
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
在神经网络设计中,“隐藏层个数” 是决定模型能力的关键参数 —— 太少会导致 “欠拟合”(模型无法捕捉复杂数据规律,如用单隐 ...
2025-10-21在特征工程流程中,“单变量筛选” 是承上启下的关键步骤 —— 它通过分析单个特征与目标变量的关联强度,剔除无意义、冗余的特 ...
2025-10-21在数据分析全流程中,“数据读取” 常被误解为 “简单的文件打开”—— 双击 Excel、执行基础 SQL 查询即可完成。但对 CDA(Cert ...
2025-10-21在实际业务数据分析中,我们遇到的大多数数据并非理想的正态分布 —— 电商平台的用户消费金额(少数用户单次消费上万元,多数集 ...
2025-10-20在数字化交互中,用户的每一次操作 —— 从电商平台的 “浏览商品→加入购物车→查看评价→放弃下单”,到内容 APP 的 “点击短 ...
2025-10-20在数据分析的全流程中,“数据采集” 是最基础也最关键的环节 —— 如同烹饪前需备好新鲜食材,若采集的数据不完整、不准确或不 ...
2025-10-20在数据成为新时代“石油”的今天,几乎每个职场人都在焦虑: “为什么别人能用数据驱动决策、升职加薪,而我面对Excel表格却无从 ...
2025-10-18数据清洗是 “数据价值挖掘的前置关卡”—— 其核心目标是 “去除噪声、修正错误、规范格式”,但前提是不破坏数据的真实业务含 ...
2025-10-17在数据汇总分析中,透视表凭借灵活的字段重组能力成为核心工具,但原始透视表仅能呈现数值结果,缺乏对数据背景、异常原因或业务 ...
2025-10-17在企业管理中,“凭经验定策略” 的传统模式正逐渐失效 —— 金融机构靠 “研究员主观判断” 选股可能错失收益,电商靠 “运营拍 ...
2025-10-17在数据库日常操作中,INSERT INTO SELECT是实现 “批量数据迁移” 的核心 SQL 语句 —— 它能直接将一个表(或查询结果集)的数 ...
2025-10-16在机器学习建模中,“参数” 是决定模型效果的关键变量 —— 无论是线性回归的系数、随机森林的树深度,还是神经网络的权重,这 ...
2025-10-16在数字化浪潮中,“数据” 已从 “辅助决策的工具” 升级为 “驱动业务的核心资产”—— 电商平台靠用户行为数据优化推荐算法, ...
2025-10-16在大模型从实验室走向生产环境的过程中,“稳定性” 是决定其能否实用的关键 —— 一个在单轮测试中表现优异的模型,若在高并发 ...
2025-10-15在机器学习入门领域,“鸢尾花数据集(Iris Dataset)” 是理解 “特征值” 与 “目标值” 的最佳案例 —— 它结构清晰、维度适 ...
2025-10-15在数据驱动的业务场景中,零散的指标(如 “GMV”“复购率”)就像 “散落的零件”,无法支撑系统性决策;而科学的指标体系,则 ...
2025-10-15在神经网络模型设计中,“隐藏层层数” 是决定模型能力与效率的核心参数之一 —— 层数过少,模型可能 “欠拟合”(无法捕捉数据 ...
2025-10-14在数字化浪潮中,数据分析师已成为企业 “从数据中挖掘价值” 的核心角色 —— 他们既要能从海量数据中提取有效信息,又要能将分 ...
2025-10-14在企业数据驱动的实践中,“指标混乱” 是最常见的痛点:运营部门说 “复购率 15%”,产品部门说 “复购率 8%”,实则是两者对 ...
2025-10-14在手游行业,“次日留存率” 是衡量一款游戏生死的 “第一道关卡”—— 它不仅反映了玩家对游戏的初始接受度,更直接决定了后续 ...
2025-10-13