京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何用数据来做渠道效果的分析
日前和几个 BD 朋友聊天,听到说“现在很多渠道投放的效果犹如雾里看花,点击很多,激活很少,留存更是骨感……”想到自己对当下的统计后台还算了解,所以想从数据角度讲下渠道效果分析的几点经验。
几乎所有的运营人员都会接触到渠道推广。这些渠道推广可能是付费渠道,可能是免费渠道,无论是哪一种渠道推广,都是需要我们付出成本的。在与渠道打交道的过程中,有时候涉及到跟渠道分成或者跟渠道合作,我们需要统计从渠道获取的用户的数量;有时候涉及到渠道付费,我们需要鉴别渠道用户的质量的好坏,控制并提高渠道的效果。
工欲善其事,必先利其器。我们可以利用第三方统计工具来对渠道投放进行监控,通过一些指标来有效的监控渠道投放的数量和质量。
工具
一般来说,统计工具具备很完整的Android渠道监控的功能了。我们可以选择集成了统计分析SDK,来使用其中的Android渠道监控的功能。我在下面列举了一些统计分析工具。
国外的统计工具:mixpanel、flurry、localytics、google analytics for mobile。
如果我们的应用是做海外发行,建议优先选择国外的统计工具。除了时差的问题(大部分统计工具采用服务器时间进行计算),由于伟大的墙的存在,数据包从国外传输到国内会存在一定比例的丢失。
国内的统计工具:友盟、腾讯移动统计、talkingdata、avodcloud、dataeye。
如果我们的用户主要集中在大陆地区,可以优先使用国内的统计工具。一个好的统计工具,它的服务是稳定的,数据是安全的,指标和维度具备完整性,拥有自由灵活的高级功能。
友盟是国内最早的统计分析工具,在数据稳定性和功能完整性上的表现是很优秀的。
talkingdata和dataeye是做游戏分析起家的,在游戏领域,talkingdata和dataeye分别在华北和华南地区具备很大的知名度。他们在游戏指标和维度上的设计也是很专业的。
腾讯的优势是具备强大的社交关系链。这个优势也输出到了腾讯统计分析中。腾讯统计分析具备强大的用户画像功能,这个数据能够帮助开发者更好的了解用户。
独立部署企业版本:talkingdata企业版本、ly、Cobub razor。
我们也可以购买独立部署的数据服务,将数据的收集、计算、展示都放到私有云上。
统计原理
Android平台的应用市场比较多,推广方式也很丰富。我们可以通过分包发布来区分不同的渠道。
简单的说,就是开发人员为每个渠道生成一个渠道包,每个渠道包用不同的渠道字段来标示。运营人员再将这些渠道包上传到渠道中,当有用户下载激活app时,就可以在报表页面中查看到不同渠道来的用户的数据了。
用友盟统计分析举个例子。开发人员可以在manifest文件的<application>节点中添加下面这行配置。
<meta-data android:value=”Channel ID” android:name=”UMENG_CHANNEL”/>
将“Channel ID”改成需要标示的渠道,比如小米、豌豆荚等。
关于数据准确性的问题
一般来说,统计工具是使用IMEI+MAC来唯一标示一台Android设备。当然这是一个简化的说法,实际上,Android的设备id存在很多缺陷,比如mac存在漂移,imei存在冲突,所以一个好的统计工具会有自己的id组合策略,而非单一的设备id来唯一标示一台设备。不同的统计系统的id方案不一样,所以我们会发现不同的统计系统会存在微小的偏差。如果这个偏差在一定范围内,是可接受的。
除了可接受的误差之外,我们可能还会遇到很多其他的数据问题。我总结了一些列举在下面。
为什么渠道后台的数据大于统计系统的数据
渠道是基于下载计算的,统计工具是基于激活计算的。也就是说,
- 用户下载了app但未运行,统计系统无法统计到;
- 用户使用app时未联网,统计系统也获取不了这个用户数据;
- 用户之前安装过该app,从某渠道下载了一个新版本,这个用户只能算一个老用户,不计入该渠道的新增用户中。
这些情况都会导致渠道后台的数据大于统计系统的数据。
为什么渠道后台的数据小于统计系统的数据
安卓市场情况非常混乱,会存在小渠道抓包发布的情况。同时,各渠道之间有资源互通的合作,例如豌豆荚与二十多家渠道互通资源,如果一个应用的新版本未在豌豆荚发布,豌豆荚本身的搜索引擎性质仍能通过豌豆荚下载其他渠道(如安智)的安装包,此时应用在本身安智渠道的下载量并不会增加,但友盟统计后台安智渠道会新增用户+1
不同的统计工具,数据对不上
正如前面所说,不同的统计系统的id方案不同,会存在微小的偏差。
此外,如果一个统计工具是基于账号系统,一个统计工具基于设备,可能会存在一个设备登陆好几个账号,或者一个账号跨屏登陆的情况,这两个系统数据肯定是对不上的。
原理
相比Android平台,iOS是一个封闭的生态(暂不考虑越狱渠道)。我们不能通过分包发布来区分渠道用户,只能通过短链分发来监控渠道的效果。
具体的说,每个app在appstore上对应了一个唯一的链接,我们可以将这个原始链接封装成不同的短链接,将短链接交给渠道,这样就可以区分来源于不同渠道的用户了。
从技术步骤上来看,一个终端手机用户如果点击了渠道上这个短链接,会跳转到appstore页面上。这个过程会触发一个服务器端的请求,服务器会记录这次点击的设备信息,包括ip地址、机型等。如果这个终端用户下载并激活了这个app,会向服务器发送一个激活包的信息。短链监控平台将激活信息与点击信息进行匹配,从而计算出点击、激活等数据。
工具
我们可以自建短链监控系统,也可以选择国内外成熟的解决方案来进行iOS渠道的监控。
- 广告平台自带广告监测工具:Inmobi AdTracker、google adwords
- 第三方广告监测平台:umtrack、appcpa、mobile app tracking、Tapstream
一般来说,选用第三方平台会比广告平台自带的监控工具更加具备公正性。我们需要尽早做好准备,在一个app还没有进入推广期时,就选择接入第三方广告监测平台。这样,第三方平台中保存了这个app的历史数据,在进行渠道推广时能够判断新老用户,从而数据会更加准确。
关于数据准确性的问题
精确性
有的运营人员做渠道投放,每个渠道都投放了,点击量特别高,可能达到上万,甚至两三万,但激活量特别低,呈现个位数。费用都花光了,但是效果没有出来。自己也做分析,投放的平台也做分析,但是却得不到结论。
我们做数据分析的前提是需要拿到靠谱的数据。如果数据不准确,基于这个数据分析出来的结论是没有意义的。
我们做iOS正版的渠道推广,需要注意的是,第三方短链服务存在一个精确度的问题。
具体来说,用户点击短链的时候,服务器端只能获取到ip地址,获取不了openudid这样设备标示符的信息。我们知道ip地址是一个会变化的地址,并不能唯一的标示一台设备。
比如我在公司wifi下点击下载app,但是回家才打开app体验产品,因为ip地址切换了,这个激活是匹配不上的;另外一个例子就是,一个咖啡店中,一个客人点击短连接,另一个客人去appstore上搜索并下载激活了这个app,因为这两个客人都连接了咖啡店的wifi,属于同一个ip地址,系统会认为这个点击和激活是可匹配的。
所以用ip地址进行匹配的原理存在天然的缺陷,是一种有误差的统计。
合作平台
正是因为这种统计原理的缺陷,监控平台会通过跟DSP、网盟这样的渠道建立合作来避免和消除不准确性。
当有用户点击短链接时,渠道回传可靠的设备标示符给监控平台(如idfa、idfv、openid等)。用户激活时,监控平台可以使用设备标示符来匹配激活和点击的数据,从而提高了整个系统的数据准确性。
如果我们使用付费推广的方式来获取新用户,一定要提前了解监控平台是否与对应的渠道建立了合作关系,如果有合作,那么监控平台上的数据是非常准确,广告平台也认可用这个数据来结算的。
与此同时,总有一些推广渠道是监控平台合作所覆盖不到的。比如社会化营销推广,这种推广的效果只能使用ip地址来匹配。
这种不准确的效果数据对我们的意义就在于:粗略地了解每一次推广的趋势,通过相对的对比来分析每一次推广的效果,优化营销推广方案。
写在最后:
正确的选择渠道监控工具只是我们数据分析的第一步,我们还需要学会使用数据指标和高级功能来分析渠道的效果。下一篇,我将重点针对这个主题,谈谈有哪些指标和维度可以用来反映渠道的用户质量,如何通过数据分析来辨别渠道作弊,分析渠道的效果。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据统计分析、数据清洗、异常值识别与数据分布研究中,箱型图是最直观、高效、专业的可视化分析工具。相较于柱状图、折线图仅 ...
2026-05-29Tkinter是Python内置的标准GUI图形界面库,具备无需额外安装、调用简单、兼容性强、轻量化高效等优势,是Python快速开发桌面小程 ...
2026-05-29 很多分析师在设计标签时思路清晰,但真到落地环节却面临“数据在手,不知如何转化为可用标签”的困境:或因加工方式选择不当 ...
2026-05-29【核心关键词】大数据、经理、专业、金融、客户、传统、建模、数据产品、互联网金融、产品经理、数据分析、金融行业、数据模型 ...
2026-05-28 很多分析师每天和数据打交道,但当被问到“标签是什么”“标签和指标有什么区别”“标签体系如何设计”时,却常常答不上来。 ...
2026-05-28随着大数据技术的快速普及,各行各业积累了海量的用户数据、交易数据、生产数据与行为数据。单纯的数据统计与报表分析只能呈现表 ...
2026-05-28在Python网络请求、接口测试、数据爬取、业务对接开发中,Requests库是最简洁、最高效的HTTP请求工具,凭借简洁的语法、完善的适 ...
2026-05-272025 年,零售与服务行业的竞争已从 “经验驱动” 全面转向 “数据驱动”。中小企业门店普遍面临数据零散、分析浅层、决策凭感觉 ...
2026-05-27 很多数据分析师每天都在写SQL,但当被问到“数据查询语言(DQL)的本质是什么”“SELECT语句中各子句的书写顺序与实际执行顺 ...
2026-05-27在统计学分析、实验研究、业务数据复盘过程中,单因素方差分析是检验自变量对因变量是否存在显著影响的核心方法。其中,两个水平 ...
2026-05-26【核心关键词】算法、客户、大数据、互联网、调优、建模、模型优化、机器学习、评分卡模型、模型开发、智能风控、业务场景、数 ...
2026-05-26 很多数据分析师写过无数个 SELECT,但当被问到“新建一张表,该如何定义字段类型来保证数据质量”“创建视图和存储物理表有 ...
2026-05-26在数据清洗、统计分析与数据质量检测工作中,箱型图(又称箱线图、Box Plot)是最直观、最高效的可视化分析工具之一。相较于柱状 ...
2026-05-25在大数据分析、数据清洗、质量管控、风险监测等领域,异常数据识别是保障数据质量、确保分析结论精准、规避业务决策失误的核心基 ...
2026-05-25 很多数据分析师精通Excel函数和透视表,但当被问到“数据从哪里来”“表和视图有什么区别”“数据库管理系统和SQL是什么关系 ...
2026-05-25数字化经营时代,企业的市场竞争早已从经验决策转向数据决策。门店营收、用户转化、产品销量、成本损耗、存量资产等所有经营行为 ...
2026-05-22在MySQL数据库日常运维、业务数据校验、数据迁移与数据清洗场景中,自增主键ID的连续性校验是一项基础且关键的工作。MySQL的Auto ...
2026-05-22 很多企业团队并非缺乏指标,而是陷入“指标失控”:仪表盘上堆满实时跳动的数据,却无法回答“当前瓶颈在哪、下一步该做什么 ...
2026-05-22【核心关键词】大数据、可视化、存储、架构、客户、离线、产品、同步、实时、数据仓库、数据分析、数据可视化、存储数据、离线 ...
2026-05-21在电商流量红利消退、公域获客成本持续走高的当下,存量用户深度挖掘已成为店铺增收增效的核心抓手。相较于付费投放获取的陌生新 ...
2026-05-21