，必须先要有预设的目标人群。APP运营者可以结合行业了解、经验总结和APP自有数据，综合分析拟定目标人群。本案例中的共享单车APP在进行数据洞察之前就将大学生群体作为本次增长的重点目标人群。

APP在拟定了目标人群后，首先要做的是去验证目标人群的发展潜力，是否具有“增长”价值。数据洞察可以从APP的用户画像、用户构成以及线下场景等维度，通过行业对比的方式，进行验证。

案例从共享单车行业整体人群画像、该单车APP用户人群画像两大维度进行对比分析。

通过两组用户画像的对比，得出以下结论：

• 25-44岁人群是共享单车类APP主流人群；18-24岁人群占比达6%，是主流人群之外很有竞争力的人群；
• 该单车APP人群年龄结构中18-24岁人群占比为12.6%，略低于行业人群年龄结构中12-24岁的人群占比，这说明单车APP对18-24岁人群的拓展还有增长空间。

案例在用户人群结构占比洞察中，根据人群标签对共享单车人群进行人群结构分析，得出以下结论：

• 大学生人群是单车行业第二大用户群体；
• 该单车APP用户中大学生人群占比仅为7.3%，远低于行业占比，大学生人群潜在市场空间较大。

线下场景洞察打破空间次元壁

APP对于用户洞察的维度不能仅限于线上行为，还要考量线下场景因素。因为，线下生活场景也会对用户APP使用行为产生影响。

APP在洞察中加入线下场景，可以打破空间次元壁，实现线上、线下的有机联动，助力用户增长。正如电商们追逐的“新零售”概念，其核心在于打通线上、线下场景，通过线下需求线上服务解决的方式促进增长，而这一增长策略的背后需要强大的线下场景洞察。

本案例中，共享单车APP的“增长”策略同样需要线上与线下紧密结合，因此除了线上人群的对比，线下场景洞察同样重要。

案例对于共享单车用户线下场景（样本地：上海、成都）进行人口热力图分析，尤其关注大学城、创业园等学生群体密集区域。热力图通过颜色深浅的色块来显示人群密集程度，颜色越红人群越密集。

如上图所示，无论是上海，还是成都，大学城所在位置都是区域人群高度集中的区域（即红色色块），具有拓展价值。

上述数据洞察发现，大学生人群确实是具有价值的目标人群。共享单车APP将大学生人群作为增长目标用户是可行的。

但是，大学生人群体量有限，也并非共享单车行业的主流用户人群，APP将增长目标人群仅瞄准于大学生人群显然覆盖度不够。APP仍需寻找新的增长目标用户来做补充。

根据先前人群洞察的结果，上班族是共享单车APP的“大户”，共享单车解决了通勤人群最后一公里的问题。基于对行业的理解，案例将洞察的方向转至通勤人群，并结合交通接驳的线下场景，对上海和成都地铁沿线站点进行人群洞察。

此次洞察将用户线上行为偏好和线下场景相结合进行验证，结果显示：

• 早高峰时地铁站点周边单车人群更为密集；
• 晚高峰时期，地铁站点周边单车人群更为活跃；
• 地铁站点半径1km的范围内，单车潜在用户较为集聚。

洞察发现，地点站点周边半径1KM区域是共享单车APP增长新场景，能够覆盖更多的活跃人群。

案例进行到这里，增长策略制定期的数据洞察暂时告一段落。

共享单车APP通过以上数据洞察不但验证了大学生人群是有价值的目标人群，还发现地铁站点周边区域目标通勤人群较为聚集、APP活跃度较高是有效的“增长”线下场景。

接下来，APP可以根据数据洞察的结果对增长策略进行优化，比如对大学城、创业园区等大学生人群密集场景加强推广；在早晚高峰时段，对地铁沿线进行单车调度运营和活动运营等。

构建目标人群模型 动态提升推广精准度

随着增长策略的逐步执行，数据洞察的进程也将不断延续，真正体现数据复合价值的环节才刚刚开始。

我们认为好的数据洞察是贯穿于APP增长推广的全周期，并能够生成数据模型，在增长过程中实时积累和处理数据，不断迭代优化，指导APP增长策略往最优的方向执行。

在案例后续执行和推广过程中，如何定位这些目标人群，如何更广泛地触达目标人群，这就需要APP在投放中使用到目标人群模型。APP想要目标人群模型更精准，就需要有更多维度的数据特征做基础。

案例中，共享单车APP的目标人群模型建立涉及了5大维度：

1. 单车行业用户：单车APP安装与使用特征可用于区分活跃用户和沉默用户，将推广投放人群聚焦在APP新用户以及有唤醒价值的沉默用户上；
2. 大学生人群：在大学生人群标签的基础上，加上年龄段、常住地等能提高区分度的特征，进一步瞄准学生人群；
3. 白领人群：在白领人群标签的基础上，加上工作时间段、职业场景等能提高区分度的特征，进一步筛选白领人群；
4. 地铁人群：利用LBS地理围栏技术圈选地铁站点场景，更精准覆盖通勤人群；
5. 高密度人群：通过APP渗透率和线下场景结合找到单车需求旺盛的地区和人群。

以上五个维度中，单车行业用户、高密度人群从宏观的维度覆盖到了共享单车APP还未触达但有需求的用户；大学生人群、白领人群、地铁人群相对微观，起到锁定目标人群的作用。这样形成的目标人群模型被应用到APP增长推广中既能精准锁定主要目标人群，又能同时兼顾传播的广度，影响更多的人。

目标人群模型并不是一成不变的，需要根据每一个投放环节的数据回流进行不断迭代优化，其精准度才会持续提高。

一次有效的推广需要关注整个转化漏斗的各个环节，每个环节都需要收集数据、分析数据、仔细观察数据背后反应出来的问题。

APP需要以实际投放效果对转化人群特征进行深层次挖掘，更好地加深对目标人群的了解，进一步优化人群定向，为下一次投放做好准备。

设定自然流量对照组 优化效果归因模型

效果归因在增长推广过程中，一方面帮助APP考评推广组合的效果，另一方面帮助APP解决钱要怎么花的“现实问题”。

效果归因最重要的是要了解各种导致转化的跨渠道之间的交互以及应用于每次交互之间的相对权重。效果归因的数据越客观其对最终投放结果的作用就越大。

但是，目前主流的归因逻辑还是存在不够客观的弊端。比如Facebook和Applovin提供的归因模型，都无法去除自然增长流量对推广效果带来的干扰。

本案例将目标人群按照9:1的方式分为推广样本集和对照样本集。

对投放样本集中的人群进行推广，并按照主流归因逻辑进行统计。对照样本集的人群则不进行推广，统计其自然增长的情况。在最终的数据归因阶段，通过去除对照样本集采集到的自然流量增长率来减弱主流归因逻辑中自然流量的干扰，挖掘更优质的推广渠道。

当然,对照样本集的自然安装率是通过抽样样本计算所得，相对于实际的自然安装率存在误差，这就需要APP根据实际情况做一些优化调整。

多元数据洞察 优化APP推广执行细节

在APP增长过程中，还有很多细节是可以通过数据洞察找到最优解决方案的。比如，黑流量识别与防护、寻找最优出价区间、曝光次数与推广效果关联关系、线下推广场景优选等。

本案例中对曝光次数与推广效果的数据洞察帮助共享单车APP以最优的成本获得最佳的推广效应。

洞察发现，曝光5次以下，曝光次数与推广效果成正相关，且CPA成本能控制在6.24元左右；曝光5次及以上，曝光次数与推广效果无直接关系，且CPA价格成倍增长。另一方面，从边际CPA分析得出，每多曝光一次所带来的推广效果并没有发生太大变化。

由此可以得出结论：高成本未必会换回好效果。

APP不需要做过多无谓的曝光，将曝光次数控制在5次以下的方案性价比最高，可以以最少的成本取得最好的效果。

总体来说，随着数据智能在互联网行业的逐步落地，大数据将成为新一代增长“黑科技”。

大厂们在这一方面布局很早，在模型和数据量上都有了一定积累。其他APP开发者也可以通过第三方数据服务商提供的工具和服务，快速实现数据的应用。

在硬件和软件都准备充足的背景下，APP还需要对数据智能更多一点点的耐心，毕竟数据模型的迭代和优化需要慢工出细活。

本文由 @个推 原创发布于人人都是产品经理，未经许可，禁止转载。

题图来自 Unsplash，基于 CC0 协议

作者暂无likerid, 赞赏暂由本网站代持，当作者有likerid后会全部转账给作者（我们会尽力而为）。


Support author:
Author's Filecoin address:
Or you can use Likecoin to support author: