我接手客户后,提了几个解决方案···
去年我带了一个网服客户,在某应用商店上推广APP,投放量级一天几十万。
当时一直很头疼的问题是,媒体方不允许监测各广告位的激活,而仅从前端的 曝光、下载、消费,难以判断各广告位的优劣。
明明知道,某些广告位的转化不好,但因为客户的KPI对量有要求,只能硬着头皮、凭经验继续投。
我接手客户后,提了几个解决方案:
方案一
将目前正投放的6个广告位中暂停3个,再加上自然量,合计4个下载量来源。一周后,暂停6个广告位中的另外3个,开启已暂停的3个,以此类推。
原理是:通过减少变量(即下载来源)的个数,来降低评估不同变量(即下载来源)对某一指标(即总激活量)的影响的难度。
这个方案的思路是很好的,但并不适用于这个客户的实际情况:下载来源分布高度集中。
下图是近1个月的 各下载来源的占比分布,可以看出:
自然量、精品、装机必备 三个下载来源已占到70%以上,其他资源 也能占到10%左右,暂停广告位的测试方案很容易引起账户的流量波动,所以考虑方案二。
方案二
基于统计学的广告数据定量分析,研究各下载来源与总激活量是否存在显著的相关关系。
相关性越强的下载来源意味着对激活量的贡献越大,即下载激活率越高。
开始分析。
这里以 IBM SPSS 23为例,将下载量和激活量的数据导入。
进行相关分析,结果如下:
数据显示,激活量与不同下载来源的相关关系是:
强相关(>0.8):激活-精品、激活-搜索、激活-自然量
较强相关(0.6~0.8):激活-排行榜、激活-其他资源、激活-红包专场
一般相关(0.4~0.6):激活-装机必备
因为不存在第三个明显变量(具体解释在文末),这里的相关关系可视为因果关系。
换句话说,数据显示,针对该App在该应用商店的下载激活率的排序是:
精品、搜索、自然量 > 排行榜、其他资源、红包专场 > 装机必备
随后,我们进行了出价、预算、时段等控制,重点提高了转化较优的广告位。
下图是优化期间 各下载来源的占比分布,可以看出:
精品的下载量占比提到了近10个百分点,其他资源占比逐渐降低至0,搜索的占比也在增加。
装机必备的占比有较大幅度波动,主要原因:由于竞争对手做活动,精品的流量不稳定;KPI对量有要求;装机必备的新客率较高。
下面是最最重要的数据,能证明方案二显著的优化效果(激活成本持续下降、下载激活率持续上升)
最后,还有一点涨知识的Tips
相关关系不代表因果关系!
相关关系不代表因果关系!
相关关系不代表因果关系!
讲一个冰淇淋与犯罪的经典统计学故事吧。
在美国的中西部的一个小镇上,人们发现一个很有趣的不合逻辑的现象,就是冰激淋的消费量越高,犯罪率越高。这时候有人在想,如果人为控制改变冰激淋销量,是否可以改变犯罪率。
答案是否定的。常识告诉我们,冰激淋与犯罪无关,之所以在统计上存在正相关是因为天气。
冰激淋的销量与天气紧密相关,天气越热销量越高,同时,天气越热,人越容易在室外活动,越容易开窗(导致偷盗概率增加),女性越容易穿着暴露(导致性犯罪增加),人的心情也越烦躁(导致冲动型犯罪增加)。
故事中,看似相关的两个变量(冰激淋的销量)(犯罪率)是高度相关的,但实际上都是受第三个变量(天气)的影响。
而在上文的数据分析中,精品、装机必备等下载来源与激活量之间不存在明显的第三个变量,故可以判定变量之间的相关关系即为因果关系。