小编分享app如何优化推广。

今天和大家分享的主题是：如何通过数据优化 App 推广效果，全域全购买旅程监测，科学提升 ROI。

一. 确立与公司目标对齐的推广指标体系

在进行 App 推广之前，我们需要明确一个概念：企业需要建立与经营目标对齐的推广指标体系。

前段时间，某知名餐饮企业因涨价引发热议，迫于舆论压力最后发布致歉信，宣布恢复原价。

疫情期间，为什么企业有如此之重的涨价压力呢？对此，我们可以利用三基分析法，从企业经营的角度进行拆解。

三基分析法是诊断企业经营健康度的重要手段，通过 3 个基本要素就可以推导出第二年大概的业绩增长情况：

用户量，主要指付费用户，可拆解成新用户和老用户；
人均消费金额，指新、老用户平均单价；
复购率，用来衡量客户对企业的粘性。

如上图的右表中，根据过往两年的数据，我们能够制定下一年的战略目标。在此过程中，留存用户由前年决定，企业会根据增长目标，定下年拉新量。

还是以之前提到的某知名餐饮企业为例，当受疫情影响，用户量不可避免的下降时，它选择了通过涨价来提高人均消费金额，但这条路被证实是十分坎坷的，企业不要轻易尝试，最好还是通过提升拉新量来达成我们的业绩目标。

对于 App 投放来说，提升拉新量是我们的主要目标，那么我们如何建立围绕公司经营目标的投放指标体系呢？

如果直接从很细节的指标出发，从下而上地优化投放，这个方法会很难持续下去，核心原因就在于与公司的经营指标脱节了。

我们建议大家按照公司的经营目标，即 CXO 关注的销售金额和目标增长率，从上至下地拆解一、二、三级指标。

一级指标：部门总监关注的渠道/活动 ROI；
二级指标：部门总监关注的不同渠道/活动新客的规模、质量、转化、留存等；
三级指标：投放专家通过上图中的具体指标做优化。

这样一来，我们就可以从上至下，将数据驱动持续下去，不断地通过数据推动公司经营目标的达成。

二. 进行全域全购买旅程监测

目前大部分 App 推广都没有真正的做到数据驱动。“没有数据”、”数据不全”、“数据不连贯”等都成为了落地数据驱动的难点，企业也很难科学的衡量 App 推广的 ROI。

我们可以从三个视角来分析这个问题：

1.用户旅程视角

在 AARRR 模型中，App 用户的全生命周期旅程分为了感知价值、下载激活、激活注册、激活次留、激活付费、深度转化六个阶段。

2.触点视角

用户在旅程每个阶段的触点是不一样的。比如在感知价值阶段就有自有渠道推广、广告投放、KOL 传播等触点。

目前的普遍情况是，大多数 App 推广 ROI 的衡量都只停留在了第一个或者第二个阶段。也就是简单的各渠道下载数据、App 激活数据等。

没有真正衡量到“激活付费”和”深度转化“阶段，其实也就没有衡量到一个用户是否真的给我们带来了价值。

为什么会出现这种情况呢？我们可以从数据视角发现问题。

3.数据视角

结合用户旅程视角和触点视角，我们会发现各阶段的数据是相互割裂的。主要的难点就在于：

站外：自有渠道或 KOL 的传播没有数据，头条、微信等各平台统计口径不一致；
站内：用户在 App 内浏览内容等关键行为的数据难以被采集；
通常情况下，我们通过业务系统看付费情况，这部分数据是很难与前置业务相连贯的。

结合以上三个视角，我们把营销监测数字化技术的进化过程分为了三个阶段，对应 App 推广 ROI 的衡量，大家可以评估一下自己目前处在哪个阶段。

第一个阶段：用来衡量传播声量，主要监测点击、PV、UV；
第二个阶段：用来算清用户获取情况，主要监测下载、激活；
第三个阶段：用来算清市场对营收的影响，主要监测注册、购买、复购，能将用户旅程连贯起来，监测整体的投放效果。

那么，全域全购买旅程监测是如何实现的呢？

这里给大家简单科普一下 App 获客监测的原理：广告主提供物料、媒体传播物料、用户下载 App 并完成关键行为是一条完整的投放链，在此链条中，GrowingIO 与媒体深度合作，会将用户设备信息回传给我们；

而对于没有对接过的媒体，当用户激活成功后，GrowingIO 的 SDK 会直接采集用户行为数据，并与其用户旅程相关联。

我们会对原本杂乱无章的数据进行排序，转化成匹配报告，提供给广告主和媒体。

全链条的数据采集完毕后，会以下表的形式可视化，呈现各个获客渠道的表现。接着，只需用一个简单的函数就可以算出 ROI。

第一阶段：广告阶段的点击量、到站访问量；
第二阶段：用户的总量、新增量和回访量；
第三阶段：依据平均 DAU、人均访问时长/次数、次日/7 日留存等判断用户质量的好坏；
第四阶段：用户行为。我们的平台支持用户自由设置用户的具体行为。

在此过程中，数据的准确度尤为重要。GrowingIO 与上百家主流媒体深度合作，确保这些回传的数据以及在 App 采集的数据是准确的。

另外，我们与头部渠道深度合作，用户无需开发，便可以在媒体方看到注册、下单、留存等转化数据，据此高效调整投放计划。

三. 优化 App 推广策略（4 个方法）

接下来，我将分享 3 个方法，帮助大家更好地利用模型、分析数据，从而优化 App 推广策略。

1.漏斗对比法

在做渠道投放时，我们需要遵循 2/8 法则，即 20% 的渠道承担者 80% 的获客量。

举个例子，下图是一家企业的投放渠道 A 和 B，这 2 个漏斗清晰地显示出，渠道 B 的投放效果更好，可以考虑加大投入。

GrowingIO 运用了这一方法，可以一键实现全渠道漏斗的对比分析，一张表就能直观显示出所有渠道的转化情况。

2.波斯顿矩阵

这是一个相对来说容易上手的分析方法。我们以流量规模的大小为横轴、以流量质量的高低为竖轴建立矩阵，快速地划分出 4 类渠道：优质小渠道、优质渠道、低质小渠道和低质大渠道。

怎样判断流量质量呢？我们可以通过注册、购买、留存、使用关键功能等行为数据来衡量这一指标，但不同行业采取的具体方式是不同的，例如：

高频电商行业以”加购”行为判断用户质量；
旅游行业以”订单”行为判断用户质量；
付费内容&社交行业以”留存”判断用户质量；
工具类 App 以”使用关键功能”来判断用户质量，比如 GrowingIO 会根据用户是否体验 demo 来判断其质量好坏。

在上述 4 类渠道中，我们需要重点优化低质大渠道，也就是获客成本高但质量差的渠道。这里也有两个方法分享给大家：

（1）刨根问底，下钻分析

第一，我们假设这个渠道低质的原因在于”人群画像与产品不匹配”，再按照不同的维度去拆解。以地区为维度，如果北区用户的停留时间、注册转化率要优于南区，那么就是南区拉低了整体的渠道效果，这时我们就要考虑调整南区的投放策略。以此类推，当以广告创意为维度拆解时，我们就可以根据效果的好坏，采用更好的那个广告创意。
第二，如果原因在于”落地页和广告不匹配”，我们利用热图就可以明显感知到，用户的点击是非常散乱的。
第三，如果原因在于”流量承接时出现了故障”，我们可以利用用户细查找到故障，快速修复。

（2）转换思路，站外归因分析

一般来说，我们会用”最终点击归因”的方法来分析投放效果，但事实上，用户在”最终点击”之前还有很长的一段旅程。

所以，我们需要进行”线性归因”和”基于位置归因”，来分析某个渠道的作用是否发生在用户”最终点击”之前。